基于数据的间歇过程时变神经模糊模型的研究.pdfVIP

第 28 卷 第 7 期 计算机与应用化学 Vol.28, No.7 2011 年 7 月 28 日 Computers and Applied Chemistry July, 2011 基于数据的间歇过程时变神经模糊模型研究 1 1 1 2 贾立 ，程大帅 ，曹鲁明 ，邱铭森 （1. 上海大学机电工程与自动化学院自动化系，上海市电站自动化技术重点实验室，上海，200072 ； 2. 新加坡国立大学工程学院，新加坡, 119260 ） 摘要：间歇过程的优化控制往往依赖于过程精确的数学模型，快速反应的市场要求使得数据驱动的建模方法被应用到了间歇过 程的建模中。但常规的数据驱动建模方法在模型结构中没有考虑间歇过程具有重复性的特性，只是简单地将间歇过程作为一般 的非线性结构进行处理。针对该问题，本文提出一种新颖的间歇过程时变神经模糊模型，将时间轴和批次轴的信息统一在二维 集成模型的框架下，对间歇过程的输入输出数据按照三维信息进行处理，使模型参数变为时间的函数，从而按照批次轴方向进 行学习，合理地应用了间歇过程在批次轴方向上的重复性信息。因此，通过引入时变权重的概念，使模型结构中蕴含了间歇过 程重复性的特性。在此基础上，提出一种基于迭代学习和 Lyapunov 方法的参数学习算法，避免了传统学习算法中学习参数采用 试凑法的缺点，并对模型的收敛性进行了严格的数学分析，得出模型的学习参数在批次轴方向上渐进收敛的结论。最后，将本 文提出的时变神经模糊模型应用到一典型间歇过程的建模研究中，与传统的神经模糊模型进行了对比，仿真研究表明，本文提 出的时变神经模糊模型具有较好的非线性逼近和自学习能力，能够反应间歇过程的二维模型特性，为间歇过程的建模研究提供 了一条新的途径。 关键词：间歇过程；数据驱动；时变神经模糊模型 中图分类号：TP273; TQ086 文献标识码：A 文章编号：1001-4160(2011)07-915-918 1 引言 间歇过程（batch process ）具有小批量、多品种、系 列化、合成步骤复杂、技术密集等特点，能够满足现代 过程工业的特点和要求[1-5] 。从间歇生产过程中获得最大 效益的问题归根结底是如何对其进行优化控制操作。这 方面早期的工作主要致力于基于机理模型的研究,但间 歇过程的机理十分复杂，往往要耗费大量的人力物力， 不能满足快速反应的市场需要。在此背景下，数据驱动 的经验建模方法被应用到了间歇过程的建模中。传统的 数据驱动建模方法将间歇过程作为一般的非线性结构进 Fig.1 Time-varying parameter. 行处理，没有考虑间歇过程具有重复性的特性，即模型 图 1 时变参数 结构中没有同时蕴含批次轴和时间轴的二维特性。针对 该问题，本文在前期研究工作[3] 的基础上，将动态神经模 糊系统应用到间歇过程的建模研究中，将时间轴和批次 轴的信息统一在二维集成模型的框架下，为间歇生产过 程的建模研究提供新思路。 2 基于数据的间歇过程时变神经模糊模型 间歇过程是一类特殊的非线性过程，它具有重复性 运动的特点，本文假设：对于每一固定时刻, 时变参数 沿批次轴是固定值，如图 1 所示。 对间歇过程的输入输出数据按照三维信息进行处 理，模型参数的学习按照批次方向进行，即同一批次 不同时刻的模型参数单独学习。因此，模型参数变为 Fig.2 Data in batch process. 时间的函数，如图2 所示。 图2 间歇过程数据处理方法 收稿日期：2011-05-16; 修回日期：2011-06-26 基金项目：国家自然科学基金资助项目(610