混合深度神经网络-模型预测控制策略在高效镁硬脂酸盐生产中的应用:一种可持续的批次反应器温度控制框架

《Engineering Applications of Artificial Intelligence》:Hybrid deep neural network–model predictive control strategy for high-yield magnesium stearate: A sustainable batch reactor temperature control framework

【字体: 大 中 小 】 时间:2026年05月04日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  拉文库马尔·马尼马拉兰 | 贾里纳·莫哈德·阿里 | 诺尔丽莎·阿卜杜勒·拉赫曼 | 马兹利娜·莫哈德·赛义德 | M.A. 胡赛因 马来西亚国立大学化学与过程工程系,雪兰莪州,马来西亚 **摘要** 开发了一种混合深度神经网络-模型预测控制(DNN-MPC)控制器

  拉文库马尔·马尼马拉兰 | 贾里纳·莫哈德·阿里 | 诺尔丽莎·阿卜杜勒·拉赫曼 | 马兹利娜·莫哈德·赛义德 | M.A. 胡赛因
马来西亚国立大学化学与过程工程系,雪兰莪州,马来西亚

**摘要**
开发了一种混合深度神经网络-模型预测控制(DNN-MPC)控制器,用于调节批次反应器的温度,以生产高产量的硬脂酸镁,原料为棕榈硬脂精。在本研究中,深度神经网络(DNN)软传感器被用作模型预测控制(MPC)框架中的人工智能(AI)组件,以提高控制性能。DNN架构包含三个隐藏层,每层有32个神经元,被选为混合控制器的软传感器,因为它通过实现最低误差和最高精度表现出最佳性能。训练有素的DNN被集成到稳定的MPC框架中,形成了所提出的混合DNN-MPC控制器。与传统的单一控制器、混合控制器和基于AI的控制器相比,所提出的DNN-MPC控制器显著提高了性能,实现了快速稳定时间、最小超调以及精确的设定点跟踪。它在实际条件下表现出良好的干扰抑制能力和鲁棒性能,误差最小。使用所提出的DNN-MPC控制器,硬脂酸镁的最高产量和选择性分别达到了68.43%和56.87%。本研究通过实施DNN-MPC框架改进了批次反应器的温度控制和产品产量,填补了现有文献中的空白,并提供了一种更实用和有效的控制策略。

**引言**
化学工业在现代社会中发挥着重要作用,影响着我们日常生活的各个方面,并对经济发展做出了重大贡献。它是全球国内生产总值(GDP)的主要贡献者,约占GDP的5.7万亿美元,相当于世界总产出的7.1%(Colberg等人,2022年)。主要化学工业如制药、生物化学和食品工业在其制造过程中使用批次反应器,因为这些反应器具有工艺灵活性,并能以高转化率生产高质量产品(Gao等人,2019年)。尽管批次反应器表现出时变和高度非线性的行为,但由于较长的停留时间,它们提供了更高的产量和转化率。这些特性使它们成为工业应用中过程工程师的首选。然而,精确监测和控制批次过程参数对于最大化产品产量至关重要。因此,一个在非线性环境中具有强大干扰抑制能力的有效过程控制系统可以提高批次反应器的性能。
随着工业4.0的兴起,AI已成为化学工业中的重要工具,因为它在解决复杂和在线问题方面表现出色(He等人,2023年)。AI是设计机器(包括计算机)的科学,使其能够执行通常需要人类智能的任务(Srinivasan等人,2024年)。尽管AI的应用正在广泛增加,但它尚未完全用于解决工业中的一些问题(Patnaik等人,2024年)。在过程控制中,基于AI的策略由于具有自学习能力而被证明在非线性和复杂过程中有效,并已应用于工业应用中,例如反应器和蒸馏塔的温度控制(Hajjar等人,2018年;Kumavat和Thale,2022年;Shin等人,2020年)。应用于过程控制的AI可以分为两种主要方法:单一策略和混合策略(Dutta和Upreti,2021年)。广泛使用的单一AI控制器包括基于规则的方法,如模糊逻辑(FL),基于学习范式的方法,包括强化学习(RL)和监督学习(SL),以及基于模型框架的方法,如人工神经网络(ANN)、循环神经网络(RNN)和DNN。对于混合策略,研究人员将传统的控制器(如比例-积分-微分(PID)和MPC)与AI集成,以形成比独立控制器更好的控制性能,特别是在复杂系统中(Xu等人,2022年)。FL已应用于批次反应器控制,以维持温度和入口浓度,即使在模型不确定性下也能表现出良好的设定点跟踪(Kuterbekov等人,2024年)。此外,Binid等人(2024年)和Ballard等人(2024年)使用强化学习策略进行了反应器温度控制。该系统预先学习了最佳轨迹,从而改善了决策过程和稳定的在线控制。另一种类似的控制类型是监督控制,已应用于自驱动反应器,能够有效适应约束和处理噪声(Dave等人,2023年)。ANN是最常用的控制过程模型框架之一,因为它模拟了人脑的决策能力,并能够以优异的结果解决非线性复杂系统(Yousif和Yousif,2023年;Balacumaresan等人,2024年;Wee等人,2024年;Khan等人,2025年)。ANN已被证明在控制罐内液位时优于PID和FL控制器,因为它减少了超调并加快了稳定时间(Devaerakkam等人,2023年)。RNN是另一种非常适合动态和时变系统的AI控制器。Wu等人(2020年)证明了其在连续搅拌罐反应器(CSTR)中实现平滑温度控制的有效性。如果变量数量较多,遗传算法(GA)显示出提高控制性能的强大能力(Byun和Yim,2025年)。GA已被用于控制污水处理厂中的溶解氧,以改善废水中的生物营养物质去除过程(Do等人,2021年)。最近的研究主要集中在将AI与传统或先进的控制策略集成,以进一步提高性能和运营效率(Campos等人,2025年)。FL-PID控制器在CSTR温度控制中显示出最小的超调和非常快的稳定时间(Prabhu等人,2021年)。当FL-MPC应用于CSTR和厌氧反应器时,也显示出有希望的结果(Marusak,2020年;Ghanavati等人,2021年)。一种名为监督控制的类似控制类型已应用于自驱动反应器,能够有效适应约束和处理噪声(Dave等人,2023年)。ANN是控制过程中最常用的模型框架之一,因为它模拟了人脑的决策能力,并能够以优异的结果解决非线性复杂系统(Yousif和Yousif,2023年;Balacumaresan等人,2024年;Wee等人,2024年;Khan等人,2025年)。ANN已被证明在控制罐内液位时优于PID和FL控制器,因为它减少了超调并加快了稳定时间(Devaerakkam等人,2023年)。RNN是另一种非常适合动态和时变系统的AI控制器。Wu等人(2020年)证明了其在连续搅拌罐反应器(CSTR)中实现平滑温度控制的有效性。如果变量数量较多,遗传算法(GA)显示出提高控制性能的强大能力(Byun和Yim,2025年)。GA已被用于控制污水处理厂中的溶解氧,以改善废水中的生物营养物质去除过程(Do等人,2021年)。

**结论**
本研究提出了一种用于使用棕榈硬脂精作为原料生产硬脂酸镁的批次反应器温度控制的混合DNN-MPC策略。最初从动力学模型生成了一个全面的数据集,其中80%的样本用于训练,剩余20%用于DNN模型的验证。该神经网络使用Adam优化器进行训练,学习率为0.001。DNN架构包含三个隐藏层,每层有32个神经元。作者贡献声明如下:
Ravinkumar Manimaran:负责撰写初稿、数据可视化、验证、软件开发、资源管理、方法论设计、研究工作、形式化分析以及数据整理与概念化。
Jarinah Mohd Ali:负责审稿与编辑工作、项目监督、方法论制定及资金筹措、概念化设计。
Norliza Abd Rahman:负责审稿与编辑工作以及项目监督。
Mazlina Mohd Said:负责项目监督。
M.A. Hussain:负责审稿与编辑工作以及项目监督。

利益冲突声明:
作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。

致谢:
作者感谢马来西亚国立大学(Universiti Kebangsaan Malaysia)在项目GUP-2023-062的支持下完成本研究工作。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号