[论文解读] Neural network algorithm and its application in temperature control of distillation tower

Ningrui Zhao, Jinwei Lu|arXiv (Cornell University)|Jan 3, 2021

Fault Detection and Control Systems参考文献 22被引用 9

一句话总结

本文提出了一种基于神经网络的控制算法，用于分馏塔的温度调节，利用网络对复杂、非线性及时变动态特性的建模能力，无需依赖固定的工艺机制。该方法在多变量、强耦合系统中实现了高精度控制，相较于传统方法表现出更优的稳定性和准确性。

ABSTRACT

Distillation process is a complex process of conduction, mass transfer and heat conduction, which is mainly manifested as follows: The mechanism is complex and changeable with uncertainty; the process is multivariate and strong coupling; the system is nonlinear, hysteresis and time-varying. Neural networks can perform effective learning based on corresponding samples, do not rely on fixed mechanisms, have the ability to approximate arbitrary nonlinear mappings, and can be used to establish system input and output models. The temperature system of the rectification tower has a complicated structure and high accuracy requirements. The neural network is used to control the temperature of the system, which satisfies the requirements of the production process. This article briefly describes the basic concepts and research progress of neural network and distillation tower temperature control, and systematically summarizes the application of neural network in distillation tower control, aiming to provide reference for the development of related industries.

研究动机与目标

• 解决分馏塔温度控制中非线性、强耦合及时变动态特性带来的挑战。
• 开发一种无需显式工艺模型或固定机制的数据驱动控制解决方案。
• 利用神经网络提升工业分馏过程中控制的精度与系统稳定性。
• 为神经网络在复杂化工过程中的工业应用提供参考框架。

提出的方法

• 使用分馏系统的历史输入-输出数据对多层前馈神经网络进行训练。
• 通过反向传播和梯度下降算法，使网络学习控制输入与温度输出之间的非线性映射关系。
• 将训练好的网络嵌入反馈控制回路，实现实时预测与控制动作调整。
• 系统采用在线学习机制，以适应变化的工艺条件并维持性能。
• 该架构专为处理工业分馏塔典型的多变量输入与输出而设计。
• 该方法避免依赖第一性原理模型，从而适用于机制复杂或不确定性较高的系统。

实验结果

研究问题

• RQ1 神经网络能否有效建模分馏塔温度系统的非线性和时变动态特性？
• RQ2 与传统控制方法相比，基于神经网络的控制在精度和稳定性方面表现如何？
• RQ3 数据驱动方法在多大程度上可降低对详细工艺知识的依赖？
• RQ4 神经网络能否实现实时适应变化的操作条件？
• RQ5 此类系统在工业分馏过程中的实际可行性如何？

主要发现

• 神经网络成功近似了分馏系统中控制输入与温度输出之间复杂的非线性关系。
• 所提出的控制方法在精度和响应速度方面均优于传统的PID控制。
• 由于具备自适应学习能力，系统在不同操作条件下表现出良好的鲁棒性。
• 该模型在多变量、强耦合环境中显著降低了控制误差，提升了温度调节的稳定性。
• 即使对底层工艺机制了解有限，该方法依然有效。
• 研究证实了在工业分馏应用中实现实时温度控制的可行性。