基于混合径向基函数神经网络的精馏塔建模与控制.pdfVIP

基于混合径向基函数神经网络的精馏塔建模与控制 王雷 张海涛 陈宗海 (中国科学技术大学自动化系，合肥，230027) 摘要提出了一种新颖的精馏塔通用模型结构．该模型基于径向基函数神经网络，并引入 过程机理修改网络结构和参数．为验证该建模策略，将其用于预分馏塔的建模。仿 真实验结果表明该建模策略优于一般的建模方法并具有较好的控制效果． 关键词混合建模径向基函数神经网络过程建模 1引言 精馏过程在化工生产中具有极其重要的地位，不仅占用了一半左右的总生产能耗，而且 通常直接决定了产品的产量和质量。实现精馏过程的主要生产设备是精馏塔，因而精馏塔的 建模与控制一直是过程控制界的重要研究方向。但由于精馏塔是典型的多输入多输出对象， 其动态响应慢，内在机理复杂，常常具有很多未知的因素，并且参数间的关联非常严重，使 得传统的建模方法无法得到精度和复杂度兼顾的模型，从而严重影响了控制的效果。 神经网络的出现为解决这一问题带来了新的希望，前传多层网络是应用最广泛的模型。 然而，基于反向传播的前传网络常常在学习时陷入局部极小，而引入遗传算法、模拟退火等 BasisFunction，RBF)理 方法则带来巨大的计算量，难以用于实时计算。径向基函数(Radial 论为多层前传网络的学习提供了一种新颖而有效的手段。RBF网络不仅具有良好的推广能力， 而且避免了繁琐的计算，学习速度比通常的BP方法快若干个数量级。RBF神经网络是含有单 个隐层的前向神经网络，隐层执行的是一种固定不变的非线性变换，将输入空间映射到一个 新的空间，输出层在该新的空间中实现线性组合器，可调节的参数就是该线性组合器的权。 通常，RBF网络的性能受中心值、半径值以及隐层节点数的直接影响。并且，RBF网络与其 它类型的神经网络一样具有泛化能力差的缺点。因此，如何选取RBF网络的中心、半径、隐 层结点个数，以及如何提高RBF网络的泛化能力是在过程建模和控制中需要研究的课题。 2精馏塔的试验模型 精馏过程的操作目的是经过反复的部分汽化与部分冷凝将混合物中挥发度不同的各组组 分分离成产品。主要控制目标是：1)质量指标，可用塔顶与塔底料中关键组分的纯度来表示。 2)产品产量和能量消耗在保证产品质量的前提下，尽可能提高产品的产品并设法降低装置的 能耗。 733 一般的质量指标可以取直接质量指标，利用产品质量在线分析仪或是软测量仪测出。也 可以取间接质量指标，如灵敏板温度、温差或双温差。预分馏塔的基本控制方案采用物料平 衡方案。具体来说，取再沸器的加热量和产品抽取量作为操纵变量，而取塔顶灵敏板温度这 个间接的质量指标作为受控变量。 本文的实验对象是精馏塔的Shell模型，由美国壳牌石油公司提出，包括多种控制目标和 应用背景，基本代表了石油化工生产中的典型控制问题，是已经被控制技术界广泛认可的一 种用于测试控制理论和方法是否有效和实用的一种精馏塔模型。 Shell模型包括五个部分：控制目标、控制约束、过程模型、模型增益摄动和测试案例。 其主要思想是，对精馏塔测出每个相关的输入输出通道的数据序列，然后用一阶惯性加纯滞 l(o一曲 后传递函数G(s)===_去逼近这些数据序列，得出一个输入输出的传递函数的矩阵。而文 1’ 订+l 章中放弃对自由被控量的显式表示，将这个大的矩阵切割出以加热量和塔顶的囤流比为输入 量，以塔顶灵敏板温度为输出量的矩阵，构成简化的Shell模型作控制对象。 3改进的RBF网络结构与建模方案 本文提出的通用模型结构采用RBF网络作为基本构架。为了使神经网络模型的收敛方向 更加具有合理性和预见性，我们将其中若干个隐节点的激励函数设定为适当的机理传递函数， 并加大与这些接点连接的神经网络的权值，其余的节点的激励函数仍取高斯径向基函数用于 在线修正，在线修正的方法是截取后若干组在线实验数据进行RBF网络的重新训练，实验证 明只须取后’5组即可满足精度要求，并可加快收敛速度。这种结构的另一个好处就是可以改 进神经网络的外推能力和泛化功能。