在生产过程中，
反应釜
的温度会影响化工产品的生产质量，因此的控制反应釜的温度对企业生产至关重要，本文就来介绍一下智能控制连续搅拌反应釜温度的方法。
先来看下连续反应釜的基本结构及原理吧，它是由搅拌容器及搅拌机组成，搅拌容器包括筒体，热交换元件和组件，其中筒体是一个钢罐式集装箱，可安装在罐型的材料，在其内部进行化学反应，为了保持反应温度，对反应釜需要设置换热元件。
在化工生产中，应严格按照反应物的配比混合均匀，然后将反应混合物均匀化，加入催化剂在连续搅拌釜式反应器，在夹套反应器中，通过一定数量的蒸汽来维持反应器的温度混合料，然后搅拌均匀，用搅拌器提高热传导速度，从而使受热均匀。 二、连续搅拌反应釜温度控制难点 首先．化学反应和物理反应贯穿生产过程始终，生化反应的 变化，相变过程与物质和能量的传递，这个过程比较复杂，反应 釜是一个大的热容量．控制着反应对象的纯滞后时间，形成一个 非线性变化的传热介质的传热系数，并在外部环境的变得更敏 感。
其次，在反应过程中，由于其复杂性和非线性的放热化学反 应。导致传热介质的非线性传热系数增大，对外部干扰的影响变 得敏感，所以控制有一定的难度，在反应热去除的同时，若不及 时， 受热不均匀的话。反应温度会一直在上升，容易因局部过热 而造成的“失控”的现象。
三、 连续搅拌反应釜 温度控制方法
一般情况下．化学反应都具有复杂性与非线性，因此一 个化学反应过程都无法仅仅使用一种控制方式就能达到理想的 效果，并且随着科技信息技术的发展，很多智能控制方法被广泛 应用于连续搅拌反应釜的温度控制上，而且取得了一定的成绩。
1、神经网络预测控制
这个预测控制主要由参考轨迹，预测模型，模型校正，滚动 优化四个部分组成，主要研究对象为一个单输入单输出的离散 时间非线性动态系统，可用NARMAX模型(非线性自回归滑动 平均模型)描述为如下：
y（k）=f（y（k-1）,u(k-1),……u（k-m）） （3.1）
其中y（k）和u(k)分别为过程在时刻k的鞘出和输入变量， 和m分别为其阶次，f为连续非线性函数，其中其中预测模型部 分采用的是前馈神经网络，同时在预测模型中，输入数据的选取 不当使神经网络学习算法很容易陷入到局部小或者网络不能 收敛，为避免这种问题的发生，输人数据需要进行归一化处理。 对于(3．1)所描述的控制对象，可采用图3．2所示的BP神经网络 建立预测模型。
在一般情况下，类似的网络预测控制是一种基于闭环控制 策略优化模型基础上的算法。其核心是利用动态模型可以预测 未来的过程和行为，其中，模型误差反馈校正机制的引人，用轧 制有限时域优化策略．重复的地方目标在线优化．以获得的 实际控制的模型失配和避免引起的不确定性干扰。
2、自适应控制 由于化学反应本身就是一个时变非线性系统．每个反应阶 段都表现出显著不同的情况，因为过程模型是未知的，自适应控 制是基于参数未知的系统的数学模型。参数自适应控制会随系 统的行为的变化发生相应的变化，以适应其变化特征，保证了整 个系统的性能满足要求。虽然复杂的自适应算法在一定程度上 影响了自适应控制的实际应用，但与自适应控制理论的发展是 符合的，在控制反应器的自适应控制方面将有更大的发展前景。
先来看下连续反应釜的基本结构及原理吧，它是由搅拌容器及搅拌机组成，搅拌容器包括筒体，热交换元件和组件，其中筒体是一个钢罐式集装箱，可安装在罐型的材料，在其内部进行化学反应，为了保持反应温度，对反应釜需要设置换热元件。
在化工生产中，应严格按照反应物的配比混合均匀，然后将反应混合物均匀化，加入催化剂在连续搅拌釜式反应器，在夹套反应器中，通过一定数量的蒸汽来维持反应器的温度混合料，然后搅拌均匀，用搅拌器提高热传导速度，从而使受热均匀。 二、连续搅拌反应釜温度控制难点 首先．化学反应和物理反应贯穿生产过程始终，生化反应的 变化，相变过程与物质和能量的传递，这个过程比较复杂，反应 釜是一个大的热容量．控制着反应对象的纯滞后时间，形成一个 非线性变化的传热介质的传热系数，并在外部环境的变得更敏 感。
其次，在反应过程中，由于其复杂性和非线性的放热化学反 应。导致传热介质的非线性传热系数增大，对外部干扰的影响变 得敏感，所以控制有一定的难度，在反应热去除的同时，若不及 时， 受热不均匀的话。反应温度会一直在上升，容易因局部过热 而造成的“失控”的现象。
三、 连续搅拌反应釜 温度控制方法
一般情况下．化学反应都具有复杂性与非线性，因此一 个化学反应过程都无法仅仅使用一种控制方式就能达到理想的 效果，并且随着科技信息技术的发展，很多智能控制方法被广泛 应用于连续搅拌反应釜的温度控制上，而且取得了一定的成绩。
1、神经网络预测控制
这个预测控制主要由参考轨迹，预测模型，模型校正，滚动 优化四个部分组成，主要研究对象为一个单输入单输出的离散 时间非线性动态系统，可用NARMAX模型(非线性自回归滑动 平均模型)描述为如下：
y（k）=f（y（k-1）,u(k-1),……u（k-m）） （3.1）
其中y（k）和u(k)分别为过程在时刻k的鞘出和输入变量， 和m分别为其阶次，f为连续非线性函数，其中其中预测模型部 分采用的是前馈神经网络，同时在预测模型中，输入数据的选取 不当使神经网络学习算法很容易陷入到局部小或者网络不能 收敛，为避免这种问题的发生，输人数据需要进行归一化处理。 对于(3．1)所描述的控制对象，可采用图3．2所示的BP神经网络 建立预测模型。
在一般情况下，类似的网络预测控制是一种基于闭环控制 策略优化模型基础上的算法。其核心是利用动态模型可以预测 未来的过程和行为，其中，模型误差反馈校正机制的引人，用轧 制有限时域优化策略．重复的地方目标在线优化．以获得的 实际控制的模型失配和避免引起的不确定性干扰。
2、自适应控制 由于化学反应本身就是一个时变非线性系统．每个反应阶 段都表现出显著不同的情况，因为过程模型是未知的，自适应控 制是基于参数未知的系统的数学模型。参数自适应控制会随系 统的行为的变化发生相应的变化，以适应其变化特征，保证了整 个系统的性能满足要求。虽然复杂的自适应算法在一定程度上 影响了自适应控制的实际应用，但与自适应控制理论的发展是 符合的，在控制反应器的自适应控制方面将有更大的发展前景。
地址：山东省威海市初村镇山海路200-1号
统一服务热线：0631-5766828
E-Mail：huanyu02@www.alliemeixner.com备案号：
产品中心
联系我们
手机扫码关注