基于模糊最小二乘支持向量机的蒸发过程预测控制研究_临床医学论文.docVIP

基于模糊最小二乘支持向量机的蒸发过程预测控制研究_临床医学论文 基于模糊最小二乘支持向量机的蒸发过程预测控制研究_临床医学论文 【摘要】 　　针对氧化铝蒸发过程的多变量、非线性和大滞后特点及不同时间和空间样本数据不同的特征，提出了基于末位淘汰机制的混沌粒子群算法的综合加权模糊最小二乘支持向量机蒸发过程预测控制方法。用变异混沌粒子群算法对模型预测控制进行滚动优化，计算出最优控制序列。以某氧化铝厂蒸发过程生产数据进行实验验证分析，结果表明： 模型预测结果中相对误差小于8%的样本达到93.9%，出口浓度稳定在240 g／Ｌ附近，其控制性能得到显著改善，同时也起到了降低能耗的目的。 【关键词】 蒸发过程；预测控制；模糊最小二乘支持向量机；混沌粒子群算法 　　Abstract Aiming at the characteristics of multivariable, nonlinearity, large timegy combining the fuzzy least square support vector machine (LSSVM) with weight factor and chaotic particle swarm optimization (CPSO) with last out mechanism was proposed. To achieve rolling optimization in predictive control, a CPSO algorithm with last out mechanism was introduced to calculate the control sequence. The experimental verification analysis was performed using the industrial production data from evaporation process of an alumina plant. The results show that percentage of the samples with prediction relative error less than 8% was up to 93.9%, while the outlet concentration was stabilized at about 240 g/L, and the prediction control performance is greatly improved and plays a role in reducing energy consumption. 　　Keywords Evaporation process; Prediction control; Fuzzy Least square support vector machine; Chaos particle swarm optimization 　　1 引 言 　　蒸发过程是氧化铝生产工艺中的一个重要工序，是一类具有非线性、多变量以及长流程等特点的复杂工业过程，采用常规的建模与控制方法难以达到理想的效果，过程操作优化很难实施。目前实际生产中只使用简单的PID调节，不能取得很好的控制效果，很难做到出口料液浓度的稳定， 且新蒸汽消耗量大。鉴于此，蒸发系统的建模与控制技术得到广泛的研究[1～3]。为了满足控制要求，本研究从过程控制的角度出发，通过过程的优化控制来稳定出口浓度，减少新蒸汽的消耗。 　　预测控制采用模型预测、在线滚动优化和反馈校正等策略，具有适应能力强、控制效果好、鲁棒性强等优点，在工业过程控制中获得了大量成功的应用[4～6]。预测控制中，预测模型的精度对控制效果至关重要。常用的建模方法主要有神经网络和支持向量机等方法。支持向量机因克服了神经网络的一些缺陷，具有更强的泛化能力，因而成为当前的研究热点[7～10]。本研究结合过程机理研究和数据分析，提出了一种综合考虑样本时间和空间影响的模糊支持向量机的过程预测控制方法，采用带末位淘汰机制的混沌粒子群算法进行非线性滚动优化。以蒸发过程生产数据进行实验验证分析。结果表明，预测模型精度高。基于该方法的预测控制能将出口浓度稳定控制在设定范围，有效减少了新蒸汽的消耗量。 　　2 蒸发过程工艺描述 　　蒸发过程主要是对蒸发母液进行浓缩，使其苛性碱的浓度达到规定的指标， 其工艺流程如图1a所示。蒸发母液分别进入Ⅵ效及Ⅳ效，Ⅵ效出料Ⅴ效，Ⅴ效出料经过料泵与Ⅲ闪出料混合后送到调配槽。进入Ⅳ效的原液经Ⅳ、Ⅲ效、Ⅱ效、Ⅰ效、Ⅰ闪、Ⅱ闪、Ⅲ闪蒸发浓缩后，进入蒸发出料泵送到调配槽。发热源来自于热电厂蒸汽，蒸汽通入Ⅰ效蒸发器，产生的一次蒸汽冷