间歇反应过程的神经网络智能控制.pdf

间歇反应过程的神经网络智能控制赵英凯杨小健南京化工大学奋摘要:本文以造漆厂内烯酸树脂反应釜这种非线性性强,影响因素多的复杂时变系统为对象,开发了一种神经 网络智能控制系统,并分析了该网络系统的估计与学习算法.数字仿真结果表明,该控制策略是行之有效的.奋考一、概述在化工产业中,大量存在的多品种、小批量生产,使间歇反应过程成为化工 生产的一种重要方式.如油漆、食品加工、医药、生化反应中常用的聚合反应釜、微生物发醉罐与细胞培养罐等都是典型的间歇反应过程.然而这类过 程的特性相当复杂,它一般具有严重的非线性与时变特性,滞后时间大,变量间相关性强,单纯 用经典控制理论或仅简单的采用某些现代控制策略(如系统辨识建模,状态估计与自适应控制等)都难以取得较满意的效果.再加之间歇反应罐的操作常具有明显的时序特征.各反应期的特点又有明显不同,故控制策略也应与之适应.为此需引进智能控制的思想,为根本改变间歇反应过程控制水平的落后状态而另辟新路众所周知,知识是智能的基础,将常规控制中的简单反馈 发展为一种具有不断学习,不断获取知识,并在此基础上实施控制的智能策略是一种可行方案[ l ].显然这种学习获取知识的过程可以利用神经 网络来实现.神经网络通过 自学 习将知识隐式的反映在其网络联接权系数上.因而,在这种情况下神经网络将是一种比较恰当且更有效的知识模型.这样我们就绕开了对间歇反应过程的常规建模,从而有望得到较好的效果.本文将以造漆厂丙烯酸树脂反应釜为对象,试图开发一种基于神经 网络的智能控制策略.数字仿 真实验结果证明该算法是有效的。

二、间歇反应过程的神经 网络估计模型多层神经网络是一种很有效的非线性动力学网络[ z 1.由于它的并行处理与存贮信息的能力以及较强的(或离线)自学习功能,使人们自然的想到 用它来作为间歇反应过程的一种估计模型,并通过自学习不断获取知识,调整模型与控制策略[ , J.设间歇反应过程这一复杂非线性对象为:y(k )二f〔y(k一1)⋯⋯y(k 一n),u(k一d)⋯ ⋯u(k 一d 一m)](l) 诊其中m,分别表示过程的输入与输 出y的阶次,d表示纯滞后时间.若用 一个多层神经网络来逼 近被控对象,并 不断调整各神经元的连接权重 与阀值,使神网输出与实际输出之间的误差平方取极小以串联BP网络为例[ ’],其输入层的输入为:一31 1-升(k)y(k一j)u(k一j一d一n)0( j成n一1n成j《n+m(2)隐层的箱入即输入层的输出为:I子(k )一创(k)一千W舀,矛(k)+q(3)其中W 舀为隐 层第i个节点与输入层第j个输入之间的权重.q为隐层第i个节点的阀值.而隐层又是以一个典型的s igm o id函数作为激励函数.即:以(k)二S〔I矛(k)」-而网络的输出层为l一exp〔I于(k)」l+exp[I矛(k )〕(4)y二艺w矛研(k)+‘r石(5)其中w产 为隐层第i个 节 点与输出之 间的权重,r为输出阀值。

应用BP算法,网络按梯度下降法修改权值,以使目标函数J一音〔y(k+l)一‘k+,,〕’取极小.由此可推 得权重与阀值的学习规律:(6)、少、.矛月了8产‘性、了、“w‘k ,一,栽+,、‘卜‘,△解(k卜一,瑞+‘卜,,‘刃二八,,城』气抓 ]~一叼奋布十PQ议八K一二少峨口‘,l ,、_a J.‘Kj=一习石 奋十PO从K一1夕口.(9)(10)其中,与p分别为学习因子与阻尼 因子一般讲,当,增大时,易产生振荡,,减得太小,收敛速度太慢引入阻尼 因子并在修改权重时考虑前一次的修改盆是为了加快收散速度并避免振荡润 三、神经 网络控制器 对间歇反应过程的学习控制该神经网络控制器实质上是一个三输入单输出且具有某一阀值的非线性动态网络.1所示△u=Wle(k)+W:〔e(k)一e(k一 1)〕+W:[e(k )一 Ze(k一l)+e(k一2)]=W:E:(K)+W:E:(K)十W3E,(K)如图(11)其 中连接权重W可用神经网络的自学习功能进行 自适应调整.棒性与自适应性有较大影响.此处取如下的目标函数:1~,,,、,,,, ,、,专[R(K)一 Y(K)],二音e名(k)2‘..一‘一、一‘JZ一、一‘而自学习算法又对系统的鲁(12)采用B P算法求出 W。

的 自学习规律:勺W、(k十1)~W.(k )十入刃.日W.(k )__.____,、_,_.、JY ~W.(k)一人七:t入少肠叹入少;石 dL」(13)一312-其 中入为学习因子.(2)一(5)式求之..____二‘、,、.,~ 一 ~.,‘一~~、 ‘、,~~.~⋯J,,h‘~a Y一山田宁从层阴猎道兰罕刁石,河艰仲妞洲殆 怕1 T 恨翌牺山I代‘,四;六叫出 口、J四、丙烯酸树脂反应釜的神经网络控制丙烯酸树脂漆是以丙烯酸树脂作为基础的涂料.丙烯酸树脂又是丙烯酸与丙烯酸脂或甲基丙烯酸脂的聚合物或共聚物.丙烯酸树脂生产是一种典型的聚合放热反应.随着聚合反应的激烈进行,将放出大量的热.再加之物料粘度的明显增大,造成热量难以排出,极易引起物料 争“基聚”,甚至产生爆炸事故.另外单体及溶剂经发剂的滴加速度及成品放雄时机也都是十分里要的变t它们或是控制变量之一,或是待优化的质t指标函数由于其反应波动激烈,即使利用常规的估计算法或自适应控制算法很难对其进行及时控制.为此本文试图用神经网络来表达间歇反应 釜的复杂特性,同时利用神经网络控 制 器对其控制,以免分发挥它的自学习,自调整功能与并行运算的特点。

反应釜 神经网络控制原理图 如 图2所示.争五、仿真实验与结果根据文献【5〕,丙烯酸树脂聚合反应的对象时域模型如下所示1.当釜温TT,时,为很快将温度降下来,需 由盘管内通冷却水.由文献[ . ]知,此间换热tQU(T.一T.‘)/In T一 T砂(17)其中A .—盘管传热面积(米,)U—总传热系数 T -,T .:—冷却水出,入口温度(℃ ),为设计温度此时,(15)式变为:、,~dT.,,___、二,__、.~ pv七丽=^V入七(t)一h,八1‘一L 一1.夕十咦(18)(16)式变为、e.v.华一h,A、(T一T.)u-(19)根据南京某厂丙烯酸树脂反应釜的现场测试参数,取采样周期T s=1 0秒利用PI D常规算法(K,“1,K.=2,凡一5 )得响应曲线如图3所示.若采用神经网络算法,则响应曲线如图4所示.比较图4 a与图4 b可见,学习因 子 与阻尼 系数选取不 同,控制效果也不一样.六、结束语本文所提出的学习控制算法,不 需知道对象的结构与参数,无需按常规建立对象棋型.针对像间歇反应过程这类不确定性强,非线性与时变特性 明显以及影响因素多的复杂对象,该算法控制性能较好,响应速度较快,适应性与鲁棒性较好.当然神经网络学习控制中一系列参数的选择常需离线事前确定.以上工作只是初步的.对间歇反应过程的智能控制,还有许多工作要做。

参考文献【l〕田华,蒋慰逊,间歇反应雄的智能控制系统新型结构探讨,化工自动化及仪表,V ol.1 9,No.2,14~17,1992年.[2]B.B avorian,Intr司u etiontoNeu r alNetworksfo rIntel ligentC out rol,I EEEc ontr ols终tel nMag“i ne,No.4,1988[3〕F.C.Che n,B aek一Propagatio nNeur alNetworkof orNo司ine a rS elf一Tun ingAdaptiv eCo utr ol,IEEEC匕ntro lsystemMagazin e,N0.4,1990【4〕田明,戴汝为,基于动态BP网络的系统辨识方法,自动化学报,v ol.9,No.4,45 0~453,1993【5〕 [美」W.L.卢伊本著,化学工程师使用的过程模型化,棋拟和控制,北京,原子能出版社,198 7〔6〕 〔日〕尾花英郎,热交换器设计手册,北京,石油工业出版社,198 2.户月口一31今,,,:_ 护卜~“·翎困勺一‘, 二 It , .翻卜月用曰..n.峨 目.奋图l}阅,磊藻阵认虱-藻黔挪哥开争+T 从中网估计器子介{习之l犷『.甲:沪,皿口r门 日日,月别圈卜‘,Jl口,尼沙. .口卜 .口砚 日..,了.卜飞呀:汾呀周珊,功忿铭污帕忆升心.夕以 于百百油.,: .,。

二场如,.带图夺氏 图夺‘,3 15-。