Dự báo đầu ra nhiệt độ và điều kiển dự báo cho tháp chưng cất sử dụng mô hình mạng neuron

Điều khiển – Cơ điện tử - Truyền thông 
 Đ. X. Hiếu, Đ. T. L. Anh, , “Dự báo đầu ra nhiệt độ sử dụng mô hình mạng neuron.” 216 
DỰ BÁO ĐẦU RA NHIỆT ĐỘ VÀ ĐIỀU KIỂN DỰ BÁO CHO 
THÁP CHƯNG CẤT SỬ DỤNG MÔ HÌNH MẠNG NEURON 
Đặng Xuân Hiếu*, Đinh Thị Lan Anh, Nguyễn Doãn Phước, Đặng Văn Mỹ 
Tóm tắt: Tháp chưng cất là một bộ phận quan trọng của nhiều quá trình trong 
các ngành hóa chất và hóa dầu. Nó thường chiếm phần lớn tổng năng lượng tiêu 
thụ của những quá trình nó tham gia. Tuy nhiên, hiện nay các giải pháp tiết kiệm 
năng lượng cho tháp chưng cất còn rất hạn chế. Các bộ điều khiển tối ưu hầu như 
không được sử dụng cho tháp chưng cất do mô hình toán của đối tượng này rất 
phức tạp. Để giải quyết vấn đề trên, chúng tôi đề xuất sử dụng mô hình mạng 
neuron thay cho mô hình tháp chưng cất trong thiết kế bộ điều khiển MPC theo 
nguyên tắc Receding horizon cho đối tượng nhiệt độ tháp chưng cất. Một mô hình 
mô phỏng tháp chưng cất được xây dựng từ các phương trình cân bằng mô tả các 
quá trình diễn ra trong tháp chưng cất để thu thập dữ liệu huấn luyện mạng và 
kiểm tra bộ điều khiển. Kết quả mô phỏng bước đầu cho thấy hệ kín bám theo được 
giá trị đặt với chất lượng tốt trong trường hợp thay đổi tín hiệu đặt dạng bước 
nhảy và nhiễu dạng bước nhảy. 
Từ khóa: Mạng neuron, Receding horizon, Tháp chưng cất, MPC, Điều khiển nhiệt độ, Dự báo đầu ra. 
1. ĐẶT VẤN ĐỀ 
Điều khiển dự báo là một một phương pháp điều khiển tối ưu được sử dụng rộng rãi 
trong cho nhiều đối tượng khác nhau trong thực tế. Bộ điều khiển MPC cho đối tượng 
tuyến tính đã được chứng minh hoàn thiện về lý thuyết và cho đáp ứng tốt hơn hẳn các bộ 
điều khiển thông thường như PID [1]. Tuy nhiên, trong thực tế, phần lớn các đối tượng là 
phi tuyến mà việc áp dụng các nguyên lý điều khiển tối ưu cho các đối tượng này phức tạp 
hơn nhiều so với đối tượng tuyến tính. Nhiều phương án có thể được áp dụng như mô hình 
tuyến tính mở rộng, sử dụng cửa sổ dự báo nhỏ hay tuyến tính hóa chính xác [1]. Trong số 
đó, nguyên tắc Receding Horizon là một trong những phương pháp đơn giản nhất. Mặc dù 
vậy, phương pháp này vẫn yêu cầu phải biết mô hình toán tường minh của đối tượng mà 
trong nhiều trường hợp do cấu trúc phức tạp của đối tượng mà mô hình hóa lý thuyết 
không thể thực hiện được. 
Tháp chưng cất là một ví dụ điển hình cho những đối tượng như vậy. Trong những năm 
gần đây, một cấu hình điều khiển mới cho tháp chưng cất được đề xuất bởi Mejdell và 
Skogestad [3] trong đó sử dụng giá trị nhiệt độ tháp chưng cất để xấp xỉ tỉ lệ thành phần 
các sản phẩm đầu ra. Đối với vòng điều khiển nhiệt độ trong cấu hình điều khiển mới này, 
ta phải bổ sung vào mô hình toán quá trình bảo toàn năng lượng và quá trình chuyển thể 
lỏng khí (VLE). Các quá trình này có phương trình phức tạp, tính phi tuyến cao và phụ 
thuộc nhiều vào các tham số thực nghiệm. Điều đó khiến cho mô hình toán của đối tượng 
trở nên vô cùng phức tạp và việc mô hình hóa lý thuyết trở nên rất khó khăn [4]. 
Một giải pháp khả thi cho vấn đề này là huấn luyện một mạng neuron hồi quy để dự 
đoán đầu ra của đối tượng [5]. Do tính cấu trúc cao của mô hình mạng neuron, một thuật 
toán tổng quát đã được xây dựng để áp dụng mô hình mạng neuron vào bộ điều khiển 
MPC theo nguyên tắc Receding Horizon. Một ưu điểm nữa của mạng neuron là nó sử 
dụng nguyên tắc hộp đen nên nó có thể giúp chúng ta bỏ qua được các quá trình vật lý 
phức tạp bên trong tháp chưng cất. 
2. MÔ HÌNH MẠNG NEURON 
Để dự báo đầu ra của tháp chưng cất, chúng tôi xây dựng một mô hình mạng neuron 
xấp xỉ động học của tháp chưng cất. Cấu trúc mạng neuron được lựa chọn là NARX vì nó 
Nghiên cứu khoa học công nghệ 
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san ACMEC, 07 - 2017 217
có khả năng xấp xỉ hệ động học khá tốt trong khi cấu trúc mạng tương đối đơn giản [6]. Để 
thu thập dữ liệu huấn luyện mạng và kiểm tra bộ điều khiển một mô hình mô phỏng tháp 
chưng cất được xây dựng trên Simulink theo thuật toán như sau: 
Bước 1: Khởi tạo giá trị ban đầu cho lượng chất lỏng tại mỗi tầng tháp (), nồng độ 
thành phần tại mỗi tầng () và enthalpy của hỗn hợp chất lỏng tại mỗi tầng 
(ℎ) 
Bước 2: Tính nhiệt độ mỗi tầng tháp () theo enthalpy và tỉ lệ thành phần tầng tương 
ứng [7] 
Bước 3: Tính áp xuất () và tỉ lệ thành phần hỗn hợp khí tại mỗi tầng () sử dụng 
phương trình Antoine và định luật Dalton [4] 
Bước 4: Tính enthalpy của hỗn hợp khí () [4] và khối lượng riêng của chất lỏng 
(,) và chất khí (,) của từng tầng tháp [8] 
Bước 5: Tính lưu lượng dòng chất lỏng () sử dụng phương trình Francis [9] và lưu 
lượng dòng khí () sử dụng phương trình thủy động lực học chất khí [10] 
Bước 6: Thay vào các phương trình bảo toàn khối lượng, bảo toàn thành phần và bảo 
toàn năng lượng để tính đạo hàm của ,  và ℎ. 
Bước 7: Tích phân theo thời gian và cập nhật các giá trị của ,  và ℎ. Quay lại 
bước 2. 
Hình 1. Dữ liệu huấn luyện mạng. 
Về mặt lý thuyết, thuật toán mô phỏng nêu trên có thể dùng để mô phỏng tháp chưng 
cất có cấu trúc rất phức tạp. Tuy nhiên, do khi huấn luyện mạng neuron ta chỉ quan tâm tới 
tín hiệu vào ra chứ không cần biết đến cấu trúc của đối tượng, các bước xây dựng mô hình 
mạng neuron sẽ được thực hiện tương tự cho tháp chưng cất có cấu tạo phức tạp và tháp 
chưng cất có cấu tạo đơn gian. Để giảm khối lượng tính toán, trong nghiên cứu này chúng 
tôi chỉ xét một tháp chưng cất quy mô nhỏ với 4 tầng tháp (tầng cấp liệu là tầng thứ 2 và 
nhiệt độ được đo ở tầng thứ nhất). 
Điều khiển – Cơ điện tử - Truyền thông 
 Đ. X. Hiếu, Đ. T. L. Anh, , “Dự báo đầu ra nhiệt độ sử dụng mô hình mạng neuron.” 218 
Hình 2. Kết quả huấn luyện mạng kín. 
Lớp đầu vào gồm 3 đầu vào (một biến điều khiển và hai nhiễu) lần lượt là nhiệt lượng 
cấp cho thiết bị đun (QB), dòng hồi lưu (RF) và dòng cấp liệu (F). Để mạng neuron bám 
theo được động học của đối tượng các tín hiệu đầu vào của dữ liệu huấn luyện nên được 
tạo một cách ngẫu nhiên và tín hiệu đầu ra mẫu được xây dựng từ thuật toán mô phỏng đã 
nêu ở phần trên. Bộ dữ liệu huấn luyện hoàn chỉnh được trình bày trong Hình 1. 
Sau khi thử nghiệm nhiều cấu trúc mạng khác nhau, chúng tôi nhận thấy cấu trúc 
mạng neuron có đáp ứng tốt nhất là cấu trúc mạng có một lớp ẩn và có một neuron trong 
lớp ẩn. Hàm truyền được sử dụng cho lớp ẩn là hàm tansig và hàm truyền của lớp đầu ra là 
purelin. Số trễ được sử dụng cho lớp đầu vào và tín hiệu phản hồi đầu ra là 80. Ngưỡng chỉ 
được sử dụng cho lớp ẩn. 
Hình 3. Kết quả kiểm tra mạng neuron. 
Quá trình huấn luyện mạng neuron được chia thành hai phần. Đầu tiên, đầu ra mẫu 
được sử dụng thay cho tín hiệu phản hồi từ đầu ra mạng neuron và mạng hồi quy trở thành 
mạng truyền thẳng. Kết quả huấn luyện mạng truyền thẳng được sử dụng làm giá trị ban 
Nghiên cứu khoa học công nghệ 
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san ACMEC, 07 - 2017 219
đầu để huấn luyện mạng hồi quy. Luật học được sử dụng để huấn luyện mạng neuron là 
Levenberg-Marquardt được cài đặt trong toolbox neural network của Matlab. Kết quả 
huấn luyện mạng được trình bày trong Hình 2. 
Để kiểm tra khả năng dự đoán tín hiệu đầu ra của mạng neuron, ta sử dụng một bộ tín 
hiệu mẫu khác được xây dựng ngẫu nhiên như bộ dữ liệu huấn luyện mạng. Kết quả kiểm 
tra trong Hình 3 cho thấy mạng neuron được huấn luyện có khả năng dự đoán đầu ra của 
tháp chưng cất và có thể sử dụng để thiết kế bộ điều khiển MPC cho tháp chưng cất. 
3. THIẾT KẾ BỘ ĐIỀU KHIỂN 
Mạng neuron nhân tạo được sử dụng để dự báo đầu ra của đối tượng trong bộ điều 
khiển MPC như được trình bày trong Hình 4. Để loại bỏ sai lệch tĩnh, một khâu tích phân 
được bổ sung vào mô hình dự báo. 
Hình 4. Cấu trúc bộ điều khiển MPC sử dụng mô hình mạng neuron. 
Mô hình mạng neuron được biểu diễn một các tổng quát như sau: 
 =   ,


+  ,


 = ,, , (1) 
Tại mỗi chu kỳ điều khiển mô hình mạng neuron được xấp xỉ bởi một mô hình tuyến 
tính: 
  = 


 =  +  


 +  


 (2) 
trong đó các tham số, ,  và  được tính từ các tham số của mạng neuron như sau: 
 = (  )
 với 
  =
⎩
⎪⎪
⎨
⎪⎪
⎧
 ,khi  = 1 
 


,khi  = (2,  , )
 


,khi >  
 
(3) 
 = () với 
Điều khiển – Cơ điện tử - Truyền thông 
 Đ. X. Hiếu, Đ. T. L. Anh, , “Dự báo đầu ra nhiệt độ sử dụng mô hình mạng neuron.” 220 
 =
⎩
⎪
⎪
⎪
⎪
⎨
⎪
⎪
⎪
⎪
⎧
,khi  =  
0 khi  <  
 


,() + ,khi  >  và ,  <  
 


,() + ,khi  >  và  > ,  + 1 −  < 
 


,()khi  > ,  >  và + 1 −  >  
 (4) 
 = () với 
 =
⎩
⎪
⎪
⎨
⎪
⎪
⎧
1khi  =  
0 khi  <  
 


,()khi > và  < 
 


,()khi  >  và  > 
 (5) 
 = 
 +   ,


+   ,


khi  < 
 khi  >  
 (6) 
trong đó: 
 =
,, ,

 (7) 
 =
,, ,

 (8) 
 =  −
,, ,

, −
,, ,

, (9) 
Do mô hình dự báo trong công thức (2) là tuyến tính, ta có thể sử dụng phương pháp 
tương tự như trong bộ điều khiển MPC tuyến tính. Thuật toán điều khiển MPC sử dụng 
mô hình mạng neuron được tổng kết lại như sau: 
Bước 1: Gán  = +1, và gán các giá trị ban đầu cho đầu ra ,, và tín hiệu 
điều khiển quá khứ ,,. Chọn cửa sổ dự báo . 
Bước 2: Đo  và xây dựng mô hình dự báo tuyến tính, tức là tính , ,  và . 
Bước 3: Tính  theo công thức của bộ điều khiển MPC tuyến tính [11] và đưa vào điều 
khiển. 
Bước 4: Gán  =  + 1,  = ,  =  rồi quay về bước 2. 
Nghiên cứu khoa học công nghệ 
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san ACMEC, 07 - 2017 221
Hình 5. Đáp ứng của hệ kín với thay đổi giá trị đặt dạng bước nhảy. 
Hình 6. Đáp ứng của hệ kín với nhiễu dạng bước nhảy. 
4. KẾT QUẢ MÔ PHỎNG 
Bộ điều khiển MPC sử dụng mô hình mạng neuron được thử nghiệm trong trường hợp 
thay đổi giá trị đặt dạng bước nhảy và có nhiễu dạng bước nhảy. Kết quả mô phỏng cho 
trong Hình 5 và 6 với cửa sổ dự báo =70 và =25. 
Kết quả mô phỏng cho thấy hệ kín bám theo giá chất lượng tốt, thời gian quá độ ngắn 
và hầu như không có dao động. Tồn tại một sai lệch tĩnh nhỏ vào khoảng 0.002K. Nguyên 
nhân của hiện tượng này là do mô hình dự báo có những sai số nhất định so với mô hình 
thực tế của đối tượng. Tuy nhiên, sai lệch tĩnh này có thể bỏ qua do các cảm biến đo nhiệt 
độ thông thường không có cấp chính xác cao như vậy. 
5. KẾT LUẬN 
Bài báo đã trình bày một phương pháp điều khiển MPC phản hồi đầu ra sử dụng mô 
hình mạng neuron để dự báo đầu ra của đối tượng. Bộ điều khiển MPC sử dụng mạng 
neuron được thử nghiệm để điều khiển nhiệt độ một tháp chưng cất giả định. Kết quả mô 
phỏng cho thấy bộ điều khiển giúp hệ kín ổn định và bám giá trị đặt với chất lượng tốt 
trong trường hợp thay đổi giá trị đặt dạng bước nhảy và nhiễu dạng bước nhảy. Hướng 
phát triển đề tài sẽ là chứng minh đáp ứng của hệ kín về mặt lý thuyết và kết hợp huấn 
luyện trực tuyến để giúp hoàn thiện phương pháp. 
TÀI LIỆU THAM KHẢO 
[1]. E.F.Camacho and C.Bordons (1999), “Model Predictive Control”, 1st ed.London, 
Springer-Verlag. 
Điều khiển – Cơ điện tử - Truyền thông 
 Đ. X. Hiếu, Đ. T. L. Anh, , “Dự báo đầu ra nhiệt độ sử dụng mô hình mạng neuron.” 222 
[2]. D.Q Mayne and Michalska (1990), “Receding horizon control of nonlinear systems”, 
IEEE Transactions on Automatic Control. 
[3]. T. Mejdell and S. Skogestad, “Estimation of distillation compositions from multiple 
temperature measurements using partial-least-squares regression”, Ind. Eng. Chem. 
Res., 1991, 30, 2543−2555. 
[4]. Y. S. Choe and W. L. Luyben, “Rigorous Dynamic Models of distillation Columns”, 
Ind. Eng. Chem. Res., 1987, 26, 2158. 
[5]. Martin T. Hagan, Howard B. Demuth, Mark Beale, "Neural Network Design", PSW 
Publising, ISBN: 0-971732 1-0-8, 1996. 
[6]. H.T. Siegelmann, B.G. Horne and C.L. Giles, “Computational capabilities of 
recurrent NARX neural networks”, IEEE Transactions on Systems, Man, and 
Cybernetics, Part B (Cybernetics), Vol. 27, April 1997. 
[7]. R Lanzafame and M. Messina, “A New Method For The Calculation of Gases 
Enthalpy,” Energy Conversion Engineering Conference and Exhibit, Vol.1, pp. 
318~328, July 2000. 
[8]. K. Nasrifar, M. Moshfeghian, “Evaluation of saturated liquid density prediction 
methods for pure refrigerants”, Fluid Phase Equilibria 158-160, 1999, 437-445. 
[9]. E.F. Wijn, “Weir flow and liquid height on sieve and valve trays”, Chem. Eng. J. 
1999, 73, 191−204. 
[10]. B. D. Smith, “Design of equilibrium stage process”, New York, McGraw-Hill, 1963 
[11]. N.D. Phước, “Tối ưu hóa trong điều khiển và điều khiển tối ưu”, Nhà xuất bản Bách 
khoa, 2015. 
ABSTRACT 
TEMPERATURE PREDICTION AND MODEL PREDICTIVE CONTROL (MPC) OF A 
DISTILLATION COLUMN USING AN ARTIFICIAL NEURAL NETWORK BASED MODEL 
Distillation column is one of the most essential processing units of many 
processes in chemical engineering and petroleum refining. It usually uses most of 
the energy which is consumed by those processes. However, the energy saving 
methods for distillation column is still quite limited. The optimal controllers are 
rarely used for the distillation column due to the complexity of its mathematic 
model. To solve this problem, we propose using the neural network model instead of 
distillation column model for designing the MPC controller with receding horizon 
principle. A stimulated distillation column is built using the balance equations 
describing the process inside the distillation column in order to gather training data 
for neural network model and test the controller. The simulation result indicate that 
the neural network based MPC controller is capable to track the changing set-point 
and changing disturbance with good performance. 
Keywords: Neural network, Receding horizon method, Distillation column, Model predictive control (MPC), 
Temperature control, Output prediction. 
Nhận bài ngày 20 tháng 5 năm 2017 
Hoàn thiện ngày 10 tháng 07 năm 2017 
Chấp nhận đăng ngày 20 tháng 07 năm 2017 
Địa chỉ: Trường Đại học Bách Khoa Hà Nội. 
*
Email: hieu.dangxuan@outlook.com.vn