ESN在化工過程辨識與控制中的應用研究.pdf

1、化工過程的辨識與控制是過程控制領域的研究難點與熱點,由于化工過程通常都存在高度的非線性和時變性特性,很難對其建立精確的機理模型。神經(jīng)網(wǎng)絡(Neural Networks,NN)因其優(yōu)良的特性作為一種非線性系統(tǒng)辨識與控制的方法,已經(jīng)得到廣泛的應用,尤其具有動態(tài)特性的遞歸神經(jīng)網(wǎng)絡(Recurrent Neural Networks,RNN)更是占有明顯的優(yōu)勢。但RNN需要訓練網(wǎng)絡中所有權值,導致訓練算法復雜,難以應用于實際工程。
　　

2、回聲狀態(tài)網(wǎng)絡(Echo State Networks,ESN)作為一種新型RNN,其特有的狀態(tài)儲備池(State Reservoir,SR)使其具有很強的動態(tài)逼近能力和良好的短期記憶能力,且只需訓練網(wǎng)絡的輸出權值。因此,在研究 ESN及其訓練算法的基礎上,引入一種泄漏積分(Leaky Integrator,LI)ESN。針對強非線性化工過程,引入基于LIESN的嶺回歸算法,將其應用到化工過程的辨識與控制中,并與傳統(tǒng)方法進行比較,結果表明

3、了該方法的有效性。
　　本文研究內容包括如下幾個方面:
　　(1)重點研究了經(jīng)典ESN的基本結構及學習算法,深入分析了ESN離線及遞推最小二乘(Recursive Least Square,RLS)在線學習算法,并且在此基礎上,引入了結構改進的LIESN,并給出了基于該網(wǎng)絡的嶺回歸算法。
　　(2)研究了 LIESN網(wǎng)絡在化工過程辨識中的應用。針對汽-水熱交換器過程、連續(xù)攪拌反應釜(Continuous Stirrin

4、g Reactor,CSTR)過程、酸堿中和過程及乙烯-乙烷精餾塔過程,分別進行了辨識實驗。結果表明,在同一條件下,LIESN與 ESN網(wǎng)絡、反向傳播(Back Propagation,BP)神經(jīng)網(wǎng)絡、模糊神經(jīng)網(wǎng)絡(Fuzzy Neural Networks,FNN)等方法相比, LIESN網(wǎng)絡能得到很高的辨識精度,學習速度快速而穩(wěn)定。
　　(3)研究了 LIESN網(wǎng)絡在化工過程控制中的應用。主要給出了基于 LIESN的直接逆控制

5、和模型參考控制(Model Reference Control,MRC)策略。將LIESN的直接逆控制應用于 CSTR過程控制。首先采用 LIESN辨識系統(tǒng)模型,然后通過控制器設計控制律,來達到控制的效果。其次,將LIESN的MRC應用于汽-水熱交換器過程控制中。設計LIESN控制器,使得閉環(huán)系統(tǒng)的輸出能夠跟蹤參考模型的輸出。實驗結果表明,在相同條件下,與ESN和徑向基函數(shù)(Radial Basis Function,RBF)神經(jīng)網(wǎng)絡等