（控制理论与控制工程专业论文）基于蚁群算法的工业过程稳态优化设计.pdf

哈尔滨理t 人学t 学硕i ：学位论文 基于蚁群算法的工业过程稳态优化设计 摘要 随着工业生产的大规模集成化、自动化，人们对控制系统的性能要求不 断提高。稳态优化技术根据控制系统的某些指标来寻找或维持工业过程最优 工况的设备参数或工艺变量，是一种投资小、效益显著的控制技术。怎样建 立准确的系统模型和找到一种有效的优化算法来完成优化设计方案是稳态优 化的两个关键的问题。 针对工业过程的复杂性、非线性和不准确性，本文采用人工神经网络来 智能建模。人工神经网络不仅可任意逼近非线性，且具有大规模并行处理、 知识分布存储、自学习能力强、容错性好等特点，其中的多层前向神经网络 可以以任意精度逼近任何连续函数，典型的有径向基( r b f ，r a d i a lr a s i s f u n c t i o nn e u r a ln e t w o r k ) 神经网络。r b f 网络是一种局部神经网络，其结构 简单、训练简洁，而且学习收敛速度快，本文采用资源优化网络来训练径向 基函数建模，实现网络结构的精简，保证r b f 网络的泛化能力，并通过实 验验证。 为获得优化参数，本文采用蚁群优化算法来寻优，为了克服蚁群算法易 于陷于局部最优和收敛速度慢的缺点对其进行改进，通过自适应的改变信息 素的挥发因子及信息素强度来提高算法寻优速度及其全局性。通过对旅行商 ( t s p ，t r a v e l i n gs a l e s m a np r o b l e m ) l h 题3 1 个城市的路线寻优仿真验证了算 法的有效性。 本文以蓝星石化公司的过氧化氢异丙苯分解单元为优化对象，通过对现 场数据的采集和分析，结合生产工艺的要求确定优化参数和目标。应用资源 优化r b f 神经网络进行系统建模，进而采用改进的蚁群优化算法进行参数 寻优，通过实验证明算法的有效性。 关键词稳念优化；神经网络；蚁群算法；资源优化 哈尔滨理t 人学t 学硕i j 学位论文 d e s i g no fi n d u s t r ys t e a d y - - s t a t eo p t i m i z a t i o n b a s e do na c o a bs t r a c t t h ep e r f o r m a n c er e q u i r e m e n t st oc o n t r o ls y s t e m sh a v e b e e ni n c r e a s e d c o n s t a n t l yw i t ht h ef a c tt h a ti n d u s t r yp r o c e s sl u ni n c r e a s i n g l yt ol a r g e s c a l ea n d a u t o m a t i o n t e c h n o l o g yo fs t e a d y - s t a t eo p t i m i z a t i o nc a nf i n do u to rk e e pt h e e q u i p m e n tp a r a m e t e r so rh a n d i c r a f tv a r i a b l ew h i c hm a k e dt h ei n d u s t r yp r o c e s st o w o r ki nt h eb e s tc o n d i t i o na c c o r d i n gt os o m et a r g e to fc o n t r o ls y s t e m i ti sa c o n t r o lt e c h n i q u eo fl i t t l ed e v o t i o na n dq u i c ke f f e c t h o wt os e tu pa c c u r a t e s y s t e mm o d e l sa n df i n do u tak i n do fe f f e c t i v eo p t i m i z a t i o na l g o r i t h ma r et h et w o c r i t i c a lp r o b l e m so fs t e a d y s t a t eo p t i m i z a t i o n a r t i f i c i a ln e u r a ln e t w o r kw a su s e dt om o d e li n t e l l i g e n t l yf o c u so nt h e c h a r a c t e r i s t i c so fm u l t i v a r i a t e ，n o n l i n e a r i t ya n di n a c c u r a c y a r t i f i c i a ln e u r a l n e t w o r kn o to n l yc a na p p r o a c ha n yn o n l i n e a r i t y ，b u ta l s oh a sl a r g e - s c a l e d p a r a l l e lp r o c e s s ，k n o w l e d g ed i s t r i b u t e ds t o r e ，s t r o n gs e l f - l e a r n i n ga n df a u l t t o l e r a n c ew e l la n ds oo n w h e r e ，m u l t i l a y e rf e e d f o r w a r dn e u r a ln e t w o r kc a n a p p r o x i m a t ea n yc o n t i n u o u s f u n c t i o na t a r b i t r a r yp r e c i s i o n r a d i a lr a s i s f u n c t i o n ( r b f ) n e u r a ln e t w o r ki sat y p i c a lf o r m r b f n e u r a ln e t w o r ki sa p a r t i a ln e u r a ln e t w o r k ，i t s s t r u c t u r ea n dt r a i n i n gi s s i m p l e ，b u tl e a r n i n g c o n v e r g e n c ei sf a s t i nt h et h e s i sr b fb a s e do nr e s o u r c eo p t i m i z i n gn e t w o r k s ( r o n ) w a su s e dt om o d e l ，t or e a l i z es i m p l i f yo fn e t w o r ks t r u c t u r e ，a n dt o g u a r a n t e et h eg e n e r a l i z a t i o nc a p a b i l i t yo fr b f w e v e r i f i e di tb ye x p e r i m e n t s a n tc o l o n yo p t i m i z a t i o n ( a c o ) w a su s e dt ol o o kf o ro p t i m i z i n gp a r a m e t e r s i nt h et h e s i s i no r d e rt oo v e r c o m et h es h o r t c o m i n gt h a ta c ow a se a s yt ob ei n l o c a lo p t i m u ma n di t sc o n v e r g e n c ew a ss l o w ，a c ow a si m p r o v e d t h es p e e d o fl o o k i n gf o ro p t i m i z i n gp a r a m e t e r sw a si n c r e a s e da n do v e r a l lw a si m p r o v e db y c h a n g i n g v o l a t i l i z a t i o nf a c t o ra n d i n t e n s i t y o f p h e r o m o n e s e l f - a d a p t i v e l y e f f e c t i v e n e s so ft h ea l g o r i t h mw a sv e r i f i e db y s i m u l a t i o no nt h e r o u t e0 f 3 1c i t i e s i nt h et h e s i sw et o o kb r e a ku pc e l lo fc h pa s t h eo b j e c t w eh a v e d e t e r m i n e dt h ec o n t r o l l a b l ep a r a m e t e r sa n dt h et a r g e to f o p t i m i z a t i o ns p e c i f i c a l l v b yc a r r y i n go u tl a r g ea m o u n to fs c e n ed a t ac o l l e c t i o na n da n a l y z i n gv i a t h e a c q u a i n t a n c eo ft h ep r o d u c t i v et e c h n o l o g y w eu s e dr b fb a s e do nr e s o u r c e o p t i m i z i n gn e t w o r k sa n di m p r o v e da c ot om o d e la n do p t i m i z e ，a n dh a v e v e r i f i e dt h ev a l i d a t yo ft h ea l g o r i t h mb ye x p e r i m e n t s k e y w o r d s s t e a d y s t a t e o p t i m i z a t i o n ，n e u r a ln e t w o r k ，a n t c o l o n y o p t i m i z a t i o n ，r e s o u r c eo p t i m i z i n gn e t w o r k 哈尔滨理工大学硕士学位论文原创性声明 本人郑重声明：此处所提交的硕士学位论文基于蚁群算法的工业过程稳 态优化设计，是本人在导师指导下，在哈尔滨理工大学攻读硕士学位期间独立 进行研究工作所取得的成果。据本人所知，论文中除已注明部分外不包含他人 已发表或撰写过的研究成果。对本文研究工作做出贡献的个人和集体，均已在 文中以明确方式注明。本声明的法律结果将完全由本人承担。 作者签名：夺晓覆日期：柳g 年弓月 # _ t - e t 哈尔滨理工大学硕士学位论文使用授权书 基于蚁群算法的工业过程稳态优化设计系本人在哈尔滨理工大学攻读 硕士学位期间在导师指导完下成的硕士学位论文。本论文的研究成果归哈尔滨 理工大学所有，本论文的研究内容不得以其它单位的名义发表。本人完全了解 哈尔滨理工大学关于保存、使用学位论文的规定，同意学校保留并向有关部门 提交论文和电子版本，允许论文被查阅和借阅。本人授权哈尔滨理工大学可以 采用影印、缩印或其他复制手段保存论文，可以公布论文的全部或部分内容。 本学位论文属于 保密口，在年解密后适用授权书。 不保密团。 ( 请在以上相应方框内打) 作者签名。：夸瘫锭 日期：刀略年多月l rf t 导师签名：t 弓号鲁f 弓日期：函序；月，j 7 同 哈尔滨理丁人学t 学硕i ：学位论文 第1 章绪论 1 1 课题来源背景及研究意义 随着工业生产的大规模集成化、自动化，人们对控制系统的性能要求不 断提高，已不满足生产装置的稳定运行；再加上人们环保意识逐步增强和原 材料的价格不断上涨使产品的生产成本不断提高，人们希望找到一种方法， 在不必对原有设备进行频繁改造的前提下，通过改善操作来实现降低成本与 能耗，实现高产量、高质量和高生产效率的目标。因此，对工业系统进行稳 态优化，确定和跟踪使系统运行在最优工况的生产工艺条件和操作参数是十 分重要的【l 】o 稳态优化是根据某些指标的规定，分析参数，从而建立系统的数学模 型，通过采用某种优化算法，确定最佳操作条件，来寻找和维持工业过程的 最优工况，最终达到减少原材料，降低能源消耗和增加产量，以及提高产品 质量，进而获得最佳经济效益的过程【2 1 。由于投资小、效益显著，目前世界 范围内已形成了竞相引入和使用优化技术的高潮。 东北大学柴天佑院士在实验室里完成了虚拟制造平台，他主持的“混合 智能优化控制技术及应用 项目集管理、优化、控制于一体，刚刚获得国家 科技进步二等奖。2 0 0 6 年北京市金桥工程第十五批立项项目中，中石化北京 燕化公司化学品事业技术部申请立项的八项优化项目预计一年的总效益可达 到1 9 0 0 万。 1 2 工业稳态优化的研究现状 1 2 1 传统工业稳态优化的研究 工业过程稳态优化从6 0 年代开始。当时，西方化工界的企业家将计算机 在线地和一些常规控制器的设定点联接起来，试图用一个静态的过程模型和 非线性规划的方法来达到某种经济性目标函数的最优化。他们在化工、石油 等部门的一些工厂中作过这样的试验，并在杂志上报道了令人赞许的结果， 然而这些成果是个别的，而且往往不能持久。 哈尔滨理t 火学t 学硕j j 学位论文 6 0 年代以后有很长一段时间，工业过程稳态优化的研究主要侧重于在当 时计算机计算速度和存贮能力的限制下如何求解变量关联耦合的工业过程整 体优化问题。7 0 年代初期m e s a r o v i c 等人提出的多级和递阶控制的概念为解 决这一问题提供了新的途径【3 1 。根据m e s a r o v i c 等人的意思，将整个复杂工业 过程分成若干个互相关联的子系统，每个子系统按各自的控制目标决定调节 器最优设定点，并直接对生产过程进行控制；与此同时，上级协调器通过协 调各子系统的控制性能或协调相互之间的关联变量以保证达到稳态时的总体 最优。由于将复杂的工业过程分为多个子系统，分解后每个子系统的变量数 目大大减少，各子系统的优化问题变得比较简单。这是一种静态多级优化方 法。文献f 4 1 介绍了这种方法应用于管理方面的例子，如库存积累、水电站的 管理和分布参数问题的求解等。文献【5 ，6 】也给出了这种优化技术在化学工程 和复杂工厂中的应用实例，如法国硫磺生产联合企业的优化生产和国内大型 合成氨装置的静态优化。 由于工业过程较精确的数学模型不易求得，而且工业过程往往呈现出非 线性以及慢时变性，因此模型和实际系统的特性间存在着差异，静态多级优 化方法按模型所求得的工业过程最优工作点，在实际应用中往往并不是最 优，有时甚至连约束条件也不能满足。静态多级优化这种开环控制不能得到 满意的效果，为此必须从实际生产中引入反馈。通过对真实系统稳态输出量 的测量来校正按模型求得的最优控制设定点。以f i n d e i s e n 为首的一批波兰学 者在这一方面进行了深入的研究，将大系统静态优化的研究与化工过程的计 算机在线控制紧密结合起来，提出稳态递阶优化控制的方法。这一方法为克 服模型与实际过程的差异，通过引用全局和局部反馈来得出一个次优解。随 后他们又提出了利用反馈信息进行迭代校正和协调的各种算法，并对解的存 在性及次优性和算法的收敛性进行了详尽的理论分丰斤【7 一l 。另外，他们还对一 些工业过程如何分解、协调和确定目标函数进行了实际研究，如氧化铝工业 中生产明矾过程的两级递阶控制【9 i 、甜菜制糖工业的递阶控制等【l o i 。国内，以 万百五为首的课题研究小组在稳态递阶优化问题的理论方面进行了大量的研 究 1 1 - 1 5 i ，这包括稳态递阶优化中双迭代思想的提出以及围绕稳念优化的线性 目标函数问题所作的一系列著作等。在应用方面，华东化工学院黄道、蒋慰 孙和四川化工总厂的科技人员共同在合成氨生产中实现了以能耗最小为目标 函数的稳态优化。 稳念递阶优化控制的难点在于，实际过程的输入输出特性是未知的，以 f i n d e i s e n 为首的波兰学者提出的采用各种反馈实现的校讵机制，能得到一个 哈尔滨理t 人学丁学硕i ：学位论文 次优解，但其主要缺点在于一般很难准确估计次优解偏离最优的程度。而且 次优解的次优程度往往依赖于初始点的选取。一个自然的想法是将优化和参 数估计两个步骤分开处理并交替重复进行，直到迭代收敛到最优解的条件。 1 9 7 9 年英国r o b e r t s 基于这个思想，提出了修正两步法，应用递阶系统理论对 优化和参数估计问题的关联进行解耦【1 6 】，这就是通常所说的系统优化和参数 估计的集成研究方法i s o p e 。据报道，在澳大利亚西北大陆架的气田开发上 采用了i s o p e 方法作为数据调停之用【1 7 1 ，并取得了成功。文献【2 ，1 5 1 综述了 i s o p e 方法的理论研究情况。 由上所述，工业过程的稳态优化控制从静态多级优化到稳态递阶优化控 制到i s o p e 优化方法，在解决过程大规模、变量关联方面取得了不少成果。 但总的来说，这三种方法所采取的优化策略仍是传统的基于由系统辨识得到 的参数化模型的线性规划或非线性规划方法。实际上，工业过程是异常复杂 的，尽管通过系统分解，可保证每个子系统的变量维数大大减少，但并不能 消除系统本身所具有的非线性。实际工业过程变量间的非线性关系有时不是 用简单的非线性模型能描述，即使能描述，由于要通过不断的补偿与修正获 取次优解，往往存在算法复杂、难以保证收敛以及迭代次数多、需要摄动等 问题【1 8 i 。 1 2 2 智能优化的发展 随着计算机科学、人工智能、微电子学等学科的迅速发展，人类对自身 智能活动机理的认识也逐渐深化。1 9 7 1 年美国f u ( 傅京孙) 提出以控制理论 与人工智能相结合为主体的智能控制概念【1 9 1 ，此后许多自动控制学者投身于 智能控制的研究。1 9 8 1 年我国中科院的涂序彦提出了大系统智能控制，其 基本思想是用人工智能的概念和方法，总结和模拟人在控制和决策过程中的 经验和规律，来解决大系统的辨识、优化、协调、决策、故障检测、诊断和 定位、处理等问题。在此基础上，国内学者在应用人工智能的概念和方法解 决工业过程稳态优化控制方面也作了一些理论研究1 2 1 - 2 9 l 和实践探索。总的说 来，近十多年来，人工智能在工业过程稳态优化控制方面的研究从三个方面 讲行【3 0 j ： 1 在稳态优化控制中引入基于规则的推理决策机构； 2 采用人工智能技术建立稳态优化控制的过程模型和优化模型； 3 采用先进的优化方法实现工业过程稳态优化。 传统稳态优化控制中各种解析算法严重依赖精确数学模型且其算法本身 哈尔滨理t 人学t 学硕17 学位论文 又十分复杂，在实际工业应用中受到限制。人工智能的引入，在一定程度上 克服了这个问题。可以看出，目前正在逐步形成或酝酿工业过程的智能稳态 优化阶段。由于尚处在发展的幼年时期，工业过程智能稳态优化的还有许多 问题有待于进一步研究： 1 工业过程稳态模型精度的提高和实际工业过程稳态模型的获得； 2 先进优化方法的不断改进和完善； 3 智能稳态优化方法在实际工业过程中的应用研究； 4 智能稳态优化控制的通用化、产品化。 1 2 3 国内外优化软件的发展 稳态优化技术已经广泛应用于各种化工生产中，如乙烯裂解、硝酸生 产、工业p t a 氧化、渣油催化裂化等；而且应用在电力系统优化上，如发电 机组优化组合、电力系统无功优化、经济负荷分配问题等；还应用在车间调 度、结构力学、冶金等很多方面。 欧美国家的一些公司近年来设计了各种优化软件来满足各方面的需求。 据报道国外已有2 0 多家软件公司相继推出了在石油化工过程专用和通用的流 程模拟软件6 0 多种，已有2 0 多家公司推出石油化工软件3 0 余种。其应用领 域涉及天然气加工、原油蒸馏和分馏、烷基化、催化重整、催化裂化、加 氢、溶剂脱蜡、减粘、延迟焦化、硫回收等。比较典型的有a s p e nt c c h 公司 的r o p t ，s i m s c i 公司的严格在线优化软件r o m ，s i m s c i 公司结合美国壳 牌石油公司的流程模拟产品o p e r a 的r e m e o ，h o n e y w e l l 公司的先进控制和 优化软件包p r o f i ts u i t e 以及英国k b c 公司的桌面炼油软件p e t r o f i n e 等，以 上软件都是通用性为主。专门针对某些装置开发的流程模拟和优化软件还包 括i n t e g r a t e dp r o d u c t i o nc o n t r o ls y s t e m 公司、c o n t i n e n t a lc o n t r o l si n c 和 t r e i b c rc o n t r o li n c 等公司的很多产品。在分离过程方面，基于平衡级模型的 流程模拟软件包括a s p e nt e c h 公司的a s p e np l u s 和s i m u l a t i o ns c i e n c e 公司 的p r o 1 1w i t hp r o v i s i o n 。a s p e n 公司的a s p e np i m s2 0 0 4 ；a b ba u t o m a t i o n s i m c o n 公司的优化控制综合系统；e m e r s o np r o c e s sm a n a g e m e n t 的a m ss u i t e “实时优化系统 在位于英国g r a n g e m o u t h 的石油化工装置应用后，产生了 很大的经济效益。 2 0 0 3 年，我国新兴的自动化高新企业浙大中控科技集团公司为用户推出 了流程工业综合自动化的企业增效解决方案一“i n p l a n t ”。工艺流程的稳态 模拟和过程优化软件p r o s i m p l u s t 3 ，是工艺工程软件，用于工业生产中各种 哈尔滨理_ 人学t 学硕f 二学位论文 稳态过程严格的物质和能量守恒计算，它不仅应用于工艺设计中，而且用在 已投产的工厂中进行过程优化、装置故障诊断、故障排除、现场改造或者前 期的工程分析。宁波思华开发的一种优化软件d m o s t 3 2 1 ，根据对所要优化的 对象进行系统分析后，采集相关的生产数据，运用数据挖掘技术，建立优化 模型或提出优化方案，并结合生产装置情况，设计和定制计算机软件( 硬 件) 系统，供用户在线控制或离线进行生产优化。f l y c a r p e t t 3 3 l 是瞬态稳态 系统仿真优化软件，该软件通过建立一个计算平台来解决多专业的建模问 题，可应用于机械、控制、电子、电气、化工、液压、气动等不同领域。无 论工程、科研还是教学，f l y c a r p e t 都是快捷的辅助工具。 1 3 课题来源及研究内容 1 3 1 课题来源 本课题受哈尔滨市学科后备带头人基金项目( 2 0 0 5 a f x x j 0 2 0 ) ：黑龙江省 研究生创新科研项目( y j s c x 2 0 0 5 2 4 6 h l j ) 的资助，做相关领域研究设计。 1 3 2 本文主要内容 工业生产过程的稳态优化，就是在系统稳定运行的前提下，把节能增效 作为优化目标，寻找和保持系统的最优工况。本文研究对稳定运行系统中的 工艺参数进行优化，即建立系统神经网络模型，采用蚁群优化算法对模型求 全局最优解，并针对所选建模与优化方法中存在的问题加以改进，从而得出 比较满意的优化结果。 论文主要工作包括： 1 深刻理解工业稳态优化的概念和意义，掌握稳态优化在国内外相关领 域的发展与研究现状，深入研究稳态优化设计建模与优化两个关键环节的各 种方法，分析比较各种方法的特点，提出自己的优化设计方案； 2 采用资源优化在线径向基函数神经网络建立系统稳态模型，即建立由 输入空间到输出空间的非线性映射。依据系统稳态输入、输出数据构成的一 组学习样本集，进行网络训练，以较少的迭代步数得到满足系统建模精度要 求的模型； 3 采用蚁群优化算法( a c o ，a n tc o l o n yo p t i m i z a t i o n ) 作为优化算法对系 统稳态模型优化，针对蚁群算法可能陷入局部最优和收敛速度慢的特点，本 哈尔滨理- t 人学t 学硕f j 学位论文 文提出改进方法，最终获得最优解； 4 以c h p 分解单元的生产过程数据为对象，采用r b f 网络进行系统建 模，运用改进的蚁群优化算法进行参数寻优，通过仿真结果验证此建模与优 化求解方法的有效性。 哈尔滨理t 大学t 学硕i ：学位论文 第2 章工业过程稳态优化设计方法 2 1 稳态优化问题的描述 优化问题的一般描述为 r a i n ，“，石2 ，) 融荔：劐三吕 ( 2 1 ) ( 2 2 ) 其中，毛为优化变量，f = 1 2 ，胁，“，屯，) 为目标函数， ，“，而，) 为约束函数，g “，x 2 ，a m ) s0 为约束条件。当目标函数和约 束函数均为线性函数时，问题称为线性规划，当目标函数和约束函数中至少 有一个是变量x 的非线性函数时，问题称为非线性规划。此外，根据决策变 量、目标函数和要求的不同，最优化还可以分成整数规划、动态规划、网络 规划、非光滑规划、随机规划、几何规划、多目标规划等若干分支。 对于一个工业工程的稳态优化问题，首先要确定它的目标函数，目标函 数由模型得到，通过改变独立变量以使其最大( 小) 化。目标函数表示了过 程的经济指标。在线优化问题中，目标函数通常与变化量有关。 工业过程是很复杂的系统，与其相对应的优化问题也就更加复杂。优化 问题根据所要优化的系统的不同而具有不同的类型。可按如下方法分类( 由 于分类方法繁多，本文只列出常见的几种) ： 1 根据问题是否含约束条件，优化问题可分为有约束问题和无约束问 题： 2 、根据目标函数和约束函数表达式的特性，优化问题可分为线性规划和 非线性规划； 3 根据系统所包含变量确定性的性质，优化问题可分为确定性规划问题 和随机规划问题。 对一个系统进行优化研究，需要按照以下步骤进行( 3 4 j ： 1 确定要研究的系统，在进行优化研究之前，必须要确定研究的对象和 范围。 2 建立优化模型。 3 优化计算就是要根据建立的优化模型特点，选用合适的优化算法进行 哈尔滨理t 大学t 学硕f ：学位论文 计算。由于不同系统所具有的性质不同，需要选定适合自己的计算方法，因 此，目前还没有一种普遍适用的优化算法，而且优化计算在系统优化过程中 的作用当重要，它直接影响优化结果的有效性。 4 优化计算完成后，需对结果进行分析。对优化过程中各个变量的变化 情况和最终结果的合理性进行分析判断，并和非优化状态下的结果进行比 较。 稳态优化设计的两个关键步骤是建模与优化，下面介绍建模方法和优化 算法。 2 2 建模方法 能够准确的反映系统输入输出关系的模型是优化理论研究的前提，因 此，建立准确的稳态模型是理论研究的首要任务。 工业过程系统建模主要分为传统建模和智能建模两大类。 2 2 1 传统建模 传统建模按照建模原理不同可分为机理建模和系统辨识两种。 机理建模基于机理分析，它反映了系统变化的内在规律，是对过程的严 密描述，在很大程度上依赖于科研和工程开发人员对实际工业过程的理论和 化学、物理过程的原理认识。由于实际过程的复杂性和不确定性，对于工业 过程的认知总是有限的，因此建立严格机理模型十分困难，所花费的时间和 资金很多。 系统辨识是通过对所研究工业过程输入与输出关系的观测，基于一组给 定的模型类，用参数估计方法确定与所测过程等价的模型。建模的主要任务 是利用数据资料对模型中的参数进行辩识，并进行实践检验，它适用于对系 统内部结构缺乏足够的认识或根本不了解系统内部结构的情况。与机理建模 相比较，它无需深入了解过程的机理，从而大大简化模型结构，已成功应用 于系统辨识中的参数估计方法主要包括极大似然法、最小二乘法、互相关 法、辅助变量法和随机逼近法等。然而就模型类来说，双线性模型、幂指数 模型、h a m m e r s t e i n 模型和w i e n e 模型等简单的几种非线性模型类无法满足 千变力化的非线性过程。 哈尔滨理t 大学丁学硕一i ? 学位论文 2 2 2 智能建模 面对非线性、时变及工作原理复杂的工业过程，传统建模已不能满足人 们的需求。智能控制技术的产生和发展拓展了过程建模的方法，从而出现了 智能建模方法。智能建模是指将人工智能、神经网络、模糊逻辑、模式识别 等智能化技术和理论用于工业过程建模的方法。所建立的模型是数学解析模 型与知识系统相结合的广义模型，它包括专家经验方法、神经网络方法、模 糊逻辑方法、模式识别方法等，其中应用最多的是前三种方法。 专家经验建模方法是依靠专家系统从专家和有经验工人那里获取经验知 识，对生产过程进行描述的方法，可以处理定性和启发式的知识信息。专家 经验建模方法，可以处理多变量、非线性、强耦合等复杂关系，且专家系统 具有较强的解释功能，通过专家经验模型可以很容易地得到对工业过程机理 与本质的认知：但专家系统存在知识获取的“瓶颈”问题，由于知识的不完 备性，再加上专家经验模型的学习能力差，推理能力弱，所以专家经验模型 的精度往往不高。 模糊逻辑方法能够很好的利用专家知识，并且模糊逻辑本身提供了专家 构造语言信息并将其转化为控制策略或系统特征模型的一种系统的推理方 法，因而能够解决许多复杂而无法建立精确数学模型系统的控制问题和许多 难以用数学方法建模的复杂系统建模问题。它比较适合于表达那些模糊或定 性的知识，其推理方式比较类似于人的思维方式，但模糊逻辑理论缺乏有效 的自学习和自适应能力。 人工神经网络不仅可任意逼近非线性，且具有大规模并行处理、知识分 布存储、自学习能力强、容错性好等特点，但一般来说，神经网络不适于表 达基于规则的知识，因此在对神经网络进行训练时，由于不能很好地利用已 有的经验知识，常常只能将初始值取为零或随机数，从而增加了网络的训练 时间或者陷入非要求的局部极值。多层前向神经网络可以以任意精度逼近任 何连续函数。径向基函数网络( r b f ) 既有生物背景，又与逼近理论相符合，适 用于多变量函数的逼近，只要中心选择适当，即可获得最优解，且可采用线 性优化学习法，难点是其中心点集的选择。 工业过程的多变量、非线性、强耦合、时变时滞以及不确定性等特性说 明工业过程的异常复杂，传统的建模方法已无法实现，虽然智能建模方法在 解决以上复杂性方面有一定的优势，但是在学习精度、复杂度等方面智能建 模也有待于进一步改进。 哈尔滨理t 大学t 学硕卜学位论文 2 3 优化算法 根据建立的优化模型选择合适的优化算法在系统优化过程中也具有重要 的作用。优化算法大致可分为传统优化算法和智能优化算法。 2 3 1 传统优化算法 一般来说，工业过程稳态优化问题是有约束的非线性问题，在约束条件 下，寻找目标函数最优解。目前求解有约束的非线性规划问题的方法主要有 三类：一类是将条件极值问题转化为无约束的条件极值进行求解，如拉格朗 日乘子法和罚函数法。第二类是将非线性规划问题转化成线性规划问题或二 次规划问题求解，如序列二次规划方法( s q p ，s e q u e n t i a lq u a d r a t i c p r o g r a m m i n g ) 。第三类是直接求解法，如可变容差法和复合型法。序列二次 规划是非线性规划问题中性态最好的，它的收敛性及计算速度都比较理想。 此外，常见的非线性问题的优化方法还有需要求导数或h e s s e n 矩阵的梯 度法、最速下降法、牛顿法、拟牛顿法、最小二乘法等和不需要导数的直接 求法如单纯形法、转轴法和p o w e l l 法等。 尽管传统算法在收敛性和计算速度上都优于智能算法，但传统优化方法 对以下问题的处理比较困难： 1 非凸可行域以及具有多个局部极值问题； 2 不连通的可行域； 3 设计变量全部或部分是离散的、整型的； 4 目标函数具有多个极值； 5 难于求解目标函数和约束函数的梯度。 所以，面对复杂的工业过程，传统优化算法不适用于复杂的工业流程全 局优化。 2 3 2 智能优化算法 2 0 世纪8 0 年代以来，一些新颖的优化算法，如人工神经网络优化、混 沌优化、遗传算法、进化规划、趋化性算法、蚁群算法、粒子群算法、模拟 退火算法、禁忌搜索及其混合优化策略等，通过模拟或揭示某些自然现象或 过程而得到发展。其思想和内容涉及数学、物理学、生物进化、人工智能、 神经科学和统计力学等方面，为解决复杂问题提供了新的思路和手段。在优 哈尔滨理r t 大学t 学硕卜学位论文 化领域，由于这些算法构造的直观性与自然机理，因而通常被称作智能优化 算法，或称现代启发式算法。 蚁群优化算法是由意大利学者m d o r i g o 等人提出的种新型的解决组 合优化问题的模拟进化算法，它是模拟自然界中蚂蚁的觅食行为产生的。蚁 群算法不仅能够智能搜索、全局优化，而且具有稳健性、鲁棒性、正反馈、 分布式计算、易与其它算法相结合等优点，为诸多领域解决复杂优化问题提 供了有力的工具。 2 4 优化设计方案的提出 本文采用蓝星石化公司苯酚丙酮分厂的异丙苯生产过程中的过氧化氢异 丙苯氧化单元中的分解环节作为优化对象，对其进行系统建模和参数优化。 石油化工产业由于其是复杂性、非线性和不确定性的生产过程，故很难 建立精确的数学模型，而神经网络可在有限的实验数据基础上，通过反复迭 代，不断修正与目标值的差异，得到反映实际过程内在规律的模型，实现复 杂映射关系的最佳逼进。任意连续非线性映射均可由含有一个隐层的三层前 馈网络逼近。因此，神经网络可以代替传统数学模型完成由输入空间到输出 空间的映射。所以本文选用神经网络建立系统模型，它具有可任意逼近非线 性、大规模并行处理、知识分布存储、自学习能力强、容错性好等特点，可 更准确的描述工业过程系统，提高模型的鲁棒性和精确性。 优化算法方面，采用蚁群优化算法进行优化。蚁群优化算法是一种随机 算法，具有自组织性和并行性特点，而且是一种正反馈算法，采用蚁群优化 算法可以实现全局优化，提高搜索效率。 2 5 本章小结 本章对复杂工业过程稳态优化进行了总体论述，介绍了稳态优化的概念 和意义，并对实现稳态优化的建模和优化两个环节进行了分析。通过对石油 化工复杂过程的特点研究，以及传统和现代几种优化方法的比较，提出了采 用神经网络对系统建模，蚁群优化算法对参数进行优化计算的方案。 哈尔滨理下人学t 学硕f ：学位论文 第3 章建立径向基神经网络系统模型 建立系统稳态模型是稳态优化设计的基础，也是主要任务之一。由于实 际对象过程的复杂性、非线性和不确定性，系统输入输出关系难以用数学方 程描述，这时神经网络便显示出它独特的优越性。人工神经网络具有高度非 线性、自组织、自适应、自学习等特性，能实现复杂映射关系的最佳逼近， 它在已知有限的实验数据的基础上通过反复迭代，不断修正与目标值的差 异，就可以得到反映实际过程内在规律的模型。 3 1 神经网络模型的理论基础 3 1 1 人工神经网络概述及特点 人工神经网络( a n n ，a r t i f i c i a ln e u r a ln e t w o r k ) 简称神经网络，是由大量 处理单元( 神经元) 广泛互联而成的网络，是对人脑的抽象、简化和模拟， 反映人脑的基本特性。它是在人们利用现代神经生物学和认识科学对人类信 息处理研究所获得成果的基础上提出来的，是由大量简单的处理单元按一定 规则广泛互连而成的网络，是被用来描述或模拟人脑的功能而提出的一种人 工模型。 神经网络的主要特剧3 5 l 是： 1 分布式存储信息其信息的存储分布在不同的位置，神经网络是用大 量神经元直接的链接及对各连接权值的分布来表示特定的信息，从而使网络 在局部网络受损或输入信号因各种原因发生部分畸变时，仍然能够保证网络 的正确输出，提高网络的容错性和鲁棒性。 2 并行协同处理信息神经网络中的每个神经元都可根据接收到的信息 进行独立的运算和处理，并输出结果，同一层中的各个神经元的输出结果可 被同时计算出来，然后传输给下一层做进一步处理，这体现了神经网络并行 运算的特点，这一特点使网络具有非常强的实时性。 3 信息处理与存储合二为一神经网络的每个神经元都兼有信息处理和 存储功能，神经元之l 日j 连接强度的变化，既反映了对信息的记忆，同时又与 神经元对激励的响应一起反映了对信息的处理。 4 对信息的处理具有自组织、自学习的特点经网络的神经元直接的连 哈尔滨理t 人学工学硕一i ：学位论文 接强度用权值大小来表示，这种权值可以通过对训练样本的学习而不断增 加，从而提高神经元对这些样本特征的反应灵敏度。 3 1 2 人工神经网络学习方法 3 1 2 1 学习方式人工神经网络的学习过程实际上就是调节权值和阈值的过 程。模仿人的学习过程，人们提出了多种神经网络的学习方法，其中主要有 三种形式： 1 有教师学习也称为监督学习，是在有“教师”指导和考察的情况下 进行学习的方式； 2 无教师学习也称为无监督学习，是不存在“教师指导和考察，靠 神经网络本身完成的； 3 强化学习也称为再励学习，是介于上述两种学习方式之间。 外部环境对学习后的输出结果只给出评价信息( 奖或惩) ，而不给出正确 答案。神经网络学习系统通过强化那些受奖励的行为来改善自身的性能。 3 1 2 2 拓扑结构人工神经网络的神经元通过一定的拓扑结构相连构成神经 网络，不同的连接方式形成不同的神经网络j 神经网络有多种拓扑结构，按 网络的性能分为连续型与离散型、确定型与随机型、静态与动态网络；按逼 近特性分为全局逼近型与局部逼近型网络；按反馈方式分为前馈型和回归型 网络；按连接突触性质分为一阶线性关联网络、高阶非线性关联网络。相对 而言前向网络和回归神经网络的划分在控制应用中较为典型，前者由于其非 线性函数的逼近能力，后者由于其对动态系统的模拟能力，对非线性和动态 系统的建模与控制具有很好的前景。 多层前向神经网络可以以任意精度逼近任何连续函数，它作为一种非线 性系统的辨识工具得到了广泛的应用。前向神经网络具有分层结构，每层神 经元之间有从输入达到输出的前向连接权，同层神经元以及隔层神经元之间 无连接。根据神经元的激励函数和求和方式的不同，可分为不同网络形式， 其中最典型的是b p 网络和径向基( r b f ，r a d i a lb a s i sf u n c t i o n ) 神经网络。 b p 网络由一个输入层、一个输出层和一个或多个隐含层组成。其中隐含 层可为一层或多层，层与层之间采用全互联方式，同层单元f a j 不存在相互连 接。网络的基本处理单元( 输入层单元除外) 为非线性输入输出关系，一般 选用s 型函数作为作用函数，处理单元的输入值和输出值可连续变化。当给 定网络的一个输入模式时，它由输入层经过隐含层单元逐层处理，传向输出 层单元，由输出层单元处理后产生一个输出模式，故称为前向传播。若输出 哈尔滨理_ 人学_ t 学硕i j 学位论文 模式与期望输出模式有误差，且不满足要求，则转入误差向后传播，即误差 值沿连接通路逐层向后传送，并修正各层连接权值。 r b f 理论为多层前向网络的学习提供了一种新的方法。r b f 神经网络不 仅具有良好的推广能力，而且避免了像b p 算法那样繁琐的计算，使学习能 得以快速的实现。径向基函数在近几年被广泛的应用研究以解决各种问题， 如语音识别、数据分类、图像处理等。下面将着重对r b f 神经网络网络结 构、原理、学习算法等加以介绍。 3 2r b f 神经网络结构和函数 r b f 神经网络的基本思想是：用径向基函数作为隐单元的“基 ，构成隐 含层空间，隐含层对输入矢量进行变换，将低维的模式输入数据变换到高维 空间内，使得在低维空间内的线性不可分问题在高维空间内线性可分。 r b f 网络是一种局部神经网络，其结构简单、训练简洁，而且学习收敛 速度快，许多研究者指出局部神经网络比全局神经网络具有更好的建模精 度。它的产生具有很强的生物学背景。 3 2 1r b f 神经网络结构 r b f 神经网络是多层前向网络，基本的r b f 神经网络由三层组成：第一 层是输入层，第二层是隐含层，第三层是输出层。 r b f 神经网络的输入层节点只传递输入信号到隐层，隐层节点的作用是 在局部对输入信号产生响应，即当输入信号靠近基函数的中心范围时，隐层 节点将产生较大的输出。隐层节点由像高斯函数那样的辐射状作用函数构 成，输出层节点一般是简单的线性函数。此种网络结构具有局部逼近能力。 图3 - 1 所示为刀一h m 结构的r b f 网，即网络有n 个输入节点，h 个隐 含层节点，m 个输出节点。xl 【x l ，x 2 ，x n 】为网络的输入矢量，谚( 奉) 为第i 个隐节点的激活函数，c 为第f 个隐节点中心，隐含层与输出层权值矩阵用 w k , n 【h ，w 2 ，m 】。表不。 径向基网络的输出为 七 k y = 谚( j l x c f i i ) 帆。= ，谚( 0 x - c , i ) ( 3 1 ) 哈尔滨理i t 人学丁学硕j j 学位论文 3 2 2 径向基函数 唬舡一