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

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

2、困難。因此探索無需對過程有深入了解，通過非機理方法對復(fù)雜系統(tǒng)建模和優(yōu)化控制的方法受到過程控制界越來越高的重視。 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)過程的穩(wěn)態(tài)優(yōu)化問題。具體工作分為兩大部分，建模和優(yōu)化。 在建模部分，針對現(xiàn)代復(fù)雜工業(yè)過程具有多變量、非線性、強耦合性、時變時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，同時針對原有CMAC神經(jīng)網(wǎng)絡(luò)存儲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，經(jīng)過仿真驗證了模糊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，利用遺傳算法對基本粒子群算法的參數(shù)進行優(yōu)選，并在搜索后期實施隨機攝動操作。新的算法能夠根據(jù)實際問題的不同自己優(yōu)選參數(shù)，同時在搜索的后期又能夠很快的跳出局部最優(yōu)。通過對標準測試函數(shù)的仿真驗證了算法有效性。 最后以過氧化氫異丙苯(CHP)分解單元為優(yōu)化對象，進行大量的現(xiàn)場數(shù)據(jù)采集和分析，針對生產(chǎn)裝置運行情況，確定了控制參數(shù)