基于Mamdani模糊神经网络浆液pH值控制研究

程换新，张国庆

(青岛科技大学 自动化与电子工程学院，山东 青岛 266061)

基于Mamdani模糊神经网络浆液pH值控制研究

程换新，张国庆

(青岛科技大学 自动化与电子工程学院，山东 青岛 266061)

在热电厂石灰石/石膏湿法烟气脱硫系统中，浆液pH值对脱硫效率影响较大。针对浆液pH值的控制过程具有非线性、大滞后和变增益的特点，从脱硫效率的方向出发对浆液pH值控制进行分析与研究。选用了Mamdani模糊神经网络来建立控制器并用于浆液pH值控制中，进一步提高网络的寻优能力以达到更好的控制效果。通过对基于Mamdani模糊神经网络浆液pH值控制进行Matlab设计和仿真，并与常规的PID控制对比，结果证明了该方法的有效性。

模糊控制 神经网络 浆液 pH值控制

煤炭作为中国的主要能源之一，所产生的SO2对环境的污染比较严重，目前采用较多的脱硫方式是石灰石/石膏湿法烟气脱硫。通过对浆液pH控制过程的研究将模糊控制并结合神经网络应用到控制过程中[1-2],将两者各自的优点结合用于控制系统，能提高系统的知识表达能力和自学习能力，在控制系统中将会表现出一定的优势[3]。

1 石灰石/石膏湿法烟气脱硫系统

1.1 石灰石/石膏湿法烟气脱硫基本原理

1) 吸收反应：

2) 中和反应：

3) 氧化反应：

CaSO4·2H2O+CO2

1.2 湿法烟气脱硫工艺流程

石灰石/石膏湿法烟气脱硫中所用的脱硫剂主要为石灰石，脱硫系统的工艺流程如图1所示。

皮带给料机将石灰石仓中的石灰石送到湿式球磨机中，同时加入一定比例的工业用水后，用湿式球磨机磨制成石灰石浆液，并送入浆液罐中。旋流泵将浆液送至浆液旋流器中，经水力旋流循环分选后，不合格的浆液重新送入湿式球磨机中，合格的浆液被储存在石灰石浆液储罐中，再根据需要通过石灰石浆液供浆泵将浆液送至吸收塔中，用于系统需要。通常设置浆液循环泵和搅拌器来防止浆液的沉淀。

从锅炉出来的烟气先通过入口挡板后经增压风机增压和烟气换热器降温后被送入到吸收塔的底部[4]。吸收塔中的烟气由下而上运动，并与浆液循环泵输送的石灰石液体往下流时所形成的喷淋层进行接触，吸收掉烟气中的SO2，此时低温的烟气又经过换热器升温后，将烟温升到高于80℃后，通过烟道将烟气释放到空气中[5]。

图1 石灰石/石膏烟气脱硫工艺流程示意

2 基于Mamdani模糊神经网络浆液pH值控制回路的设计

2.1 pH值对脱硫效率的影响

在脱硫系统中浆液里的OH-浓度较高时，碱液更容易吸收SO2。pH<7时浆液呈酸性，pH值越小，说明H+的浓度越高，酸性越强，浆液吸收SO2的能力就越弱，不利于SO2的吸收。过低的pH值会促进石灰石的溶解，但是却阻碍了SO2的吸收，必然会造成脱硫效率的降低；过高的pH值虽促进了SO2的吸收，但是同时会抑制石灰石的溶解，造成石灰石的浪费，提高了成本，同时也容易造成管道结垢和腐蚀等问题，并且影响了生成物石膏的品质[6]。在石灰石/石膏湿法烟气脱硫中一般把浆液pH值控制在5～6。

吸收塔中浆液pH值控制一般是通过调节吸收塔中的石灰石的流量来实现，利用合理的控制方式实现石灰石较高的利用率，提高SO2脱除率。在脱硫控制中要合理控制浆液的pH值，当pH值增大时降低石灰石浆液的流量，相反就提高其浆液的流量，以保证所需要的pH值。

2.2 基于Mamdani模糊神经网络pH值控制器设计与仿真

2.2.1 FNN控制器设计

在控制pH值时为了提高系统的精度和质量，采用模糊神经网络对控制器进行了设计，设计时依据模糊系统的结构来确定神经网络，目的是确保神经网络的每一层和每个节点都和模糊系统每一部分相对应，算法上采用BP算法，最终完成对pH值的控制。

在该设计中采用了1个5层神经网络结构： 输入层、模糊化层、模糊推理层、归一化层和解模糊化层。x1和x2分别表示输入误差e和误差变化ec，其进行尺度变化后的值为E和EC，e为pH值期望值和实际值之间的差值，ec是两者的变化率，网络的输出u为控制器的输出，表示输出浆液流量。输入变量采用7个模糊语言变量值{PB,PM,PS,ZE,NS,NB},共形成49条规则，隶属度函数采用高斯函数：u(x)=exp[-(x-m)2/σ2],其中m和σ为隶属函数的中心和宽度。pH控制系统的模糊神经网络的结构如图2所示。

图2 模糊神经网络结构示意

1) 第1层： 输入层。该层神经元的个数等于输入变量的个数，且输入变量的值是利用激励函数传递给下一层神经元，该层共有2个神经元分别是偏差e和偏差的变化量ec。

(1)

2) 第2层： 模糊化层。该层有14个节点，首先对输入的变量模糊子集进行定义，通过相应的模糊隶属度函数，将输入变量转化到模糊子集论域中。神经元主要是模拟隶属度函数，采用高斯隶属度函数，则有

(2)

3) 第3层： 模糊规则层。该层有49个节点，该层中需要计算模糊规则的适用度aj，且神经元数目等于模糊规则的个数，其主要是完成模糊“与”的运算，在这里采用乘积运算完成“与”运算。

(3)

4) 第4层： 归一化层。该层中也有49个节点，主要是完成归一化的运算。

(4)

5) 第5层： 解模糊化层。该层主要是完成清晰化运算，该层有1个节点。

(5)

式中：wj——第4层和第5层之间的权值系数。

2.2.2 FNN控制算法

文中采用的误差反向传播算法即BP算法，该种算法首先根据大量的样本进行网络训练，调整得到合适的网络权值以及隶属度函数，从而实现了模糊推理的控制方法，将其用于被控对象，从而达到最佳的控制效果。

(6)

设η为学习速率，可以得到各个权值的迭代公式为

(7)

所以第k层第j个神经元产生的误差及权值修正为

(8)

(9)

(10)

因此，可以计算每一层的误差和权值的修正值。

隶属度函数的中心值和宽度的修正公式为

(11)

mi j(t+1)=mi j(t)+Δmi j

(12)

(13)

σi j(t+1)=σi j(t)+Δσi j

(14)

经过上述公式对参数的调整，并进行大量的训练后，目标函数能达到期望值的要求。

3 仿真研究

选定系统的E，EC，U的论域范围均为[-3,3],实测的pH值的偏差和偏差变化范围为[-1,1]和[-1,1] ，控制输出范围为[0,20]。利用Matlab将控制器输入量模糊化为7级，分别为正大(PB)、正中(PM)、正小(PS)、零(Z0)、负小(NS)、负中(NM)、负大(NB)，从而可以得到量化因子Ke=3，Kec=3，Ku=6。现场采集的数据需要经过归一化处理，然后对模糊神经网络的隶属度参数和权值进行训练，利用收集到数据进行训练。

下面以传统的PID控制方法为参考，与模糊神经网络设计的控制器进行仿真对比。PID主调节器无扰动和有扰动的仿真与研究如图3和图4所示；FNN主调节器无扰动和有扰动的仿真与研究如图5和图6所示。

图3 PID无扰动仿真示意

图3所示，系统无扰动用PID进行调节时，延迟时间为15 s，峰值时间为143 s，调节时间为250 s，而系统的超调量达到25%以上。图4所示，在750 s时，加入干扰信号，仿真曲线出现很大的波动，大约需要经过150 s系统才能达到稳定状态，所以系统达到稳定需要比较长的时间。

图4 PID有扰动仿真示意

图5 FNN无扰动仿真示意

图6 FNN有扰动仿真示意

图5所示，在无扰动情况用FNN调节时，延迟时间为20 s，峰值时间为140 s，调节时间约为200 s，而系统的超调量为10%左右。图6所示，在750 s时，加入干扰信号，通过仿真可看出曲线出现了波动，大约需要经过100 s系统便能达到稳定状态。

通过以上的仿真可以得出： 系统无扰动情况下，PID控制时调节时间比较长，系统进入稳态的时间也比较长；而采用FNN控制时，调节时间明显减少，系统相对较快地进入稳定状态。当给系统加入扰动时，PID控制器出现较大的波动，而FNN控制器波动的幅度相对比较小，进入稳定的时间也明显比PID控制时要短。由此看出常规PID控制响应相对慢，超调大，调节时间长；而FNN控制动态性能优于常规的PID控制，响应度快，超调小，调节时间短，并且控制比较平稳。

4 结束语

笔者采用模糊神经网络设计了pH值控制器，最终通过PID控制和FNN仿真对比，FNN控制在反应时间、抗干扰性、鲁棒性方面要优于PID的控制，更好地保持了系统的稳定性。

[1] 周至祥，段建中，薛建明.火电厂烟气脱硫技术手册[M].北京： 中国电力出版社，2007.

[2] Liu P Y. Analyses of Regular Fuzzy Neural Networks for Approximation Capabilities[J]. Fuzzy Sets and Systems, 2000(114)： 329-338.

[3] Yan S, Masaharu M. A New Approach of Neuro-fuzzy Learning Algorithm for Tuning Fuzzy Rules[J].Fuzzy Sets and Systems, 2000(112)： 99-116.

[4] 卓小芳.石灰石/石膏湿法烟气脱硫系统仿真研究[D].重庆： 重庆大学，2007.

[5] 惠远峰.湿式石灰石—石膏法烟气脱硫系统仿真设计的研究[D].北京： 华北电力大学，2006.

[6] 唐立学.脱硫系统pH值控制的过程辨识及控制器设计[D].北京： 华北电力大学，2007.

[7] 李洁,刘晋宁.锅炉烟气脱硫系统中pH值的控制与实现.化工自动化及仪表,2014,41(08): 905-906,942.

Studies on Slurry pH Control With Mamdani Based on Fuzzy Neural Network

Cheng Huanxin, Zhang Guoqing

(College of Automation and Electronic Engineering, Qingdao University of Science & Technology, Qingdao, 266061, China)

s： In limestone/gypsum wet flue gas desulfurization system in thermal power plant，pH value of slurry has a great influence on desulfurization efficiency. Aiming at disadvantage of nonlinear, large lag and varing gain of slurry pH value control, slurry pH value control is analyzed and studied from desulfurization efficiency. Mamdani fuzzy neural network is used to establish the controller. It is used in the slurry pH value control to further improve search ability of network to achieve better control. Through Matlab design and simulation with control of Mamdani based on fuzzy neural network slurry pH control, as well as comparison with conventional PID control, the results prove effectiveness of the method.

fuzzy control; neural network; slurry; pH value control

程换新(1966—)，男，山东青岛人，毕业于浙江大学自动化专业，现就职于青岛科技大学，主要从事控制理论与应用研究，任教授，硕士生导师。

TP273

A

1007-7324(2017)04-0036-04

稿件收到日期： 2017-03-17，修改稿收到日期： 2017-06-19。