第五章操作工况调优.pptVIP

第 4 层 第 3 层 第 2 层 第 1 层 黑 箱 模型 x1 y xn 统计模型 多元线性回归 ANN模型 BP算法 算 法 原 理 1. 选取样本数据 3. 用梯度法迭代计算w 一组 x y 数据 BP 算法 公式 核心公式 i －k层神经元 p － 样本组数 j － k+1层神经元 Ｏpj －利用第p 组样本数据计算出的 第k+1层神经元j 的输出值 ?－ 学习步长（0~1） ?pj－误差 x1 x3 y1 y2 x2 i j k+1层 k层 BP 算法 公式 x1 x3 x2 i j k+1层 k层 取转换函数 对于输出层 对于隐含层 神经元输出 BP算法小结 O=f(X) X Y W W O=f(WX) O=f(WX) O ?pj=Y-O ?pj BP算法应用 分析问题，确定已知变量，目标变量 选取样本 确定网络结构参数 样本数据预处理（归一化） 确定学习参数 初始化权值 迭代计算权值 学习结束，数据还原 样本优化 网络结构优化 调整学习参数 重新分析问题 数据来自实验或生产记录 样本个数适量 取值全面 分布均匀 分析问题，确定已知变量，目标变量 选取样本 确定网络结构参数 样本数据预处理（归一化） 确定学习参数 初始化权值 迭代计算权值 学习结束，数据还原 样本优化 网络结构优化 调整学习参数 重新分析问题 输入节点数=已知变量数 输出节点数=目标变量数 隐含层数及各层节点数 靠经验取值 分析问题，确定已知变量，目标变量 选取样本 确定网络结构参数 样本数据预处理（归一化） 确定学习参数 初始化权值 迭代计算权值 学习结束，数据还原 样本优化 网络结构优化 调整学习参数 重新分析问题 分析问题，确定已知变量，目标变量 选取样本 确定网络结构参数 样本数据预处理（归一化） 确定学习参数 初始化权值 迭代计算权值 学习结束，数据还原 样本优化 网络结构优化 调整学习参数 重新分析问题 学习步长? 动量因子? 允许误差? 迭代次数 分析问题，确定已知变量，目标变量 选取样本 确定网络结构参数 样本数据预处理（归一化） 确定学习参数 初始化权值 迭代计算权值 学习结束，数据还原 样本优化 网络结构优化 调整学习参数 重新分析问题 随机取权值的初始值 取值通常为 0 附近 或 -0.5 ~ 0.5 分析问题，确定已知变量，目标变量 选取样本 确定网络结构参数 样本数据预处理（归一化） 确定学习参数 初始化权值 迭代计算权值 学习结束，数据还原 样本优化 网络结构优化 调整学习参数 重新分析问题 分析问题，确定已知变量，目标变量 选取样本 确定网络结构参数 样本数据预处理（归一化） 确定学习参数 初始化权值 迭代计算权值 学习结束，数据还原 样本优化 网络结构优化 调整学习参数 重新分析问题 工程实例 乙苯脱氢反应器操作工况的模拟 乙苯 苯乙烯 蒸汽 操作参数 名 称 单位 t 催化剂使用时间 天 F 乙苯进料量 NM3/h T1 第一级反应器入口温度 ℃ T2 第二级反应器入口温度 ℃ SOR 蒸汽／EB重量比 ? P 一、二级反应器出口压差 Mpa 控制目标 名 称 y1 一段出口转化率 y2 二段出口转化率 y 总收率 样 本 号 T SOR F T1 T2 P y1 y2 y 1 3 1.7 18.06 605 607 0.044 31.15 42.07 59.68 2 58 1.4 12.53 613 616 0.058 34.78 35.55 57.76 3 160 1.56 16.2 615 621 0.044 37.89 39.73 62.21 4 209 1.5 19.26 627 628 0.042 39.55 40.46 63.78 5 258 1.39 18.83 621 624 0.049 41.15 40.36 62.43 6 350 1.55 19.67 629 637 0.054 38.6 36.64 60.81 7 392 1.54 17.17 630 625 0.052 33.36 33.41 55.61 网络结构: 6 : 10 :3 学习参数: ?=0.9 ?=0.7 ?1=10-2 ?2=10-3 经过10000次学习 计算输出的误差达到要求 变 量 总收率y 学习结果与样本比较 1 2 3 4 5 6 7 样本输出 59.68 57.76 62.21 63.78 62.43 60.81 55.61 计算输出 59.27 57.88 61.97 64.04 61.80 60.04 55.93 绝对误差 0.41 -