灰箱建模方法研究及其在間歇反應過程中的應用.pdf

1、間歇反應過程在化學工業(yè)過程中占有十分重要的地位。由于間歇過程具有很強的非線性、缺少穩(wěn)態(tài)操作條件、反應過程的不確定性、未知擾動、過程變量的限制和有限的在線測量信息等特性，不易建立準確的數(shù)學模型。本文研究的灰箱建模方法，就是針對這一類復雜的非線性動態(tài)系統(tǒng)的建模問題而進行，以制備橡膠硫化促進劑的間歇縮合反應過程作為建模對象進行模型驗證。
　　 本文的主要內(nèi)容包括：
　　 以機理分析和神經(jīng)網(wǎng)絡建模為基礎，結合灰箱建模思想，研究了

2、誤差補償?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，將復雜系統(tǒng)分解為線性部分和非線性部分；其次，針對系統(tǒng)特性，在機理分析基礎上，采用對角遞歸神經(jīng)網(wǎng)絡(DRNN)建立線性部分的系統(tǒng)模型；然后，結合誤差補償思想將實際系統(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)絡的訓練目標，同時建立線性部分與非線性部分的關聯(lián)關系，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：基于反應基元(Fundamental Genes，F(xiàn)G)的建立復雜非線性系統(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)先驗知識及系統(tǒng)特性分析引入過程的初始反應基元，并以此為出發(fā)點建立結構逼近神經(jīng)網(wǎng)絡模型(StructureApproachingNeuralNetwork,SANN)，實現(xiàn)基元之間的關

4、聯(lián)，賦予網(wǎng)絡節(jié)點實際的物理意義；然后通過提出的最小化預測誤差，結合逐步回歸分析方法(Stepwise Regression Analysis，SRA)選擇最優(yōu)反應基元，優(yōu)化網(wǎng)絡結構，建立起表示系統(tǒng)變量關系的灰箱模型。
　　 在基于反應基元的灰箱建模方法的基礎之上進行改進，提出了改進的基于反應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建候選反應基元池，然后通過粒子群優(yōu)化算法優(yōu)化選擇最優(yōu)反應基元來建立系統(tǒng)模型。在建模過程中，保留GMFG的優(yōu)點的同時，對GMFG建模方法的初始化反應基元和優(yōu)化選擇最優(yōu)基元這兩大方面進行了改進。
　　 以實驗室制備橡膠硫化促進劑的間歇縮合反應過程作為建模對象，對上述三種灰箱建模的仿真結果，從建模精度、“白箱化”程度，以及優(yōu)缺點等方面進行分析和比較，并與黑箱建模的并聯(lián)神經(jīng)網(wǎng)絡建模結果進行比較，表明了這三種灰