基于rbf神經網絡的工業過程優化研究

在工業過程控制研究中，復雜系統的過程控制一直是控制領域面臨的主要問題之一。聯合制堿過程是一個典型的復雜系統,具有過程復雜、難以建立在線控制模型等突出特點。建立復雜系統的非高斯非線性模型,采用非線性粒子濾波(Particlefilter)算法對系統狀態進行估計,從而獲得復雜系統狀態變量較豐富的先驗信息,結合RBF神經網絡控制方法,建立基于非線性粒子濾波的RBF神經網絡結構模型,從而將建模與優化控制相結合,實現聯合制堿工業過程的建模與優化,可為解決一類復雜系統的建模與優化研究提供一條有效途徑。1rbf神經網絡的結構人工神經網絡的非線性映射能力非常強,它可以通過學習或訓練后自動總結出數據間的函數關系而不需要任何先驗公式,因此是一種有效的建模手段。目前使用的最多的學習算法仍然是基于梯度下降的BP神經網絡算法和遺傳算法。然而基于梯度下降的BP神經網絡在用于函數逼近時,權值采用負梯度下降法進行調節,實踐證明該方法存在收斂速度慢、易陷入局部極小的缺點。而遺傳算法需要設置很多參數。RBF神經網絡是由J.Moody和C.Darke于20世紀80年代末提出來的一種神經網絡,是具有單隱層的前饋神經網絡。RBF神經網絡結構簡單、訓練簡潔,是一種局部逼近的神經網絡,已證明它能任意精度逼近任意連續函數,與BP神經網絡相比,在逼近能力、分類能力和學習速度等方面有較大優勢。因此,RBF神經網絡廣泛應用在模式識別、圖像處理、非線性控制和時間序列分析等方面。RBF神經網絡由三層組成,包括輸入層、隱層和輸出層。RBF神經網絡的結構見圖1。因為高斯基函數表示簡單且解析性好,便于進行理論分析。所以,RBF神經網絡的基函數選用高斯基函數,即uj=esp[-(X-Cj)Τ(X-Cj)2σ2juj=esp[?(X?Cj)T(X?Cj)2σ2jj=1,2,…,m(1)其中uj是第j個隱層節點的輸出;X=(x1,x2,…,xn)T是網絡的n維輸入樣本;Cj是第j個隱層節點的中心向量;σj是網絡標準化常數,反映出與其中心向量相聯系的數據的分布程度;m是隱節點數。RBF神經網絡的輸出為隱層節點輸出的線性組合,即:Y=m∑j=1wjuj(2)其中Wj是網絡第j個隱層節點到輸出層的連接權系數。2煅燒工段的重堿制備工藝聯合制堿工業過程是一個典型的復雜系統,具有過程復雜、難以建立在線控制模型的突出特點。我國聯合制堿(聯產純堿和氯化銨)是侯德榜發明的,周光耀在侯德榜聯合制堿技術的基礎上發明了新型變換氣制堿工藝,解決了倒塔和連續工作的難題,使聯合制堿工業過程適于連續自動控制。聯合制堿工業過程的核心工藝流程圖見圖2。聯合制堿工業過程的控制方法從初期的人工操作發展至今,經歷了DCS控制、模糊控制、模糊神經網絡控制等階段。本文考慮聯合制堿工業過程的煅燒工段。煅燒工段主要是將碳化得到的重堿需經過濾、洗滌和煅燒才可制得純堿。因為碳化得到的重堿含有很多雜質如:NH4CI、NaCl、NH4HCO3、H2O等。煅燒時溫度必須控制在160～200℃之間,溫度過高時重堿極易粘壁或結成堿球;溫度過低時重堿不能完全分解。另外,煅燒爐的爐頭壓力是保證從重堿制得純堿的關鍵技術參數,受到多種因素的影響,如重堿物料量及其含水量、加熱用的蒸氣流量及洗滌除塵的工作狀態等。兩種情況都將導致重堿利用不足,純堿產量下降。工藝可表示為:P(xk|xk-1)=N(xk;fk(xk-1,k),Qk-1)(17)Ρ(zk|xk)=Ν(zk;x2k20,Rk)(18)或表示為下面方程組:xk=fk(xk-1,k)+Vk-1(19)zk=x2k20+nk(20)這里fk(xk-1,k)=xk-12+25xk-11+x2k-1+8cos(1.2k)(21)Vk-1和nk分別是帶有Qk-1和Rk差額的零均值高斯隨機變量,根據經驗令Qk-1=10,Rk=1。3建模與優化對聯合制堿工業過程的煅燒工段建立RBF神經網絡模型,并利用粒子濾波優化神經網絡。(1)實際運行數據取某制堿企業聯合制堿工業過程煅燒工段的實際運行數據20組,將其分成兩部分,前17組作為神經網絡的訓練樣本,后3組作為神經網絡預測的驗證數據。(2)基于非線性粒子濾波的rbf神經網絡模型結構調用神經網絡工具箱得到一個有10個隱層神經元的神經網絡模型。神經網絡訓練成功后,利用SIN函數來裝載訓練結果。為進一步優化RBF神經網絡模型結構,構建基于非線性粒子濾波的RBF神經網絡模型結構,以增強算法在實時性、超調量和穩態誤差等性能指標方面的能力。目前解決非線性非高斯系統狀態估計的方法主要有擴展卡爾曼濾波(EKF)和卡爾曼濾波(UKF)。由于EKF和UKF都是針對非線性系統的線性卡爾曼濾波方法的變形和改進形式,系統狀態必須滿足高斯分布,對于非高斯分布的狀態模型會導致濾波性能變差。而粒子濾波算法不需要對狀態變量的概率密度作過多的約束,所以它是非高斯非線性系統狀態估計的“最優”濾波器。(3)重、輕、t次高斯抽樣1)假定制堿過程中影響煅燒工段的因素共有N個,評定的溫度點數共有M個,確定各溫度點的權重vk及各溫度點的最優值xk(k≤M);2)以第k個測溫點xk為期望,以該測溫點下各因素的標準差bk為標準差進行T次高斯抽樣(T≥500),得到T個抽樣值作為粒子;3)沿負梯度方向,對粒子重新定位;4)計算各粒子的權值;5)選擇權值最大的粒子作為神經網絡的參數。4基于模糊神經網絡的合成仿真MATLAB具有高效的數值計算能力和編程簡潔直觀的特點,在工業界和學術界得到廣泛的使用。MATLAB提供的神經網絡工具箱由許多子程序組成,這些程序可以實現神經網絡算法中所涉及的許多運算和操作,使得神經網絡的設計和訓練方便化。實際應用時可根據需要調用相關程序,免除了編寫復雜而龐大的算法程序。按上述建模與優化的方法對實際的煅燒工段進行仿真研究。具體仿真步驟是:1)設定初始狀態x=0.1,過程噪聲協方差Q=1,測量噪聲的協方差R=1,仿真長度tf=500,粒子數N=1000;2)調用神經網絡工具箱,建立RBF神經網絡;3)MATLAB中編寫粒子濾波程序并初始化;4)編寫模糊神經網絡程序并初始化;5)代入實際運行數據,運行程序;6)對模糊神經網絡和粒子濾波神經網絡的仿真圖形,進行比較分析。模糊神經網絡已成功應用在聯合制堿工業生產過程中。將模糊神經網絡方法和基于粒子濾波的RBF神經網絡方法進行仿真比較。比較結果如圖4所示。從圖4中可以明顯看出,基于粒子濾波的RBF神經網絡方法能更逼近實際狀態,證實了粒子濾波算法的優越性,控制方法優于模糊神經網絡方法,達到預期控制效果。5rbf神經網絡仿真研究通過建立