基于神经网络(NN)智能控制的连续流式欧姆加热(CFOH)系统研究——面向增强动态性能与可持续食品加工

《Food and Bioprocess Technology》：Neural Network-Based Intelligent Control of Continuous Flow Ohmic Heating Systems for Enhanced Dynamic Performance and Sustainable Food Processing

　　

摘要：连续流式欧姆加热（Continuous Flow Ohmic Heating, CFOH）是一种可持续的热加工技术，利用食品物料的电阻实现快速体积加热。然而，电导率、温度与传热动力学之间的强非线性耦合使精确温度调节和稳定运行复杂化。本研究提出并评估了基于神经网络（Neural Network, NN）的高级控制策略，用于非线性CFOH系统，采用非线性自回归滑动平均二阶（Nonlinear Autoregressive Moving Average level-2, NARMA-L2）和模型参考控制（Model Reference Control, MRC）架构。研究人员利用在MATLAB/Simulink中实现的经实时验证的中试规模CFOH模型，以酸甜酱为工质，在实际食品加工条件下开发、训练并评估控制器。所提框架集成了动态性能分析、鲁棒性评估、能效评估和间接温室气体（Greenhouse Gas, GHG）排放分析于一体。控制器鲁棒性在电导率变化、流量变化、入口温度变化、传感器噪声及设定值扰动下进行评估。在已验证的仿真框架内，结果表明NARMA-L2控制器相较其他评估策略实现了更快的动态响应、更短的调节时间、改善的稳定性、零超调及更低的稳态能耗。NN基控制器在变工况下亦保持稳定运行，证明了对非线性过程行为的改善适应性。总体而言，所提NN基控制器在提升工业CFOH应用的过程效率、运行稳定性和可持续性方面展现出较强潜力。

论文解读：基于神经网络智能控制的连续流式欧姆加热系统研究以增强动态性能与可持续食品加工

该论文发表于《Food and Bioprocess Technology》，研究对象为连续流式欧姆加热（Continuous Flow Ohmic Heating, CFOH）系统。CFOH通过食品物料自身电阻实现体积内热生成，具有加热均匀、热损失小等优势，适合可持续食品加工。但CFOH存在电导率随温度变化的强非线性、电热—热传双向耦合及随物料批次波动等特性，传统固定增益PID（Proportional–Integral–Derivative）控制器仅在某单一工况点表现良好，在变工况下易出现超调大、调节时间长、能耗偏高，制约了其工业化推广。为克服上述局限，研究人员开展基于神经网络（Neural Network, NN）的智能控制策略研究，以NARMA-L2（Nonlinear Autoregressive Moving Average level-2）与模型参考控制（Model Reference Control, MRC）架构对CFOH出口温度实施精确控制，并在经实验中试装置校验的高保真MATLAB/Simulink模型中对比传统Ziegler–Nichols整定PID控制器的动态性能、能效及间接温室气体（Greenhouse Gas, GHG）减排潜力，旨在为CFOH工业系统提供更优控制方案并量化其可持续性收益。

主要关键技术方法

研究人员在中试规模CFOH装置（工质为电导率0.60 S/m的酸甜酱，流量1 L/min，入口温度16 °C，目标出口95 °C）采集晶闸管电压输入与光纤测温输出时序数据，通过OPC（OLE for Process Control）协议实现PLC与上位机通信。基于实验数据分别辨识NARMA-L2仿射控制型plant模型（单隐层13神经元，4延时输入/输出，Levenberg–Marquardt训练）与NARX（Nonlinear Autoregressive with Exogenous input）型plant模型用于MRC（单隐层9神经元，2延时输入/输出）；在此基础上设计NARMA-L2反馈线性化控制器（控制律显式求解）与MRC控制器（NN控制器单隐层35神经元，2延时参考/输出/控制输入，以参考模型输出误差反向动态传播训练）。以Ziegler–Nichols PID（k_p=1.6, k_i=0.02, k_d=0）为基准，在相同已验证CFOH物理模型中执行设定值跟踪、变电导率（0.50/0.70 S/m）、变流量（0.5/1.5 L/min）、入口温升（21 °C）、±0.5 °C高斯传感器噪声及设定值阶跃（50→95 °C）等鲁棒性测试，并统计上升时间、调节时间、超调量、瞬态与稳态能耗及基于UK 2025电网因子的GHG排放当量。

研究结果

Setpoint Tracking（设定值跟踪）

在16→95 °C升温仿真中，NARMA-L2上升时间54.76 s（较MRC快17.8%，较PID快30.4%），调节时间68.31 s（PID为163.23 s），超调量为0%；MRC超调0.78%，PID超调2.10%。表明NN控制器特别是NARMA-L2具最快响应与最优稳定性。

Performance Metrics（性能指标）

量化对比显示NARMA-L2瞬态最短（69.74 s），无欠调，综合动态性能最优；MRC次之；PID响应慢且振荡明显。

Energy Efficiency and Power Consumption Analysis（能效与功耗分析）

瞬态阶段（1–70 s）NARMA-L2平均功率6043.58 W、耗能0.1191 kWh为最高（激进响应），但稳态阶段（71–400 s）NARMA-L2平均功率5202.39 W、耗能0.4769 kWh为最低，稳态效率92.996%最高；PID稳态耗能0.4874 kWh、效率略低。说明NARMA-L2以稍高瞬态能耗换取更快趋稳及最低长时能耗。

Robustness Analysis of the Controllers（控制器鲁棒性分析）

• •
  Controller Performance Under Different Initial Electrical Conductivity（不同初始电导率）：σ=0.50与0.70 S/m下三者均稳定跟踪，调节时间波动≤3 s，无需重整定。
• •
  Flow Rate Variation Analysis（流量变化分析）：0.5与1.5 L/min下各控制器均稳定，NARMA-L2略快适应。
• •
  Inlet Temperature Disturbance（入口温度扰动）：入口升至21 °C时各控制器均平稳，微变动态指标。
• •
  Sensor Noise Analysis（传感器噪声分析）：叠加0.5 °C高斯噪声后温度轨迹仍稳定跟踪。
• •
  Controller Robustness Under Varying Setpoint Conditions（变设定值鲁棒性）：50→95 °C阶跃NARMA-L2最先到达新设定值，证实NN控制器抗扰与自适应较好。

Discussion on Sustainability Impacts（可持续性影响讨论）

按UK 2025电力排放因子0.177 kg CO₂e/kWh折算年运行GHG：NARMA-L2约8083 kg CO₂e/年，MRC约8176 kg CO₂e/年，PID约8270 kg CO₂e/年；NARMA-L2较PID年减排约184 kg CO₂e。与传统液化ied Petroleum Gas（LPG）加热估算相比CFOH电力方案具更低排放，且高效控制器进一步强化减碳效益。

结论（Conclusion）部分翻译

本研究表明，相较传统PID控制器，基于神经网络（NN）的NARMA-L2与模型参考控制（MRC）策略在连续流式欧姆加热（CFOH）系统中改善了瞬态与稳态性能。NARMA-L2控制器具最短上升与调节时间、零超调、最小稳态能耗及最高稳态效率，年间接温室气体排放量最低；MRC表现均衡且具可接受超调；PID响应慢、超调大。NN基控制器在提升控制精度、稳定性及可靠性同时，通过降低能耗减少了关联GHG排放。结果证实其在可持续工业热加工中的应用潜力。虽基于高保真已验证仿真框架，仍需实机闭环验证以支撑工业推广。