间歇过程的神经网络模型
原作者:   出处:

　

【论文摘要】间歇过程通常具有非线性、时变和易燃易爆的特点，用常规的建模方法建立起模型比较困难。本文针对间歇聚丙烯过程，利用前馈神经网络建立其数学模型。首先根据实际系统的输入输出建立网络的结构，再用经验数据对网络进行训练，并用未参加训练的数据对网络进行测试。测试的最大误差是0．03MPa，这一误差在要求的范围之内。


--------------------------------------------------------------------------------

孙正贵1，李永彪2，赵清杰3


　　（1．胜利石油管理局科技处，山东257000；2．北京华盛德佳科技公司，
北京100084；3．清华大学计算机系，北京100084）　　 


1　引言　　
　　传统的系统辨识方法是利用人们对物理过程的认识，通过机理分析建立系统的模型结构，然后再利用观测到的数据来估计模型的参数。对于线性系统或本质线性系统，这种方法是比较有效的。但是对于复杂非线性系统，这种传统的辨识方法遇到了麻烦。
　　利用人工神经网络进行系统建模，对系统本身的性质不用作过多的假设，对系统内部机理知识也不必了解太多。间歇聚丙烯过程具有非线性、时变和易燃易爆的特点，由机理分析或实验方法来得到过程的模型十分困难。本文利用前馈神经网络建立间歇聚丙烯过程反应阶段的数学模型，用历史数据
对网络进行训练和测试，测试结果满足要求。
2　理论基础［3］　　

　　其中，函数f（·）的形式根据需要采用线性、Log－Sigmoid或Tan－Sigmoid形式，i＝1，2，…，nq；j＝1，2，…，nq－1；q＝1，2，…，Q。
    利用已知样本对网络的连接权系数进行学习调整。取学习的代价函数为

…，nq－1。




　　反向传播学习算法如下：
 
3　实际过程神经网络模型的建立
3．1　过程的输入与输出　　
　　影响丙烯聚合反应的因素较多，如主要原料及辅助原料的质量、聚合用各种原料的配方、反应控制和设备等都对反应有影响。在一段时间内，可以认为每批所用的物料情况基本一致，而主要考虑操作条件的影响，如反应温度、时间均对聚合反应有较大的影响。对于间歇聚丙烯过程，聚合釜内压力十分接近丙烯的饱和蒸气压，压力的高低完全与温度对应［4］，因此这里只把釜压作为输出参数。 



　　通过分析生产过程，得出过程的输入与输出关系如图3—1所示。
　　从实际过程知道，热水槽内的水温保持在90℃左右，液位保持在2／3处。循环冷却水的温度在一段时间内基本不变，物料性质基本一致。聚合釜内搅拌器的转速是恒定的，即60r／min。因此可以把图
3—1简化为图3—2。这样，对象可以简化为一个三输入一输出的系统。其中水阀开度对应操纵变量，计时从加料后通入热水开始。 



3．2　生产过程的神经网络模型
　　根据前面的分析，可用一个三层前向网来模拟对象的模型，其中输入层有三个神经元，输出层有一个神经元。神经网的三个输入信号分别为反应时间、水的温度以及阀门开度；输出信号为釜内压力。　　隐层神经元个数根据经验公式为输入层神经元个数，m为输出层神经元个数，a取1～10之间的数）定为6个。网络结构如图3—3所示。




3．3　网络的训练与测试
　　为了使神经网络充当过程的模型，必须对它进行训练。从生产过程的历史数据中取出105组作为样本信号，其中100组用作教师信号，利用第2部分的学习算法，对网络参数进行训练。剩下的样本数据用来测试训练过的网络性能。
    在训练网络之前，要对输入输出数据进行归一化处理。对每一组样本数据，都作如下的计算：

　　利用前面提到的测试样本，对这一结果进行测试，其结果如表3—1所示。其中的样本是未参加训练的样本。



　　
　　由上述测试结果可以看出，经过学习的神经网络有足够的精度，用它充当对象的数学模型是可以的。值得注意的是，并非训练的次数越多，越能得到正确的输入输出映射关系。在实验中发现，训练的次数如果在现在的基础上再增加，测试的误差就会变大。这一点可以解释如下［3］：由于所搜集的数据都是包含噪声的，训练的次数过多，网络将包含噪声的数据都准确记忆下来，在极端情况下，训练后的网 络可以实现相当于查表的功能，但是对于未经训练的输入数据却不能给出合适的输出，即并不具备很好的泛化功能。泛化性能好的网络才能恰当地表示实际过程的输入输出关系。
4　结论　　
　　神经网络以大规模并行处理为主，具有较强的鲁棒性、容错性和自学习能力。利用人工神经网络，对类似间歇聚丙烯这样的时变非线性复杂过程进行建模，可以充分发挥人工神经网络的优势，利用实际过程的数据记录，建立起正确的过程模型。