基于rbf神经网络的工业过程优化研究

基于rbf神经网络的工业过程优化研究

在工业过程控制研究中，复杂系统的过程控制一直是控制领域面临的主要问题之一。联合制碱过程是一个典型的复杂系统,具有过程复杂、难以建立在线控制模型等突出特点。建立复杂系统的非高斯非线性模型,采用非线性粒子滤波(Particlefilter)算法对系统状态进行估计,从而获得复杂系统状态变量较丰富的先验信息,结合RBF神经网络控制方法,建立基于非线性粒子滤波的RBF神经网络结构模型,从而将建模与优化控制相结合,实现联合制碱工业过程的建模与优化,可为解决一类复杂系统的建模与优化研究提供一条有效途径。1rbf神经网络的结构人工神经网络的非线性映射能力非常强,它可以通过学习或训练后自动总结出数据间的函数关系而不需要任何先验公式,因此是一种有效的建模手段。目前使用的最多的学习算法仍然是基于梯度下降的BP神经网络算法和遗传算法。然而基于梯度下降的BP神经网络在用于函数逼近时,权值采用负梯度下降法进行调节,实践证明该方法存在收敛速度慢、易陷入局部极小的缺点。而遗传算法需要设置很多参数。RBF神经网络是由J.Moody和C.Darke于20世纪80年代末提出来的一种神经网络,是具有单隐层的前馈神经网络。RBF神经网络结构简单、训练简洁,是一种局部逼近的神经网络,已证明它能任意精度逼近任意连续函数,与BP神经网络相比,在逼近能力、分类能力和学习速度等方面有较大优势。因此,RBF神经网络广泛应用在模式识别、图像处理、非线性控制和时间序列分析等方面。RBF神经网络由三层组成,包括输入层、隐层和输出层。RBF神经网络的结构见图1。因为高斯基函数表示简单且解析性好,便于进行理论分析。所以,RBF神经网络的基函数选用高斯基函数,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个隐层节点的输出;X=(x1,x2,…,xn)T是网络的n维输入样本;Cj是第j个隐层节点的中心向量;σj是网络标准化常数,反映出与其中心向量相联系的数据的分布程度;m是隐节点数。RBF神经网络的输出为隐层节点输出的线性组合,即:Y=m∑j=1wjuj(2)其中Wj是网络第j个隐层节点到输出层的连接权系数。2煅烧工段的重碱制备工艺联合制碱工业过程是一个典型的复杂系统,具有过程复杂、难以建立在线控制模型的突出特点。我国联合制碱(联产纯碱和氯化铵)是侯德榜发明的,周光耀在侯德榜联合制碱技术的基础上发明了新型变换气制碱工艺,解决了倒塔和连续工作的难题,使联合制碱工业过程适于连续自动控制。联合制碱工业过程的核心工艺流程图见图2。联合制碱工业过程的控制方法从初期的人工操作发展至今,经历了DCS控制、模糊控制、模糊神经网络控制等阶段。本文考虑联合制碱工业过程的煅烧工段。煅烧工段主要是将碳化得到的重碱需经过滤、洗涤和煅烧才可制得纯碱。因为碳化得到的重碱含有很多杂质如:NH4CI、NaCl、NH4HCO3、H2O等。煅烧时温度必须控制在160～200℃之间,温度过高时重碱极易粘壁或结成碱球;温度过低时重碱不能完全分解。另外,煅烧炉的炉头压力是保证从重碱制得纯碱的关键技术参数,受到多种因素的影响,如重碱物料量及其含水量、加热用的蒸气流量及洗涤除尘的工作状态等。两种情况都将导致重碱利用不足,纯碱产量下降。工艺可表示为:P(xk|xk-1)=N(xk;fk(xk-1,k),Qk-1)(17)Ρ(zk|xk)=Ν(zk;x2k20,Rk)(18)或表示为下面方程组:xk=fk(xk-1,k)+Vk-1(19)zk=x2k20+nk(20)这里fk(xk-1,k)=xk-12+25xk-11+x2k-1+8cos(1.2k)(21)Vk-1和nk分别是带有Qk-1和Rk差额的零均值高斯随机变量,根据经验令Qk-1=10,Rk=1。3建模与优化对联合制碱工业过程的煅烧工段建立RBF神经网络模型,并利用粒子滤波优化神经网络。(1)实际运行数据取某制碱企业联合制碱工业过程煅烧工段的实际运行数据20组,将其分成两部分,前17组作为神经网络的训练样本,后3组作为神经网络预测的验证数据。(2)基于非线性粒子滤波的rbf神经网络模型结构调用神经网络工具箱得到一个有10个隐层神经元的神经网络模型。神经网络训练成功后,利用SIN函数来装载训练结果。为进一步优化RBF神经网络模型结构,构建基于非线性粒子滤波的RBF神经网络模型结构,以增强算法在实时性、超调量和稳态误差等性能指标方面的能力。目前解决非线性非高斯系统状态估计的方法主要有扩展卡尔曼滤波(EKF)和卡尔曼滤波(UKF)。由于EKF和UKF都是针对非线性系统的线性卡尔曼滤波方法的变形和改进形式,系统状态必须满足高斯分布,对于非高斯分布的状态模型会导致滤波性能变差。而粒子滤波算法不需要对状态变量的概率密度作过多的约束,所以它是非高斯非线性系统状态估计的“最优”滤波器。(3)重、轻、t次高斯抽样1)假定制碱过程中影响煅烧工段的因素共有N个,评定的温度点数共有M个,确定各温度点的权重vk及各温度点的最优值xk(k≤M);2)以第k个测温点xk为期望,以该测温点下各因素的标准差bk为标准差进行T次高斯抽样(T≥500),得到T个抽样值作为粒子;3)沿负梯度方向,对粒子重新定位;4)计算各粒子的权值;5)选择权值最大的粒子作为神经网络的参数。4基于模糊神经网络的合成仿真MATLAB具有高效的数值计算能力和编程简洁直观的特点,在工业界和学术界得到广泛的使用。MATLAB提供的神经网络工具箱由许多子程序组成,这些程序可以实现神经网络算法中所涉及的许多运算和操作,使得神经网络的设计和训练方便化。实际应用时可根据需要调用相关程序,免除了编写复杂而庞大的算法程序。按上述建模与优化的方法对实际的煅烧工段进行仿真研究。具体仿真步骤是:1)设定初始状态x=0.1,过程噪声协方差Q=1,测量噪声的协方差R=1,仿真长度tf=500,粒子数N=1000;2)调用神经网络工具箱,建立RBF神经网络;3)MATLAB中编写粒子滤波程序并初始化;4)编写模糊神经网络程序并初始化;5)代入实际运行数据,运行程序;6)对模糊神经网络和粒子滤波神经网络的仿真图形,进行比较分析。模糊神经网络已成功应用在联合制碱工业生产过程中。将模糊神经网络方法和基于粒子滤波的RBF神经网络方法进行仿真比较。比较结果如图4所示。从图4中可以明显看出,基于粒子滤波的RBF神经网络方法能更逼近实际状态,证实了粒子滤波算法的优越性,控制方法优于模糊神经网络方法,达到预期控制效果。5rbf神经网络仿真研究通过建立