基于多输出PID神经网络的碳化塔建模研究.doc

基于多输出PID神经网络的碳化塔建模研究摘要：作者：曾莹 - 相关文章关键词：类别：专题技术来源：牛档搜索（Niudown.COM）本文系牛档搜索（Niudown.COM）根据用户的指令自动搜索的结果，文中内涉及到的资料均来自互联网，用于学习交流经验，作品其著作权归原作者所有。不代表牛档搜索（Niudown.COM）赞成本文的内容或立场，牛档搜索（Niudown.COM）不对其付相应的法律责任！多输出PID神经网络在碳化塔温度建模中的应用曾莹，程良伦，朱燕飞(广东工业大学自动化学院，广东广州510006)摘要：碳化过程是纯碱生产中的关键反应，针对碳化过程的反应复杂、机理建模难的特点、，本文提出了一种多输出PID神经网络（MPIDNN）的建模方法来对碳化塔内温度分布进行非线性建模方法，并用梯度法来训练该网络。文章讨论MPID神经网络的结构和算法，通过仿真研究得出其良好的实用价值。关键词：梯度法；碳化塔；多输出PID神经网络（MPIDNN）；系统辨识中图分类号：TP183 文献标识码：A 文章编号：1004-731XModeling Application of Multi-output PIDNN on the carbonation towers temperature Ying Zeng, Liang-lun Cheng, Yan-fei Zhu(Faculty of Automation, Guangdong University of Technology, Guangdong Guangzhou,510006)Abstract: The carbonation process is a key reactor to manufacturing synthetic soda ash using the Solvay process. Because of the complexity of the reaction in the tower, it is difficult to model with normal measurement instrumentation. To solve this problem, a Multi-output Proportional-Integral-Derivative Neural Network (MPIDNN) is used for the temperature of carbonation towers nonlinear model. A gradient descent method is developed to train the neural network. It introduces the structure and algorithm of MPIDNN and proves the advantage of the model by simulation.Keywords: gradient descent method; carbonation tower; MPIDNN; system identification引 言氨盐水的碳酸化(碳化)是纯碱生产的中心环节，碳化过程的好坏，直接影响到纯碱生产的质量和企业的经济效益。在氨盐水中通入一不定浓度的CO2气体，在一定的温度、压力和流速下，氨盐水吸收CO2并与之反应生成重碱(NaHCO3)，从母液中析晶出来。整个过程是在碳化塔中完成。过程是一个具有气、液、固三相参与的，包括吸收、反应、结晶、流动等，并有新相产生的多元多温条件下的复杂反应过程1。由于过程的反应历程复杂，人们对其反应机理的认识在存在很大的分歧，要建立过程的机理模型非常困难。以往，在非模型条件下，依据工人的经验，直接对塔内温度及气液等物料流量进行控制，常常造成出碱流量的大幅波动。针对这一问题，文章试图建立过程关键参数的非线性模型，提出了一种基于MPID神经网络(MPIDNN)的建模方法，为过程的优化控制提供有利的帮助。MPIDNN是一种新的多层前向网络，它除了具有一般多层前向网络的特点，如逼近能力、并行计算、非线性变换特性等等外，其隐层单元分别具有比例、微分和积分等动态特性，特别适合于多变量非线性系统的控制与辨识2。本文首先介绍了MPIDNN的结构和算法，然后以广州某氨碱法生产纯碱厂为研究对象，通过提取该厂的生产数据，通过仿真建立了具体碳化过程塔内温度分布的非线性模型，验证了这一算法的确实可行性。1 MPIDNN辨识器的机理和结构神经网络进行系统辨识的实质就是选择适当的神经元网络来逼近实际系统。在静态系统辨识时，作为输入空间的紧集通过决策函数映射到输出空间，其中表示与类型对应的模式矢量。在动态系统辨识中，算子则用于定义一个对象，该对象用输入输出函数对隐含地定义。实际系统的动态或静态特性必然表现在其变化着的输入输出数据之中，而辨识就是利用数学的方法从这些数据序列中提炼出系统的数学模型。不论哪一种辨识，其目的都是要使 (1)式中预先由辨识准则给定，是空间上一范数，和分别为辨识模型和被辨识对象对于的输出响应。即通过辨识确定，使得 (2)成立。设多输入多输出的多变量非线性离散时间动态系统可以表示为： (3)式中：为时滞时间; 和为非线性算子; 和分别为时刻的系统输入和输出。如果被辨识系统满足以下假设：(1)系统是可控和可观测的;(2)对于所有可能出现的有界的输入，系统输出是一致有界的。则可用一个输出的MPIDNN对以上多变量系统进行辨识。其中 (4)MPIDNN辨识结构如图1所示，MPIDNN为三层前向网络，它是由多个单PIDNN子网交叉并联而成的，每个子网有两个输入端，分别输入被辨识系统激励信号和输出信号，子网在隐含层后相互耦合，网络的个输出端为辨识结果输出端。2 MPIDNN辨识器的前向算法MPIDNN在任意采样时刻时的前向计算公式如下。(1)输入层输入层有个相同的神经元，神经元的状态为 (5)输入层神经元的输出为 (6)式(5)和式(6)中：为子网的序号;为输入层神经元的输入值; 为各子网输入层神经元的输出值; 为子网输入层序号;下同。图1 MPIDNN辨识结构 (2)隐含层MPIDNN的隐含层包含个神经元，分别为个比例元、个积分元和个微分元，它们的输入总值的计算公式相同，均为 (7)隐含层各神经元的状态函数则有三种，采用单位比例函数作为状态函数的神经元称为比例元，其状态为 (8)采用单位积分函数作为状态函数的神经元称为积分元，其状态为 (9)采用单位微分函数作为状态函数的神经元称为微分元，其状态为 (10)隐含层各神经元的输出均为 (11)式(7)式(11)中：为子网中隐含层神经元序号;为各子网隐含层神经元的输出值; 为各子网输入层至隐含层的连接权值;有上标“”的变量表示隐含层变量;下同。(3)输出层MPIDNN的输出层有个神经元，形成维输出量。输出层神经元的序号与子网序号之间没有关系，各个输出神经元的输入为隐含层全部神经元的输出值的加权总和，即 (12)输出神经元的状态为 (13)输出神经元的输出为 (14)而MPIDNN的输出值等于输出层神经元的输出值，为 (15)式(12)式(15)中为输出层神经元序号;为输出层各神经元输出值，为隐含层至输出层的连接权值;有上标“”的变量表示输出层变量。3 MPIDNN辨识器的反传算法MPIDNN训练和学习的目标，是使网络全部的实际输出和理想输出的对应时间序列的偏差平方均值 (16)为最小。式中为被辨识变量个数，为每批采样点数，为采样点，下同。按梯度法调节MPIDNN权重值，经步训练和学习后，MPIDNN各层权值分别由以下各式确定。(1)隐含层至输出层权值隐含层至输出层的权值迭代公式为： (17)其中， (18)(2)输入层至隐含层权值输入层至隐含层权值迭代公式为： (19)其中， (20)式(17)式(20)中分别为隐含层至输出层和输入层至隐含层的学习速率。4 基于MPIDNN的碳化过程建模仿真碳化塔内温度分布的稳定是维持碳化塔良好运行的关键，是操作条件的综合性指标。因此，选取塔内5圈()、12圈()、17圈()、23圈()温度及中和水流量()、出碱流量()、中段气流量()、下段气流量()的实测数据，应用MPIDNN算法，建立纵向温度分布随塔内物料变化的非线性模型，其模型结构可表示为：(21)用一个四输入四输出的MPIDNN对以上模型进行辨识,设定输入层至隐含层连接权值初值为 (22)隐含层至输出层连接权值初值为 (23)学习速率为 (24)每步采样点数为1，目标函数为 (25)从该厂的数据库中提取其一天的历史生产数据，数据采样时间段为从2008-6-27,13:51:16到2008-6-28,08:46:03，剔除无效数据，共得到214组数据，该部分数据涵盖了从开塔到塔稳定运行的温度变化过程，数据能够充分反应塔的动态特性。为了消除数据量纲对网络训练精度的影响，网络在训练之前必须对数据进行预处理。数据的预处理包括将数据进行归一化处理（归一化至-1,1范围内）与平滑处理。数据处理完后再输入网络进行训练，网络的输出结果同时也需要将其数据映射至其原始范围。仿真结果如下两图所示。温度的实际曲线和MPIDNN网络的输出响应曲线如图2所示，目标函数（误差函数）曲线如图3所示，从图2和图3中可以看出，MPIDNN可以很好地反映和跟踪多变量非线性动态系统的特性，跟踪误差最大不超过0.1度。5 结论纯碱碳化过程内部气、液、固各相反应较复杂，模型结构很难确定。本文应用MPIDNN网络，解决了这类复杂系统的建模问题，从工程上，为过程参数的预估、指导控制系统的设计都带来方便;从理论研究上，也为类似复杂系统的建模研究提供了新兴的出路。仿真结果得出其良好的辨识精度。参考文献：1 尚建壮. 我国纯碱工业现状分析J，现代化工，2007,3(3): 63-652 舒怀林. PID神经网络及其控制系统M, 国防工业出版社,2006,2:28-343 舒华, 舒怀林. 基于PID神经网络的多变量非线性动态系统辨识J, 计算机工程与应用, 2006,124 Dan Shi, Hongjian Zhang. Time-Delay Neural Network for the Prediction of Carbonation Towers TemperatureJ. IEEE Transactions on Instrumentation and Measurement, vol. 52, No.4, August 2003.5 侯媛彬, 汪梅, 王立琦. 系统辨识及其matab仿真M, 科学出版社, 2004,2:214-2176 方崇智,