（化学工程专业论文）基于神经网络的聚合过程建模方法研究.pdf

一 一 塑婆! 型! 厶堂堡：! 堂堡堡壅 一一p _ - _ _ _ _ 、_ _ _ _ _ _ _ _ _ _ _ - _ - _ _ d - _ _ 一 摘要 一集合过程是兆型的化： 过程。聚合过程具有反应机理复杂、参数测量困难、 i ：线槛强等特点，这使得过程机理她模比较困难。人工神经网络( a n n ) 不精确依 赖于过程机理的数学模型，刘于任意函数映射都能按指定要求的精度逼近，在处 理复杂且缺乏先验知识的系统建模问题上表现出独特的优越性。尽管如此，网络 的训练时间往往太长，儿存在局部极小值。为克服这些困难，本文采用新的快速 训练算法，同时引入全局优化算法一一遗传算法( g ) ，克服局部极小值 本论文以苯乙烯( s r ) 和马来酸日f ( m a l l ) 的热引发本体聚合过程为例，研究基 j ia n n 的聚合过程建模方法。论文的主要研究内容如下 ( i ) 回顾a n n 在聚合过程中不同方面的应用，列其进行总结。 ( 2 ) 探讨误差反| f i l 传播算法的改进原则，并对不同的改进算法进行分析对比。 ( 3 ) 采用g 作为训练算法，解决a n n 局部极小值问题；针对简单遗传算法( s g a ) 存在的缺陷，提出改进措施，并给： 相应的程序。 ( 4 ) 在此基础上，讨论基于a n n 的聚合过程建模方法；对与过程有关但不能 在线测量的参数，构造预测模型，实现参数的软测量。 ( 5 ) 利用a n n 模型进行仿真，分析各因素对过程的影响。 塑鲨! ：! ! 叁堂堡：生堂堡丝羔一 a b s t r a c t p 0 1 y m e r i z a t i o np r o c e s si sak i n do ft y p i c a lc h e m i c a lp r o c e s s d u et o t h e c o m p le x i t y o f r e a c t i o nm e c h a n i c a l ，i i l f e a s i b i t i t yo fp a r a m e t e r m e a s u r e m e n t sa n ds t r o n gi l o n 一1 n e a r it y i nt h er e a c t i o n ，it i sd i f f i c u lt t om o d e ip o l y m e r iz a t i o np r o c e s sw e ib a s e d0 1 1 i n t e r n a lm e c h a n i s mo ft h e d r ( ) c e s s a r t if i c i a ln e u r a ln e t w o r k s ( a n n ) n e e d n td e p e n d 0 1 1t h ep r o c e s s s m a l l l e m a t i c a lm e c h a n i s mm o d e le x a c t lya n dc a l la p p r o x i m a t ea n yf u n c t i o nm a p i na n yg i v e i lp r e c i s i o n ：w h i c hs l l o w sp a r t i c u l a ra d v a n t a g eo nm o d e l i n go f c o m p l jc a t e ds y s t e mw i t h d e f i c ie n t p r i o rk n o w l e d g e n e v e r t h e l e s s ，t h e t r a i n in g ，i m eo fa n nisu s u a l 】y t o o l o n ga n dt h e r ea l s o e x i s t sl o c a l mjn i m u m t og e to v e rt h ed e m e r i to fs 1o wt r a i n i n g ，t h i st h e s i spj e s e n t s s o m en e wf a s t e rt r a in i n ga l g o r it h m sa n di n t r o d u c e sg l o b a lo p t i m i z a t i o n a 1g o r i t h m g e n e t i ca l g o r i t h i n ( g ) a g a i l l s t1 0 c a lm i n i m u mp r o b l e m t h et h e s i s i n v e s t i g a t e sm o d e l i n g t e c h n i q u e s o f p o l y m e r ：iz a t i o i l p r o c e s sb a s e do na n n ，w h i c hl a k e s t h e r m a lb u l kp o l y m e r i z a t i o nb e t w e e n s t y r e n e ( s t ) a n dm a l e i ca n h y d r j d e ( m ) f o rs a m p l e t h em a i nr e s e a r c h c o n t e n t sj n t h et h e s i sa r ea sf 0 1 l o w s ( 1 ) t h ea p p i c a t i o i l sb a s e do na n nt e c h n i q u e s inv a r i o u sa s p e c to f p n l y m e r iz a t i o np r o c e s sa r er e v ie w e da n ds y n t h e s i z e d ( 2 ) t h ei m p r o v e m e n tp r in e ip 1eore r r o rb a c kp r o p a g a t i o na l g o r i l ，h mis 塑! ! 一! ：! ! 叁堂堡：! 堂堡堡壅 ( i i s ( 、l l s s e dw i t hd i f f e r e n ta m e i o r a l i v ea l g o r i t h m s b e in ga n a l y z e da n d ( 3 ) i nt h et h e s isg a i sa d o p t e da st h et r a in in ga l g o r i t h mt os o l v e t h ea n n1 0 c a lr a i n i m u mp r o b le m a i m i n ga tt h es h o r t c o m i n go fs i m p l eg e n e t i c a l g o r i t h m ( s g a ) ，i m p r o v e m e n tm e t h o d sa r ep r e s e n t e dw it hc o r r e s p o n d in g p r o g r a m si m p le m e n t e d ( 4 ) 0 1 1 t h isf o u n d a t i o n ，w ed i s c u s sa n nm o d e l n g t e c h n i q u e s o f p 0 1 y m e r i z a t i o np r o c e s s c o n s t r u c ts o fl s e n s o rm o d e lt op r e d i c tp r o c e s s p a r a m e t e r s ，w h i c hh a v et e l a t i o nt ot h ep r o c e s sb u tc a n tb em e a s u r e do n 】in e ( 5 ) s i m u a t i o n sa r ec o n d u c t e du s i n ga n nm o d e la n de f f e c to fv a r i o u s f a c t o r so nt h ep r o c e s sa n a l y z e d i v 浙江一f ：业人学硕 学位论文 致谢 首先要感谢我的导师潘海天教授。两年半的研究生学习和工作中，潘老师平 易近人的品格、丰富，博的知识、严谨的治学态度以及对人不倦的教诲，都已深 深嵌入我的脑海里，激励着我不断地进取，并成为我终身受益的宝贵财富。感谢 潘老师在我论文期间给我创造的宽松的学习环境，在我遇到困难时给我启发性的 意见。从本论文研究小取得的每一点进步和成绩到论文的修改和定稿，无不包含 浠老师大量的心血；特别是在我考博期问，潘老师给予我大力的支持。 感谢化工原理教研室的蔡亦军老师，他在平时的学习和工作中给予我很大的 帮助。 感谢我的女友万颖君，在我撰写论文期间，她一直都陪伴着我，给我不断的 支持和鼓励。 最后要感谢我的父母，没有他们的期望与支持就不会有我的今天。谨以此文 献给他们。 陈焰华 二零零二年三月于杭州 浙江工业大学硕士学位论文 l - 1 引言 第一章绪论 聚合过程是典型的化工过程。聚合反应过程决定着产品的质量、品质及数量 等指标。聚合过程往往具有以下特点：( 1 ) 反应机理复杂，缺乏大量物性数据 ( 2 ) 工艺流程各异，前后流程具有严重的反馈和关联耦合；( 3 ) 反应过程中随机因 素众多；( 4 ) 表现出强烈的非线性特征和多稳定状态。此外，反应中释放出大量 热量使反应体系粘度增大，造成反应器传热性能变差，所有这些因素使得聚合反 应体系成为一个独特的动态系统。 对于此类系统，传统的研究方法是建立基于过程机理的数学模型或统计回归 模型，以在此基础上进行过程的动态分析、工程优化和放大，乃至实现自动控制 1 2 。但是由于上述因素，直接建立机理模型或统计回归模型面临着很大的困 难；即使已经建立模型，在进行模拟或优化计算时，也经常碰到求解困难、实时 性差、迭代不收敛、模型稳定性不好等问题。而且传统的模型推广性较差，一旦 过程条件发生变化、稳定工作点迁移后，原模型参数将不再适用，需要重新进行 参数辨识和估计。聚合过程的建模已经成为一个挑战性的问题，它直接影响着对 过程的进一步控制与优化，其根本原因在于聚合过程具有机理复杂、非线性强以 及参数间存在耦合等特点，而对此特点的处理正是传统建模方法的弱项。 因此迫切需要一种新的建模方法，以克服上述不利条件。在这方面，人工智 能( t ) 方法成为较理想的一种研究途径，而人工神经网络砸是其中的典型代表。 浙江_ 1 ：业大学硕士学位论文 1 2 神经网络 人工神经网络( r t i f i c i a ln e u r a ln e t w o r k s ，a n n ) 3 ，简称为神经网络 是由大量处理单元( 简称神经元) 相互连接而成的非线性动力系统，是理论化的人 脑神经网络的数学模型。它不精确依赖于过程的数学模型，具有较强的自组织、 自适应和自学习能力，同时还具有高度的并行性、良好的容错性与联想记忆功能。 近年来，随着对a n n 的研究，它已成为一种公认的、强有力的建模工具，其应用 领域遍布于系统辨识 4 、控制 5 、优化 6 、故障诊断 7 、模式识别 8 等各 方面。 作为建模工具，a n n 不需要预先对模型的形式结构和参数加以限制，只需根 据实际过程的运行数据就可以自动寻找输入输出间的映射关系，且训练好的a n n 能在极短时间内得出计算结果，进行在线使用，因而在处理复杂系统的建模问题 上表现出独特的优越性。 尽管a n n 具有许多优点，但也存在如下不足：( 1 ) 网络结构的确定尚无通用 的方法；( 2 ) 网络性能与过程数据的数量和覆盖范围密切相关；( 3 ) 训练时间过长 ( 4 ) 训练中存在局部极小值。其中，第一点涉及到a n n 的基础理论性研究；第二 点与具体的过程特性有关，并影响网络模型的泛化能力；后两点则取决于a n n 的 训练算法。在克服局部极小值方面，遗传算法为许多困难的全局优化问题的解决 开辟了一条新的途径。 浙江 ：业大学i n - i ：_ 学位论文 1 3 遗传算法 遗传算法( g e n e t i ca i g o r i t h m ，简称g ) 9 是由美国h o l l a n d 教授于1 9 7 5 年提出，它是一科t 模拟生物界自然选择和遗传进化的数学模型，是一种具有高度 鲁棒性和广泛适用性的全局优化搜索算法。近几十年来，g a 在优化、机器学习、 模式识别、自动控制、神经网络 1 0 ( 1 1 等诸多方面得到成功的应用，显示出其 求解复杂优化问题的巨大潜力，因而受到了人们的广泛关注。 在实际应用中a n n 面临着两大问题：高效的学习算法和网络拓朴结构的优化 设计。g a 的提出为解决这两大问题提供了有力的工具，可以用于优化a n n 的结 构和权值。g a 与a n n 的结合可在不同层次上：低层的结合是在a n n 结构已定的 前提下，利用g a 来确定连接权系数；高层的结合是利用g a 来设计网络结构。 1 4 本文研究的主要内容 本论文以苯乙烯与马来酸酐的无规本体聚合过程为例，研究基于a n n 的聚合 过程建模方法。通过分析模型结构，修正学习算法，以提高学习收敛速度。对与 过程有关但不能在线测量的参数，构造预测模型，实现参数的软测量。研究工作 具体来说，采用前向网络建立过程模型，以描述反应物浓度、温度、停留时间与 转化率、聚合物分布等之间的关系。重点放在网络结构和学习算法的修正，采用 新的算法对传统b p 算法进行改造，以克服收敛缓慢、易陷入局部极小点等缺点。 在建立a n n 模型的基础上，进行仿真计算，分析过程性能，考核与实际过程的拟 合程度；总结稀因素对过程的影响。论文研究结果将为过程的放大设计、系统的 浙江工业犬学硕士学位论文 动态性能分析以及优化控制提供准备条件。 主要内容安排如下： ( 1 ) 回顾a n n 在聚合过程不同领域中的应用，对其进行总结和比较。 ( 2 ) 针对误差反向传播算法收敛缓慢的问题，探讨训练算法的改进原则，并 对不同的改进算法进行分析对比。 ( 3 ) 采用基于g a 的优化算法，克服a n n 局部极小值问题；针对简单遗传算法 ( s g a ) 存在的缺陷，提出一利嘶的改进g a ，并给出相应的程序。 ( 4 ) 在此基础上，讨论基于a n n 的聚合过程建模方法；对与过程有关但不能 在线测量的参数，构造预测模型，实现参数的软测量。 ( 5 ) 利用a n n 模型进行仿真，分析各因素对过程的影响。 浙江j 一业人学硕j ：学位论文 2 1 引言 第二章a n n 在聚合过程中的应用 a n n 用于化工领域可追溯至1 9 8 8 年，当时h o s k i n s 和t l i m m e l b l a u 将a n n 首 先应用于化学工程中的故障诊断。b h a g a t 等又在1 9 9 0 年发表了关于a n n 在化学 工程中应用的介绍性文章。自此以后，有关a n n 在化工中应用的研究发展很快。 a n n 在聚合过程中的应用领域主要有：( 1 ) 过程建模；( 2 ) 过程预测：( 3 ) 过 程控制；( 4 ) 过程优化：( 5 ) 过程故障诊断及模式识别。现在对其分别叙述。 2 2 过程建模 基于a n n 的过程建模，又称为基于a n n 的系统辨识。多年来，对复杂非线性 列象的辨识问题，一直未能得到很好的解决。而a n n 所具有的非线性特征和学习 能力在这方面显示出很大的潜力，为解决复杂的非线性、不确定、不确知系统的 辨识问题，开辟了一条崭新的途径。 与传统的基于算法的辨识方法相比较，基于a n n 的辨识具有以下几个特点 ( 1 ) 不要求建立实际系统的辨i = ： 模式，a n n 作为一种辨识模型，其可凋参数 反映在网络内部的权值上。 ( 2 ) 可以对本质非线性系统进行辨以，辨识的结果为用网络外部特性拟合的 系统输入输d i 特性。 浙江：f 业火学硕士学位论文 ( 3 ) 辨识的收敛速度不依赖于待辨识系统的维数，只与a n n 本身及其所采用 的训练算法有关。 ( 4 ) 作为实际系统的辨识模型，a n n 也是系统的一个物理实现，可以用于在 线控制和预测系统的输出。 常用辨识的网络有r b f 网络、b p 网络、h o p f i e l d 网络等，其中b p 网络的应 用最为广泛，它是一种多层前向网络。已经证明，任意连续映射都可以由含有一 个隐含层且激发函数为有界连续递增函数的三层前向网络逼近 1 2 ，这为b p 网 络在系统辨识和控制方面的应用奠定了理沦基础。图a n n 用于系统辨识的般步 骤是： ( 1 ) 选择合适的学习样本并进行必要的数据处理。 ( 2 ) 根据分析或系统的先验知识确定网络结构，选择适当的训练算法。 ( 3 ) 进行网络训练。 a n n 模型辨识从a n n 与被辨识模型的输入输出关系上，。可以将其分为正向 建模和逆建模两种结构。所谓正向建模，是指利用多层前向网络，通过训练，使 其能够表达系统模型的正向动力学特性。图2 - 1 给出了系统正向建模的一般结构 示意图。 y 图2 1a n n 正向建模 设待辨识系统可由以下非线性离散时间差分方程来表示 6 浙江 业人学硕士学位论文 在式( 2 2 一1 ) 的假定下，用a n n 代替非线性函数f ( ) ，得到辨识模型： y ( k + 1 ) = f l y ( k ) ，y ( 一i ) ，y ( k h + i ) ；“( ) ，u ( k 1 ) ，一，u ( k 一1 7 十i ) 】 ( 2 2 2 ) y ( k + 1 ) = ，【y ( ) y ( k i ) ，一，y ( k 一”+ 1 ) ；“( k ) ，“( 女1 ) ，一，u ( k m + 1 ) 】 ( 2 2 - 3 ) 式( 2 2 - 2 ) 表示的模型称为并联型模型( p m ) ，它把a n n 输出的估计值作为网 络本身的输入值，构成递归网络。式( 2 2 - 3 ) 表示的模型称为串一并联型模型 ( s p m ) ，在这种情况下，系统过去的输入输出值作为a n n 的输入；由于这种模型 中不含非线性反馈，可采用一般的静态算法( b p 算法或其改进) 来调整网络的参 数。 逆建模是指用a n n 建立被控对象的逆向模型，其辨识模型如式( 2 2 - 4 ) 所示： ，( ) = f 一1 f p ( 女+ i ) ，y t k ) ，y ( k 一】) ，- - ，y ( k 一 + 1 ) i ”( 女一j ) ，- - ，u ( k 一0 7 + 】) 】 ( 2 2 - 4 ) 逆建模在a n n 控制中起着十分重要的作用，包括直接逆建模、正一逆建模等 方法。图2 2 给出了系统逆建模的一般结构示意图。 y 图2 - 2 n n 逆建模 以上所述将待辨识系统看作一个“黑箱”，a n n 作为纯粹的过程模型，在确 定其输入、输出参数后，即可直接对过程进行建模 1 4 j 。此外，有人提出内嵌 a 洲的混合模型，其中 n n 作为混合模型的一部分，并与机理模型或其它模型结 合形成总的模型 1 3 1 5 儿1 6 ，混合模型能够改善系统辨识的性能，提高建模精 度。 浙江工业大学硕士学位论文 k t j r tm e e r t 等 1 3 将a n n 用于p m m a 连续聚合反应的建模，以估计平均分子 链长。文中对五种网络进行了比较，它们分别是b p 、r t r l 、m l r n 、n m a x r t r l 和 n m a x m l r n 网络，并发现网络的时一空映射越强，模型的误差越小。采用等时线 利用过程的先验知识来改善网络的性能，得到的结果也和先前一样。在构建模型 的过程中，引入了双网络的结构。即将系统的输入参数分为控制参数和被控参数 两类。其中被控参数不能直接作为输入，它们起决于控制参数。因而用一个网络 来预测被控参数，然后将预测值与所有的控制参数作为另一个网络的输入，得到 总的模型，计算出平均链长。两个网络都采用性能较佳的r t r l 网络。将双网络 模型与单一网络模型对比，其性能要优于单一网络模型。 c h a nwm 等 1 4 j 提出了一种基于b p 训练算法的a n n ，对高压条件下管式反 应器中的自由基聚合反应进行建模。网络输入层包括反应压力等1 6 个参数。输 出层则包括聚合物的密度、熔体流动指数( m i ) 、数均分子量( m n ) 、重均分子量 ( m w ) 、单体转化率( c o n y ) 及沿管式反应器分布的6 5 个温度检测点等参数。网络 包括一层隐含层，6 个隐含神经元。为对比起见，同时建立了一个基于反应机理 ( 质量、能量平衡) 的数学模型。将两种模型对反应参数( m i 、m n 、m w 、c o n y 及温 度分布) 进行估计。同时与实验数据进行了比较。结果表明，a n n 的预测结果比 机理模型的预测结果更加准确。机理模型建立在基本的物理、化学原理上，具有 较广的适用面：但模型中的许多参数需要估计，再加上要求解复杂的代数或微分 方程，这使其应用得到了限制。而a n n 则避免了这个问题，这说明了它的潜力。 cs a y e r 等 1 5 研究了冷法合成丁苯橡胶过程的建模问题。聚合装置由1 5 个反应器串联而成，采用乳液聚合，热虹吸器作为冷却器。在前面部分建立了系 统详细的机理模型，并分析热虹吸器对反应的影响，通过系统运行的开环和闭环 浙江工业大学硕士学位论文 响应，以实行对温度的控制。研究发现，热虹吸器的非线性特点对系统的动态性 能有十分基础的作用。为将模型用于反应器链的在线实施，用一个a n n 模型代替 热虹吸器，以提供传热系数。该网络包括分别4 个输入、输出变量隐含层为一 层，有8 个神经元，采用b p 训练算法。由此得到一个包括a n n 和反应器器模型 的混合模型。由于a n n 计算的快速性，使得对整个反应器链的模拟在几秒钟内完 成，而其模拟结果与机理模型也大致相同。 n a s c i m e n t o 等 1 6 17 对工业双螺秆挤出反应器中的尼龙一6 ，6 聚合过程 的建模进行了研究，并得到a n n 与现象模型相结合的混合模型，通过对模型过程 变量的调整，使聚合物的产量提高了2 0 。所用的a n n 模型为四输入一输出，输 出量为聚合物的相对粘度r v ，输入量为c a i n 、c g i n 、c a o u t 、c c o u t ，其中后两 个量由现象模型给出。现象模型有四个输入量：c a i n 、c o i n 、p 、q 。作者将混合 模型与自己建立的一个机理模型对比：机理模型在高粘度区的预测较好，而在低 粘度区则不能接受；而混合网络在高、低粘度区的预测结果都是良好，其误差范 围也在9 5 的置信区间内。 h o r n 等 1 8 将a n n 用于模型的输入一输出线性化，并将它用于间歇聚合反应 器设定值轨迹跟踪的模拟应用。通过状态反馈对模型的输入一输出进行线性化 为非线性控制系统提供了一个实际而系统的设计方法。但是由于建立精确的基于 物理原则模型的代价非常大，限制了其广泛使用。使用a n n 的基于数据的动态网 络，是一个合适的替代办法。 浙江工业大学硕士学位论文 2 3 过程预测 对系统的建模完成后，就可以根据指定的输入对系统未来的输出进行预报 此即过程预测。 z h a n g 儿1 9 2 0 2 1 2 2 2 3 儿2 4 2 5 对聚合过程的预测进行了广泛的研 究。文献 1 9 2 0 中利用层叠神经网络s s n s ( 自举组合网络) 实现对p m m a 聚合反 应中聚合物性质( 重均分子量m w 、数均分子量m n ) 的推算预测。其主要思想在于 用某些较易测量的过程参数，如反应温度、引发剂用量、冷却水、进出口温度、 反应时间等，去推测难于在线测量的表征聚合物品质的参数，如m w 、m n 等。研 究发现，使用单一的a n n 对训练数掘的拟合性能良好，而对未经训练的数据表现 不佳，即模型缺乏足够的健壮性。实际过程中得到的数据样本通常有限，这是导 致此现象的原因。s n n sj 下是克服这一不足之处提出的，它基于如下原理：即单 个的a n n 不可能从所给数据集中抽提出所有可用的信息。s n n s 由多个a n n 模型 组合而成，每个a n n 的训练样本用自举重取样技术从最初的样本集中得到，s n n s 的输出则是各a n n 的权重组合。组合的权重则是采用主要成分回归法( p c r ) 得到。 与单个a n n 相比，s s n s 模型的预测精度和健壮性都得n t 较大的改善。s n n s 的 另一个好处是，可以得到预测结果的置信度，以便操作人员进行相应的取舍。文 献 2 1 将s n n s 用于聚合过程中杂质和聚合物性质的预测，并对m m a 的聚合进行 了模拟研究。文献 2 2 亦研究了问歇聚合反应中对产物性质预测的a n n 方法，此 方法可用于最佳间歇反应配比的设计和聚合过程的监测。文献 2 3 2 4 研究间歇 聚合反应器中杂质与污垢的预测，介绍了两种基于s n n s 的方法及其在m m a 间歇 浙江工业火学硕士学位论文 聚合反应器上的应用。第一种方法用a n n 建立聚合过程的逆向模型，预测初始反 应条件，通过与正常的反应条件的对比计算出杂质与污垢的量：第二种方法模拟 聚合的动态过程，并与过程的机理模型的预测结果进行对比。文献 2 5 提出了利 用混合阶递归神经网络模型的长期预测方法。网络中隐含层神经元的输出经过若 干步时间延迟再反馈回输入端，不同的神经元可以有不同的反馈阶数。与一般网 络不同，它采用渐增式的方法来确定隐含层的神经元数目，且每个隐含神经元的 滞后阶数由训练算法自动决定。使用的训练算法为序贯正交算法，它利用经典的 施密特正交法来构造网络。此算法的优点中可以自动得出合适的网络拓扑结构， 提高网络的综合能力。 文献 2 6 2 7 2 8 研究了递归神经网络r n n 在聚合过程中的预测应用。文献 2 6 使用r n n 对聚合反应器的状态变化进行长期预测。文献 2 7 利用r n n 对p m m a 的平均链长进行实时计算，此方法可以替代那些详尽、费时的分析方法，对聚合 物的平均链长在线进行快速、准确的预测。文献 2 8 研究了使用内部递归神经网 络( i r n ) 对工业聚合反应器中关键聚合物性质的预测。 s u m p t e rb g 等 2 9 给出一个基于单体重复单元的结构与组成，用a n n 对聚 合物性质进行预测的通用范例。文r f 】对11 种不同系列聚合物的预测结果进行了 讨论，平均绝对误差为l 一1 3 。c o ll a n t e se l i z a b e t hr 等 3 0 研究从聚合物的 分子水平性质用a n n 和偏最小二乘( p l s ) 多元回归方法来直接预测其宏观性质的 方法。 n i l l u a f a n g 等 3 1 以丙烯酰胺( a a m ) 与季铵盐阳离子单体( d m a e a ) 的聚合反 应为例，对基于a n n 方法的聚合物组成预测进行了研究。在反应中，单体的竟 聚率与转化率有关，这与经典的二元竞聚率模型相矛盾，因而不能对聚合物组成 1 1 浙江工业大学硕士学位论文 给出准确的预测。研究表明，在a a m 与可电解单体的聚合问题上，a a n 比经典的 竟聚率模型具有更佳的预测性能。 r a m e s hg e s h a v a r a j 等 3 2 将a n n 用于预测聚合物溶液中溶剂的活性的预测 其训练算法为一非线性优化程序。将此算法与b p 和m a d a l i n e i i i 口i i 练算法进行对 比，结果表明，该算法具有计算简单、训练时间短、不需要附加参数等优点，且 预测十分准确。 r e i n a l d eg i u d i c i 3 3 研究了山聚丙烯树脂的动态流变性质计算其分子量 分布( m w d ) 的a n n 方法。它利用贮能模量和松弛模量来对m i n d 进行估计。此方法 可以克服常规方法计算m w d 所遇到的困难，特别对可结晶的聚合物，提供了一种 快速得到m w d 的可靠方法。 t u r n e rp 等 3 4 将a n n 用于动态过程的状态估计和非线性预测控制，并对 连续聚合反应器中的聚合物性质进行在线预测。c h e r ty - t 等 3 5 构造a n n 用于 预测树脂生产巾的熔体指数，以优化链终止剂的用量，其预测值比现有的非线性 回归方法要准确。1 r w i n 等 3 6 将a n n 用于从过去的扭矩和粘度数据对预测现在 的粘度，以对聚合反应器进行粘度控制。h a y e sr a n d a l ll 等 3 7 讨论了建立化 工过程模型的经验以及在实施过程巾需要考虑的因素，并将a n n 用于预测熔融聚 合物的分子量。 2 4 过程控制 a n n 用于控制，主要是为了解决复杂的非线性、不确定、不确知系统的控制 问题，由于a n n 具有学习和自适应性等模拟人的部分智能的特性，使a n n 对变化 浙江刖k 人学硕i ：学位论文 的环境具有自适应性，a n n 控制足基本上不依赖于模型的控制，a n n 控制 3 8 3 9 4 0 已成为智能控制 4 1 4 2 卜一个新的分支。 根据a n n 在控制中的作用可将a n n 控制分为两大类：一类是将a n n 作为对象 的模型，如内模控制、预测控制等：另一类是将a n n 本身用作控制器。 神经控制结构兆型方案包括自适应控制、自校正控制、模型参考控制、内模 控制、预测控制等 4 3 ( 4 4 4 5 4 6 。 ( 1 ) a n n 自适应控制 常规自适应控制样，a n n 自适应控制分为自校正控制和模型参考控制两类。 二者的区别在于：自校正控制根据对系统正向和逆模型辨识的结果，直接调节控 制器内部的参数，使系统满足给定的性能b ，n p - j 标。而在模型参考控制中，闭环控制 系统的期望性能由一个稳定的参考模型描述。控制系统的目的是要使被控对象的 输出一致渐近地趋于参考模型的输出。 ( 2 ) a n n 自校正控制 分为直接控制与间接控制两类。其中，直接自校正控制同时使用a n n 控制器 和一个能够在线修j 下的a n n 辨识器。a n n 辨识器作为受控系统的逆横型与受控系 统串接，以便使系统在期望响应与系统输出间得到相同的映射。有时也称为直接 逆控制。间接自校正控制则使用常规控制器和一个具有离线辨识能力的识别器 后者需要具有很高的建模精度。 一 塑望三些查堂堡主兰堡堕壅 一- _ _ - - _ _ - _ _ - _ _ _ _ _ - _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ - _ _ _ _ _ _ - _ - _ _ _ _ _ _ _ - _ r ( 3 ) a n n 模型参考控制( m r c ) 分为直接模型参考控制与间接模型参考控制两类。直接模型参考控制通过直 接调整控制器参数来达到控制目的；间接模型参考控制则基于在线辨识的基础上 设计控制器。神经网络控制器 n n c 的权重修正目标是使输出误差e = y y 一0 。 直接m r c 如图2 3 所示，未知的非线性系统处于e 与a n n c 之间，给a n n c 的参数 调整带来困难。为此引入神经网络辨识器a n n i ，在线修正权重以使e = y y 一0 ，这种方式称为间接m r c ，如图2 - 4 所示。 y r 图2 - 3a n n 直接模型参考自适应控制图2 - 4a n n 间接模型参考自适应控制 ( 4 ) a n n 内模控制( i m c ) 图2 5a n n 内模控制 基于a n n 的内模控制结构示意图如图2 5 所示。其中，系统辨识模型a n n i 与实际系统并行连接。系统输出与内部模型a n n i 输出的差作为反馈信号反馈到 浙江：【业大学硕士学位论文 系统的输入端，由a n n c 进行处理。a n n c 是正向控制通道上一个具有逆模型的控 制器，具有被控系统的逆动态特性；a n n i 是具有系统正向特性的模型。内部模 型a n n i 和控制器a n n c 均可由前向网络实现。图中的滤波器通常为一线性滤波器， 可以满足必要的鲁棒性和闭环系统跟踪响应。 ( 5 ) a n n 预测控制 预测控制是一种基于模型的控制，它是7 0 年代发展起来的种新的控制算 法，具有预测模型、滚动优化和反馈校正等特点。已经证明它对于非线性系统的 控制能够产生期望的稳定性。典型的预测控制算法包括模型算法控制( m o d e l a l g o r i t h mc o n t r o l ，m a c ) 4 7 、动态矩阵控制( d y n a m i cm a t r i xc o n t r o l ， d m c ) 4 8 和广义预测控制( g e n e r a l i z e dp r e d i c t i v ec o n t r o l ，g p c ) 4 9 。图2 6 表示a n n 预测控制的一种结构方案。其中，n l o 是非线性优化器，a n n p 为神经网 络预测器。 图2 - 6a n n 预测控制 y a n d yy e n d it s e n 等 5 0 利用扩大数据的混合a n n 现实对乙酸乙烯酯( v a ) 的乳液聚合过程的预测控制。基于该问歇过程的复杂的机理模型可对单体转化率 作出较为准确的预测，然而对产品性质( 如数均分子量及其分布) 的预测不太可 靠。混合a n n 模型则是在前人提出的机理模型的基础上建立起的，用于过程的反 浙江工业大学硕士学位论文 馈预测控制。控制目标为在最短的州问内获得理想的单体转化率；操纵变量为反 应温度、加入阻聚剂的量；约束条件包括数均分予量、重均分子量m w 与数均 分子量之比( d = m w m n ) 及反应中间加入的阻聚剂的量和反应温度的变化范围。其 中d 、m n 及最终反应时问t f 由a n n 预测得到，输入变量均相同，包括：过程扰 动( 通过在线计算得出) 、反应中加入阻聚剂的量以及该时刻的反应温度。网络包 括二个隐含层，l o 个隐含神经元，训练数据来自实验及理论模型外推或内插( 利 用梯度信息) 得到的数据。与由实验数据拟合参数得到的模型相比，a n n 具有更 佳的预测性能。而与其它类型的混和a n n ( 包括并行和串行的混和a n n ) 相比，在 数据和先验知识都缺乏的情况下，扩大数据的a n n 所得到的数据更接近理论结 果。该方法也可用于产品性质很难用常规方法来控制的间歇过程的建模与控制。 m a u r i c i o 等 5 1 也采用基于模型预测控制的a n n 方法实现了对聚合反应器 的温度控制。所研究的对象为乙酸乙烯酯在连续反应器中的溶液均聚反应。这类 体系由于反应热、凝胶效应等原因，会出现非常复杂的非周期性动态振荡( 混沌) 行为，且对初始条件非常敏感。研究表明，用一个常规的p i d 控制器不能控制住 系统的混沌状态。因而选择非线性模型预测控制器( n l p c ) 用于系统的控制，并用 a n n 作为其内部模型。所用的a n n 包含一个隐含层，其变换函数为s i g m o i d 函数， 输出层为线性函数。为提高a n n 预测性能，引入“模型失配”变量对预测结果进 行校正。a n n 预测出未来的输出值后，再用优化程序得到未来的控制动作，作用 到系统，使系统得以稳定运行。试验表明，在不同情况下n l p c 都能对系统进行 有效地控制。此外，a n n 还能预测到反应器温度的多个稳定点。由此可见，对于 本性开环不稳的聚合过程，n l p c ( a n n ) 是一个强有力的控制工具。 | 3 h a t ， 等 5 2 提 ；一种解决1 业上使用a n n 遇到的控制难题c h 问题 浙江工业火学硕士学 ! ；) = 论文 的方法。其控制目标是不管反应条件如何变化，而将半间歇聚合反应器的温度控 制在设定值。尽管反应器的构造和控制要求看起来很容易，但实行起来却很困难a 作者采用过程的逆向动态建模进行设计。训练控制器的学习数据来自开环操作 网络训练离线进行。学习过程没有定义明确的目标，因而没有直接目标，。文章 后面给出了此控制器的设计。 m a z a kj 等 5 3 利用a n n 进行非线性过渡控制器的设计，并将它用于流化床 聚合反应器模型的模拟。 2 5 过程优化 过程优化是研究过程系统在给定条件下，使系统某项性能指标达到最优的方 法。传统的优化方法为：确定过程的数学模型，建立目标对象的指标函数，加上 若干约束条件，即构成优化问题的数学模型，然后再对其求解。求解的数学方法 主要有解析法和数值计算法两种。 ( 1 ) 解析法 只适用于性能指标和约束条件均为明显的解析表达式的情况。包括古典微分 法、变分法、极大值原理法和动态规划法等。古典微分法主要用于静态系统的优 化；变分法、极大值原理法和动态规划法则用于动态系统的优化。解析法的求解 步骤是：求出性能指标最优的必要条件，得到一组方程或不等式，然后解方程或 不等式，从而得到解析解。 ( 2 ) 数值讨算法 当性能指标比较复杂甚至不能用函数表达式表示时，可以采用数值计算法。 一 塑望王些查堂堡主堂堡垒塞 一一 h - _ d _ _ _ _ - h _ _ _ - - - - _ _ _ - _ _ - _ _ _ _ - _ _ h _ _ _ _ _ - - 它分为直接搜索法和基于梯度的算法两大类。直接搜索法包括黄金分割法、 f i b o n a c c i 法等一维搜索算法和单纯形法、p o w e 1 法等多维搜索算法。基于梯度 的算法又分为无约束梯度法和有约束梯度法两类。前者主要有最速下降法、共轭 梯度法、牛顿法拟牛顿法等；后者主要有可行方向法、梯度投影法等。 但是经典的优化方法存在对初始条件敏感、收敛速度慢或不收敛等问题；对 于复杂的聚合过程，更显得无能为力。 在优化领域经常使用的a n n 是l l o p f i e l d 网络 5 4 ，它是一种反馈互连网络， 用于求解联想记忆和优化计算问题。在求解优化问题时，其步骤如下：( 1 ) 选择合 适的问题表示方式，使网络输出与问题的解对应起来。( 2 ) 构造网络能量函数， 使其最小值对应于问题的最优解。( 3 ) 由能量函数设计出h o p f i e l d 网络，推导权 重系数，得到运动轨迹方程。( 4 ) 运行网络，使之达到稳定状态，即得到最优解。 以上步骤中，能量函数的构造最为关键。此外，前向网络在优化领域也得到较广 泛的应用。 ， m o h a nk r o t h a p a l y 等 5 5 5 6 研究了间歇聚合过程优化的神经网络策略。 其思想基础是经过训练的a n n 具有学习系统的输入输出关系及相应的逆( 输出 输入关系) 的能力，将其逆向关系用于最优控制器设计。在对系统进行优化之前， 必须先建立网络，这需要大量的训练时间。作者巧妙地利用过程模型导出a n n 模 型，使其在数学模型预测的基础上直接计算最佳操作条件。对每组起始条件和 过程参数，用数学模型预测出最佳操作条件。再按以下步骤训练网络 ( 1 ) 对输入随时问的分布点用多项式拟合，因此不同的最佳输入轨迹表示为 不同的多项式系数。 浙江一f ：业大学硕士学位论文 ( 2 ) 以间歇过程的起始条件作为输入，对应的多项式系数作为输出估计值 训练网络。 ( 3 ) 用网络进行预测。 文献 5 5 中以聚苯乙烯和聚甲基丙烯酸甲酯p m m a 为例说明了在线优化的方 法。所优化的指标为单体的转化率达到最大，最佳输入轨迹为反应温度。实验表 明，训练好的网络在几毫秒内就能给出最佳温度曲线，这使得过程的在线优化成 为可能。文献 5 6 中研究的也是p m m a 的在线优化。所不同的是，在求最佳温度 曲线时，让系统以开环和闭环两种方式运行。结果说明，只有闭环控制器才能有 效地将过程温度保持在预定的最佳轨迹上。 n a s c i m e n t o 等 5 7 研究用a n n 对工业上尼龙一6 ，6 聚合反应过程的优化方法 其应用对象为双螺杆挤出反应器。优化方法的基本思想在于，用a n n 作为模型方 程的等价模型，在所关心的解的范围内进行格点搜索，以寻得最优值。用a n n 代 替现象模型，利用了网络相对快速的模拟能力。因此，即使进行详细的格点搜索 也能在适当的次数内结束。另外，容易确定多个极值，而且约束条件也可以处理。 考虑a n n 对问题的映射能力和过程的安全条件、设备磨损、产品质量及能源消耗 等因素的基础上，提出了定性优化方法。网络的输入输出节点分别为7 个和4 个 分别代表温度、真空系统压力、填充