ESN在化工過程辨識與控制中的應(yīng)用研究.pdf

1、化工過程的辨識與控制是過程控制領(lǐng)域的研究難點(diǎn)與熱點(diǎn),由于化工過程通常都存在高度的非線性和時變性特性,很難對其建立精確的機(jī)理模型。神經(jīng)網(wǎng)絡(luò)(Neural Networks,NN)因其優(yōu)良的特性作為一種非線性系統(tǒng)辨識與控制的方法,已經(jīng)得到廣泛的應(yīng)用,尤其具有動態(tài)特性的遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks,RNN)更是占有明顯的優(yōu)勢。但RNN需要訓(xùn)練網(wǎng)絡(luò)中所有權(quán)值,導(dǎo)致訓(xùn)練算法復(fù)雜,難以應(yīng)用于實(shí)際工程。
　　

2、回聲狀態(tài)網(wǎng)絡(luò)(Echo State Networks,ESN)作為一種新型RNN,其特有的狀態(tài)儲備池(State Reservoir,SR)使其具有很強(qiáng)的動態(tài)逼近能力和良好的短期記憶能力,且只需訓(xùn)練網(wǎng)絡(luò)的輸出權(quán)值。因此,在研究 ESN及其訓(xùn)練算法的基礎(chǔ)上,引入一種泄漏積分(Leaky Integrator,LI)ESN。針對強(qiáng)非線性化工過程,引入基于LIESN的嶺回歸算法,將其應(yīng)用到化工過程的辨識與控制中,并與傳統(tǒng)方法進(jìn)行比較,結(jié)果表明

3、了該方法的有效性。
　　本文研究內(nèi)容包括如下幾個方面:
　　(1)重點(diǎn)研究了經(jīng)典ESN的基本結(jié)構(gòu)及學(xué)習(xí)算法,深入分析了ESN離線及遞推最小二乘(Recursive Least Square,RLS)在線學(xué)習(xí)算法,并且在此基礎(chǔ)上,引入了結(jié)構(gòu)改進(jìn)的LIESN,并給出了基于該網(wǎng)絡(luò)的嶺回歸算法。
　　(2)研究了 LIESN網(wǎng)絡(luò)在化工過程辨識中的應(yīng)用。針對汽-水熱交換器過程、連續(xù)攪拌反應(yīng)釜(Continuous Stirrin

4、g Reactor,CSTR)過程、酸堿中和過程及乙烯-乙烷精餾塔過程,分別進(jìn)行了辨識實(shí)驗(yàn)。結(jié)果表明,在同一條件下,LIESN與 ESN網(wǎng)絡(luò)、反向傳播(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)(Fuzzy Neural Networks,FNN)等方法相比, LIESN網(wǎng)絡(luò)能得到很高的辨識精度,學(xué)習(xí)速度快速而穩(wěn)定。
　　(3)研究了 LIESN網(wǎng)絡(luò)在化工過程控制中的應(yīng)用。主要給出了基于 LIESN的直接逆控制

5、和模型參考控制(Model Reference Control,MRC)策略。將LIESN的直接逆控制應(yīng)用于 CSTR過程控制。首先采用 LIESN辨識系統(tǒng)模型,然后通過控制器設(shè)計(jì)控制律,來達(dá)到控制的效果。其次,將LIESN的MRC應(yīng)用于汽-水熱交換器過程控制中。設(shè)計(jì)LIESN控制器,使得閉環(huán)系統(tǒng)的輸出能夠跟蹤參考模型的輸出。實(shí)驗(yàn)結(jié)果表明,在相同條件下,與ESN和徑向基函數(shù)(Radial Basis Function,RBF)神經(jīng)網(wǎng)絡(luò)等