制药配液罐温度控制策略的研究.docx

制药配液罐温度控制策略的研究△冯健（辽宁医学院基础学院王昌军锦州１２１００４）摘要：利用实验数据建立了制药配液罐的神经网络模型，通过增益调度ＰＩＤ控制方法对配液罐温度控制过程进行仿真，并与常规ＰＩＤ控制方法进行比较。实验结果表明，基于ＢＰ神经网络建立的模型能够比较准确地反应输入量与罐内温度之间的关系，同时与常规ＰＩＤ控制相比，增益调度ＰＩＤ控制方法能够更好地完成对配液罐温度的精确控制。关键词：配液罐；温度；ＢＰ神经网络；增益调度ＰＩＤｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００４－４３３７．２０１４．０４．０２３的精确控制是非常困难的［１］。本文以某实验室配液罐实验装置为研究对象，以实验过程记录的数据为基础建立了配液罐神经网络模型，再根据模型非线性的特点，采用增益调度ＰＩＤ控制方法对罐内温度控制过程进行仿真，并将它与采用常规ＰＩＤ控制方法的仿真结果进行比较。引言１配液罐广泛应用于医药和食品等生产领域，用来完成水解、中和、结晶、蒸馏、聚合、加热混配、恒温反应等工艺过程。制药厂在配制药液的整个过程中要对配液罐的罐内温度和罐内压力等参数进行精确控制，而在所有的参数之中最重要是罐内温度，对温度控制的效果直接影响药物产品的药性和药物的最终有效产量。与此同时，不同药液在混合过程中还会发生剧烈的放热反应，这些因素使得配液罐的罐内温度具有时滞性、时变性和非线性的特点，因此要想实现对配液罐温度２ＢＰ神经网络温度模型２．１ＢＰ神经网络建模原理ＢＰ神经网络采用误差反向传播算法，包括网络输入层，中间隐含层和网络输出层。其结构如图１所示。图１ＢＰ神经网络结构任一层中一个神经元ｊ的输入是ｎｅｔｊ，输出是Ｏｊ，这一层的前一层中一个神经元的输出是Ｏｉ，有如下关系：＝１ｆ（ｊ）（３）Ｏ＝ｎｅｔｊ（－ｎｅｔ－θ）１＋ｅｘｐｊｊ式中：θｉ为单元的阈值。若输出层第ｋ个神经元的实际输出为Ｏｋ。则Ｏｋ和ｎｅｔｋ分别为：（１）（２）ｎｅｔｉ＝∑ωｊｉＯｉＯｊ＝ｆ（ｎｅｔｊ）式中：ωｊｉ叫做神经元ｊ与ｉ的连接权值；ｆ（ｎｅｔｉ）叫做神经元的Ｓ型输出函数。（４）（５）ｎｅｔｋ＝∑ωｋｊＯｊＯｋ＝ｆ（ｎｅｔｋ）收稿日期：２０１４－０３－２７作者简介：冯健（１９８７－），男，辽宁锦州人，辽宁医学院助教，硕士。研究方向：医学影像设备及医学影像物理。△基金项目：辽宁省科学事业公益研究基金（２０１１００２００８）·４３０·数理医药学杂志２０１４年第２７卷第４期真，得到训练１００步后的配液罐温度模型的模型［３，４］，由图３我们可以看到，网络输出与实际输出拟合较好。如果一共有Ｎ个样本，输入层中第ｋ个神经元的期望输出是Ｄｐｋ，实际输出是Ｙｐｋ，那么我们可以得到整个系统均方差：Ｅ＝１∑∑（Ｄｋ－Ｙｋ）２（６）ｐｐ２Ｎｐｋ在整个训练过程中，输出层的误差向隐含层和输入层传送，各层之间的连接权值ωｋｉ随之进行不停地修正，最终整个系统均方差Ｅ获得了最小值。此时，采用必威体育精装版得到的权值ωｋｉ，训练结束。［２］２．２建立配液罐ＢＰ神经网络温度模型根据现场实际运行情况可知，罐温控制主要通过调节导热油调节阀的开度，利用导热油流经配液罐的夹套传热来提高罐内温度，因此我们将本时刻调节阀开度和本时刻夹套温度当做输入量；又考虑到配液罐温度的时滞性，我们还将前一时刻罐温和夹套温度也当做输入量，最终确定本时刻调节阀开度、本时刻夹套温度、上时刻罐温、上时刻夹套温度作为网络的输入，对罐温模型进行辨识。但我们知道，夹套温度是配液罐加热过程的中间变量，我们在建模时完全可以不采用这个中间变量，模型将会被大大简化。在这里我们选择本时刻调节阀开度和上时刻罐温作为网络的输入量；网络的输出为配液罐本时刻的温度，神经网络模型的关系可表示为：图３ＢＰ网络输出与实际输出曲线我们想知道该模型是否精确还要看如果将其他未参训练的样本带入该模型后的输出与实际输出依然有较好的拟合，即可说明之前所建立的配液罐温度模型非常准确。在这里我们将另外４０组数据带入模型，得到验证曲线如图４所示：ｙ（ｔ）＝ｆ［ｕ（ｔ），ｙ（ｔ－１）］（７）式中：ｙ（ｔ）为网络的输出，ｙ（ｔ－１）为上时刻罐温，ｕ（ｔ）为本时刻调节阀开度。建模过程中所用的样本来自配液罐实际运行中的数据，一共１３８组，用９８组数据作为训练样本，４０组数据作为验证样本。图４误差曲线如图５所示：验证曲线图２配液罐温度简化ＢＰ网络结构图如图２所示，网络结构采用三层ＢＰ神经网络：网络输入层、中间隐含层、网络输出层。隐含层节点数根据Ｋｏｌｍｏｇｏｒｏｖ定理确定为５，初始权值随机产生。隐含层和输出层的激励函数采用Ｓ函数和线性函数。１ｆ（ｘ）＝（８）１＋ｅｘｐ（－ｘ）图５误差曲线ｆ（ｘ）＝ｘ式（８）为Ｓ函数，式（９）为纯线性函数。（９）从图５中我们可以看到，用第二组数据进行验证，除了有一点偏差为２．０２℃，其余各点偏差基本