间歇式聚丙稀智能控制方案讨论,欢迎发表! 点击:891 | 回复:0



新华DCS

    
  • 精华:0帖
  • 求助:0帖
  • 帖子:12帖 | 80回
  • 年度积分:0
  • 历史总积分:136
  • 注册:2003年8月11日
发表于:2006-03-02 14:09:00
楼主
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。

 



热门招聘
相关主题

官方公众号

智造工程师