连续搅拌釜（CSTR）先进控制策略研究

发布时间：2017-09-01 19:03

  本文关键词：连续搅拌釜（CSTR）先进控制策略研究

  更多相关文章： 连续搅拌反应釜 PID控制 软测量技术 模糊神经网络 模型预测控制

【摘要】：化工、石油、橡胶工业是国家经济发展的支柱性产业,连续搅拌反应釜(CSTR,Continuous Stirred Tank Reactor),作为在化工行业进行聚合化学反应中最常用的反应设备,对其生产过程中参数的控制及其优化的研究具有非常重要的意义。但由于该反应过程的复杂性,如:非线性、时滞性等对实际生产产品的质量的控制带来很大的困难。经研究分析可知连续搅拌釜的温度和浓度参数是该系统反应过程中关键的控制参数。本文分别针对反应釜内的温度和反应物浓度参数控制进行研究。传统PID控制算法,通过调整比例、积分、微分可以很快获得满意的控制效果,但这种控制作用难以解决系统的稳定性,对于非线性的连续搅拌釜系统,温度的控制精度难以保证。预测控制建模方便,不需要深入了解过程内部机理,适用约束条件、大滞后、非线性过程。且采用滚动的优化策略,具有较好的动态控制效果。软测量技术是根据比较容易测量的过程辅助变量通过计算机建模来获取不易直接测量变量。本文主要对CSTR的关键控制参数的控制方法进行研究。研究内容主要包括在查阅连续搅拌釜相关参数控制的相关文献的基础上,简述了连续搅拌釜的生产工艺,反应釜的工艺结构,并对反应釜部分结构功能也作了详细的介绍。本文针对反应釜控制对象的复杂性,建立PID控制热交换系统,通过PID控制整定方法确定温度控制器的最优PID参数。还引进软测量技术和Sugeno模糊神经网络模型,在软测量参数相关系数的分析基础上,建立基于Sugeno型模糊神经网络软测量模型,通过物料的流速来预测反应釜内的浓度和温度。最后对搅拌釜温度的预测控制进行研究,对搅拌釜温度分别建立DMC、MAC、GPC三种预测模型,并通过仿真比较得到MAC模型相比其他两种温度预测模型,具有更强的鲁棒性和抗干扰性。
【关键词】：连续搅拌反应釜 PID控制 软测量技术 模糊神经网络 模型预测控制
【学位授予单位】：辽宁科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TQ052
【目录】：

• 中文摘要5-6
• ABSTRACT6-9
• 1.绪论9-15
• 1.1 课题研究的背景和意义9
• 1.2 连续搅拌釜结构和反应过程9-10
• 1.3 先进建模方法研究进展综述10-13
• 1.3.1 软测量建模10-11
• 1.3.2 模糊神经网络11-12
• 1.3.3 模型预测控制12-13
• 1.4 论文结构与内容安排13-15
• 2.基于Sugeno型模糊神经网络的CSTR软测量建模15-32
• 2.1 软测量技术15-16
• 2.2 模糊神经网络16-21
• 2.2.1 模糊逻辑系统和神经网络16-18
• 2.2.2 Sugeno型模糊神经网络模型18-21
• 2.3 CSTR模糊神经网络软测量模型21-25
• 2.3.1 模型主辅变量的选取21-22
• 2.3.2 优化输出参数算法22-25
• 2.4 数据处理与模型仿真25-31
• 2.4.1 数据处理25-26
• 2.4.2 预测仿真26-31
• 2.5 本章小节31-32
• 3.基于PID控制的CSTR热交换系统32-46
• 3.1 PID传统控制32-33
• 3.2 PID控制器参数工程整定方法33-36
• 3.3 CSTR热交换器PID控制建模36-40
• 3.3.1 用已测数据建立热交换器模型36-38
• 3.3.2 PI控制器参数的确定38-40
• 3.4 CSTR热交换器稳定性参数设定40-42
• 3.5 正负反馈混合控制42-45
• 3.6 本章总结45-46
• 4. CSTR模型预测控制46-63
• 4.1 模型预测控制基本原理46-47
• 4.1.1 模型预测控制发展46
• 4.1.2 模型预测控制基本原理46-47
• 4.2 DMC预测模型47-51
• 4.2.1 DMC模型47-50
• 4.2.2 DMC控制参数整定步骤50-51
• 4.3 MAC预测模型51-54
• 4.4 GPC预测模型54-58
• 4.5 仿真比较58-62
• 4.6 本章小结62-63
• 5．结论与工作展望63-64
• 5.1 论文总结63
• 5.2 工作展望63-64
• 参考文献64-67
• 攻读硕士学位期间发表学术论文情况67-68
• 致谢68-69
• 作者简介69-70

【参考文献】

中国期刊全文数据库 前10条

1 姜滨;孙丽萍;曹军;季仲致;;基于PSO优化LS-SVM的木材含水率软测量建模[J];重庆大学学报;2016年01期

2 张铁纯;芮亚年;;民用飞机DMC预测模型的修正研究[J];航空维修与工程;2016年01期

3 陈振宏;兰艳艳;郭嘉丰;程学旗;;基于差异合并的分布式随机梯度下降算法[J];计算机学报;2015年10期

4 康传刚;周恒;;Kaczmarz算法收敛解的性态分析[J];CT理论与应用研究;2015年05期

5 徐峰达;郭庆来;孙宏斌;蓝海波;刘海涛;刘晓敏;;基于模型预测控制理论的风电场自动电压控制[J];电力系统自动化;2015年07期

6 吴燕翔;高中勇;;基于改进型GPC算法的液位优化控制[J];化工自动化及仪表;2014年09期

7 苏海武;程良伦;;一种流量预测的服务质量区分MAC退避算法[J];计算机应用研究;2013年10期

8 马丽仪;张露凡;杨宜;范蓓;;基于模糊神经网络方法的信息系统安全风险评价研究[J];中国安全科学学报;2012年05期

9 杨罡;刘明光;屈志坚;;基于MPC算法的电力系统负荷频率控制[J];北京交通大学学报;2012年02期

10 严超;王元庆;张兆扬;;基于AdaBoost和Kalman算法的人眼检测与跟踪[J];南京大学学报(自然科学版);2010年06期

，

本文编号：773842