基于BP神经网络的动态液位测量.docVIP

　　基于BP神经网络的动态液位测量|第1 摘　要：文中介绍了利用BP神经网络的高度非线性逼近能力，解决连续搅拌反应釜动态液位测量问题。包括BP的基本算法及其应用体会，建立符合实际的动态液位测量网络模型的过程，并给出应用该网络模型实际测量液位的结果。 关键词：BP神经网络；动态液位；测量 The measurement of dynamic liquid levels based on BP neural in (AutomationInstituteof Dalian Maritime University，Liaoning Dalian116026，China)　 　 Abstract：This paper introduces a method easure the dynamic liquid levels in continuous－stirring reactors.It includes the basic arithmetic of BP neural ent of an applicable neural odule of dynamic liquid level measurement.An example of the method is provided in the paper. 　Keyic liquid level；measurement 0　引言　　 　　在制药生产过程中，经常采用非连续方式，即在反应釜内加入生产原料及辅助材料，然后使之在一定的温度、压力条件下进行化学反应，当反应过程的某些参数达到生产指标时，生产过程便结束了。因此，监测这些参数及其变化是非常重要的。在丙二烯二氯化磷的生产过程中以液位作为监测参数。当液位高于工艺要求的指标时，产品的质量不能得到保证；而当液位低于工艺要求的指标时，则有可能使化学反应过度，严重时还可能引起爆炸。反应釜是密闭的，整个反应过程在高温和高真空下进行，全程连续搅拌，釜内充满反应气体，反应末期还会产生大量的泡沫，另外还有极强的腐蚀性。在这种情况下监测液位及其变化情况，难度很大。目前，在实际生产中，只能根据进料与出料的数量差来估计，但由于生产过程的复杂性，随着釜内温度、釜底温度、夹层温度、真空度、搅拌程度、原材料数量及质量的变化，其估计值常大大超出给定的误差。而且在不同的工艺阶段，运行的工况也完全不同，即使在相同工艺阶段，各批号生产运行状况也不尽相同。笔者曾经采用雷达液位仪进行测量，但效果很不理想。现在利用测量压差的方法测量液位，由于搅拌的作用，测量数值波动很大，基于人工神经网络的理论和方法[1]，对测量数据进行处理，找到了解决上述问题的一个新途径。 1　人工神经网络模型　　 　　近年来人工神经网络技术在各个领域里得到广泛应用。人工神经网络是一种大规模的并行联接机制系统，它有一些类似于生物神经系统的处理单元，通过把知识及解决问题的方法表达成单元间相互连接的权来处理问题。人工神经网络具有自适应的能力，有通过实践进行学习的能力，有容错、自修复和抗干扰等能力[3]。利用人工神经网络的这些特点，对大量检测的实时数据进行学习，针对带搅拌的反应釜为每个工艺阶段都建立了液位测量的数学模型。笔者所采用的误差反向传播模型(Back－Propa－gation)，简称BP网络，是一种单向传播的多层前向网络，由于其良好的逼近非线性函数的映射能力和并行处理等特点，近年来被广泛应用于模式识别、图像处理、系统辨识、函数拟合、最优预测等方面。根含层各节点之间、隐含层与输出层各节点之间都用权来连接。其中输入层输入搅拌液位、真空度、釜内温度、夹层温度、釜底温度；输出层输出无搅拌情况下的实际液位。其BP网络模型拓扑结构为5×8×1，即输入层、隐层、输出层分别为5、8、1个节点。隐层节点的激活函数采用了S函数，即500)this.style.ouseg(this)而输出层节点的激活函数采用了线性函数f(x)＝x。 500)this.style.ouseg(this) 2　BP神经网络的学习算法 2.1　神经网络的前馈计算［2］ 　　对于某一训练输入矢量X(x1，x2，…，xm)T，网络的输出为y，对应输入X的理想输出为d。 对于隐层第j个神经元， 500)this.style.ouseg(this) 式中，f2为输出层节点的激活函数 2.2　神经网络权系数的调整 　　对应于每个训练样本p的输入输出模式对的 误差函数为： 　　500)this.style.ouseg(this) 　　为使代价函数最小，采用一阶梯度优化方法，沿梯度变化的反方向修正权系数。对所有样本对的误差进行累加，用累加后的误差修正权值[2]。 对于输出层，其修正公式为： 　　500)this.styl