智能控制在过程控制中的应用.pdf

第第 8 章章 智能控制在过程控制中的应用智能控制在过程控制中的应用 教学内容 教学内容 本章首先讨论复杂工业过程控制发展及其智能控制方法的研究现状， 然后具体介绍具有典型意义的氧乐果合成过程智能控制方法的研究，以便 对智能控制的应用方法有一个比较完整的了解。主要内容 1. 概述 2. 复杂工业过程控制的研究现状 3. 复杂过程智能控制方法的研究现状 4. 氧乐果合成反应温度智能控制 教学重点 教学重点 工业过程智能控制系统的分析与设计。 教学难点 教学难点 被控对象分析和控制算法设计。 教学要求 教学要求 本章的学习需要预先掌握各种智能控制的基础知识、概念。要求掌握 被控对象分析和工业过程智能控制系统的设计。 8.1 概述概述 工业生产过程的自动控制在很多工业领域占有重要位置，控制效果的 优劣直接影响到产品的质量、产量和生产设备的运行寿命，影响到生产的 安全、稳定和工人的劳动强度，先进控制方法的研究具有明显的经济和社 会意义。对于简单过程系统，采用传统的经典或现代控制理论方法，可以 获得满意的控制效果。而对于复杂过程系统，由于其具有非线性、时变、 纯滞后、不确定等特性，采用传统的控制方法难以取得好的控制效果，因 此，其智能控制方法成为研究热点。 智能控制理论是继经典控制理论、现代控制理论之后发展起来的，是 控制理论发展新阶段的产物，其建立和发展是以众多新兴学科为基础的。 智能控制的基本出发点是采用人工智能方法对复杂、不确定性系统进行有 效控制。智能控制方法包括专家系统控制、模糊控制、神经网络控制和仿 人智能控制等，这几种方法各有其不同的特点，并已在不同领域中取得了 一些相当成功的应用，但这些方法在单独模拟人类智能活动时，又存在着 各自的局限性。因此，许多学者试图综合几种方法的优点，以克服各自的 局限性。 实际上，智能活动既有感知（直观、形象）活动，又有认知（逻辑） 活动，两者是密切相关的，而且又是可以互相转换的，也是符合生理和心 理现象的，神经网络计算和模糊逻辑推理恰恰反映了这两种活动的特性， 因此基于神经网络的模糊控制近年来逐渐成为研究的热点。模糊控制和神 经网络二者各自的优势在于模糊控制易于获得由语言表达的专家知识， 能有效的控制难以建立精确模型而凭经验可控制的系统，而神经网络则由 于其仿生特性更能有效利用系统本身的信息，并能映射任意函数关系，具 有并行处理和自学习能力，容错能力也很强。在集成大系统中，神经网络 可用于处理低层感知数据，模糊逻辑可用于描述高层的逻辑框架。神经网 络和模糊系统均属于无模型控制器和非线性动力学系统，但神经网络适合 处理非结构化信息，而模糊系统对处理结构化的知识更有效。 模糊神经网络控制大致可分为三类，第一类是直接在神经网络的学习 模型中引入模糊逻辑推理的方法，使其具有直接处理模糊信息的能力；第 二类是利用神经网络功能及映射能力，去等效模糊系统中的各个模糊功能 块；第三类是把模糊系统和神经网络集成在一个系统中，以发挥各自的优 势。 专家系统是符号逻辑人工智能中一个最重要、最活跃的分支，但存在 知识获取的困难，而神经网络方法具有很强的自学习能力和自适应能力， 能够实现快速推理。因此将专家系统和神经网络方法集成应用，将能发挥 他们的综合优势。 在一些大型复杂系统中，采用单一的某种智能控制方法往往不能满足 控制要求，这时应考虑综合应用模糊控制、神经网络控制和专家系统控制 等方法的集成智能控制方法。 本章首先讨论复杂工业过程控制发展及其智能控制方法的研究现状， 然后具体介绍具有典型意义的氧乐果合成过程智能控制方法的研究，以便 对智能控制的应用方法有一个比较完整的了解。 8.2 复杂工业过程控制的研究现状 关于复杂工业过程，目前尚无统一定义。其复杂性可概括为两个方面 客观复杂性和认识复杂性。 前者是指客观工业过程中某种运动或性态跨越层 次后整合的、 不可还原的新性态和相互关系； 后者是指对客观工业过程中复 杂性的有效理解及其表达。但在实际工程中，有些专家认为，若工业过程受 行为变量影响很弱且过程主要由状态变量描述， 可认为是一个简单系统， 即 复杂工业过程的关键是由行为变量所致。 按系统科学理论， 工业过程有多种 分类方法若组成工业过程系统的子过程或元部件比较少且其关系比较单 纯， 则称为简单的工业过程； 若组成工业过程系统的子过程或元部件很多或 非常大且其关系复杂， 则称之为大系统工业过程； 若在其中子过程的种类不 太多且关系又比较简单， 一般可用线性或易于表达的非线性关系描述， 则称 为简单大系统工业过程； 若在其中子过程种类很多且关系复杂， 递阶层次结 构复杂， 子过程间又耦合很紧， 一般又不可用线性或易于表达的非线性关系 描述，则称为复杂大系统工业过程。 传统的经典控制或现代控制理论在解决复杂工业过程的控制方面， 有很 大局限性，主要表现如下 1 不确定性问题 传统控制是基于模型的控制，即控制、过程及干扰 的模型是已知的或者是经过辨识可以得到的。 但复杂工业过程中很多控制问 题具有不确定性，甚至常常发生突变。对于“未知” 、不确定或知之不多的 控制问题，用传统控制方法难以建模，因而也就无法实现有效的控制。 2 高度非线性问题 传统控制理论中，对于有高度非线性的工业过 程，虽然也有一些非线性控制方法可被采用，但总体而言，非线性理论远不 如线性理论成熟，并且有些方法则因工业过程特别复杂而难以应用。 3 半结构化与非结构化问题 传统控制理论主要采用微分方程、状态 方程及各种数学变换作为研究工具。 其本质是一种数值计算方法， 属定量分 析控制范畴， 其结果必然要求控制问题结构化程度高， 易于用定量数学方法 进行描述或建模。 而复杂工业过程中最关注的和需要支持的， 有时恰恰是半 结构与非结构化问题。 4 不可确定性的问题 工业过程不可确定性应包括通常意义下的操 作过程和所处的环境。 而复杂工业过程中各子过程间关系错综复杂， 各元部 件间高度耦合、相互制约，外部环境又极其复杂、变化莫测，有的工业过程 涉及到人的感观因素，如香烟的感观质量、酒的口味等均涉及到人的行为， 而人的行为又是带有主观性质的复杂行为。 5 可靠性问题 常规的基于数学模型的工业过程控制问题倾向于是 一个相互依赖的整体， 尽管该方法的工业过程经常存在鲁棒性与灵敏度之间 的矛盾，但对简单的工业过程系统控制而言，其问题并不突出。而对于复杂 工业过程，则将可能由于条件的变化使整个控制崩溃。因此，复杂工业过程 的控制问题期盼着用新的理论与方法来实实在在地解决工业现场的实际问 题，这是工农业生产发展的迫切要求，也是人类发展的需要。 人们预计在 21 世纪工业的发展中， 将以光电技术和人工智能为标志的 信息技术为前导， 以基因工程和细胞工程为标志的生物技术为核心， 以超导 材料和人工定向设计材料为标志的新材料技术为基础， 以核聚变能和太阳能 为标志的新能源技术为支柱， 以航天飞机和永久太空站为标志的空间技术向 外延伸， 以深海采掘和海水利用为标志的海洋技术向内拓展， 引起工业过程 控制领域高技术的新突破。 可想而知， 人们研究的复杂工业过程是一个具有 高度复杂、不可确定、多层次、网络性系统，在一个层次上是不可能把工业 过程完全弄清楚，对其研究需要在多个层次上进行[49]。所谓复杂工业过程 乃是工业过程中带有根本性的、 普遍性的又是远远没有解决的问题。 这就需 要我们在未来研究中，运用复杂系统理论提供的新概念、新方法及新成果， 结合已经形成的复杂工业过程特有的概念体系和方法学， 通过多个层次以及 对多个层次的综合集成研究， 最终在个体层面上解答和揭示工业过程。 当前， 国内外控制界都把复杂系统的控制作为自动化学科发展的前沿方向， 大型复 杂工业过程、 不确定可变控制对象作为重要的研究领域， 以其特有复杂性推 动着该学科前沿发展。 从现阶段发展趋势看， 在工业过程控制中控制策略的智能化， 决策支持 的“专家”化已成为必然。通过知识工程方法，将有关对象的定性知识、人 的经验知识与技巧和启发式逻辑推理有效地集成起来，从而构成知识库系 统， 以支持系统控制策略和算法的优选及运行状态的优化， 已成为复杂工业 过程控制的重要技术手段。 其实质是对人的能力放大和增强。 计算机集成过 程系统Computer Integrated Process System ，CIPS 是工业过程控制进入计 算机时代的产物， 以连续生产过程为研究对象， 其目标是实现计算机集成综 合自动化。虽然计算机在系统中起很大作用，但仍然是辅助工具，人在监控 级总体闭环中仍然起着不可取代的关键作用。 这包括人在内的系统， 实质上 是一种人机智能系统， 在协同作用过程中将展现出超过人的智力和才能的能 力。 但关键在于加强控制理论同生产实际密切结合， 注意引入智能化方法和 智能技术以及知识工程方法， 逐步形成不同形式的既简单又实用的控制结构 和算法， 使控制理论智能化和工程化， 以加快复杂工业过程控制的智能化进 程。 8.3 复杂过程智能控制方法的研究现状 20 世纪 60 年代，由于空间技术，海洋技术和机器人技术发展的需要， 控制领域面临着被控对象的复杂性和不确定性，以及人们对控制性能要求 越来越高的挑战。被控对象的复杂性和不确定性表现为对象特性的高度非 线性和不确定性，高噪声干扰，系统工作点动态突变性，以及分散的传感 元件与执行元件，分层和分散的决策机构，复杂的信息模式和庞大的数据 量。面对复杂的对象和复杂的环境，用传统控制即经典控制和现代控制 的理论和方法已经不能很好的完成控制任务。因此，解决复杂系统控制问 题的智能控制应运而生。近年来，把传统控制理论与模糊逻辑、神经网络、 模式识别、遗传算法、小波分析等人工智能技术相结合，充分利用人类的 控制知识对复杂系统进行控制。经过长期的孕育与探索研究，人们认识到 将人工智能原理和方法以及人的经验与智能用于复杂工业过程，是解决复 杂工业过程控制问题很有希望和前景看好的途径。 自从美国数学家维纳于 20 世纪 40 年代创立控制论以来，自动控制理 论经历了经典控制理论和现代控制理论两个重要发展阶段。 在处理复杂系统 控制问题时， 传统的控制理论对于复杂性所带来的问题， 总是力图突破旧的 模式， 以适应社会对自动化提出的新要求。 世界各国控制理论界也都在探索 建立新一代的控制理论，以解决复杂系统的控制问题。 人们在实践中观察到人类具有很强的学习和适应周围环境的能力。有 些复杂的系统，凭人的直觉和经验能很好地进行操作并达到理想的结果， 这就产生了一种仿人的控制理论和方法， 出现了新的、 具有远大前程的 “智 能控制理论”研究方向。智能控制理论是对传统控制理论的发展，传统控 制是智能控制的一个组成部分，是智能控制的低级阶段，因此，智能控制 理论无疑是控制理论发展的高级阶段。 智能控制的建立和发展是以众多新兴学科为基础的，其中思维科学是 研究智能控制的重要认识论基础。智能控制的基本出发点是仿人的智能实 现对复杂不确定系统的有效的控制，要模仿人的智能就要模仿人的思维方 式，因此，必须研究人的思维形式和特点。这主要从三个方面着手一是 模拟人的抽象逻辑思维；二是模拟人的形象直觉思维；三是模拟人的灵 感顿悟思维。 神经网络理论和知识工程是研究智能控制的重要基础。要从人脑神经 系统结构和功能上模拟人的智能，必须研究基于连接机制的神经网络理论。 由于神经网络具有逼近任意非线性函数的能力，并行信息处理及自学习等 特点，因此它已成为研究智能控制的重要基础。智能控制系统是以知识为 基础的系统，因此以研究知识表示、利用和获取为中心内容的知识工程也 是研究智能控制的重要基础。 研究和模仿人类智能是智能控制的最高目标，为模仿和构造智能控制 系统，生命科学和脑科学关于人体和脑功能更深入的知识是不可缺少的， 要研究生命系统中的自组织能力、免疫能力和遗传能力的精确结构。可见 智能控制必须靠多学科联合才能取得新的质的突破。 智能控制系统由于被控对象的复杂性及不确定性，本质上决定了它必 然是非线性系统，因此，研究非线性系统的理论如耗散结构论、突变论、 协同论及混沌理论都可以作为主要工具用于智能控制的研究。 智能控制的研究领域十分广泛，除了传统控制理论外还包括计划、 学习、搜索算法、思维进化算法、复合系统、容错、纠错、重构、自主、 petri 网、神经网络、模糊逻辑、粗糙集理论等。智能控制所研究的被控对 象可以是某一复杂的生产过程控制系统，也可以是社会经济管理系统、交 通运输系统、环保及能源系统等，这里所说的被控对象是广义的，它的规 模可以很大，象全球人口系统稳定性问题；也可以很小，如一个精密复杂 的智能电子仪器。 基于人工神经网络理论、模糊数学理论，模式识别理论及专家系统理 论等基础理论，并融合生理学、心理学、行为学、运筹学、传统控制理论 等多学科的知识和方法，出现了许多有效的智能控制理论和方法，分析当 前国际最新智能控制方法及应用的状况和发展趋势，智能控制的主要方法 有1 模糊控制FC；2 神经网络控制NNC；3专家控制EC；4分 层递阶智能控制HIC；5仿人智能控制AHIC；6集成智能控制，即将几 种智能控制方法或机理融合在一起而构成的智能控制方法；7组合智能控 制方法，即将智能控制和传统控制有机地结合起来而形成的控制方法。 8.4 氧乐果合成反应温度智能控制 8.4.1 氧乐果合成反应过程简介氧乐果合成反应过程简介 氧乐果又称氧化乐果，分子式为 C5H12NO4PS，是在农业生产中使用 较为广泛的一种农药。其生产方法主要有后胺解法、先胺解法和异氰酸酯 法，较为常用的是后胺解法，其生产流程如图 8.1 所示。 缩合脱溶氨解缩合重排成盐 三氯化磷 甲 醇 硫，氨氯乙酸甲酯甲胺 成品 图 8.1 氧乐果生产流程示意图 氧乐果生产中的合成（胺解）工序是整个氧乐果生产的关键，直接影 响着氧乐果粗原油的收率、含量等指标。氧乐果的合成反应是一个剧烈的 放热反应。反应物是一甲胺和精酯，反应产物是氧乐果粗原油。如下式所 示 精酯一甲胺→ 氧乐果粗原油 氧乐果合成反应工艺如图 8.2 所示。计量罐中的一甲胺滴注到反 应釜内，经搅拌后均匀地喷洒到反 图 8.2 氧乐果合成反应工艺图 应釜中，与其中预先备好的精酯混合，发生剧烈的放热反应，生成氧乐果 粗原油。反应釜外壁缠有冷却盐水管道，反应放出的热量经过热交换后被 冷却盐水带走。有的计量罐内也装有冷却盘管。开始投一甲胺以前，要把 精酯冷却到-20℃以下。操作工根据反应釜内精酯量计算出一甲胺应投 料量 JZ M M。计算公式为 JZ kMM 8-1 式中k一般取 0.44 或 0.43，其具体数值由技术人员根据一甲胺的含量 来确定。 影响反应釜温度的因素有很多，经认真分析，主要因素如下 ① 一甲胺流量 一甲胺流量是影响反应釜温度的最主要因素，流量大，则合成反应放 热量多，温升快；流量小，则反应放热量少，温升慢。其中一甲胺流量主 要受调节阀的影响，调节阀开度增大，则流量增加；反之，则流量减少。 一甲胺流量还受计量罐中一甲胺液位的影响，阀位不变时，液位越高，则 流量越大；反之，则流量越小。 ② 冷却盐水流量和温度 冷却盐水流量越大，则冷却效果越好，温升越慢；反之，则温升越快。 冷却盐水温度越低，则冷却效果越好；反之，则越差。其中一个反应釜的 冷却盐水流量除受自身阀门开度影响外，还受其它反应釜的冷却盐水阀门 开关状态的影响。 ③ 精酯量 精酯量越多，则所需一甲胺量也越多，反应放热量就越多；反之，则 反应放热量就越少。 ④ 一甲胺累积投料量 随着一甲胺累积投料量的增加，合成反应的放热量也在增加。累积投 料量达到总量的 25时，反应最为剧烈，温升较快；投料总量剩余 20时， 精酯已大部分被消耗掉，即使以较快的速度投一甲胺，反应温度也不会有 较大上升。 ⑤ 反应进行时间 反应刚开始时，由于精酯较多，反应较为剧烈，局部温升较大。随着 反应时间的延长，精酯逐步被消耗掉，与反应刚开始时相比，在一甲胺流 量相等的情况下，反应放热量减少，温升变慢。 ⑥ 一甲胺温度 反应温度受一甲胺温度的影响，一甲胺温度越低，则反应温度上升越 慢；反之，则越快。但通常一甲胺温度比较稳定，波动不大。 ⑦ 反应起始温度 反应刚开始时，精酯被冷却到的温度称为反应起始温度。起始温度越 低，则温升越慢；反之，则越快。 ⑧ 环境温度 环境温度影响冷却效果，环境温度越低，则冷却效果越好，温升越慢； 反之，则温升越快。 以上这些因素对氧乐果合成反应同时作用，共同影响着反应温度。 氧乐果合成反应包含 7 道工序，反应釜工艺流程如图 8.3 所示。在这 7 道工序中，氧乐果的合成反应过程对温度和一甲胺投料速度均有较高的要 求。 投料中和保温滴加预冷补加出料 精酯投料 目标Mjz 氯仿投料 盐水常 开控制 一甲胺滴 加控制目 标是-12℃ 盐水控制 目标-12℃ 盐水控制 温度保持 在-12℃ 盐 水 停 控 滴 加 盐 酸 进 行 中 和 补加氯仿反应工序 结束，将 生成物放 出 图 8.3 反应釜工艺流程图 根据氧乐果合成的工艺要求，反应开始前先将精酯冷却到-20℃以下， 然后，开始投一甲胺进行合成反应。当反应釜温度上升到-14～-12℃后，在 温度不超过-12℃前提下，要求尽可能快地完成一甲胺投料。 反应初始阶段，即使反应温度很低，温升较慢，甚至是负增长，一甲 胺的投料速度也不宜过快。因为，此时反应釜内精酯含量较多，合成反应 比较剧烈，容易造成局部温度过高，降低合成质量。 一甲胺累积投料量已达到总量的 25时，合成反应的总体放热效果开 始超过系统的冷却效果，系统的热平衡被打破，反应温度开始快速增长， 此时要采用较低的投料速度，抑制合成反应的放热量和放热速度，从而使 反应温度上升趋势放缓。 反应釜温度上升到接近-12℃后，保持适当的投料速度，系统处于热平 衡状态，反应温度在小范围内变化。 一甲胺的剩余量少于总量的 20时，由于反应釜内的精酯大部分已经 被消耗掉，此时可以以较快的速度进行投料，而反应釜温度不会出现快速 攀升。 8.4.2 氧乐果合成反应对象模型分析 8.4.2 氧乐果合成反应对象模型分析 氧乐果合成反应具有多变量、非线性、时变、扰动复杂的特点。系统的基本扰动 是一甲胺流量。此外，各反应釜冷却系统可能同时开或者部分开部分关，一车间还受 二车间各反应釜冷却系统开关状态的影响，因此，对每次合成反应来说，还存在着冷 却扰动。对同一个反应釜的每一次合成反应，一甲胺的总投料量存在差异，即使总投 料量相同，还会存在由一甲胺的含量波动引起的总投料量事实上的差异。因此一甲胺 总投料量也是系统不能忽视的一个扰动。可以认为氧乐果合成反应过程控制系统如图 5.5 所示。被控系统有 3 个输入量，、和，其中为一甲胺流量， 是控制系统的基本输入；和分别为冷却扰动和一甲胺总投料量扰动。 tp 1 tf 2 tftp 1 tf 2 tf 调节器WS 测量变送 tp 1 tf 2 tf te tz tx y t 图 8.4 氧乐果合成反应过程控制系统框图 经过对氧乐果合成反应的运行参数和控制参数仔细观察，可以将对象近似为一阶 环节加纯滞后，其相应的传递函数为 1 − Ts Ke sG sτ 8-2 反应是一个时变系统， 模型参数从反应开始到结束， 在大范围内变化。 纯滞后时间τ从 几秒钟变化到几分钟。τ与反应进行时间t，精酯含量，一甲胺含量，反应 釜初始温度和其它因素有关，可以用下式表示 JZ M LG M 0 TO ,,, 0 TMMtf LGJZ ,Oτ 8-3 τ是一个多因素决定的、在反应过程中不断变化的、而且变化范围比较大的参数。也 就是说，对同一釜的合成反应，τ在不断的变化；对同一个反应釜的不同批次合成反 应，τ的变化曲线不完全相同；不同反应釜的合成反应，τ的变化曲线也存在差异。 时间常数T和τ具有类似的特性。 氧乐果合成反应的静特性具有明显的非线性。反应釜温度响应曲线的增益K是 在不断变化的， 反应初期增益较大， 一甲胺累加已投料约为投料总量的 25左右时，K 达到最大，然后慢慢减小，到投料结束减至最小。K的大小与一甲胺含量、总投料量 有关，K的变化规律如图 8.5，Mtkg表示投料累积量。增益K使得系统具有高度非 线性。 图 8.5 增益系数 K 变化曲线 综合上述分析，可以看出氧乐果合成反应具有多变量、非线性、时变、分布复杂 等特点，传统的经典控制方法已难以满足要求。因此要舍弃对对象模型的精确求解， 寻求新的控制方法。 8.4.3 氧乐果合成反应温度智能控制8.4.3 氧乐果合成反应温度智能控制 智能控制作为一个新兴的学科领域，不要求对象的精确模型，对模型不确定、高 度非线性的系统，能够对一个问题的激励输入，由自身的智能行为，产生合适的求解 问题响应。智能控制已经广泛应用于用传统方法难以解决的复杂系统的控制问题。国 内外已经有很多研究人员将智能控制方法运用到生化过程和化学合成过程的控制，取 得了较好的效果。经过认真分析和研究，我们决定对氧乐果的合成反应采用智能控制 方法。 综合多方面的考虑，我们决定对氧乐果的合成反应实行分段控制。即按照一甲胺 累积投料量把反应过程划分为四段。记一甲胺投料量为M，累积投料量为，则可 以把氧乐果合成反应过程划分为 4 个阶段 t M Ⅰ反应初始阶段 1 MMt，对应的反应时间为[0，] 1 t Ⅱ温度上升阶段 21 MMM t ≤，对应的反应时间为[，] 1 t 2 t Ⅲ稳定反应阶段 lt MMMM− SD TT IF THEN CONTROL__INDEX1 1 MMtT℃ THEN 0L IF 2021 0 −≤−T℃ THEN 01L kL IF 2122 0 −≤−T℃ THEN 02L kL IF 2223 0 −≤−T℃ THEN 03L kL IF 2324 0 −≤−T℃ THEN 04L kL IF 2425 0 −≤−T℃ THEN 05L kL IF 2526 0 −≤−T℃ THEN 06L kL IF 2627 0 −≤−T℃ THEN 07L kL IF 2728 0 −≤−T℃ THEN 08L kL IF 2829 0 −≤T 0T THEN 0L IF 1213−≤T0L IF THEN 003. 0001. 0≤ T200L IF THEN 001. 0001. 0≤−T500L IF THEN 001. 0−≤T600L IF 1314−≤T50L IF THEN 005. 0001. 0≤T350L IF THEN 001. 00≤ T500L IF THEN 0≤T600L IF 14−≤T THEN 600L 8.4.4 控制效果及总结 8.4.4 控制效果及总结 至此，已经完成了对氧乐果合成反应的一甲胺投料控制。控制系统的实际运行效 果与人工控制相比较，如图所示 8.8 所示。图中各曲线的意义①反应釜温度曲线； ②一甲胺流量曲线；③冷却盐水温度曲线；④计量罐内一甲胺液位曲线；⑤一甲胺投 料阀开度曲线。我们设计的控制软件既能进行自动控制，又能进行人工控制，人工- 自动控制还可以随时切换。自动控制是由控制软件根据设计好的控制算法对氧乐果的 合成反应进行投料控制，不需要人的干预。人工控制则是由操作工观察计算机采集到 的反应数据和反应釜温度曲线的变化趋势，根据自己的经验，通过键盘输入控制量， 对合成反应的一甲胺投料进行控制。图 8.8a、b 是由操作工进行人工控制的反应曲线 图。 可以看出， 在 8.8a 中， 由于操作工过于保守， 曲线还未上升到设定温度就拐弯了， 这势必会延长投料时间。在 8.8b 中，则由于操作工初始投料过快，没有及时减慢一甲 胺流量，造成温度超标。而在 8.8c、d 所示的自动控制曲线中，显然克服了上述不足， 取得了良好的控制效果。 在氧乐果的合成反应投料控制中，反应初始阶段由于反应釜温度较低和投料工艺 的规定，可以对其进行粗调。反应结束阶段，由于反应接近尾声，系统放热量降低， 对整体温度的影响已经很微弱。对这两个反应阶段运用基于专家的控制算法，可以获 得令人满意的控制效果。在温升阶段，由于化学反应比较剧烈，系统的温度效应非常 明显，对该反应阶段的控制效果直接影响着后期的合成反应和总体投料时间。在反应 平稳运行阶段，要求反应釜温度只能在小范围内波动，并不得超标。因此对这两个阶 段的合成反应的控制就比较关键。采用基于神经网络技术的控制算法，比较好的实现 了这两个阶段的投料控制。 图 8.8a 人工控制反应曲线 T0-32.6℃ TL-35.3℃ ① ② ③ ④ t ⑤ 图人工控制反应曲线 B 0 B ℃ B L B ℃8.8b T -23.5 T -31.5 ① ② ③ ④ t ⑤ 图 8.8c 自动控制反应曲线 T B 0 B -22.0℃ T B L B -33.6℃ ① ② ③ ④ t ⑤ 图 8.8d 自动控制反应曲线 T0-24.1℃ TL-29.5℃ ① ② ③ ④ t ⑤ 氧乐果的合成反应是一个十分复杂的化学反应过程，每一釜合成反应，不同釜的 合成反应都存在着差异。因此，对神经网络训练样本的选择就成为影响控制效果的关 键。选择训练样本必须要考虑各个反应釜温度值、各个温度下的温度一次变化率、二 次变化率和各个一甲胺累积已投料量下的运行参数。系统在试运行初期，由操作工通 过计算机对氧乐果的合成反应进行人工控制，系统自动记录反应的运行参数和控制参 数，然后从控制效果比较好的参数中抽取样本点对神经网络进行训练，训练后的网络 在一定范围内取得了比较好的控制效果。