基于CMAC神經(jīng)網(wǎng)絡(luò)的工業(yè)穩(wěn)態(tài)優(yōu)化設(shè)計(jì).pdf

1、隨著工業(yè)過(guò)程自動(dòng)化水平的提高，人們已不僅僅滿足生產(chǎn)裝置的穩(wěn)定運(yùn)行，而對(duì)提高生產(chǎn)效率、提高產(chǎn)量和質(zhì)量以及降低消耗提出了越來(lái)越高的要求。平穩(wěn)、安全、優(yōu)質(zhì)、高效的運(yùn)行成為了人們關(guān)注的熱點(diǎn)。工業(yè)過(guò)程穩(wěn)態(tài)優(yōu)化控制是過(guò)程系統(tǒng)取得經(jīng)濟(jì)效益的重要保證。傳統(tǒng)的基于模型的穩(wěn)態(tài)優(yōu)化方法的基礎(chǔ)是系統(tǒng)的精確數(shù)學(xué)模型，而許多過(guò)程對(duì)象呈現(xiàn)很大程度的非線性，內(nèi)在機(jī)理十分復(fù)雜，很難直接從機(jī)理揭示其內(nèi)在規(guī)律；另外隨著工業(yè)過(guò)程復(fù)雜程度的提高，要建立過(guò)程系統(tǒng)的精確數(shù)學(xué)模型十分

2、困難。因此探索無(wú)需對(duì)過(guò)程有深入了解，通過(guò)非機(jī)理方法對(duì)復(fù)雜系統(tǒng)建模和優(yōu)化控制的方法受到過(guò)程控制界越來(lái)越高的重視。 本論文研究了基于神經(jīng)網(wǎng)絡(luò)非線性建模方法，以及在神經(jīng)網(wǎng)絡(luò)建?；A(chǔ)上的優(yōu)化技術(shù)，主要研究的優(yōu)化算法是粒子群優(yōu)化算法和小腦模型關(guān)節(jié)控制器，這些方法能解決工業(yè)過(guò)程的穩(wěn)態(tài)優(yōu)化問(wèn)題。具體工作分為兩大部分，建模和優(yōu)化。 在建模部分，針對(duì)現(xiàn)代復(fù)雜工業(yè)過(guò)程具有多變量、非線性、強(qiáng)耦合性、時(shí)變時(shí)滯和不確定性等特性，使用傳統(tǒng)的建模方法

3、很難建立嚴(yán)格的系統(tǒng)模型，本文提出了采用現(xiàn)代的智能建模方法即人工神經(jīng)網(wǎng)絡(luò)來(lái)建立系統(tǒng)模型。CMAC(cerebellar model articulation controller)神經(jīng)網(wǎng)絡(luò)是一種典型的局部神經(jīng)網(wǎng)絡(luò)，具有最佳逼近能力，但目前該網(wǎng)絡(luò)主要是應(yīng)用在控制方面，本文把該網(wǎng)絡(luò)應(yīng)用到穩(wěn)態(tài)優(yōu)化方面，同時(shí)針對(duì)原有CMAC神經(jīng)網(wǎng)絡(luò)存儲(chǔ)空間和泛化精度之間的矛盾，提出了一種模糊CMAC神經(jīng)網(wǎng)絡(luò)，有效的克服了原有模型的缺點(diǎn)，經(jīng)過(guò)仿真驗(yàn)證了模糊CMAC

4、的高精度性和快速性。 在算法部分，為了克服其基本粒子群優(yōu)化算法可能陷入局部最優(yōu)和應(yīng)用范圍不夠廣泛的缺點(diǎn)，利用遺傳算法對(duì)基本粒子群算法的參數(shù)進(jìn)行優(yōu)選，并在搜索后期實(shí)施隨機(jī)攝動(dòng)操作。新的算法能夠根據(jù)實(shí)際問(wèn)題的不同自己優(yōu)選參數(shù)，同時(shí)在搜索的后期又能夠很快的跳出局部最優(yōu)。通過(guò)對(duì)標(biāo)準(zhǔn)測(cè)試函數(shù)的仿真驗(yàn)證了算法有效性。 最后以過(guò)氧化氫異丙苯(CHP)分解單元為優(yōu)化對(duì)象，進(jìn)行大量的現(xiàn)場(chǎng)數(shù)據(jù)采集和分析，針對(duì)生產(chǎn)裝置運(yùn)行情況，確定了控制參數(shù)