基于深度物理信息残差注意力网络的连续搅拌釜反应器操作安全建模与非线性控制

《Process Safety and Environmental Protection》：Deep physics-informed residual attention network based modeling and nonlinear control for operation safety in CSTRs

　　摘要连续搅拌槽反应器 (CSTR) 表现出强非线性、多稳态和变量耦合，这对传统建模和控制构成了挑战。我们提出了 PI-RAN，一种将物理先验与深度残差注意力架构相结合的神经网络，用于建模 CSTR 动态。该网络在深度残差骨干网络中嵌入多头自注意力，并采用具有物理约束嵌入的双分支输出层，以提高拟合精度同时保持物理一致性。基于训练好的 PI-RAN 预测模型，我们开发了一种基于 PI-RAN 的非线性模型预测控制 (NMPC) 控制器，用于 CSTR 的安全运行。其性能指标结合了归一化误差、多目标权重、积分项和软约束惩罚，能够在各种工况下实现精确的稳态跟踪以及浓度和温度的快速调节。为了解决复杂工况下在线 NMPC 的计算挑战，我们集成了一种分层自适应混合优化器，从而提高了实时求解效率、收敛鲁棒性和实际闭环性能。与代表性的深度学习预测模型相比，PI-RAN 在 $C_A$ 和 $T$ 上的平均 RMSE 分别为 0.00356 mol/L 和 0.24906 K，相对于 GCN-LSTM 分别降低了 81.7% 和 59.1%。当与 NMPC 控制器集成时，所得的 PI-RAN-NMPC 框架在三种工况转换中的平均浓度调节时间为 51.67 s，比 PS-RNN-NMPC 缩短了约 5.5%，同时保持平滑的控制动作、强抗干扰性能以及满足规定的操作约束。章节片段引言连续搅拌槽反应器 (CSTR) 作为精细化工和制药行业的核心单元，表现出强非线性和热动力学耦合，这对建模、控制和操作安全提出了重大挑战。从建模和控制的角度来看，系统非线性使得线性化模型难以在整个操作范围内准确描述动态行为，这可能导致在不同条件下的控制性能下降，以及反应系统与控制问题连续搅拌槽反应器 (CSTR) 广泛应用于化学和制药制造，非常适合连续生产。连续进料和出料促进充分混合和良好混合操作。如图 1 所示，搅拌器使反应物均匀分散，而冷却夹套（或盘管）循环冷却剂以调节温度。由于大多数工业反应是放热的，严格的温度控制至关重要，因为温度升高会加速数据采样方法我们利用质量和能量平衡常微分方程构建了 CSTR 模拟器，并采用经典的四阶龙格 - 库塔 (RK4) 方案（t = 1 s）积分动力学，以获得高保真状态轨迹。仿真研究围绕多个代表性稳态进行。在每个点附近，我们叠加了各种激励信号，包括伪随机二进制序列 (PRBS)、多频正弦波和阶跃扰动，以持续激励系统动态。PRBS 提供宽带，结论仿真结果验证了 PI-RAN-NMPC 框架的有效性。借助物理先验增强，与 GCN-LSTM、PS-RNN 和 PINN 等基线方法相比，PI-RAN 在预测 CSTR 关键参数 $C_A$ 和 $T$ 方面表现出更高的精度和更好的动态一致性。消融实验进一步表明，物理约束、残差结构和多头自注意力机制在提高模型性能方面都起着重要作用，其中CRediT 作者贡献声明陈怡馨：撰写 – 原稿。高福荣：资源。张瑞冬：监督。胡崇高：撰写 – 原稿。利益冲突声明作者声明不存在利益冲突。胡崇高 | 陈怡馨 | 高福荣 | 张瑞冬