【摘要】 连续搅拌反应釜（CSTR）是聚合化学反应中常用的一种生产方式，具有复杂工业生产过程的非线性、大惯性、时变性等典型特性，对其精确控制相当困难.人工神经网络系统以其优异的非线性处理能力和学习能力，在很多非线性系统中得到了很好的应用.在对自适应神经网络进行分析和研究的基础上，对连续搅拌反应釜进行了建模，使用基于径向基函数的神经网络系统对釜内的温度进行了控制.使用MATLAB实现了温度控制系统，仿真实验结果表明，文中设计的模型和系统具有良好的自适应性、鲁棒性和抗干扰能力.验证了人工神经网络在CSTR中的温度控制的应用，为CSTR的控制提供了一种新的方法.
【关键词】 连续搅拌反应釜；人工神经网络；自适应控制；径向基函数
0引言
利用连续搅拌反应釜（Continuous stirred tank reactor， CSTR）进行聚合化学反应是目前广泛采用的一种生产方式[1].在塑料、化纤、合成橡胶三大合成材料生产中，连续搅拌反应釜的数量约占合成生产反应器总量的90%以上. 在连续搅拌反应釜系统中最重要的参数是反应温度，连续搅拌反应釜温度控制的品质直接影响产品质量和产量.如果聚合温度超出一定的偏差，就会影响产品的质量，严重的导致产品转型.而釜温波动过大则会使聚合度分布不均，产品质量下降.如果反应釜移热不及时可能导致爆聚，引发生产事故；移热过多又可能导致僵釜，所以聚合过程对反应温度的要求相当严格[2].另外由于化学反应过程中转化率等过程参数的测量方法非常复杂，控制反应温度成为一种间接控制产品质量的有效方法.但是连续搅拌反应釜的工作过程具有复杂工业生产过程的典型特性，如：非线性、大惯性、时变性等[3]，使得系统的准确建模变得相当困难，对其温度控制也非常复杂；同时复杂非线性系统的完善有效控制策略的缺乏也给基于连续搅拌反应釜的化工过程系统的实时有效控制造成了更大的困难.
该文研究釜内的热平衡过程，引入状态变量建立常微分方程组，分析等温反应器的复杂反应过程.基于神经网络算法建立连续搅拌反应釜的温度响应模型.人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统，拥有自学习能力，联想存储能力和高速寻找优化解的能力，应用于连续搅拌反应釜中能有效实现最佳控制.使用MATLAB语言实现了温度控制模型，并分析其稳态工作性能以及改变输入变量时的动态性能，实验结果表明，文中提出基于神经网络的CSTR温度控制方法具有稳定和快速的响应，在连续搅拌反应釜中有良好的应用前景.
[BT4]
1连续搅拌反应釜建模
连续搅拌反应釜的工作过程可以简单描述为：反应物料由进料泵控制，以一定速率连续流入反应器中进行反应，反应所产生的热量由反应釜夹套中循环的冷却剂带走，同时冷凝塔也对釜内温度的控制起一定的作用，已反应的物料则连续从反应釜中流出[4].图1为连续搅拌反应釜的工作示意图.图中CA是生成物A的浓度，
T为反应器的温度，F为进料流速，Tj为冷却剂温度.对其控制的目标是保持参与反应的混合物温度T为设定值且恒定，控制的参数为冷却剂的温度.其非线性动态方程同理可以表示为：
2.2 RBF神经网络学习策略
根据径向基函数的中枢神经基的选择不同，RBF神经网络学习策略可以分为不同的方法.该文采用反向传播算法（BP算法）作为学习策略[11-12].BP算法包括正向传播和反向传播两步.输入的样本从输入层经过隐层处理，在输出层将实际输出和期望输出进行比较，如果不满足设定条件则转向反向传播.反向传播过程中修改每个隐层中各个神经元的权重.该过程重复执行，直到满足要求.
3仿真实验
为了验证本设计的正确性，我们采用MATLAB进行了仿真实验.在实际连续反应釜的工作过程中，如果物料的浓度增加可以说明釜中的温度升高，因此设计中我们使用控制物料浓度的方法来达到控制温度的目的.使用表1的参数，并在MATLAB中通过如下指令设定连续反应釜模型的特性：
连续搅拌反应釜具有复杂工业系统中常有的非线性、滞后性等特点，对其准确控制非常复杂.神经网络对非线性系统有很强的逼近能力，该文在对自适应神经网络进行分析和研究的基础上，对连续搅拌反应釜进行了建模，使用基于径向基函数的神经网络系统对釜内的温度进行了控制，利用MATLAB搭建了控制系统，并改变其工作状态点、物料浓度等参数验证了该文设计系统对釜内温度的控制能力.实验结果表明，基于径向基函数的神经网络系统具有良好的自适应性、鲁棒性和抗干扰能力，验证了该文所设计算法的有效性和可行性.
参考文献
[1]冯冬青.连续搅拌反应釜的智能控制器设计[D]，郑州：郑州大学，2007.
[2]王胜利.反应釜内化学过程控制系统开发研究[D]，南京：南京理工大学，2004.
[3]王伟.广义预测控制理论及开应用[M].北京：科学出版社，2008（9）.
[4]Middleton R H， Goodwin G C， Hill D J， et al. “Design issues in adaptive control”， IEEEtransaction on automatic control， 1988，33（1）：50-58..
[5]Taylor J H， A& str&o&m K J. “A non-linear PID auto tuningalgorithm”， American Automatic control conference，Seattle，1996：1-6.
[6] Ozcelik S， Kaufman H. “Design of MIMO robust direct model reference adaptive controllers，” in 36th IEEE Conference on Decision & Control， （San Diego，CA）， pp. 1890.
[7]Andreiev N， “A Process Controller that Adapts to Signal and Process Conditions，"control Engineering， 1977，38.
[8] Rani K Y， Gangiah K. “Adaptive generic model control，” AICHE J.，
1991，37：16341644.
[9] Ioannou P A， Sun J. Robust Adaptive Control， Prentice-Hall， 1996.
[10]Xin Song， Wang Jinkuan， Niu Xuefen . “Robust adaptive beamforming algorithm based on neural network，” Proceedings of the IEEE International Conference on Automation and Logistics， 2008：1844-1849.
[11]Southall HL， Simmers J A， Donnell T H O’， “Direction finding in phased arrays with a neural network beamformer，” IEEE Trans. Antennas Propagat.
1995，43：1369-1375.
[12]Luyben W L. “Process Modeling， Simulation and Control for Chemical Engineers”， McGraw-Hill， New York， 1989.
This paper presents the design of a nonlinear feedback controller is analyzed for temperature control of continuous stirred tank reactors （CSTRs） which have strong nonlinearities. Consequently， we need to introduce a control mechanism that will make the proper changes on the process to cancel the negative impact that such nonlinearities may have on the desired operation of chemical plant. A method for adaptive control of a continuous stirred tank reactor with output temperature constraint is developed based on artificial neural network. The controller is robust to modeling errors and random disturbances occurring in the system.
Keywords： Continuous stirred tank reactor； Artificial neural network； Adaptive Control； Radial Basis Function
（责任编辑：李家云）