pH过程测控系统可用性研究

文章是针对pH过程测控系统的可用性问题而提出的,从技术角度分析何为pH过程测控系统的可用性,如何设计pH过程测控系统的可用性,及如何测试与评估pH过程测控系统的可用性,从而为pH过程测控系统的可用性设计和测试提供方法理论支撑,设计出适合大多数用户使用的pH过程测控系统,促进pH过程测控系统的推广与应用。

基于DSP的pH过程FNNC-PI控制器研究

提出一种模糊神经网络控制与传统PI相结合的控制方法,即pH过程的FNNC PI控制方案,将模糊控制具有的较强逻辑推理功能、神经网络的自学习能力以及传统PI控制的优点融为一体,能很好地处理pH过程的非线性和滞后性,具有较强的鲁棒性和抗干扰能力。为了满足控制运算实时性的要求,采用TMS320VC33高速数字信号处理器(DSP)作为控制与运算单元,成功地完成了模糊神经网络控制器的DSP实现。

pH过程的Fuzzy-PI复合控制研究

:pH过程是一个具有严重非线性及滞后性的被控对象。以往的传统控制难以达到理想控制效果。这里给出的一种Fuzzy PI复合控制方案 ,能较好地处理pH过程的严重非线性和滞后性 。

pH过程仿人智能测控算法研究

pH酸碱中和反应过程是一个典型的非线性物理和化学变化过程,难以建立精确的数学模型.本文基于模拟人的pH测控行为、思维方式、经验及分析方式等,利用pH动态过程中的输入和输出所表现出来的相关动态特征,详细设计与分析了适应于pH过程的仿人智能测控算法,以便智能定性推理和自适应定量控制pH过程,使被测对象pH值控制稳定.实验与工程应用表明,仿人智能测控算法比传统的测控算法具有更好的控制效果,是pH过程的有效测控技术之一.

pH过程的动态特性及模糊模型的建立

pH的控制由于其高度非线性而被视为过程控制领域尚未完全解决的困难问题之一 ,利用各种建模手段认识pH过程的动态特征 ,是实现满意 pH控制效果的基本前提 .机理建模依赖工程师对 pH过程的认识程度 ,而模糊辩识则在处理复杂非线性建模方面有独到之处 .本文根据化学与物料平衡原理 ,推导 pH过程的动态模型 ,简要介绍模糊建模的方法以及在 pH过程建模中的应用 ,得出仿真结果及进一步研究的内容 .

pH过程的智能PIP控制

pH值的检测与控制在化工生产过程并非易事.本文介绍了仿人智能控制器的框架结构,提出的智能PIP控制器不仅能很好地对付中和过程的严重非线性,还能满足高标准的性能要求和较强的鲁棒性.

遗传算法在pH过程控制中的应用

pH(酸碱度)控制广泛存在于化工等生产过程之中,属于典型的过程控制对象。pH控制不佳可能会在化工生产过程中造成生产过程波动,质量不稳定,产量降低,原材料浪费,装置腐蚀和环境污染等状况。因此,优良的pH控制对化工生产非常有必要。pH控制过程具有独特的对象特性,这些特性给控制带来了较大的难度。本文在分析以往pH控制方法的基础上,应用传统控制算法——PID结合遗传算法实施pH控制。该控制方法在文中给出了详尽的介绍,并通过仿真验证了其可行性。

pH过程的无模型自适应控制

针对pH过程的非线性和大滞后,本文介绍了无模型自适应的控制方法。通过与PID控制的比较,结果证明了无模型自适应方法的有效性。

pH过程的自动控制设计

本文主要分析了pH值曲线的非线性特点,对pH过程进行建模和反馈线性化控制。并采用超想3000TB系列单片机仿真试验系统来模拟实现对pH过程的自动控制。

pH过程模糊PID控制的研究

pH过程控制一直是工业过程控制中的难题之一,本文从智能控制的基本思想出发,给出一种自适应模糊PID控制器,采用MATLAB进行了仿真,仿真结果表明,相对于传统PID控制器,模糊PID控制器具有上升时间快、超调量小的特点,满足系统的控制要求,使得pH过程达到较好的控制效果。

非线性控制理论在pH过程中的应用研究和发展

由于pH过程的非线性和滞后性,pH值的检测和控制在化工生产过程中并非易事。非线性控制器可以对pH过程进行十分有效的控制。本文主要分析了pH值曲线的非线性特点,介绍了近年来应用于pH过程控制的非线性控制理论和方法,如模糊控制和反馈线性化控制等,并进行比较和讨论。

pH过程的极点配置自校正控制

pH过程控制广泛应用于化工、废水处理等领域,但由于其严重的非线性特性一直是工业过程控制的难点。利用非线性模型来描述pH过程,使用非线性极点配置自校正控制器对过程进行控制,实验结果表明该控制方法具有良好控制效果。

模糊Hammerstein模型预测控制及其在pH过程中的应用

针对一类Hammerstein模型描述的非线性系统,提出了一种改进的非线性预测控制算法。该算法将T-S模型与动态矩阵控制算法相结合,利用动态阶跃响应描述Hammerstein模型的动态线性部分,以克服参数化模型因阶次辨识不准带来的未建模动态问题。利用T-S模型逼近其非线性部分,通过T-S模型的线性化将控制输入转化为动态模型的输入,进而采用线性预测控制方法求解预测控制律,避免了非线性优化在线求解。pH中和过程仿真结果表明该算法具有良好的跟踪性、抗干扰性和较强的鲁棒性。

非线性Hammerstein模型预测控制策略及其在pH中和过程中的应用

所有实际工业过程都包含一定程度的非线性,如pH中和过程由于其本身的强非线性是工业过程控制中具有挑战性的难题,但至今为止仍缺乏有效的非线性控制方法。将基于差分方程模型的模型预测控制策略(model predictive control,MPC)推广到包含一个静态非线性多项式函数和一个线性差分方程动态环节的非线性Hammerstein系统,详细描述了基于静态非线性多项式函数的最优控制作用求解方法,提出了一套新的非线性Hammerstein MPC控制策略(nonlinear Hammerstein predictive control,NLHPC)。pH中和过程控制仿真和控制实验表明,NLHPC的控制结果好于工业上常用的非线性PID(nonlinear PID,NL-PID)控制器。

利用模糊满意聚类建立pH中和过程模型

利用模糊聚类方法建立 p H中和过程模型。针对模糊聚类中普遍存在的聚类个数需事先给定和收敛速度慢等问题 ,在原有聚类方法的基础上提出一种模糊满意聚类算法。该算法能快速确定系统的模糊划分数目 ,进而对应聚类个数建立相应的 TS局部线性化模型。以典型 p H中和过程为研究对象 ,利用上述方法建立其系统模型 ,取得了良好的仿真效果 。

基于通用学习网络的pH控制过程辨识

pH控制过程是典型的非线性过程,传统的辨识方法尚不能很好地辨识该过程.利用一种新型的神经网络——通用学习网络对该过程进行辨识,取得了良好的辨识结果,网络训练误差和泛化误差均达到较高精度,网络训练输出曲线与教师信号曲线拟合良好.

基于多模型pH非线性过程的预测控制

对于强非线性系统 ,基于单一模型的传统预测控制系统的瞬态性能一般比较差 ,而克服这一缺点的直观且可行的方法是根据多个不同工作点建立多模型 ,通过在线切换设计自适应预测控制器 ,本文针对典型化工非线性对象 p H中和过程 ,应用多模型处理方法 ,提出了 p H过程的多模型预测控制设计方法 ;根据其工作范围建立了过程的多模型表示 ,然后在此基础上 ,设计了相应的预测控制器 ,通过模糊识别来调度控制器 ,从而获得大范围全局非线性对象的控制量 。

基于多目标的模糊神经网络及在pH控制过程中的应用

设计了一种基于多目标的动态模糊递归神经网络(FRNN)建模方法,用于pH中和过程的广义预测控制。所设计的多目标优化算法以提高拟合精度和简化网络结构为原则,同时优化模糊神经网络中的模糊规则数、隶属度函数中心点及其宽度,由此得到的FRNN模型可以高精度拟合pH中和过程。依据该动态模型,在控制过程的每一个控制周期得到其局部线性模型,将广义预测控制中复杂的非线性优化问题转化为简单的二次线性规划问题。仿真对比结果验证了所提方法的有效性。

pH过程控制对铁炭微电解-Fenton影响中试研究

采用铁炭微电解-Fenton联合工艺处理制药废水生化出水,探讨了初始pH对微电解过程COD降解速率、出水中Fe2+和Fe3+变化规律以及后续Fenton氧化效果的影响,为优化联合工艺提出了微电解反应pH过程控制的理论。采用pH过程控制时,微电解对COD降解速率大大提高,降解过程基本符合零级反应动力学,同时可大大提高Fe2+和Fe3+浓度及总铁析出量。试验结果表明:当初始pH=2.5,以3.0L/h连续性投加稀硫酸100 min,曝气微电解反应2 h,出水再投加1.0mL/L的H2O2进行Fenton氧化2 h,出水COD总去除率可达85.6%;采用pH过程控制可将微电解出水ρ(Fe2+)浓度从48.6 mg/L提高至149 mg/L,COD降解速率从10.9 mg/(L·h)提高至23.8 mg/(L·h)。

模糊自适应PID控制在pH中和过程中的应用

pH中和过程具有时滞、不确定、非线性特性,采用模糊自适应PID控制器能有效解决这一问题。控制器的参数调整采用模糊调整规则,控制器的设计易于实现且具有很强的适应性和鲁棒性。仿真结果表明该控制器能对pH中和过程进行有效控制。