神经网络专家系统在滤机再生控制中研究.pdfVIP

神经网络专家系统在滤机再生控制中的研究 姚树源刘爱论 华东理工大学自动化所上海200237 羹耍：奉文提出一种滤机控制中除蜡过程再生信号的确定方法-该方法采用神经网络专家系统· 。 并经过工厂提供的实测数据进行训练，仿真结果较好．可|三I用于生产实际。 关奠谓t鲁健控棚神最用络专采熏统 一、引言 本文以神经网络专家系统为理论基础 采用知识的神经网络表示、知识获取的自适应 学习训练、知识的自适应并行联想推 x 理等方法，并将其应用于滤机的再生 控制中。滤机是炼油厂用于除蜡的设 备，通常以酮苯作为溶剂，图l为滤 机生产的工艺流程图。操作人员在实 际操作中是通过观测输蜡器工作情况 后凭经验确定滤机再生的周期。由于 滤机在工作时，其进料量．出料量． 滤液面等均为不可控参数，且随机变 化。因此很难通过常规控制系统对其 进行控制，而应用于过程控制的专家 系统则可以模仿人类专家和操作能手 图l滤机工艺流程凰 纳控制技术，完成高品质的控制。 二、神经网络专家系统的结构 神经f目络专家系统的推理机制与现有的专家系统所用的基于逻辑的演绎方法不同，它 的推理机制为一数值计算过程，主要有以下三部分组成： (I)输入逻辑概念到输入模式的变换，并根据论域的特点，确定变换规则，再根据相 应规则，将目前的状态变换成神经网络的输入模式； (2)网络内的前向计算：根据神经元特征，其输入为‘2T,T,jy,，乃为连接权系数， 以为神经元的输出且有只：Z(x，+只)。其中只的为神经元的阙值，Z为单调增非线性函 数，通过上述计算即可产生神经网络的输出模式； 100 (3)输出模式解释：随着论域的不同，输出模式的解释规则亦各异。解释的主要目的 是将输出数值向量转换成高层逻辑概念。 在神经网络专家系统中，不使用由清晰语言描述的分类逻辑标准，只根据系统目前接 收的样本的相似性而确定分类标准且主要表现在网络的权值分布上。同时可以采用神经网 络算法通过学习获取知识的知识表达体系即不确定性推理机制。知识获取包括神经网络的 结构(包括周络层数、输入、输出及隐结点个数)；组织待训练的学习样本：使用神经网络 学习算法，通过对样本的学习，得到所需权值分布从而完成知识获取。知识库由自动知识 获取得到，它是推理机制完成推理和问题求解的基础。知识库可以不断创新。表现为在其 基础上对新样本学习后．获得更多知识与经验的新的网络参数分布。 三、神经网络专家系统的实现 I．预处理算法 除其中数据的误差，每次输入的数据均取近n组的平均值作为新的输入数据。即 x‘=(i／n)zx。， 其中 j置】，2，··’p 以滤机再生后的初始状态P。为基准．采用回溯比较法，以状态变化作为网络的输入， 依此建立一个训练数据矩阵P。。。，其中P为数据的维数，ITI为训练数据的维数。 2．神经同络的童禳 本嗣络由三层组成，其中输入层有14个单元，输出层1个单元，中间隐含层的单元数 通过实验最后确定，系统采用BHM算法进行网络学习与运行。网络训练模式样本的选取 成为系统成功与否的关键。从理论上讲，系统投入运行后面临的输入模式是无穷多的。但 在网络的训练过程中不可能把所有这些模式都作为样本模式来学习，所以如何选取学习样 本是一个很值得研究的问题。考虑到神经网络具有按相似输入产生相似输出的联想功能， 专家系统选择了一些包括各参数上、下限在内的典型数据作为网络的学习样本。 除了学习样本的选择之外，网络本身各种参数的选定也将对系统的工作性能产生影响。 图2为网络误差平方和随训练步数变化的图形。当然。针对不同的学习样本，网络最佳参 数和选择也将有所不同，但变化不会很大，只需做～些调整．经过实验最后确定的网络参 数如图3所示。 参数项