化工反应釜的温度控制研究进展

张江涛 姚汭成 张胜广 刘 洋 付亦文 肖晶峰

（长沙矿冶研究院有限责任公司）

在实际的化工生产中，反应釜温度控制性能的好坏影响着所生产产品的品质，关乎着生产效率，更影响着化工生产过程的安全［1］。反应釜温度控制具有强烈的非线性、时变性、迟滞性、热惯性及反应机理复杂等控制难点，且反应釜生产工况参数不断发生改变，难以建立精确的数学控制模型。 常规的控制方法受限于对精确受控模型的依赖，用于反应釜温度控制时往往难以取得理想的控制效果，由于当前化工生产对产品生产品质的要求越来越高，而反应釜温度控制却未能较好地满足生产要求，因此为了改善反应釜的温度控制效果，提高生产产品品质，需要对反应釜温度控制方法进行深度研究。

1 反应釜介绍

反应釜是化工生产领域内一种常见的反应容器。 按照搅拌模式，反应釜主要可分为两类：间断搅拌反应釜和连续搅拌反应釜［2］。其中，连续搅拌反应釜因为具有可进行多相反应、持续搅拌可保持釜内浓度等参数均匀、 生产一致性好的特性，被广泛应用在实际化工生产中［3］。连续搅拌反应釜的结构如图1 所示［4］。 连续搅拌反应釜内安装有电加热棒，釜内壁盘绕着多圈盘管，盘管中可切换通入冷/热水， 釜内壁和外壁之间设有夹套，夹套内可通入导热介质，如导热油、蒸汽等，可以起到保温调节的作用。

图1 反应釜结构简图

连续搅拌反应釜的温度控制是指保持反应釜内始终处于化工生产所需的反应温度［5］。 根据需要， 可向釜内壁盘绕的盘管中通入冷/热水，同时辅以电加热棒的通断电辅助加热操作，加上夹套的保温作用， 以此来实现对反应釜的温度控制。

在反应釜中进行的实际生产化学反应往往是比较复杂的［6］，既有物料的相变过程，又有相对应的热量得失变化过程， 随着反应的持续进行，在不同的阶段，反应釜内的产物形态也在不断地变化，随之带来的影响就是传热系数会不断随着产物形态变化而无规律改变， 加上搅拌机、冷/热水，还有一些外接设备需要与之联锁控制等其他因素的干扰，这就使得反应釜内的温度控制较为复杂［7］，如在反应釜温度控制的降温过程中，降温速率就很难控制，如果降温速率过快，会使反应釜内化学反应变得迟缓停滞，产生“釜僵”现象；但若降温速率不够，不能及时、迅速地把反应釜内的反应热移除， 反应釜内产热持续大于散热，就会使得反应釜内的温度飞速飙升， 存在发生“聚爆”的风险［8］。“釜僵”会使得生产效率下降，产品品质变差，而“聚爆”则可能会有爆炸和火灾风险， 给生产现场的操作工人的生命带来威胁，严重影响生产安全［9］。 因此，近年来，对于连续搅拌反应釜温度控制的研究逐渐成为一个具有挑战性的热点课题。

2 化工反应釜的温度控制方法

主流的温度控制方法有PID 优化控制、模糊控制、预测控制和神经网络控制。

2.1 PID 优化控制

PID 控制是最早被提出并广泛应用在工业生产过程中的控制方法之一，它的优点是控制方法简单、效果稳定，最适合应用在线性、易于建立准确数学模型的确定性系统中。 它也是在反应釜控制中应用最多的方法之一，只需要不断调整P、I、D 这3 个参数值，便可实现相应的控制［10］。

然而， 传统PID 控制也有明显的局限性，它的参数调整过程较为耗时、繁琐，且不能实时动态调参，影响了其控制效率。 因此，传统PID 还需进一步改进优化。

近年来，一些学者对于改进PID 控制用于连续搅拌反应釜温度控制方面进行了一些研究。DEEPA S N 和JAYALAKSHMI N Y 提出了一种新的小波神经网络（WNN）控制方法，用确定性灰狼优化算法（DGWO）调整网络权值，并用模糊推理（Mamdani）优化网络输入，使用小波激活函数缩短网络模型的计算时间和参数选择的随机性，该方法显著减小了连续搅拌反应釜温度控制的动 态 响 应 时 间、 稳 态 误 差 和 超 调 量［11］。BARANILINGESAN I 设计了一个用于控制连续搅拌反应釜温度的Elman 神经网络控制方法，使用混合DPSO-DGSA 群体智能优化算法对控制器参数进行优化，该方法可显著减小温度控制的积分平方误差，提高控制的精确性［12］。 NEDUMAL P等提出了一种基于改进混合人工蜂群算法（HMABC）优化的连续搅拌反应釜温度控制方法，通过改进的遗传算法（MGA）优化了侦察蜂对蜜源的选择，在更少的循环周期内可达到更小的损失函数值，性能比传统的人工蜂群算法（ABC）和非线性PID 控制方法更加优越［13］。SRIVASTAVA V 和SRIVASTAVA S 将粒子群优化算法（PSO）和基于教师学习的优化算法（TLBO）应用在连续搅拌反应釜温度控制中， 优化了控制器参数选择，可明显减小控制中的温度波动，在3 次迭代中将均方误差减小到0.015 547，改善了传统PID 控制存 在 的 非 线 性 问 题［14］。 KHANDUJA N 和BHUSHAN B 提出了一种新的利用混沌物质搜索和基于精英对抗学习的FOPID 混合元启发式优化算法，用于连续搅拌反应釜的温度控制，与传统控制相比， 该方法探索和开发性能相对平衡，收敛速度更快，表现出更佳的瞬态控制性能［15］。

2.2 模糊控制

1965 年美国著名的控制领域专家ZADEN L A 首次提出模糊控制的理论，针对实际生产过程中存在的非线性、难以直接建立数学模型且无法用传统的控制方法进行简单控制的复杂系统。 此时，可以提取一些控制专家或者生产工人长期以来在生产现场积累的可以成功调控的相关丰富经验，借鉴这些经验往往可以取得相对不错的控制效果。 可以通过一些方法，将这些宝贵的现场控制经验凝练总结为一些通用的规则，使得被控对象有一个模糊的模型，以整合出的规则为依据设计出模糊控制器。 如以温度偏差e 和温度偏差变化率ec 为输入，将输入“模糊化”并输入到模糊推理机进行模糊推理， 之后再进行 “解模糊”操作， 得出控制作用量u， 并将其作用到被控对象上，完成模糊控制的整个流程，实现智能温度控制的目的［16］。

近年来，已有部分学者对模糊控制应用在连续搅拌反应釜的温度控制上进行了相关探索。 魏小宇和郑晟将模糊控制和比例加权PID 结合，在模糊控制规则的基础上调节比例权重，改善了传统PID 控制反应釜温度存在的跟随性弱和滞后性强的问题［17］。 龚育林结合传统PID、模糊控制、相关专家经验设计了二维模糊自适应控制系统，可以实时在线自整定控制参数，提高了反应釜温度控制系统的响应速度，增强了系统的鲁棒性和适应性［18］。

2.3 预测控制

预测控制指模型预测控制（Model Predictive Control，MPC）［19］，主要可概括为基于模型的预测、反馈矫正及滚动优化等几个基本环节。 通过热量守恒、物料守恒等原理进行连续搅拌反应釜机理建模，得到其非线性一阶时滞数学模型，再利用MPC 控制方法，将模型线性化处理，利用滚动优化和反馈校正来持续优化预测输出，继而得到较好的温度预测控制效果。

近年来，部分学者在将预测控制方法应用在连续搅拌反应釜的温度控制方面进行了一些尝试，并已取得了相对不错的效果。 SHAKERI E 等提出了一种智能随机模型预测方法，该方法基于Fokker-Planck 观测器建立滚动优化模型预测控制（RH-MPC），利用路径积分法（PIM）和粒子群算法（PSO）来求解Fokker-Planck 方程得出控制律，从而控制连续搅拌反应釜的温度，强调对控制过程中的随机性的研究可以实现反应釜的温度和浓度的联合最优控制［20］。 SHI H 等针对具有不确定性和未知干扰的离散连续搅拌反应釜的温度控制系统， 提出了一种时滞-区间鲁棒约束模型预测控制方法，利用离散系统的动态特性、时滞信息扩展了状态空间，系统变量和误差可独立进行调节，给予了更大的控制自由度，从而有了更好的跟踪和抗扰性能［21］。

AGUILAR-LÓPEZ R 等提出了一种以反应釜温度/夹套温度和产量/输入质量流量为控制对象的双输入双输出（TITO）预测控制策略［22］。 将最优控制器与不确定性预估器耦合， 得出基于欧拉-拉格朗日框架的最优控制策略，该温度调节方案比开环控制提高了40%的反应器生产率，温度调节达到最优控制后的生产率提高了32.15%。

2.4 神经网络控制

神经网络控制是一种新型的控制策略。 对于不易建模且非线性较强的控制对象，神经网络控制有着天生的优势。 它不需要建立精确的系统模型，且经过训练，可以在线学习、自主地进行参数的动态优化调整， 从而可以获得较好的控制效果。径向基函数（Radial Basis Function，RBF）神经网络控制属于神经网络控制的分支之一， 由于RBF 神经网络不仅具有较快的自学习速度和优秀的局部逼近能力，它还具有原理简单、容易在工程上应用、有一定自适应性的优势，因此在工业控制技术中得到了广泛的应用［23］。

RBF 神经网络控制是一种以径向基函数作为神经网络核函数，并选取某种参数调整法（如梯度下降法） 进行参数在线优化的控制方法［24］，它是一种包含输入层、隐藏层和输出层3 类层级的前向网络结构，其中隐藏层的神经元数目根据所控制的对象实际需要来确定。 第1 层为输入层，由网络与外界连接的信号神经元组成，具体神经元数目由输入信号的维数决定。 中间层为隐藏层，隐藏层神经元是一种中心点径向对称衰减的非负非线性函数，且是局部分布的。 输入层到隐藏层的变换是非线性的。 第3 层为输出层，输出层是网络对输入做出的响应，隐藏层到输出层的变换是线性的。

近年来，将RBF 神经网络控制应用在连续搅拌反应釜的温度控制中［25］已经有了一些研究。BAHITA M 和BELARBI K 基于一阶超前T-S 模糊模型，采用k-means 算法调整RBF 神经网络的径向基函数中心值， 该方案能够快速消除扰动，实现对高度非线性的反应釜温度的自适应稳定控制，有助于减少化学废物的产生［26］。 XU F X 等提出了一种基于U 模型的RBF 与PD 结合的复合控制方法，融合了PD 控制的稳定性和RBF 可任意精度逼近非线性函数的特性，可以实现对非线性对象（如连续搅拌反应釜温度）的精确动态控制，该控制结构设计先进，提高了控制信号的平滑度，减少了不必要的机械损耗，延长了设备寿命［27］。

3 结论和展望

化工反应釜本身具有大容积、 大壁厚的特点，在反应釜内部进行的实际生产化学反应往往是比较复杂的，再加上冷/热水、外接设备等其他外部因素的干扰，使得对反应釜温度的控制存在比较强的时变性、滞后性、非线性及建模难等问题。 传统的PID 控制原理简单、易于实现、需要依赖精确的数学模型，但直接用于机理复杂、难以建立精确模型的反应釜温度控制效果欠佳。 模糊控制基于实际生产中总结出的经验、规律来制定模糊规则，进行模糊推理，可适当抵抗干扰和适应参数波动，但是基于偏差和偏差变化率作为输入，存在控制精度不高、稳态误差较大及调节时间较慢等问题。 预测控制对模型精度要求低、动态优化性能较好，但是存在理论分析复杂、控制律求解不易及控制稳定性不强等问题。 神经网络控制不需要建立精确数学模型，可以在线进行自学习优化，但是存在网络参数选取不易、可解释性不强及网络结构难以确定等问题。 因此，难以只用某种单一的控制方法来实现对于连续搅拌反应釜温度的精确控制。

在未来，需要将几种控制方法的优势充分结合起来，如结合智能优化算法的参数自寻优、RBF神经网络的自适应学习、预测控制的动态滚动优化及模糊控制的无模型优势等，设计出性能更优的连续搅拌反应釜温度综合控制方法，这将是未来连续搅拌反应釜温度控制课题的研究热点方向。