（化学工程专业论文）人工神经网络及混沌理论在气固循环流化床中的应用.pdf

四川大学博士学位论文 人工神经网络及混沌理论在气固循环流化床中的应用 化学工程专业 研究生查壹叠 气固循环流化床是一高效的气固反应和传质传热设备，其在现代工业中的应 用越来越受到重视。但复杂的气固流动和传递机理相互作用，使得气固循环流态 化过程的控制、预测、放大相当困难。本文将人工神经网络与混沌理论应用于 此系统的研究，以提高对此系统的实际应用能力和对此系统的非线性动力学的认 识。 本文的实验数据所用气固循环流化床，与现有其它研究工作所采用的实验装 置相比，提升管较长可以在比较宽的操作条件范围之内使气固两相流动有较 长的距离发展，从而展现出明确的充分发展段。实验用固体颗粒为砂予和f c c 催化剂。实验气体为无油压缩空气。实验采集的数据为压力梯度信号，局部颗粒 浓度时间序列和局部颗粒速度时间序列。 应用获得的实验数据研究了气固循环流化床中气固流动特征量( 颗粒浓度、 颗粒速度、颗粒通量) 的轴向及径向分布规律。结果发现，气固循环流化床存 在两种环核流动结构，一种是床层底部中心和边壁颗粒都向上，床层上部中心 颗粒向上而边壁向下的环核流动结构；另一种是全床层中心和边壁颗粒都向上 的环核流动结构。 提出了气固循环流化床中气固流动的人工神经网络模型。该模型的输出量 中包含五个动力学特征量( 截面平均颗粒浓度占。、局部颗粒浓度占，、局部颗粒 通量g 。、截面平均颗粒速度e 、局部颗粒速度圪) 。可以较好地模拟和预测气 固循环流化床气固流动动力学。，实现了全床层( 包括床层顶部稀相区、床层 中部、床层底部密相区) 轴向及径向动力学行为的模拟和预测。是一个比较全 面的整体模型，而且使用方便，具有重要的实用意义。 针对气固循环流化床内的瞬态脉动行为，本文将混沌理论应用到颗粒浓度 脉动时间序列的分析。结果表明，k o l m o g o r o v 熵可用以描述本文上面提到的提 四川大学博士学位论文 升管中存在两种环核流动结构。接着根据k o l m o g o r o v 熵的径向分布变化特征， 分别对两种环一核流动结构的气固流动行为进行了径向流域划分。 本文最后将混沌理论与人工神经网络结合，建立了混沌时间序列预测模型。 该模型可有效用于气固循环流化床局部颗粒浓度波动时间序列信号的短期预 测。该预测模型优于传统人工神经网络预测模型。另外，预测结果表明循环流 化床的颗粒浓度波动信号只能被短期预测，其长期行为是不可预测的。这从另 一个角度说明了气固循环流化床系统是一混沌系统。 关键词：气固循环流化床，混沌，人工神经网络，模型，预测，动力学 l i 塑型盔兰竖主堂垡堕壅 一 a p p l i c a t i o n o fa r t i f i c i a ln e u r a ln e t w o r k a n dc h a o s t h e o r y i ng a s s o l i dc i r c u l a t i n gf l u i d i z e db e d c h e m i c a le n g i n e e r i n g s t u d e n t l ix i a o x i a n es u p e r v i s o rs 妪趣 g a s - s o l i dc i r c u l a t i n gf l u i d i z e db e di sa n h i g he 茄c i e n te q u i p m e n ti nm a s s ，t r a n s f e r , h e a t - t r a n s f e ra n d g a s s o l i dr e a c t i o n 。i th a sb e e n u s e dm o r e a n dm o r e 、i e l e l vi nm o d e m i n d u s t r y t h ec o m p l e xf l u i df l o wa n dt r a n s p o r tm e c h a n i s m sm a k ec o n t r o l 。p r e d i c t i o n a n ds c a l e - u po f g a s - c i r c u l a t i n gf l u i d i z a t i o np r o c e s sv e r yd i 擐c u a t 融t h i sp a p e r , w e a p p l ya r t i f i c i a in e u r a ln e t w o r ka n dc h a o st h e o r yt os t u d yt h es y s t e mf o rp r o m o t i n g t h e a b i i i t yo f i t sa p p l i c a t i o na n d u n d e r s t a n d i n gt h en o n l i n e a rh y d r o d y n a m i e si nt h er i s e t a l le x p e r i m e n t sw e r ec a r r i e do u ti nac i r c u l a t i n gf l u i d i z e db e dw i t hh i g hr i s e t c o m p a r e dw i t ht h ee x p e r i m e n t a ls e t - u p su s e db ym a n yo t h e rr e s e a r c hg r o u p s ，t h i s r i s e rw a sh i g h e r , a n dt h e r e f o r et h eg a s s o l i d sf l o wi sa l l o w e dt od e v e t o pc o m p l e t e l y o v e raw i d e rr a n g eo f o p e r a t i n g c o n d i t i o n s t h ei l u i d i z a t i o n g a s u s e di nt h e e x p e r i m e n t sw a sa i r , w h i c hw a s a ta m b i e n tt e m p e r a t u r ea n dp r e s s u r e ，a n ds u p p l i e db y ar o o t s t y p eb l o w e r t h ep a r t i c u l a t em a t e r i a l su s e di nt h i ss t u d yw e r es a n da n df l u i d c a t a l y t i cc r a c k i n g ( f c c ) c a t a l y s t 。t h ep r e s s u r eg r a d i e n t ，l o c a l s o l i d sc o n c e n t r a t i o n a n dt h el o c a ls o l i d sv e l o c i t yw e r em e a s u r e d a c c o r d i n gt o t l ee x p e r i m e n t a ld a t a 。t h ea x i a la n dr a d i a ld i s t r i b u t i o n so ft h e h y d r o d y n a m i cc h a r a c t e r i s t i e s ( s o l i d sh o l d u p ，s o l i d sv e l o c i t y , a n ds o l i d sc i r c u f a t i n g f l u x ) w e r es t u d i e d t h e r e s u l t ss h o w e dt h a tt h e r ea r et w ot y p e so fc o r e - a n n u l u s s t r u c t u r e s 弧ec h a r a c t e r i s t i c so ft h ef i r s tt y p es t r u c t u r ea r et h a ta t lo ft h es o l i d si nt h e b e db o t t o ms e c t i o nf l o wu p w a r d s ，a n di nt h eb e dt o ps e c t i o n ，t h ec o r es o l i d sf l o w u p w a r d s b u tt h ea n n u l u ss o l i d sf l o wd o w n w a r d s t 轴c h a r a c t e r i s t i c so f t h es e c o n d t v p es t r u c t u r ea r et h a ta 1 1o f t h es o l i d si nt h ef u l lb e d a r ef l o w u p w a r d s a na a i f i c i a ln e u r a ln e t w o r km o d e lw a ss e lu 口幻s i m u l a t et h eh y d r o d y n a m i c so f t h eg a s s o l i df l o wi nt h eg a s s o l i dc i r c u l a t i n gf l u i d i z e db e d t h eo u t p u to ft h em o d e l c o n s i s t so ff i v eh y d r o d y n a m i cp a r a m e t e r s - - c r o s ss e c t i o na v e r a g es o l i d sh o l d u p ，l o c a l s o l i d sh o l d u p ，l o c a ls o l i d sc i r c u l a t i n gf l u x ，c r o s ss e c t i o na v e r a g es o l i d sv e l o c i t y , a n d i o t a is o l i d sv e l o c i t y t h em o d e lc a nw e l ls i m u l a t ea n dp r e d i c tf u l lb e dh y d r o d 3 7 n a m i c s o f 搬eg a s s o l i df l o w m o r e o v e rt h em o d e lc a ne a s i l yb et l s 髓，w h i c hi ss i g n i f i c a n ti n t h ei n d u s t r ya p p l i c a t i o n c h a o st h e o r yw a su s e dt oa n a l y z et h et i m es e r i e so fs o l i d sh o l d u pf l u c t u a t i o n ， f n 四j i l 大学博士学位论文 a n dc o n s e q u e n t l yk o l m o g o r o ve n t r o p yw a sc a l c u l a t e dt od e s c r i b et h eh y d r o d y n a m i c c h a r a c t e r i s t i c so ft h eg a s s o l i d sf l o wb e h a v i o ri nt h er i s e r t h er e s u h ss h o w e dt h a t k o l m o g r o ve n t r 0 d yc o u l dd e s c r i b et h et w ot y p e so fc o r e a n n u l u sf l o ws t r u c t u r e s m e n t i o n e da b o v e a c c o r d i n gt ot h em a r k e dc h a r a c t e r i s t i c so fk o l m o g o r o ve n t r o p ya t r a d i a ld i r e c t i o ni nt h et w ot y p e so ff l o ws t r u c t u r e ，t h ef l o wr e g i o n sw e r ei d e n t i f i e d r e s p e c t i v e l y f i n a l l y ap r e d i c t i o nm o d e lb a s e do n c o m b i n a t i o no fe h a o sw i t ha r t i f i c i a ln e u r a l n e t w o r kw a sp r o p o s e dt op r e d i c tt h ec h a o t i ct i m es e r i e so fs o l i d sh o l d u pf l u c t u a t i o n t h er e s u l t ss h o w e dt h a tt h ep r o p o s e dm o d e lw a sa ne f f e c t i v em e t h o di np r e d i c t i n gt h e t o c a ls o l i d sh o l d u pf l u c t u a t i o na n di tw a sb e t t e rt h a nt h et r a d i t i o n a ln e u r a ln e t w o r k p r e d i c t i o n m e m o d n l ep r e d i c t a b i l i t yo ft h eh y d m d y n a m i c so ft h ec f br i s e r i s p o s s i b l eo n l y i nas h o r tt i m e ，w h i c ha c c o r d sw i t h t h a tt h e g a s s o l i dc i r c u l a t i n g f i u i d i z e db e di sac h a o t i cs y s t e m k e y w o r d s ：g a s s o l i dc i r c u l a t i n g f l u i d i z e db e d ；c h a o s ；a r t i f i c i a ln e u r a ln e t w o r k ； m o d e l ；p r e d i c t i o n ；h y d r o d y n a m i c s 四川大学博士学位论文 月u舀 气固循环流化床技术广泛应用于现代工业，如提升管式催化裂化、f t 合 成轻质油、氧化铝焙烧、煤的气化和燃烧等3 0 多个工业过程，也逐渐成为材料、 生物等新型工业的重要单元操作。 认识气固循环流化床中气固流动的动力学规律是定量设计各种反应器的基 础，近年来一直是流态化领域的研究重点。由于气固循环流化床系统是非线性多 变量复杂系统，尽管已有许多研究者对这一系统进行过研究，但当前对这一复 杂系统的了解仍十分有限，还未能完全掌握这一复杂系统的机理。因此从机理 角度出发建立的数学模型还不能完全满足要求。这就导致了流化床的放大、设 计以及工业生产过程的指导仍然主要是基于经验或半经验性的。 目前描述颗粒流体两相流系统有三类模型：经验关联模型，双介质模型和 两相模型。为了满足工业生产的需要，经验关联模型在两相流的分析中被广泛 应用。经验关联模型的优点是使用简单。其缺点为应用受到适合的实验条件的 限制，只能在其关联的实验范围内才能给出较好的计算结果；而且经验模型中 往往有一些参数( 如核心区无因次半径) 需要事先确定，这就为实际应用带来 了困难。另一方面。经验关联模型没能实现动力学模型的耦合。轴向动力学模 型和径向动力学模型相互独立；对应不同的轴向段饵e 部密相段、过渡段、稀相 段) 使用不同的动力学模型。完整的动力学分析应耦合轴向动力学和径向动力 学，建立考虑非均匀结构特性的二维、三维动力学模型，即实现非均匀相结构 场的描述。双介质模型直接分析颗粒和流体的运动特性，可用于提示系统的动 态行为和流场细节，但通常只适用于均匀系统很难描述系统的的非均匀结构。 两相模型则立足分析系统非均匀流动结构，可用于提示系统的时均行为和结构 特点，但其建立是非常困难的。 人工神经网络是根据对象的输入一输出信息，不断地对网络参数进行修改， 以实现从多个输入参数到多个输出参数的非线性映射关系。整个学习过程不需要 机理方面的细节知识。因此，人工神经网络在处理多变量非线性系统和未知模型 系统方面与其它数学模型相比具有较大的优势。所有这些又为人工神经网络用于 气固循环流化床系统气围流动模拟提供了可能。为此，本文将人工神经网络应用 一 盟型盔兰憋主璺垒堕苎 。 于气固循环流化床系统，以期建立气固循琊流化眯气固流动的人工神经网络模 型e 就模型应满足多个滚裁参数、辘舞动力学襄经囊动力学藕合、筠鼙逶鼹。 气固循环流化床中气固两相之间存在着复杂的相互作用，这不但导致了床层 结擒的不均匀经，同时嚣致了挺舞管肉秘流动参数( 如压力、两都颡粒浓瘦韵速 度等) 随时间大幅脉动。这种与时间相依的瞬态流动行为也是流化床反成器具有 优良的传旗与传热行为的关键。园丽对这一系统的研究也陂从反漱时闯相依往的 瞬态流动行为方霹多角度进霉。了解系统的动态特饿无疑慰理解鼹相的传递行为 及反应器的控制与操作鼹十分肖利的。 对系统参数动态变绽懿分橱及璎勰霹苏逶过不弱翦鬟论手段，传统粒分辨 包括时域分析( 标准偏麓，概率分布等) 、频域分析( 相关分析和谱分析等) 以 及戆税过程懿建攒与预测。毽蓬对簧条懿，茏其是震示港淹琉象麓嚣雩阚痔列， 上逃方法就显得力不从心。要么不能准确地把握时间序列的本质，要么不能得 到对现象清晰的描述。灏此，这就要求研究者采用更恰当的非线性方法从反映 对溺耀姣馊豹瞬态流动行为方疆多焦度对这一系统避行磷究。 混沌理论是目前非线性科学中得到最广泛应用的理论之一。近十年来，棍 淹氆论被戆来越广泛遮藏弱到浚态纯系统，气霾滤态毒乏避程也我坡藿琢豹理学 界公认为魁混沌系统。因此本文将混沌理论应用到气固循环流化床系统，对颗 粒浓度脉动酎闻露弼遵彳亍了努耩。 实瑗气霾循环滚纯寐反应嚣在线控划戆关键褒子能否对该系统内部时阗摆 依性的瞬态行为( 如压力波动，颗粒浓度波幼等) 进行有效的预测。如果流化 床的流体力学行为能撬蘸褥鬟缀盎 静强溅，露么就霹捷裁船道浚芘庆瘀帮静流 化状态。 以前对压力波动或颗粒浓度波动对间序列信号的预测主要采用的魁纯数举 韵时阔穿列读铡方法， 甄寒获敬系统浚嵇豹凌力学褥缝。气露循繇浚纯获是一漉 沌系统，通过采样获得的局部颗粒浓殿波动信号是一单变镦时间序列，其中隐含 了系统演纯的其它分量的信息。应焉t a k e n s 的重鞫籀空阉方法，可醵从串提取 出系统演化的动力学轨逊，即吸引子。对系统演化动力学轨迹的农效拟食可以用 人工神经网络。对系统演化动力学轨迹的拟台过程也是人工神经网络的训练过 v 四川大攀博士学位论义 程，训练过的人工神经网络就获取了系统动力学轨迹的非线性映射关系，从而可 以对反浚系统动力学撂是的瓣闻彦弼售号遴行有效戆孩测。嚣藤对气黧缓琴滚诧 床颗粒浓度波动信号的预测还未见报导。本文将黛构相空间方法与人工神经网络 豹薛线佼浃射渤l 进行结台，建立气霞循环流纯床蜀部颥粒浓度滚动预溺模鬻。 本论文由三部分缎成。第一部分包括人工神经网络与混沌理论简介，人工神 缀网络与混沌理论在流化床中的研究进展，提出了本论文的研究内容；第二都分 包括实验装置、实验条件、数据采袋等，废用实验数据遴行气豳循环滚化庶气固 流动规律的研究；第三部分怒本文的重点，包括气囿循环流化床气固流动人工神 经鼹终懿建立过程及蠢效缝验证，气嚣锤繇淡纯爨中气辫淡动绫搀的滋涟表缝及 径向流域划分，颗粒浓度波动信号混沌与人工神经网络结合预测模型的建立及有 效往验诞。 v l 翌型查兰堕圭堂垡丝壅 第一章人工神经网络 1 - 1 人工神经网络简介 生命科学与工程科学的相互交叉、相互渗透、相互促进是现代科学发展的 重要特点之一。动物( 包括人类) 大脑神经系统的活动可以给我们许多有益的启 示。人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k s ，简称a n n ) ，又称并行分布处 理模型或连接机制模型，是基于模仿人类大脑的结构和功能而构成的一种信息 处理系统或计算机系统，它具有很多与人类智能相类似的特点，诸如结构与处 理的并行性、知识分布存储、很强的容错性、通过训练学习可具备适应外部环 境的能力、模式识别能力和综合推理能力等【2 。由于人工神经网络是根据对象 的输入一输出信息，不断地对网络参数进行修改，以实现从输入参数到输出参数 的非线性映射关系。整个学习过程不需要机理方面的细节知识。因此，人工神 经网络在处理多变量非线性系统和未知模型系统方面与其它数学模型相比具有 较大的优势。此外，神经网络可以根据来自机理模型和实际运行对象的新的数 据样本进行自适应学习，尤其是通过实时不断的学习，可以适应对象参数的缓 慢变化，如锅炉的结渣、积垢等。因此这种模型化方法克服了机理建模所存在 的困难，并且可以进行实时学习和预测、仿真。目前人工神经网络的应用，已 渗透到模式识别、图像处理、非线性优化、语音处理、自然语言理解、自动目 标识别、机器人、专家系统等各个领域，并取得了令人瞩目的成果。神经网络 理论也己成为涉及神经生理科学、认识科学、数理科学、心理学、信息科学、 计算机科学、微电子学、光学、生物电予学等多学科的新兴的、综合性的前沿 学科。 1 - 1 1 人工神经网络的产生9 1 现代的计算机有很强的计算和信息处理能力，但是它解决像模式识别、感 知、评判和决策等复杂问题的能力却远不如人，特别是它只能按人事先编好的 程序机械地执行，缺乏向环境学习适应环境的能力。早在本世纪初。人们就已 经知道人脑的工作方式与现在的计算机不同，人脑是由极大量的基本单元( 称 之为神经元) 经过复杂的互相连接而成的一种高度复杂、非线性、并行处理的 信息处理系统。单个神经元的反应速度是在毫秒级，比起计算机的基本单元一 逻辑i ( 反应时间在1 0 - 9 s 量级) 慢5 - 6 个数量级。由于人脑的神经元数量巨大 ( 约为1 0 ”个) 每个神经元可与几个其它神经元连接( 总连接数约为6 x1 0 1 3 ) ， 对有些问题的处理速度反而比计算机快得多。它的能耗约为每一运算1 0 - 1 6 j s ( 计 算机为每一运算1 0 4 j s ) ，由此可见其性能要比现代计算机高得多。 因此人们自然会想到，大脑组织结构和运行机制必有其绝妙的特点，从模 仿人脑智能的角度出发，来探寻新的信息表示、存储和处理方式，设计全新的 计算机处理结构模型，构造一种更接近人类智能的信息处理系统来解决传统的 冯诺依曼计算机难以解决的问题，必将大大促进科学进步，并会在人类生活 的各个领域引起巨大的变化，这就促使人们研究人工神经网络系统。 1 - 1 2 从人脑神经系统生理学原理到人工神经元模型 人脑神经系统是人体各种活动的管理控制机构，它利用分布在人体各部位 的多种感受器和感觉神经，获得关于内、外环境变化的信息，经过中枢神经系 统的分析综合、攘体协调发出信号，控制各种效应器的活动。图卜卜1 所示的 是在神经系统中信息流的描述。信息在中枢神经系统中被处理、评估并与已存 的信息相比较之后，将产生新的命令传送给运动器官。内部反馈和外部反馈都 可以控制命令的执行。神经系统的整体结构具有许多闭环控制系统的特点。 我们知道针对任何一个问题建立数学模型时，如果对这一问题的特性了解 的越多、越透彻，则其模型的合理性也就越高。虽然到目前为止，还不能说人 类对大脑的结构及各种活动机理已完全明了，但人们对大脑基本结构和机理的 理解水平已具备了建立大脑数学模型的条件。应该指出的是，我们所建立的数 学模型及所构造出的人工神经网络，并不是人脑的真实描写，而只是对其结构 和功能进行大大简化之后的某种抽象与模拟。正如生物神经元是大脑神经系统 的基本单元一样，建立大脑的数学模型，也必须首先从神经元入手。 四j i i 大学博士学位论文 图1 - 1 1人脑神经系统中的信息流 图1 1 2 生理神经元结构 生物神经元的构成及其特性 人脑由大约1 0 ，- 个计算单元组成，该计算单元称之为神经元。神经元是脑组 织的基本单元，其主要结构如图1 一l 一2 所示。它由以下几个部分构成 西川大学博士学位论文 1 缅稳体：缁胞体由细胞核、细胞质与细胞膜等组成。 2 轴突：由缨胞体向外伸出的最长的一条分支，称为轴突，即享孛缀终维。它有 两种结构形式：髋鞘纤缎和无髓鞘纤维。轴突相当于细胞的输出端，熊端部 致众多毒枣经末摸为信号黪辕出端子，惩予付爨榜缀砖动。 3 树突：由细胞体向外伸出的其它许多较短的分支，称为树突。它相当于细胞 鹞输入端，透过缩臆傣溺连臻熬节点绩受瑟周缅戆传密来的神缀狰动。 4 突触：细胞与细胞之间( 即神经元之间) 通过轴突( 输出) 与树突( 输入) 相互连接，其接翻称为突触，鞠神经束稍与树突相接触的交界丽，每个细胞 约有1 0 3 1 0 4 个突触。突触分为兴奋溅与抑毒型两皲。装突触殿膜电位超过 引起神经冲动的阑值则为兴奋性的，否则为抑制性的。复杂的神经网络是依 靠众多突皴掰建支戆链式逶路粒反馈环路来传递僖怠，并在享孛经元之阙建立 密切的形态和功能联系。膜电位为细胞膜内外之间电位差，约为2 0 1 0 0 m v 。 膜羚为正，貘内为受。 二生物神经元特性 l 神经元是个多输入( 个神经元的多个树突与多个其它神经元的突触相联 系) 、单输滋( 一个毒枣经嚣只有个辘突终为稔塞逶遂) 元传 2 神经元是一个具脊非线性输入输出特性的元件。袭现在只有当来自斋个神 经键豹活动电谴脉冲这翔一定强度之蒋，该卒串经元静辛串经键才能棱激灞，释 放出神经传递化学物质，发出本身的满动电位脉冲。 3 神经元具有可塑瞧，表现在其活动电位脉冲的传递强度依靠神缀传递化学物 质的释放爨及专枣缀键闯熬的变化是可调节黪。 4 神经元的输出响应是各个输入的综合作用的结果，即所有输入的累加作用。 输入分兔兴密型( 菱蓬) 器喜率铡鬟( 受鬣) 嚣耱。 三人工神经元模垄的建立 4 四川大学博士学位论文 根据生物神经元的四个特性我们得到如图1 - l 一3 所示的人工神经元模型的 演化过程。 输入 z i c z ： r _ ( a ) ( a ) 根据特性1 得到的模型 输入 j 1 屯 。； j 数 ( b ) 根据待性1 + 2 得到的模型 ( c ) ( d ) ( c ) 根据特性1 + 2 + 3 得到的模型 ( d ) 根据特性1 + 2 + 3 + 4 得到的模型 图1 - 1 3a z e 神经元模型的演化过程 图1 一l 一3 ( d ) 就是最终得到的生物神经元模型。它有三个基本要素： l 一组连接权( 对应于生物神经元的突触) ，连接强度由各连接上的权值 表示，权值为正表示激励，为负表示抑制。 2 一个求和单元，用于求取各输入信息的加权和( 线性组合) 。 3 一个非线性激励函数，起非线性映射作用，并限制神经元输出幅度在一 定范围之内( 一散限制在 o ，1 或 一1 ，+ 1 之间) 。 此外，还有一个阈值e 。 四川大学媾士学收论文 将人工神经元模裂的输入输出关系用数学式描述为： y = 厂( x ) = 0 9 ；_ 一口 f m l 表达式( 1 。1 2 ) 还可以商另一种形式，卵把阀值0 视为神经元的第0 个输入，且 0 9 0 = 一i ，弱裔 舅= ( - o i x l ( 1 - l 一3 ) i = o 关于输入输出函数，即神经元的激励函数根掇要求和特点的不同，有各种形式。 奁实际使褥时，神经元激励函数，( ) 主要有以下几种形式： t 阈俊墅涵数 溺值受函数如图i - i 4 所示，其中图1 - 3 4 ( e t ) 和( b ) 分剐为阶跃函数： m ，= s = ( 1 - l - 4 ) s g n 舔数： ，( v ) = ! ，艺 t 渤 2 分段线性函数 如图1 1 5 ，它类似予一个带限幅的线性放大器，当工作于线性送时，放大 倍数为1 。 3 s i g m o i d 萄数 通常燕在固，i ) 或 1 ，1 ) 内连续取值鹘单谲胃微分的溺数，兵有平滑和渐近 褴，最常搿i 懿函数形式为t 6 舢 彩 h 卜 ( ( 四川大学博士学位论文 f ( v ) = 鬲面1 丽( 胗。) ( 1 - 1 - 6 )l + e x p ( 一，如) 参数b 可控制其斜率，如图1 - 1 6 所示。显然当p 趋于无穷大时，s 状曲线趋于 阶越函数，通常情况下，b 取值为1 。另一种常用的s i g m o i d 函数是双曲正切函 数： f ( v ) = t a n h ( 詈) = 百t - e 面x p 丽( - v ) ( 1 - 1 - 7 ) ，o ) + 1 r o z 。 ( a ) 阶跃函数 ，b ) ，o ) - rj o 善 一l 图1 - 1 4 阚值型函数 厂 0 2 ( b ) s g n 函数 f o r ) + - 】 。低 - 1 + 1 图1 - 1 5分段线性函数 图1 - l - 6s i g m o i d 函数 鳕卫挞堂竖堂焦 垒塞 i - i 一3 从人工神经元模型到人工神经网络模型 人工神经网络模型 由大脑神经系统的活动机理可知，仅由单个神经元是不可能完成对输入信 息的处理的，只有当大量的神经元组成庞大的网络，通过网络中各神经元之间 的相互作用，才能实现对信息的处理与存贮。同样道理，只有把人工神经元按 一定规则连接成网络，并让网络中各神经元的连接权按一定的规则变化，才能 实现对输入模式的学习与识别。生物神经网络与人工神经网络的不同之处是， 前者是由上亿个以上的生物神经元连接而成、仅具有统计性规律的庞大网络； 而后者，限于物理实现的困难和为了计算的简便，是由数量远少于前者的、完 全按一定规律构成的网络。人工神经网络中每一个神经元具有完全相同的结构， 在没有特别规定的情况下，所有神经元的动作无论在时间上还是空间上都是同 步的。根据神经元的连接式不同，人工神经网络可分成两大类：前向网络和相 互结合型网络。 前向网络由输入层、中间层( 隐含层) 和输出层组成，中间层可有若干 层，第一层的神经元只接受前一层神经元的输出。 囝阳互连接型网络根据不同的需要，在不同神经元之间具有反馈信息的传 递。 根据不同需要，我们可以选择不同的人工神经网络模型，但无论哪种形式 的人工神经网络都有一个共同的特点：网络的学习和运行取决于各种神经元连 接权的动态演化过程。某些拓扑结构相同的人工神经网络，却具有不同功能特 性，是因为其具有各种不同的工作和学习规则，即不同的连接权的动态演化规 律。可见，决定一个网络性质的主要因素有两点：一是网络的拓扑结构；一是 网络的学习、工作规则。二者结合起来构成了一个网络的主要特征。 二人工神经网络的拓扑结构 四川大学博士学位论文 目前人工神经网络的结构类型主要有前向网络( f e e d f o r w a r d n n s ) 、反馈 网络( f e e d b a c k n n s ) 和自组织网络( s e l f - o r g a n i z a t i o n n n s ) ，每一种类型又 有不同的拓扑结构，见表1 】1 。 表1 1 1 人工神经网络模型结构类型 类型 前向型网络反馈型网络 自组织型网络 名称 感知器 h o p f i e l d 网络a r t 网络( a d a p t i v e ( p e r c e p t r o n ) r e s o n a n c et h e o r y ) b p 网络b s b 网络c p n 网络( c o u n t e r 网 ( b a c k p r o p a g a t i o nn n ) ( b r a i n s t a t e i n a - b o x ) p r o p a g a t i o nn e t w o r k ) 络 g m d h 网络( g r o u p b a m 网络b i d e i r e t i o n a lk o h o n e n 网络( k d - h o n e n s 名m e t h o do f d a t ah a n d l i n g )a s s o c i a t i v em e m o r y ) s e l f - o r g a n i z i n gf e a t u r em a p ) 称r b f 网络( r a d i a lb a s i s回归b p 网络( r e c u r r e n t f u n c t i o n ) b a c k - p r o p a g a t i o n ) t d n n 网络玻尔兹曼机网络 ( t i m ed e l a y n n ) ( b o l t z m a n n ) 本文用到b p 网络与r b f 网络，将在后面的内容中作较详细介绍。 三人工神经网络的学习方式 一个神经网络仅仅具有拓扑结构，还不能具有任何智能特性，必须有一套 完整的学习、工作规则与之配合。其实，对于大脑神经网络来说，完成不同功 能的网络区域都具有各自的学习规则，这些完整和巧妙的学习规则是大脑在进 化学习阶段获得的。 心理学家h e b b 著名的假设是：只有当神经元兴奋时，神经元的突触结合 权才被强化而增大。正是这个假设实现了人工神经网络的学习规则，即网络连 接权的调整规则。学习的方式主要有三种： 1 监督学习( 有教师学习) 旦 雌一盔 堂堂 圭堂焦逢塞 这种学习方式需要外界存在一个“教师”，他可对绘定的一组输入提供应有 的输出结采( 正确答案) ，这组基知豹输入一输出数弦称为调练样本集，人工神 经网络系统可根据已知输嫩与实际输出之间的差值( 误差镶号) 来调节系统参 数。 2a 监督学习( 无教烬学习) 非监督学习时不存在外部教师，学习系统完全按照环境提供数据的某些统 计援簿来谖节鑫赛参数或缭梅( 这是一耱鑫缝缓遘糕) ，敦表示塞外嫠输入戆菜 些固脊特性( 如聚类或某姥统计上的分布特征) 。 3 再励学习( 强纯学习) 这葶中掌习介于上述两秘l 情况之间，外部环境对系统输如结构只给出评价僖 息( 奖或惩) ，而不是给出正确答案。学习系统通过强化那螺受奖的动作来改善 建身载陛戆。 露入工神经丽络酶俊越特点 人工神经网络实质是以对大脑的生理研究成果为基础，模拟大脑的某些机 理与专娃制，察现一定的功熊。人工神经网络的一个鬟要特援是网络处理过程燕 以数值方式进行的，而不是以符号方式进行的。由于神经湖络结果本身可以以 符号方式表达，困_ 邈豫其瓷亚符号方式。 人工神经网络憋一种相互间高度连接的，由“神经元”或“节点”组成的 阕络。将信惑输入幽节点组或静阚络，节点之溺鞭一释趸户来知静数学方式稳 互作用，并根据输入信息，不断调整节点之间的相纛连接权值，囊到特定的输 入产生出所期望的输出。由此使人工神经网络“学会”正确的输入一输出响应 行为，这就怒人工神经网络的谢练或攀习除黢( t r a i n i n go i l e a r n i n gp h a s e ) ，这 个阶段是人工神经网络至关重要的阶段，也感最费时的阶段。在训练阶段结束 君，裁进入嚣璃徐段( r e c a l l p h a s e ) 与联溺( 接f - ) 除段( g e n e r a l i z a t i o n p h a s e ) 。 在回响阶段，向人正神经网络输入一系列已农训练阶段使用过的输入模式，调 整系统，使之其有爱好豹镑捧毪、可靠性。在预溯阶段，辩入工狰经网络输入 新的输入模式，检骏嘲络系统的性能。 l o 四川大学博士学位论文 从本质上来讲，人工神经弼络也是一釉经验建模工具，它是以监线拟舍方 式进行的。但是，人工神经网络与典型的经验建模方法之间存在着显著的差别， 它具鸯一系列饶于其它计算方法的特点，具体表现在： 1 人工神经网络在结构上与目前的计算机根本不同，它是由许多小的处理单元 连接褥成，每个楚理单元功能简擎，塑大羹豹处爨攀元集体、势行的活动戴 会得到预期的识别、计算效果，并具有较快的速度。 2 人工神经网络具肖很强的容错性，局部的或部分的神经元蓣坏艏，不会影响 全局的活动。在局部节点或连接失效乃至予魍则宠全不掌握的愤况下仍然能 继续工作。 3 入王季枣经嬲络记织黪售患存储在聿孛经元之翅黔权孛，飒攀个权孛着不出其存 储的信息内容，因而是分布式的存储方式。 肆人工神经嘲络具毒十分强大静学习功能，人工神经阏络中翡连接权和连接权 的结掏都可以通过学习得到。人工神经网络可以通过有黢督或光监督学习来 模拟过去必须由入来完成的一些操作。 5 人工专枣经网络更逡会予撼理豢噪声的、不完整或不一致的数据。在人工享孛经 网络中，某输入与某一输出的联系不是由菜个单独的节点直接负责的。第 一节点菠浚窭输入一输文模式熬一个徽特爨，只鸯将所鸯趣这些节熹缀织在 一起，构成一个单独的完整网络时，这些微特征才能反映出宏观的输入一输 出穰式。 6 联想式的存敬方式，使其具有自适应和自组织能力。由子翳络的联结强度可 以改变，就使网络的拓扑结构是有非常大的可塑性，从而其有徽高的国适应 能力。人王毒孛经网络的特性( 输入输出关系) 都是嚣线性豹，因此，人工 神经网络慰类大规模的非线性系统，这就提供了系统的自组织和协同能力。 1 - 2 人工神经网络在流化床中的研究进展 流化庶是优良的传威与传热的反应器。其大规模的农工业上应用已有七 十多年的历史，已被广泛应用于石油、化工、冶金、能源、环保、制药等工业 领域中豹气秘趣工鞠霹据鞠工过程。其中禧拜溅态纯过攫在避2 0 年来丑蕊受到 里卫查一鲎竖圭兰垡堡塞 工业界的重视，其应用包括催化、煤燃烧等关系到国计民生的大型工业过程 2 6 j 。 将人工神经鄹终应嗣到滚态嶷二领域起始予1 9 8 9 颦，v e n k a t a s u b r a m a n i s a 纛 c h a r t * 5 5 将人正神经网络应用于流化床倦化裂化的单元故障诊断。在其后，尤其 是1 9 9 6 年戳来天王摊经隧缮在浚态纯镁域靛疲蘑得到浃速发震。潮蠹人工褥经 网络成用于流化床起始于t 9 9 7 年，郭兵和沈幼庭【3 5 】将混合人工神经网络应用到 煤气纯过程模型研究中。盱海文等 z 3 l 应用多罄前商黧神经潮络对燃煤搪弼：流纯 床锅炉模型化进行了研究。最前为止， 有以下5 个方面：( 1 ) 过程故障诊断： 程颈测；( 5 ) 过程後纯。 人工神经网终在流淼化领域的应用主要 ( 2 ) 。过程控制；( 3 ) 过程建模；( 4 ) 过 l 过糕竣障诊断 由于以下3 个原因，故障诊断的最商应用价值的领域：( 1 ) 邋过训练a n n ， 可形成和存储膏关进程知识并直接扶定藿的掰史敌隙信息中学习；( 2 ) a n 其 毒滤爨噪音及在噪豪情提下褥出结论的缝力，使a n n 适合予在线敞障诊断备检 测：( 3 ) a n n 具有分辨原因及故障类擞的能力。 v e n k a t a s u b m m a n i a n 等【b 5 1 逶过诊叛一个溅态曩二簿亿袈像匏蕈嚣数簿，食绥 了一种应用a n n 的故障诊断方法，正确率为9 4 - 9 8 。俞江萍【”i 采用b p 人 工神经两络每流纯床反应器宏躐动力学模垄穗结合静方法，对蠢爝氨氧纯流纯 床反应器的不正常操作进行了故障诊断，经过训练和可靠梭验的神经网络能准 确辨认故障的发生和类型，流纯床反成器宏观动力学模型根据其知识规则判断 l 起驰兹蹲黢原医。共提蹬了相瘫的调节方法，壹至反应嚣操作眶常。r u i z 等 f ”4 】将人工神经网络应用于工业规模的流化床煤气化装置的故障诊断，结榘令人 替鬻满意。 一般来说故障诊断常用b p 和r b f 网，但模糊神经元网络作为一种更接近 入脑愿维的网络，可麓是解决魏褥题的关键和研究方商。 2 过程控制 耱若a n n 终隽一奠攀科有慧识地萼l 入剿控制系统中寒，人们剥爱神经慰终 的学习能力和非线性特性为复杂系统的辨识和控制歼辟了一条崭新的途径f 3 7 1 。 四j i i 大学博士学位论文 1 9 8 6 年r u m e l h a r t 等”第一次将a n n 用于控制界以后，在短短数年间a n n 覆盖了控制界的大多数领域。如发酵过程的预测控制、生物工艺学的系统建模、 精馏塔的系统辨识、自适应控制、内模控制、最优控制、专家控制、p i d 参数 的整定。神经网络用于控制有两种方法，一种用来构造模型，主要利用对象的 先验信息，经过误差校正反馈，修正网络权值，最终得到具有因果关系的函数， 实现状态估计，进而进行推断控制：另一种直接充当控制器，就象p i d 控制器 那样进行实时控制。神经网络用于控制，不仅能处理精确知识，也能处理模糊 信息。