基于神经网络的实时专家控制系统及其PTA工业应用.pdf

《基于神经网络的实时专家控制系统及其PTA工业应用.pdf》由会员分享，可在线阅读，更多相关《基于神经网络的实时专家控制系统及其PTA工业应用.pdf（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第!卷 第#期$%&!(%#控制与决策)*+,-*./+0 12 3 4 5 4*+!6年#月77 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 78 9:;!?!A!6 B#?#?F!0其中由Mp k v%l/G 0提出的专家控制A q r B F即基于知识的控制方法F其主要优点在于其层次结构I控制方法和知识表达上的灵活性J但由于存在知识获取的1瓶径2 F在一定程度上限制了其广泛应用知

2、识获取是智能控制系统中极为重要的部分;p$;v曾经指出/0=专家系统和神经网络是知识表达的两种互补方式F专家系统侧重于逻辑I思考性机器推理F而神经网络则在数形I联想I自组织方面收稿日期=!J修回日期=!B J国家自然科学基金项目A#H !H B J国家3#G计划项目A!G MM!B J上海市优秀学科带头人计划项目作者简介=杜文莉A H#5B F男F江苏扬中人F教授F博士生导师F从事智能控制技术及其在石化生产过程中的应用等研究 万方数据更加优越!因为嵌入神经网络技术的专家控制系统能够加强其在不确定或未知环境中的学习能力自动修改或丰富专家系统的知识所以能够克服以往传统专家控制系统的缺陷如#$%对于

3、专家经验的获取瓶颈&%不能综合集成新的经验或知识&(%无法在需要情况下动态修改知识库!为此本文提出一种基于神经网络模型的专家控制系统)*+,-%即利用神经网络方法解决被控对象定性.定量知识的获取问题从而建立基于模型的知识库并利用专家系统的递阶式结构和启发式逻辑推理机制实现复杂工业对象的实时控制!/0 1 2结晶工艺介绍3 4 5精对苯二甲酸)6 7 8%的生产过程由氧化单元和精制单元两部分组成!精制单元将氧化单元生产的粗对苯二甲酸),7 8%在浆料罐中用循环溶剂配制成一定浓度的浆料经过预热器进行升温经蒸汽加热后浆料被溶解成为一透明溶液然后进入反应器进行有选择的催化加氢反应后的物料在4台串联的结

4、晶器中依次降温降压析出6 7 8晶体浆料则送入产品回收单元!在6 7 8生产过程中连续结晶系统是由4台结晶器串联组成主要用来获得满足一定指标要求)如晶粒大小.产品纯度等%的产品!影响6 7 8粒径的因素很多主要有浆料浓度.结晶器温度分布.结晶器中停留时间.搅拌器结构形状和搅拌强度以及溶剂的9:值.杂质等!通常根据产品分析结果由人工调节各结晶器操作参数!一般分析频率间隔较大);?A B在0 1 2生产中的应用=!C基于模型的专家控制系统的设计图C?A B结构本 文 提 出 的 基 于 模 型 的 专 家 控 制 系 统)*D+,-%如图$所示!专家控制系统的知识规则部分来源于神经网络模型部分来自

5、嵌入规则库的以E F G H I J K L表达的浅层先验知识&专家控制系统则主要根据模型提供的信息进行相应优化算法.推理机制的选择并给出调节变量的当前值和预测值&同时神经网络模型接受未来调节变量的预测值计算当前状态下未来被控变量的影响!通常在没有干扰的条件下或设定值保持不变时经过优化方法计算得到的调节变量可以满足被控对象的要求&但若出现不可预测干扰使得被控对象偏离设定值时则该控制系统继续计算优化各调节变量!在该系统中建立对象模型是关键模型特性直接影响到控制策略和优化方法的选择!为实现对6 7 8结晶过程的有效控制上述所有系统均应用M,-的高级控制语言):NOPQ+R R7 M,H(S S S

6、的,R语言%在M,-硬件平台上)86*和8*中%进行研究和开发这不但使得该系统与M,-可以实现E无缝L连接而且还可充分利用M,-的数据采集.处理及通讯资源确保了系统的实时控制!=!/结晶过程平均粒径模型=!/!C平均粒径的建模6 7 8精制装置中从加氢反应器洗出的对苯二甲酸水溶液中没有晶体的存在需要通过4台串联的结晶器来析出晶体确定粒度.粒度分布和产品的纯 度!其中影响6 7 8精制产品粒度的因素很多如进料浓度.反应的负荷.浆料的流速.各级结晶温度和停留时间.搅拌强度以及干燥机的干燥速度等!为避免过多变量对模型及其计算性能的影响通过机理分析与相关性分析相结合进行自变量的筛选3 T 5最终选择4

7、个变量作为模型输入即#第$结晶器与图/平均粒径神经网络模型学习曲线图=平均粒径神经网络模型泛化性能曲线第T期杜文莉等#基于神经网络的实时专家控制系统及其6 7 8工业应用T U 4 万方数据反应器间的温差!第#第$结晶器之间的温差!第#第$结晶器的停留时间!以及前一时刻的平均粒径来预测当前时刻的平均粒径%这里!采用&(的前向神经网络结构形式实现对平均粒径)*+,-的建模%网络训练与拟合曲线如图$#图.所示%其中!图$的模型训练均方误差为/%/0 1!图.的模型预测均方误差为/%/&1%2%3%3模型的外延性能测试在*+,神经网络模型建立的基础上!可通过分别 测试各输入变量在操作点附近对*+,的

8、影响!来判断该模型的外延性能%其中!物料的停留时间可用反应器液位与进料的比值来间接表示%停留时间长!则晶核具有较充分的生长时间!使得+4*平均粒径呈增长趋势%图5中的)6-和)7-分别给出了模型中的停留时间)结晶器液位-外延性能测试曲线%迈尔斯过饱和理论指出8溶液冷却速度与过饱和程度成正比%而过饱和度越大!晶核的生成量就越多!最终所得结晶的粒度就越小%其中晶核首先在第结晶器中生成!然后在其他5台中成长为预期的晶体%所以当第结晶器的温度控制较低时!晶核生成量多!晶体粒度就可能小9而提高第结晶器的温度以控制溶液的过饱和度以及晶核的生长速度!则所得的晶体粒度较大%但当结晶器温度过高时!溶液的过饱和度

9、过大!晶核的生成量虽然多!但没有足够生长 的晶体!因此晶体粒度反而减小%即*+,的大小首先随温度升高而增大!在拐点后随着温度的升高而降低%图5中的):-和);-分别给出了模型中的结晶器温度的外延性能测试曲线%从图5可以看出!随着停留时间的增加!晶核图?模型外延性能测试曲线的生长时间加长!使得平均粒径随之增大9同时!结晶器温度的变化对平均粒径的影响是先增大后减小!这些曲线都符合先验知识!证明了该模型建立的有 效性!可以此为指导!实现+4*产品平均粒径的控制%2%3%2基于模型的知识在线获取本文的A B C,系统的知识同时来源于神经网络与经验总结!分别提供数值型和逻辑型知识%其中!逻辑型知识以常规

10、的D E F G H I J K L形式表达!针对不同控制要求设计!在推理过程中结构固定!参数则可通过人机界面修改%神经网络模型是该A B C,知识在线获取的主要途径%首先!通过将该*+,神经网络模型嵌入M C,系统!同时选取训练得到的权值作为模型的初始参数%在该模型实时计算过程中!通过M C,系统对模型自变量)生产过程操作-数据的实时采集!可以 获取*+,的实时预测值%此外!该模型中还引入了 前时刻的*+,分析值作为模型的反馈输入!因此!该模型不但能较好地克服分析误差带来的扰动影响!而且可以及时反映系统变量动态特性变化带来的影响%其次!由于化工生产过程的动态特性经常变化!在模型运行过程中!若

11、出现较大的工况变化会发生模型失配现象!需要对模型进行修正以提供更为准确的预测信息%为保证控制系统的实时推理!对模型的在线校正采用增量式直接神经网络递推D滚动L校正方式!可由下式描述NOP)Q-R NO)Q-S T U)NU)Q V -V NO)Q V -%其中8 NOP)Q-为当前时刻模型经过校正后的预测值9 T为校正系数!取值/W 之间9 NO)Q V -和NO)Q-分别为前时刻和当前时刻的模型预测值9 NU)Q V -为前时刻的模型真实值)分析值-%2%2 XY Z?的实施2%2%优化方法的选择以+4*平均粒径)*+,-作为控制指标!操作变量为各结晶器的停留时间和温度分布%为满足在线实施要

12、求!没有采用大规模优化问题的求解方法)如遗传算法-!而是根据模型给出的对象特性!即工艺操作点附近与*+,成单调关系的特征对结晶过程的操作参数进行优化%此外!在实际调节过程中!各变量的调整按优先级逐次进行%该优先级的设置可根据操作人员的调控经验或对现场工况的判断%由于采用了各变量依次调整!调节范围依次放开的控制策略!可以利用一维搜索方法进行各个操作点的快速寻优!从而满足控制系统的实时性要求%0 0控制与决策第$/卷 万方数据!#推理机制的确定由于推理机制的类型与推理速度密切相关$而推理类型的选择又与规则库中的知识结构有关$在实时控制中$要在有限的采样周期内将控制信号确定下来$必须选取适当的推理方

13、式%&实时搜索的任务是系统在一个(或多个)目标指导下$搜索使目标成立的途径$最后综合选择问题的最佳解由于各变量的调节均能在不同程度上直接影响控制目标*+,-的大小$为在最大程度上满足装置的平稳控制要求$同时满足控制目标$首先需要根据当前可调节变量的选择情况(可在仪表不良状况下$放弃其中的一个或几个调节手段)$确定优先调整次序$如可按照其对+,-的影响因子或由人工设置来完成不同于常规专家控制系统的推理方式(即将专家知识分成一些知识层$不同的知识层用于求解不同精度的解)$本文提出的./0 1-系统可在神经网络模型预测信息的基础上$利用内嵌的优化算法逐级递阶试探寻优来得到问题的最优解!工业过程在线实

14、施.0 1-的实施步骤如下23)首先通过模型计算当前的+,-值$并与当前设定值相比较$如果偏差满足控制要求$则保持当前操作条件4否则$转5)5)寻找优先级最高的调节变量及其操作范围$并利用已建立的模型对当前操作点附近作线性化处理$通过一维优化搜索算法(如黄金分割法6二分法等)进行操作点附近的参数寻优在调节参数碰到该变量允许调节范围的上下限时$说明该变量当前图7基于89:;控制曲线控制范围内的手段用尽$进行下一级别变量的调整4如果已经满足控制要求$则将调整后的变量参数下装到底层控制回路的设定值$控制系统保持新的操作条件?)若全部操作变量均已调节完毕$仍未达到控制要求$则放大各级变量控制范围$返回

15、5)$重新进行变量参数寻优)若各变量调节范围均到达预先设定的允许最大范围$但仍未达到控制要求$则将模型输出与控制目标最近的各调节变量参数下装到底层控制回路$同时给出边界约束的提示信息图A给出了基于./0 1-的平均粒径控制曲线$可以看出$./0 1-的实施极大程度上保证了+,-的控制平稳$降低了操作人员的劳动强度B结语本文提出了一种基于神经网络模型的专家控制系统(./0 1-)$由于神经网络不同于产生式系统$只要系统的特征(参数)一定$即使学习样本在数量上增加$而无需增加新的内存空间和搜索时间$这在一定程度上缓解了传统专家系统所面临的组合爆炸问题该专家控制系统将模型与先验知识结合$设计了多变量

16、的实时控制策略$所有技术的设计和实施完全集成在CDE0 FG0 H HI J 1 K?L L L集散控制系统的操作环境中$并在工业装置中得到成功应用$极大程度上稳定了生产$为化工生产过程的多变量控制策略提供了一种有效的解决途径参考文献(9 M N M O M P Q M R)%3 李永正专家控制技术和智能控制理论的发展%S 自动化仪表$3 T T&$3 U(&)2 3 K A(H V FW J X Y X Z X _ X a X b _ c _ b Z _ X c d Z e fg hV _ X Z Z V e X _ c _ b Z _ d X b f%S i j k l m n n op

17、q k rs q t k uv u n q j p rm u q s q t k u$3 T T&$3 U(&)2 3 K A )%5 Gw.$-d X J F0 a X b _c _ b Zx g y X h X w b g Z X _ z b yg hg _ d X g _ V c g Z h X Z y b _ d X c g Z x Z X h V e b c X y y%S|k u q j k!m k j s u#o$t l s q t k u n$5 L L L$3&(%)2 U%U K U&5%?+y _ b&S$+_ SS$+b X&K 0 0 a X b _1 _ b Z%S

18、 op q k rs q t l$3 T U%$5 5(?)2 5&K 5 U%.X h y X bH/I d Xy f X b e V y X a X b _y f y _ X g h X w b g Z X _ z b _ X c d Z e V X y%S ()$m j q*n q m rn+t q!o$t l s q t k u n$3 T T 3$5(3)2 3 K 5%A 孙静珉聚酯工艺%.北京2化学工业出版社$3 T U A%陈念贻$钦佩$陈瑞亮$等模式识别方法在化学化工中的应用%.北京2科学出版社$5 L L L%&王耀南智能控制系统%.长沙湖南大学出版社$3 T T%第%期杜文莉等2基于神经网络的实时专家控制系统及其,I+工业应用%T&万方数据