本文關(guān)鍵詞：連續(xù)攪拌釜（CSTR）先進控制策略研究

  更多相關(guān)文章： 連續(xù)攪拌反應釜 PID控制 軟測量技術(shù) 模糊神經(jīng)網(wǎng)絡(luò) 模型預測控制

【摘要】：化工、石油、橡膠工業(yè)是國家經(jīng)濟發(fā)展的支柱性產(chǎn)業(yè),連續(xù)攪拌反應釜(CSTR,Continuous Stirred Tank Reactor),作為在化工行業(yè)進行聚合化學反應中最常用的反應設(shè)備,對其生產(chǎn)過程中參數(shù)的控制及其優(yōu)化的研究具有非常重要的意義。但由于該反應過程的復雜性,如:非線性、時滯性等對實際生產(chǎn)產(chǎn)品的質(zhì)量的控制帶來很大的困難。經(jīng)研究分析可知連續(xù)攪拌釜的溫度和濃度參數(shù)是該系統(tǒng)反應過程中關(guān)鍵的控制參數(shù)。本文分別針對反應釜內(nèi)的溫度和反應物濃度參數(shù)控制進行研究。傳統(tǒng)PID控制算法,通過調(diào)整比例、積分、微分可以很快獲得滿意的控制效果,但這種控制作用難以解決系統(tǒng)的穩(wěn)定性,對于非線性的連續(xù)攪拌釜系統(tǒng),溫度的控制精度難以保證。預測控制建模方便,不需要深入了解過程內(nèi)部機理,適用約束條件、大滯后、非線性過程。且采用滾動的優(yōu)化策略,具有較好的動態(tài)控制效果。軟測量技術(shù)是根據(jù)比較容易測量的過程輔助變量通過計算機建模來獲取不易直接測量變量。本文主要對CSTR的關(guān)鍵控制參數(shù)的控制方法進行研究。研究內(nèi)容主要包括在查閱連續(xù)攪拌釜相關(guān)參數(shù)控制的相關(guān)文獻的基礎(chǔ)上,簡述了連續(xù)攪拌釜的生產(chǎn)工藝,反應釜的工藝結(jié)構(gòu),并對反應釜部分結(jié)構(gòu)功能也作了詳細的介紹。本文針對反應釜控制對象的復雜性,建立PID控制熱交換系統(tǒng),通過PID控制整定方法確定溫度控制器的最優(yōu)PID參數(shù)。還引進軟測量技術(shù)和Sugeno模糊神經(jīng)網(wǎng)絡(luò)模型,在軟測量參數(shù)相關(guān)系數(shù)的分析基礎(chǔ)上,建立基于Sugeno型模糊神經(jīng)網(wǎng)絡(luò)軟測量模型,通過物料的流速來預測反應釜內(nèi)的濃度和溫度。最后對攪拌釜溫度的預測控制進行研究,對攪拌釜溫度分別建立DMC、MAC、GPC三種預測模型,并通過仿真比較得到MAC模型相比其他兩種溫度預測模型,具有更強的魯棒性和抗干擾性。
【關(guān)鍵詞】：連續(xù)攪拌反應釜 PID控制 軟測量技術(shù) 模糊神經(jīng)網(wǎng)絡(luò) 模型預測控制
【學位授予單位】：遼寧科技大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TQ052
【目錄】：

• 中文摘要5-6
• ABSTRACT6-9
• 1.緒論9-15
• 1.1 課題研究的背景和意義9
• 1.2 連續(xù)攪拌釜結(jié)構(gòu)和反應過程9-10
• 1.3 先進建模方法研究進展綜述10-13
• 1.3.1 軟測量建模10-11
• 1.3.2 模糊神經(jīng)網(wǎng)絡(luò)11-12
• 1.3.3 模型預測控制12-13
• 1.4 論文結(jié)構(gòu)與內(nèi)容安排13-15
• 2.基于Sugeno型模糊神經(jīng)網(wǎng)絡(luò)的CSTR軟測量建模15-32
• 2.1 軟測量技術(shù)15-16
• 2.2 模糊神經(jīng)網(wǎng)絡(luò)16-21
• 2.2.1 模糊邏輯系統(tǒng)和神經(jīng)網(wǎng)絡(luò)16-18
• 2.2.2 Sugeno型模糊神經(jīng)網(wǎng)絡(luò)模型18-21
• 2.3 CSTR模糊神經(jīng)網(wǎng)絡(luò)軟測量模型21-25
• 2.3.1 模型主輔變量的選取21-22
• 2.3.2 優(yōu)化輸出參數(shù)算法22-25
• 2.4 數(shù)據(jù)處理與模型仿真25-31
• 2.4.1 數(shù)據(jù)處理25-26
• 2.4.2 預測仿真26-31
• 2.5 本章小節(jié)31-32
• 3.基于PID控制的CSTR熱交換系統(tǒng)32-46
• 3.1 PID傳統(tǒng)控制32-33
• 3.2 PID控制器參數(shù)工程整定方法33-36
• 3.3 CSTR熱交換器PID控制建模36-40
• 3.3.1 用已測數(shù)據(jù)建立熱交換器模型36-38
• 3.3.2 PI控制器參數(shù)的確定38-40
• 3.4 CSTR熱交換器穩(wěn)定性參數(shù)設(shè)定40-42
• 3.5 正負反饋混合控制42-45
• 3.6 本章總結(jié)45-46
• 4. CSTR模型預測控制46-63
• 4.1 模型預測控制基本原理46-47
• 4.1.1 模型預測控制發(fā)展46
• 4.1.2 模型預測控制基本原理46-47
• 4.2 DMC預測模型47-51
• 4.2.1 DMC模型47-50
• 4.2.2 DMC控制參數(shù)整定步驟50-51
• 4.3 MAC預測模型51-54
• 4.4 GPC預測模型54-58
• 4.5 仿真比較58-62
• 4.6 本章小結(jié)62-63
• 5．結(jié)論與工作展望63-64
• 5.1 論文總結(jié)63
• 5.2 工作展望63-64
• 參考文獻64-67
• 攻讀碩士學位期間發(fā)表學術(shù)論文情況67-68
• 致謝68-69
• 作者簡介69-70

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 姜濱;孫麗萍;曹軍;季仲致;;基于PSO優(yōu)化LS-SVM的木材含水率軟測量建模[J];重慶大學學報;2016年01期

2 張鐵純;芮亞年;;民用飛機DMC預測模型的修正研究[J];航空維修與工程;2016年01期

3 陳振宏;蘭艷艷;郭嘉豐;程學旗;;基于差異合并的分布式隨機梯度下降算法[J];計算機學報;2015年10期

4 康傳剛;周恒;;Kaczmarz算法收斂解的性態(tài)分析[J];CT理論與應用研究;2015年05期

5 徐峰達;郭慶來;孫宏斌;藍海波;劉海濤;劉曉敏;;基于模型預測控制理論的風電場自動電壓控制[J];電力系統(tǒng)自動化;2015年07期

6 吳燕翔;高中勇;;基于改進型GPC算法的液位優(yōu)化控制[J];化工自動化及儀表;2014年09期

7 蘇海武;程良倫;;一種流量預測的服務質(zhì)量區(qū)分MAC退避算法[J];計算機應用研究;2013年10期

8 馬麗儀;張露凡;楊宜;范蓓;;基于模糊神經(jīng)網(wǎng)絡(luò)方法的信息系統(tǒng)安全風險評價研究[J];中國安全科學學報;2012年05期

9 楊罡;劉明光;屈志堅;;基于MPC算法的電力系統(tǒng)負荷頻率控制[J];北京交通大學學報;2012年02期

10 嚴超;王元慶;張兆揚;;基于AdaBoost和Kalman算法的人眼檢測與跟蹤[J];南京大學學報(自然科學版);2010年06期

，

本文編號：773842