赵文斌 贾默伊

(河北联合大学电气工程学院，河北 唐山 063000)

甲醇是多种有机产品的基本原料和重要有机溶剂，在化工、轻工、医药、纺织及有机合成等领域都有广泛的用途。同时它也是一种清洁代用能源，随着化工技术的发展和能源结构的改变，将甲醇作为汽车燃料添加剂制成甲醇汽油的方法，解决了能源短缺与需求加剧之间的矛盾。而在焦炉煤气制甲醇过程中，甲醇原料气转化工段的转化炉内温度具有非线性、大时滞及不确定等特点，常规的PID控制无法解决稳定性与准确性之间的矛盾，难以达到甲醇合成精确控温的要求。并且，目前常用的PLC控制器体积大、成本高、兼容性差，功能拓展还需较多的模块。为此笔者将神经网络与常规PID控制相结合，设计了基于FPGA的温度控制系统，实现对甲醇转化炉的温度控制。

1 转化炉温度控制流程①

在甲醇的生产过程中，转化炉的作用是将焦炉煤气中的甲烷转化成合成甲醇的有效气体CO、CO2和H2[1]，转化方法为催化部分氧化法。在实际生产过程中，转化炉的床层温度与气体压力是转化系统的重要参数，它们直接影响原料气的质量与产量。其中，输入O2的压力必须大于焦炉煤气的压力，否则，甲烷不能充分反应。同时，转化过程是放热反应，要控制O2的流量以控制反应的速率，否则，随着反应的进行将使催化剂温度逐渐升高，严重时将烧毁催化剂。并且，各种气体流量必须成比例，若O2过多，焦炉煤气过少，将导致CO2过多，CO过少；反之，焦炉煤气过多剩余。这些都会导致转化炉的炉温改变，影响转化效率，降低甲醇生成率。因此，在甲醇转化炉控制系统中，选择O2的流量为控制量，转化炉出口温度为被控制量。

转化炉温度控制流程如图1所示。适当开大O2进气阀门，O2注入量增多，则炉内温度升高；适当调小O2进气阀门，O2注入量减少，则炉内温度降低。当O2流量为5 025～5 515m3/h，转化炉出口温度在915～935℃之间，甲烷含量低于0.7%(干基)时，为焦炉煤气转化率的最佳控制点[2]。

2 转化炉温度控制系统整体设计

转化炉温度控制系统整体框图如图2所示。FPGA作为控制器控制转化炉的出口温度，使其恒定为设定值，保证得到高纯度的原料气产品；设定温度由上位机经过通信网络向现场的FPGA控制器输入，温度传感器对原料气温度进行测量，经A/D转换后，将实时数字测量值送回FPGA；FPGA将测量值与设定值进行比较，经过控制算法处理后，通过驱动电路将控制信号传给执行机构，通过控制O2注入量，达到控制温度的目的。

转化炉温度控制系统的硬件部分主要包括FPGA、外部电源、温度测量、执行器驱动、控制按键和LCD显示[3]。FPGA芯片是ACEX系列的EP1K30QC208-3，可用管脚147个，并采用Altera提供的专用ROM配置芯片EPC2对其进行数据配置；系统所需电源由外部电源电路提供；外部50MHz石英晶振为FPGA提供时钟信号；控制面板由开关和控制按键组成，开关用来控制LCD显示，控制按键用来向FPGA输入设定温度。控制系统硬件电路主要包括：FPGA核心板、系统电源、热电偶测温电路、LM35温度补偿、调节阀驱动电路、控制面板、系统状态显示单元和存储与通信模块。系统硬件结构如图3所示。

图1 转化炉温度控制流程

图2 转化炉温度控制系统整体框图

图3 转化炉温度控制系统硬件结构

FPGA芯片EP1K30QC208-3可用管脚个数为147个，满足了系统所需(43个)，系统无需再添加任何外围扩展芯片。在系统总程序编译完成后，所生成的下载文件为973个逻辑单元，而EP1K30QC208-3的逻辑单元为1 728个，所以系统只占芯片总资源的56%，所选芯片可用。

3 神经网络PID控制算法

神经网络PID控制是将神经网络应用于PID控制并与传统PID控制器相结合的一种改进型控制方法，是对传统PID控制的一种改进和优化。神经网络PID控制器有两个神经网络：系统在线辨识器(NNI)和自适应PID控制器(NNC)。PID控制器NNC由动态神经网络组成，包括数值积分器、一步滞后环节z-1和自适应线性神经元。系统工作原理为：在NNI对被控对象进行在线辨识的基础上，通过对NNC的权进行实时调整，使系统具有自适应性，从而达到有效控制的目的。

传统的PID控制器算式如下：

(1)

相应的离散算式为：

(2)

其中KP、KI、KD分别为比例、积分、微分系数；e(k)为第k次采样的输入偏差值；u(k)为第k次采样时刻的输出值。u(k)的增量式PID控制算法为：

Δu(k)=KPΔe(k)+KIe(k)+KD[Δe(k)-Δe(k-1)]

=u1(k)+u2(k)+u3(k)

(3)

根据式(3)，用一个单神经元构造PID控制器，其网络输入为：

x1(k)=e(k)

x2(k)=Δe(k)=e(k)-e(k-1)

(4)

x3(k)=Δ2e(k)=e(k)-2e(k-1)+e(k-2)

e(k)=r(k)-y(k)

网络输出为：

u(k)=v1x1(k)+v2x2(k)+v3x3(k)

(5)

其中，vi为控制器的加权系数，相当于PID控制器中的比例、积分、微分系数(KP、KI、KD)，但与传统PID控制器不同的是参数vi可以进行在线修正。通过不断调整vi使之达到最优值v*，从而达到改善控制系统性能的目的[4]。

在调整vi使之达到最优值v*的过程中，神经网络要经过多次训练，神经网络的训练是在正常模式下，经历4个状态由状态机来实现的。当使能信号ENA为高电平时，启动正常模式，进入状态一，然后逐层计算4个状态，再经过后面的D/A转换，直接对执行器进行控制。

4 神经网络PID的Simulink仿真

4.1 建立仿真

利用图形化工具函数Simulink来完成神经网络控制器的仿真设计。由于Simulink中不含神经网络PID控制器的应用模块，因此如果简单地应用Simulink将无法对其进行仿真，在这里引入S函数来创建一个新的神经网络PID控制模块[5]。向其写入S函数：

Function[sys,x0]=neuro[t,x,u,flag,ηI,ηP,ηD,k]

if flag== 2 sys(1)=x(1)+ηI*u(1)*u(1)

sys(2)=x(2)+ηP*u(1)*u(2)

sys(3)=x(3)+ηD*u(1)*u(3)

if flag==3

sys=k*(x(1)*u(1)+x(2)*u(2)+x(3)*u(3))/(x(1)+x(2)+x(3));

else if flag==0

sys=[0,3,1,3,0,0]

x0=[0.5,0.5,0.5]

else

sys=[ ];

end

end

end

在控制器中，神经元权值wi(i=1，2，3)的初始值均设定为0.5。ηI、ηP、ηD、k分别为神经元的比例学习速率、积分学习速率、微分学习速率和比例系数。

图4 Simulink仿真结构

4.2 仿真对比

在转化炉实际生产过程中，影响炉温的因素有很多，正常生产时注意调整以下各项指标以保证系统的稳定运行：焦炉煤气进炉温度660℃，压力2.5MPa；饱和蒸汽进气压3.0MPa；O2进炉温度100℃，压力3.5MPa，流量5 025～5 515m3/h；转化炉出口温度在915～935℃。

首先用临界比例度法整定PID参数：KP=1.5、KI=2、KD=0.6；再使用Simulink进行传统PID与神经网络PID的仿真，选取其输入为单位阶跃响应。为了更好地表现出神经网络PID控制方法的控制效果，在60s时加入一个干扰信号，再将两种控制算法进行比较，其仿真曲线如图5所示。

图5 两种控制算法仿真曲线对比

由图5可以看出，神经网络PID控制与传统PID控制相比，超调量小、调节快速、调整时间短，说明它具有更好的控制特性。另外，神经网络PID稳态误差也比传统PID控制下的小，说明它比传统PID控制的控制精度更高。两种控制算法的具体性能比较见表1。

表1 两种算法的性能比较

从表1来看，神经网络PID控制几乎不产生超调，整个过渡过程更加平稳，且其响应时间也大为缩短，其控制性能明显优于常规PID控制。

5 结束语

通过对甲醇原料气转化温度控制、神经网络PID算法和FPGA处理器的研究，设计出了一整套的温度控制系统。该系统表现了较强的鲁棒性和抗干扰能力，能够有效地克服转化炉气体出口温度的时变、非线性与大迟延特性，提高了控制品质，在甲醇生产控温过程中有着广阔的应用前景。