文摘
开发一个合适的非线性模型是应用程序中最具挑战性的问题,基于非线性模型的控制器蒸馏塔。汉默斯坦模型由一个非线性静态元素描述wavenet非线性函数为基础,其次是一个线性动态元件所描述的输出误差(OE)模型被用于这项研究代表蒸馏柱的非线性动力学。使用迭代预测误差最小化方法确定了模型参数。模型验证结果证明,汉默斯坦模型能够捕捉蒸馏柱的非线性动力学。
1。介绍
蒸馏是一个复杂的多变量系统,表现出高度非线性动态行为由于其非线性气液平衡关系。在大多数化学过程,理解设计控制器的非线性特性是重要的调节过程(1]。不同于线性系统,每个非线性系统展示不同的非线性特性,因此没有独特的非线性函数来描述它们。大多数物理设备有限的线性范围以外的非线性特征。许多作者(2,3)注意到的困难发展所需的模型非线性的基于模型的控制策略。与精心设计的数据采集实验,植物的主要行为可以安装的几个可能的结构。的主要挑战这个任务是选择一个合理的结构非线性模型来捕捉非线性过程。非线性模型用于控制目的应该尽可能简单,需要更少的计算负载,同时保留大部分的非线性系统的动态特性。
提出了许多模型结构识别的蒸馏塔等NARX模型(4,5),汉默斯坦模型(6),和维纳模型(7]。非线性静态块紧随其后的是一个线性动态块汉默斯坦模型已被视为替代线性模型在许多化学过程应用,如蒸馏塔(6),热交换器(1,装运箱(8]。
汉默斯坦的经典结构模型如图1,在那里是一个输入和是一个非线性静态块的输出。同时是一个输入和是一个线性的输出动态块。Eskinat et al。1)相比,汉默斯坦模型为近似线性模型的动力学蒸馏塔和一个热交换器。低阶多项式非线性被认为。蒸馏塔的例子中,结果表明,汉默斯坦模型提供了一个合理的近似列动态,提供所需的产品纯度不高。生成多项式近似一般非单调,这意味着确定汉默斯坦模型可以表现出输入的多样性并不代表真正的过程。
Fruzzetti et al。9)提出了一个非线性模型使用汉默斯坦模型结构来控制一个二进制蒸馏塔。他们建模的非线性静态部分线性动态系统由一个幂级数和函数的线性传递函数模型。他们forward-regression正交估计用于模式识别和声称有能力识别算法确定模型结构以及模型参数并提供模型不准确的信息。他们的模型的主要缺点是,操纵变量、回流流量和蒸汽沸腾率,应该保持稳态值的10%。所以当模型是用于控制它不能给出准确的结果对大扰动和大型设定值的变化。努哥鲁et al。10)研究了氨水的非线性识别基于汉默斯坦二元蒸馏塔模型。他们使用简单的二次函数来表示系统的非线性静态部分和线性传递函数模型来表示线性动态函数。
不同的技术提出了汉默斯坦估计系统的输入-输出测量。这些技术主要不同在静态非线性的方式表示和基于优化问题,最终获得的类型。纳兰德拉和Gallman(1966)提出了一个迭代算法,称为Narendra Gallman算法(NGA)保留初始动量阻止面向建模。该算法更新线性动态元件和非线性增益多项式分别和顺序。NGA提供准确的参数估计和实际上是更快的高阶系统。Eskinat et al。1)建立NGA不同程度的噪声的鲁棒性。也比较了NGA与其他著名的识别方法如预测误差法(PEM)和递归预测误差法(RPEM)。他们得出的结论是,NGA和PEM给几乎所有类型的噪音水平相似的结果而RPEM并不适合所有类型的条件。Lakshminarayanan et al。12)提出了汉默斯坦模型的识别使用多元统计工具。他们获得的参数线性系统状态空间形式利用典型相关分析和调整系数的多项式型非线性元素,直到收敛。
Al-Duwaish和卡里姆(13)已经开发出汉默斯坦的识别模型的递归算法和模型的静态非线性部分是由一个多层前馈神经网络建模(MFNN)和线性部分是模型的自回归移动平均(ARMA)模型。白(14]报道基于递归最小二乘的两级识别算法和奇异值分解和盲识别方法15汉默斯坦模型。两种识别算法,迭代最小二乘和递归最小二乘,是为汉默斯坦开发与无记忆非线性阻塞和线性动态非线性系统描述的ARMAX /卡玛模型(16]。Biagiola和菲格罗亚提出noniterative算法可靠的识别维纳和汉默斯坦不确定模型的输出系统使用各种仿真的例子(17)和分布式天线系统使用蒸馏塔案例研究[18]。两个对于多变量(味噌)汉默斯坦模型开发的这项工作,蒸馏塔的动态模型。在味噌模型使用这项工作,wavenet函数用作静态非线性元素和输出误差(OE)模型作为线性动态元素。
2。蒸馏塔
试验工厂蒸馏的原理图列在本研究中利用如图2。甲醇-水二元混合物是用作饲料的材料。顶部和底部的产品成分是蒸馏塔的控制变量。回流流量和再沸器的蒸汽烧开率作为控制变量,而进料流率和饲料成分被视为干扰。名义操作条件和列参数表中列出1。重沸器和给水温度控制使用独立的PID控制器。在所有的实验中,托盘,托盘,托盘,托盘14,馏分油和底部产品的温度测量。顶部和底部的产品成分使用折射率测定分析。
在这部作品中,著名的第一原则模型被用来作为所需的流程模型来生成数据非线性识别。第一原理模型,对物质平衡方程,平衡阶段,总结,和每个阶段的热平衡(所谓的啮合方程)是解决为了提供产品分布、流速和温度。弗朗西斯堰公式用于计算每个托盘的持液量和液体流量。
活动和逸度系数的计算包括为了nonideality帐户。计算活度系数利用UNIFAC模型(19)和逸度系数的计算使用维里状态方程(19]。详细的均衡模型方程给出的拉梅什et al。20.]。
稳态和动态试验研究试验工厂蒸馏塔第一原理的模型进行了验证。最初使用的托盘效率第一原则为所有托盘模型假定为45%。随后,托盘效率值被试错法校准使用稳态实验结果。校准盘效率从32%变化到35.7%之间托盘1和托盘15和使用这些值在整个仿真研究。
表2给出了稳态实验数据与仿真结果的比较。稳态实验结果表明,该模型值是根据实验结果与误差低于4.5%。这可能是由于托盘的正确标定数学模型中使用的效率。
实验和模拟反应前产品构成正(+ 10%)阶跃变化在回流流率比较图3,它已经被观察到的实验和模型结果合理的协议。对比实验和模拟响应在底部产品构成积极的一步改变回流流量如图4在一个高水平的一致性模型和实验结果之间的观察。稳态和动态实验研究的试验工厂蒸馏柱显示良好的协议第一原理模型和实验结果。首先通过实验验证的原理模型被用来作为过程模型在汉默斯坦模型参数估计和验证。蒸馏塔的非线性用于这项研究已经证明在20.]。
3所示。基于Wavenet汉默斯坦模型
两个对于多变量(味噌)汉默斯坦模型开发的这项工作,蒸馏塔的动态模型。使用两个味噌模型代替的原因多输入多输出(MIMO)模型是味噌模型提供更好的预测到MIMO模式相比1]。第一个味噌模型使用回流流量和再沸器热负荷作为输入和产品组成作为输出,而第二个味噌模型使用回流流量和再沸器热负荷产品成分作为输入和底部作为输出。味噌汉默斯坦模型比味噌线性模型要复杂得多。味噌的情况下可以产生两个模型结构取决于静态非线性相结合或分离。合并后的非线性情况更普遍,但它会导致一个非常具有挑战性的问题,因为大量的参数估计。在这项研究中,所使用的单独参数化非线性结构化汉默斯坦模型。在味噌模型用于这项工作,wavenet函数2单位用作静态非线性元素和OE模型,,作为线性动态元素的输入和。
3.1。模型结构
线性块输出误差(OE)模型(19)是由(1)- (1 e)。考虑 的多项式,,,在(1)- (1 e)被定义为 Wavenet基于结构的非线性函数用于表示汉默斯坦的静态非线性模型(19]: 用(5)和(6)(1)- (1 e),基于wavenet汉默斯坦的输出模型是由 扩展功能和在(2)是由 小波函数和在(2)是由
3.2。参数估计
这里的模型被认为是最终需要估计未知模型参数的输入/输出数据。的鉴别在MATLAB函数在系统辨识工具箱7.0版本用于参数估计。模型参数估计使用迭代预测误差最小化方法[21]。形成误差准则和模型参数得到通过最小化误差准则的迭代方法。最小化涉及黑森和梯度的计算误差准则。梯度计算的衍生品。然而,黑森很难计算;因此,Levenberg-Marquardt方法用于近似的黑森二次准则。
味噌汉默斯坦模型的参数估计使用数据产生的过程模型。输入数据这是使用随机生成高斯信号回流流量吗和这是使用随机生成高斯信号塔再沸器热负荷被用于模型参数估计。分开每个味噌模型的参数估计,给出的值在表3。
3.3。模型验证
味噌汉默斯坦wavenet基于模型的验证是使用不同的数据集没有用于参数估计。对比第一个味噌汉默斯坦模型输出和相应的过程模型输出如图5。已经观察到汉默斯坦模型结果与过程模型的结果显示,94.64%协议基础上调整价值。第二味噌对比汉默斯坦模型输出和相应的过程模型输出产品成分如图6。已经指出,第二味噌汉默斯坦模型结果95.12%同意根据调整后的流程模型的结果价值。验证结果证明,基于wavenet非线性静态元素出现在味噌模型能够捕捉过程的非线性动力学。
4所示。结论
研制了一个新的基于wavenet汉默斯坦模型来捕获蒸馏柱的非线性动力学。产生的数据通过实验验证的第一原则模型被用于参数估计和模型验证。模型参数估计使用迭代预测误差最小化的方法。模型验证结果表明,新的基于wavenet的汉默斯坦模型与过程模型具有良好的协议。
命名法
| : | 多项式的系数 |
| : | 多项式的系数 |
| : | 比例系数 |
| : | 分析发射机 |
| : | 小波系数 |
| : | 多项式的系数 |
| : | 多项式的系数 |
| : | 扩展膨胀系数 |
| : | 小波膨胀系数 |
| : | 产品底部流速(kmol /小时) |
| : | 扩展转换系数 |
| : | 小波转换系数 |
| : | 馏分油流量(kmol /小时) |
| : | 输出偏置 |
| : | 尺度函数 |
| : | 进料流量(kmol /小时) |
| 小波函数 | |
| LC: | 液位控制器 |
| : | 过去的输出数 |
| : | 过去的输入数量 |
| : | 从输入到输出的延迟 |
| : | 非线性子空间参数 |
| PT: | 压力变送器 |
| : | 再沸器热负荷(千瓦) |
| : | 热从冷凝器(千瓦) |
| : | 线性子空间参数 |
| : | 回流流量(l / min) |
| : | 线性项系数在wavenet函数(注意:用于表示回流流量以及线性项系数wavenet功能) |
| : | 回归量的意思 |
| TC: | 温度控制器 |
| TT: | 温度传感器 |
| : | 汉默斯坦模型的输入 |
| VB: | 蒸汽boilup率(kmol / h) |
| : | 底产品构成 |
| : | 顶级产品构成 |
| : | 饲料成分 |
| : | 汉默斯坦的输出模型。 |
利益冲突
作者宣称没有利益冲突与本文有关。