神经网络预测控制技术及其在化工生产中的应用

神经网络预测控制技术及其在化工生产中的应用
摘要:本文概述了神经网络预测控制技术的控制方法,并列举了三个在化工生产中的应用。

关键词:神经网络;预测控制;化工生产
0 引言
神经网络以其并行处理、分布式存储、自适应性、优化能力和强鲁棒性等特性在控制领域的应用中倍受青睐。

预测控制则是工业过程控制领域发展起来的一种计算机控制算法,它包括模型预测、反馈校正、参考输入轨迹和滚动优化4个部分。

这种算法的基本思想是先预测后控制,其控制动作具有较强的预见性,从而明显优于经典反馈控制系统。

将神经网络用于预测控制中的模型预测已是许多研究者尝试过的好方法。

有人将滚动优化也用神经网络来实现,并取得肯定的结果。

因此,用神经网络预测控制技术运用在化工生产中是很有研究价值的。

1 神经网络预测控制
智能预测控制是针对复杂的受控系统,采用某种智能模型与典型的预测控制算法相结合构成的一类智能型预测控制系统,它弥补了传统预测控制算法精度不高、仅适用于线性系统、缺乏自学习和自组织功能、鲁棒性不强的缺陷。

这些算法可以处理非线性、多目标、约束条件等异常情况。

因此,智能预测控制是当前预测控制研究的热点之一。

本文主要研究其中的神经网络预测控制。

将神经网络理论与预测控制算法相结合,形成了一类神经网络预测控制。

首先是利用神经网络能对任意的复杂非线性函数充分逼近,能够学习和适应不确定系统的动态特性,能采用并行分布处理算法快速进行实时运算等特点,建立神经网络辨识模型作为预测模型。

在此基础上,求取控制律。

按照控制律求取方式的不同,本文将神经网络预测控制分为以下几种类型:
(1)基于线性化方法的神经网络预测控制。

线性化方法一直是处理非线性问题的常用方法,通过各种线性化逼近,可以将非线性控制律的求解加以简化,提高其实时计算速度。

张日东等人提出一种可用于非线性过程的神经网络多步预测控制方法,将非线性系统处理成简单的线性和非线性两部分,用线性预测控制方法求得控制律,避免了复杂的非线性优化求解,仿真结果表明该算法的有效性。

(2)基于迭代学习求解的神经网络预测控制。

这种方法采用神经网络实现
对过程的多步预测,控制信号的求取基于多步预测的目标函数,利用神经网络
预测模型提供的梯度信息进行迭代学习获得。

丁淑艳等人先利用一个BP网络构造一个非线性多步预测模型,根据被控对象输出与网络实际输出之间的误差采用改进的BP算法修改网络权值,模型建好后,根据网络的多步预测输出序列与设定值序列的偏差构造性能指标函数,采用自适应变步长梯度法修改控制律。

李玉云等人在神经网络预测控制中采用一般迭代法求解神经网络预测控制律。

(3)基于神经网络控制器的神经网络预测控制。

这种方法基于两个神经网络,
一个是建模网络,用于过程的动态建模以获取对过程的预测信号;另一个是控制网络,它按照与预测控制目标函数相应的驱动信号来调整整个网络的权值,以获取对预测控制律函数的逼近。

陈博等人将传统预测控制的优化策略与神经网络逼近任意非线性函数的能力相结合,提出了一种基于BP神经网络的新的预测控制算法,即滚动优化模块用一个神经网络来实现,并针对一个工业装置控制实例,探讨了该算法在工业过程控制中的应用。

徐湘元等人在神经网络预测控制中其滚动优化部分也是用一个神经网络来实现,即是一个神经网络控制器。

杨黎峰在学位论文中其优化指标用一个前向网络(NNC)来实现。

文献用神经网络模型作为滚动优化控制器,神经网络控制器通过利用非线性模型及对控制算法提供一种快速、可靠的解决办法来消除在非线性预测应用中主要的问题,并阐述了控制器的设计和补偿方法,最后用一个实例仿真证明了该方法的有效性。

(4)基于遗传算法求解的神经网络预测控制。

薛福珍等人利用通用学习网络的建模方法,提出了一种利用先验知识和神经网络建立非线性系统模型的方法,基于这
种模型利用改进的遗传算法进行优化计算,实现了基于先验知识和神经网络的非线性建模和预测控制,并用一个悬吊系统的仿真试验说明了该算法的有效性。

陈华等人采用一种神经网络作为预测模型,遗传算法作为滚动优化策略的预测控制方法,仿真结果表明对于这类高阶非线性被控对象该方法具有良好的鲁棒性及抗干扰性能。

2 化工生产中的应用
(1)根据铝电解过程非线性、强干扰、时变和大时滞特点,用小波神经网络预测控制方法,该方法通过神经网络控制器与预测器的有机结合,根据电解槽参数的变化实时调整氧化铝下料装置,控制氧化铝浓度,使氧化铝浓度,保持在
设定的范围之内,电解槽处于最佳的工作状态,实验结果表明:该方法控制精度高,动态性能好,具有良好的应用价值。

(2)水煤浆锅炉是一种非线性,强耦合,大时滞的系统,并且被控对象没有精确的数学模型,采用传统的控制方法效果很不理想。

采用BP神经网络对水煤浆锅炉进行建模,作为预测控制中的预测模型,将神经网络和预测控制结合起来以实现复杂系统控制。

仿真结果显示该方法控制效果良好,适合水煤浆锅炉的实时控制。

(3)将神经网络预测控制方案应用到污水处理过程中,对溶解氧和硝态氮质量浓度的控制进行了仿真研究。

仿真结果表明:该方案具备较强的可行性,虽然其算法比较复杂,但其动态性能和自适应性都优于常规PID控制算法,具有良好的自适应性和鲁棒性,解决了模型预测控制不精确和模糊控制缺乏自学习能力、适应性比较差的问题,提高了控制精度。

在控制溶解氧质量浓度的同时对硝态氮质量浓度也进行了控制,解决了只控制溶解氧质量浓度而引起的内回流量增大的问题。

3 结论
对于具有大惯性、大迟延特性且模型不确定的电站主汽温控制系统,采用固定参数常规PID控制难以取得满意的控制效果。

尤其当机组工况发生变化时,主汽温
系统调节通道的纯迟延也会改变,对象模型就发生变化。

由于神经网络具有大规模
并行处理,分布式存储和自适应、自组织的学习能力,所以用神经网络来实现预测控
制算法中的模型预测和优化计算十分有效和适合。

以上提出的控制方案应用于电站
主汽温控制系统的仿真研究表明,这种控制算法是成功的且适应被控对象参数的变
化并表现出良好的控制特性,具有较强的鲁棒性、自适应性。

它明显优于传统的
PID 控制。

参考文献:
[1] 舒迪前;预测控制系统及其应用[M],北京机械工业出版社,1998
[2] 单波、徐燕等;预测控制算法及其在倒立摆中的应用[J],华北电力大学学报,
2001,28(2):46-51
[3] 杨平、彭道刚:神经网络预测控制算法及其应用[J],控制工
程,2003,10( 4):
349-351
[4] 刘宝坤、王慧等;基于神经网络模型的直接优化预测控制[J],信息与控制,
1998,27(5):386-389
[5] 徐湘元、毛宗源;时滞系统的神经网络预测控制[J],控制理论与应
用,2001,
18(6):932-934
[6] 朱斌:循环流化床锅炉汽压的神经网络预测控制[J],智能控制技术,
2004(8):98-101
[7] 韩璞、朱希彦:自动控制系统数字仿真[M],北京中国电力出版社,1996
[8] 王树青:先进控制技术及应用[M],北京化学工业出版社,2001
学习感想
学习了《化工过程分析与合成》,我发现书中结合大量工业实例,全面介绍了
化工过程分析及化工过程合成各个领域的基本内容、方法和技巧。

全书共分为8章,第1章绪论介绍了化工过程及系统工程的发展概况;第2章结合氨合成工艺介绍了化工过程系统稳态模拟方法及其分析求解方法;第3章全面介绍了化工过程系统动态模拟的特性、方法及数学处理;第4章介绍了化工过程系统的优化和求解方法;第5章介绍了化工生产过程操作工况调优的数学模型及调优计算,以及人工神经元网
络的基础知识;第6章介绍了间歇化工过程的基本概念、模型化方法及设计优化;第7章对换热网络的合成及其夹点技术进行了全面的介绍;第8章介绍了分离塔序列
合成的方法。

《化工过程分析与合成》的内容编排是紧密围绕着化工生产过程中的实际问
题及成本核算进行的,遵循由浅至深的原则,结合工业实际案例,全面介绍了化工过程分析与合成的方法。

让我深刻学习了解了化工过程分析与合成方法。