基于时滞神经网络的碳化塔温度预测控制-智能与网络化系统研究所.PPT

基于时滞神经网络的碳化塔温度预测控制 摘要 碳化塔是索尔维法纯碱生产中的关键因素，由于塔内反应复杂，很难用一般的测量工具来控制这个具有大时延的非线性系统。为了解决这个问题，本文提出了一种时滞神经网络（TDNN）方法用于软测量模型，并用一种特殊的BP算法来训练神经网络。与基于多层感知器模型相比，TDNN能更好地跟踪和更精确地预测系统的动态特性。在线分析了输入变量的变化对输出模型的影响，分析结果表明模型能很好地匹配塔的化学反应动力学及实时操作条件。 1.引言 索尔维法是纯碱生产的一种主要方法，碳化塔又是其中最重要的生产工艺，碳化塔的主要结构如图1所示。在碳化过程中，由于其化学反应机制及反应动力学的复杂性[1][2]，很难对它建立一个精确的数学模型，从而更难使用基于机理模型的算法来在线控制碳化塔。 为了保证重碱结晶的晶体大小符合要求和使纯碱产量的最大化，必须要求严格碳化塔的纵向温度分布。如果晶体太小，则过滤工序就会很难过滤，而且会引起锻烧工序的其它问题。由于碳化塔具有非线性和大时延的特性，用常规的控制手段很难控制它的温度分布，如在化工生产中常用的PID控制。 神经网络已经成功地应用在了时滞非线性过程中[3][4]，实际上，时滞神经网络（TDNN）最初是用于语音识别中，能很好地应用于具有大时延的动态系统的建模中。因此，本文用TDNN来预测碳化塔的12圈温度，因为12圈温度是整个纵向温度分布中一个关键的因素。与基于多层感知器模型（MLP）相比，TDNN的预测模型更精确，且鲁棒性好。此外，本文还分析了基于TDNN模型的每个变量的影响因子。 2.软测量模型 A 模型结构 图2为基于TDNN预测模型的基本结构，软测量模型有9个输入变量，输出是碳化塔12圈温度的预测值。输入的采样间隔为1分钟，总共有19个变量是可以实时测量到的，均用于预测12圈的温度。这些实时检测的量有：5个塔内温度（5圈、7圈、12圈和23圈），塔内反应物的温度和流量（预碳酸化后的氨盐水、煅烧气I、煅烧气II），产量（纯碱），冷却水和循环水流量，气体压力（煅烧气I、煅烧气II）。基于化学反应机理和操作经验，选择其中9个作为模型输入，特别地，12圈温度不能作为其中一个输入，因为它对模型的输出具有很强的影响和关联性，而且12圈温度的预测值是每隔3分钟的。 对输入量的预处理包括滤波和规范化，且输入量是碳化塔的实时测量值。通常，这些实时测量值含有许多不利于模型稳定的躁声，对于基于人工神经元模型而言，输入值的一个小小变化可能会导致输出的很大变化。由于模型的输出为变化缓慢的温度，因此可以用FIR滤波器来处理输入量，滤波窗的宽度为1分钟。规范化是输入量预处理中另一个重要的功能。为了方便人工神经元网络的设计，网络输入值均规范到-1到1内。 TDNN是一个多层前馈网络，其隐层神经元和输出神经元 。图3为TDNN的结构。分别为输入神经元、隐层神经元、输出神经元，为不同层神经元之间的连接权值。它与多层感知器（MLP）的结构相似，有三层，包括输入层、隐含层、输出层。但与MLP不同的是，TDNN中的连接权值是矢量而不是标量。如果权值矢量的长度太短，模型就不能再现大时延系统的特性，即模型不能及时响应输入的变化。本文提出的模型中输入层到隐含层权值的长度为17，隐含层到输出层的权值长度为9。 在本文中TDNN的输入层有9个神经元，对应有9个输入变量，包括出碱液流量、氨盐水流量、煅烧气I流量、煅烧气II流量、5圈温度、7圈温度、17圈温度、23圈温度、冷却水和循环水吸收的热量。隐含层有21个神经元，输出层有一个神经元。 预测模型的最后一个单元是将TDNN的输出（被规范化到-1到1）转换为预测值，同样用FIR滤波器，其宽度为10，用于提高模型输出的稳定性。 B TDNN的训练算法 由于TDNN和MLP结构相似，因此可以用BP算法来训练TDNN。在本文中用基于时间的BP算法[7]来训练TDNN模型，算法的性能函数为： 其中e(k)为k时刻模型输出与训练目标的差值，应用误差梯度法有： 其中为第l层中第i神经元到第l+1层中第j个神经元的权值, 为第l层中第i个神经元的输出 对于第l层：1=l=L-1 其中为第l层中第j个神经元的输入，w为权值矢量，其长度为Tl。 从上面的式子中可以得到权值的修正算法[8]来训练TDNN，即： 其中：为BP算法的调整系数，通常：第l层中第i个神经元的输入 为S函数 C 模型输入评价 总共有19个变量是可以实时测量到的，均用于预测12圈的温度，因此评价每个可测变量对模型输出的影响是非常重要，这对选择模型的输入也是非常有用的。为此，定义一个影响因子如（6）式所示，用来表示每个输入xi对模型影响： 其中： 3 实验结果 用碳化塔的历史数据作为训练集，TDN