应用G2NeurOn-Line进行反应过程自适应输出预测.PDFVIP

主题八：过程先进控制、优化技术研究及应用 应用G2 NeurOn-Line 进行反 过程 自适 输出预测 1 1 1 2 1 志云 ，李福庆 ，马继东 ，曹保榆 ，刘景全 ， 1 1 于鲁平 ，冯文强 1.防化研究院，北京102205； 2. 总装科技委，北京100720） 摘 要：应用NeurOn-Line 人工神经元网络建模和编程技术，研究了一个高度非线性和时变的经典生化反 应过程的自适应输出预测问题。NeurOn-Line 是在G2 实时智能环境中开发和实现人工神经元网络系统的图 形化编程软件包。使用G2 和NeurOn-Line 混合智能技术对该生化反应过程进行建模和仿真，成功建立了 一套可视化的自适应学习与预测神经元网络系统。仿真实验结果表明，自适应学习与预测神经元网络系统 能 速跟踪该生化反应过程的时变和非线性特性，准确地预测过程输出。 关键词：生化反应过程，人工神经元网络，实时智能系统，自适应学习与预测，过程建模与仿真 0 引言 [1] 该经典生化反应过程 是神经元网络在动态过程自适应学习、预测和控制应用领域的典 [2－8] [2] 型试验对象，它在一些自适应控制和神经元网络研究领域得到广泛使用 。Ungar 首先提 出以该生化反应器作为自适应过程控制的一个经典试验对象。该仿真的生化反应器是一个 难度较大的控制问题，因为它具有高度非线性、时变性，并且当它运行在不同的操作范围 时，它有着完全不同的特性表现，它的最优运行点接近一个不稳定区域。所以它是一个得 [3－4] 到很好定义的试验过程，可在其上试验自适应控制和神经元网络的新技术、新方法 。在 该同一试验对象上，新技术方法的性能可以直接与其他技术方法比较。该典型试验过程就 是设计来进行此类研究和比较的。 例如，Doerschuk 和Sarrafian [5]在该仿真生化反应器上比较了一个常规PID 控制器和一 个径向基函数神经元网络控制器的性能。Puskorius 和Feldkamp [6-7] 给出了一个解耦的增广 Kalman 滤波器算法，用于训练递 型神经元网络，在该生化反应器上进行了仿真应用。他 们的仿真结果表明，该增广Kalman 滤波器算法训练的递 型神经元网络控制器，在非线性 动态系统的同质结构上，能结合状态空间控制器和观测器的传统特性，同时对过程特性变 化和测量噪声会表现出比纯前馈神经元网络控制器更小的敏感度。Puskorius 和Feldkamp 也 以该生化反应器作为典型实例，探索应用人工神经元网络方法设计非自稳、高度非线性系 [8] 统的控制器 。他们的研究结果证明应用动态梯度法设计的控制器既能有效控制该过程的正 常运行，又对过程参数的变化具有鲁棒性。 [ 9] G2 是Gensym 公司开发的实时智能系统开发软件平台 ，它已在全世界工业过程智能 集成系统的开发和运行方面得到广泛应用。NeurOn-Line 是在G2 实时智能环境中开发和实 现人工神经元网络系统的图形化编程软件包。NeurOn-Line 拥有向量、数据集、训练器、BP、 RBF、Rho 和自互连神经元网络等许多强有力的功能模块。在NeurOn-Line 中，使用这些模 293 主题八：过程先进控制、优化技术研究及应用 块和输入输出数据，能快速训练和建造人工神经元网络模型。NeurOn-Line 应用系统从