灰箱建模方法研究及其在間歇反應(yīng)過(guò)程中的應(yīng)用.pdf

1、間歇反應(yīng)過(guò)程在化學(xué)工業(yè)過(guò)程中占有十分重要的地位。由于間歇過(guò)程具有很強(qiáng)的非線性、缺少穩(wěn)態(tài)操作條件、反應(yīng)過(guò)程的不確定性、未知擾動(dòng)、過(guò)程變量的限制和有限的在線測(cè)量信息等特性，不易建立準(zhǔn)確的數(shù)學(xué)模型。本文研究的灰箱建模方法，就是針對(duì)這一類復(fù)雜的非線性動(dòng)態(tài)系統(tǒng)的建模問(wèn)題而進(jìn)行，以制備橡膠硫化促進(jìn)劑的間歇縮合反應(yīng)過(guò)程作為建模對(duì)象進(jìn)行模型驗(yàn)證。
　　 本文的主要內(nèi)容包括：
　　 以機(jī)理分析和神經(jīng)網(wǎng)絡(luò)建模為基礎(chǔ)，結(jié)合灰箱建模思想，研究了

2、誤差補(bǔ)償?shù)幕蚁浣７椒?Grey-box Modelingwith Error Compensation，GMEC)。該方法首先利用了系統(tǒng)分解思想，將復(fù)雜系統(tǒng)分解為線性部分和非線性部分；其次，針對(duì)系統(tǒng)特性，在機(jī)理分析基礎(chǔ)上，采用對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)(DRNN)建立線性部分的系統(tǒng)模型；然后，結(jié)合誤差補(bǔ)償思想將實(shí)際系統(tǒng)與線性部分模型輸出的差值作為非線性部分的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練目標(biāo)，同時(shí)建立線性部分與非線性部分的關(guān)聯(lián)關(guān)系，從而建立系統(tǒng)的輸入輸出模型。

3、
　　 本文提出了一種新的灰箱建模方法：基于反應(yīng)基元(Fundamental Genes，F(xiàn)G)的建立復(fù)雜非線性系統(tǒng)模型的灰箱建模方法(Grey-box Modeling Basedon Fundamental Genes，GMFG)。該方法首先根據(jù)先驗(yàn)知識(shí)及系統(tǒng)特性分析引入過(guò)程的初始反應(yīng)基元，并以此為出發(fā)點(diǎn)建立結(jié)構(gòu)逼近神經(jīng)網(wǎng)絡(luò)模型(StructureApproachingNeuralNetwork,SANN)，實(shí)現(xiàn)基元之間的關(guān)

4、聯(lián)，賦予網(wǎng)絡(luò)節(jié)點(diǎn)實(shí)際的物理意義；然后通過(guò)提出的最小化預(yù)測(cè)誤差，結(jié)合逐步回歸分析方法(Stepwise Regression Analysis，SRA)選擇最優(yōu)反應(yīng)基元，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，建立起表示系統(tǒng)變量關(guān)系的灰箱模型。
　　 在基于反應(yīng)基元的灰箱建模方法的基礎(chǔ)之上進(jìn)行改進(jìn)，提出了改進(jìn)的基于反應(yīng)基元的智能灰箱建模方法(Improved Grey-box Modeling Basedon Fundamental Genes，IGMFG

5、)。該智能灰箱建模方法首先構(gòu)建候選反應(yīng)基元池，然后通過(guò)粒子群優(yōu)化算法優(yōu)化選擇最優(yōu)反應(yīng)基元來(lái)建立系統(tǒng)模型。在建模過(guò)程中，保留GMFG的優(yōu)點(diǎn)的同時(shí)，對(duì)GMFG建模方法的初始化反應(yīng)基元和優(yōu)化選擇最優(yōu)基元這兩大方面進(jìn)行了改進(jìn)。
　　 以實(shí)驗(yàn)室制備橡膠硫化促進(jìn)劑的間歇縮合反應(yīng)過(guò)程作為建模對(duì)象，對(duì)上述三種灰箱建模的仿真結(jié)果，從建模精度、“白箱化”程度，以及優(yōu)缺點(diǎn)等方面進(jìn)行分析和比較，并與黑箱建模的并聯(lián)神經(jīng)網(wǎng)絡(luò)建模結(jié)果進(jìn)行比較，表明了這三種灰