基于集成神经网络的CSTR状态预测.pdfVIP

2006年全国石油化工生产安全与控制学术交流会 基于集成神经网络的CSTR状态预测 邢杰，萧德云· (清华大学自动化系，北京100084) 摘要：针对连续搅拌反应釜(CSTR)具有的多重稳态性质，提出使用多个相同拓扑结构的神经网络模块组成的集成 神经网络对CSTR的状态进行预测的方法。对集成神经网络的所有网络模块使用多目标粒子群优化算法进行同步训练， 使训练结果收敛于参数空间内最优的Pareto面。避免了单一神经网络训练收敛到某一最优点可能产生的过拟和的问题； 解决了使用传统训练方法对集成神经网络的子网络进行独立训练时增加学习算法复杂度的问题。对CSTR浓度预测的 测试结果证明集成神经网络比同等规模的单一神经网络更适用于CSTR的状态参数预测。 关键词：集成神经网络；FALCON神经网络；多目标粒子群优化；连续搅拌反应釜 中图分类号：TPl83 数。单一大规模的神经网络需要训练的参数较多， 引言 在训练过程中容易不收敛，或者在训练结束后过多 连续搅拌反应釜(ContinuousStirredTank学习随机噪声而产生过拟合状态。集成神经网络是 Reactor，CSTR)是一种典型的化工生产设备，原 解决大规模网络结构的有效方法，通过对有限个神 料在釜内以一定的速率进行化学反应生成产品【¨。 经网络模块共同使用并将输出结果集成12]，使用多 CSTR具有复杂的非线性动态特性，是化工过程中个小神经网络模块组成的集成神经网络具有比同 常见的开环渐进稳定系统。由于化工产品的组分浓 等规模的单一神经网络更好的习和映射性能【3】。 度测量一般比较困难，无法做到实时测量，需要进 对比单一神经网络，集成神经网络的主要制约 行一定的预测工作。而CSTR是化工生产中典型的因素在于需要对每一个神经网络模块分别进行独 多变量耦合长时滞的大型非线性系统，使用传统的 立的训练，严重增加神经网络学习算法的复杂度， 解析方法进行系统建模和状态估计存在一定困难， 增加了神经网络训练过程的不确定性。使用结构相 因此以神经网络为代表的人工智能方法更适用于 同的神经网络模块组成集成神经网络，可以统一集 进行CSTR的诊断与预测工作。目前，神经网络以成神经网络各模块的学习算法，简化训练过程。在 其良好的非线性映射和联想记忆功能，已在大量化 训练时使用多目标粒子群优化算法，可以使集成神 工设备故障诊断、状态和参数的预报等工作中得到 经网络的各网络模块进行同步学习，从而减小集成 广泛和成功地应用。 神经网络的训练过程中的不确定性，使其达到单一 CSTR系统具有严重的非线性和多重稳态性神经网络学习算法的训练效果。同时，对比传统的 质，对具有非线性映射功能的神经网络也有较高的 梯度下降等学习算法，多目标粒子群优化算法更适 要求。在使用神经网络进行CSTR的故障诊断、状用于CSTR的多重稳态性质。传统的神经网络学习 态预测或控制时，一般需要较多的节点和连接，使 算法的训练结果最终收敛于变量空间内的某一最 用较大规模的神经网络适应CSTR较多的状态和参优点，无法更好地适应CSTR的多重稳态，容易产 生过拟和的学习效果。多目标粒子群优化算法的训 收稿日期：2006．09．1l 练结果是粒子群最终收敛于变量空间内的某一最 基金项目：国家863高技术研究计划(2002AA412510， 优区域，各粒子最终分布于变量空间内某一超曲 2002AA412420)