基于神經(jīng)網(wǎng)絡(luò)的熱工過程辨識研究.pdf

1、熱工過程具有時變性、不確定性及非線性等特點。當(dāng)過程工況發(fā)生變化時，熱工對象的模型參數(shù)也會發(fā)生相應(yīng)的變化。建立精確的熱工過程模型是提高熱工過程控制水平的基礎(chǔ)。人工神經(jīng)網(wǎng)絡(luò)是一種基本不依賴模型的數(shù)學(xué)工具，具有自適應(yīng)學(xué)習(xí)、并行分布處理和較強的魯棒性及容錯性等特點，能夠很好的逼近非線性函數(shù)，為解決熱工非線性系統(tǒng)的建模和控制問題開辟了廣闊的前景。 目前，前向神經(jīng)網(wǎng)絡(luò)的研究工作已取得了很大的成果，其應(yīng)用解決了一些實際問題，但仍然存在一些急需

2、解決的問題，其中如何確定結(jié)構(gòu)簡單、性能優(yōu)良的網(wǎng)絡(luò)結(jié)構(gòu)是最為棘手的難題之一，這一問題阻礙了神經(jīng)網(wǎng)絡(luò)更廣泛的應(yīng)用。神經(jīng)網(wǎng)絡(luò)剪枝算法可以避免過適應(yīng)問題，為獲得合適的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提供了一種很好的解決辦法，但作為一種正在發(fā)展中的算法，剪枝算法參數(shù)的設(shè)置，訓(xùn)練的時間以及算法何時停止等問題在應(yīng)用過程中是必須要解決的。本文正是在這樣的應(yīng)用背景下研究采用神經(jīng)網(wǎng)絡(luò)技術(shù)來解決熱工系統(tǒng)辨識中的相關(guān)問題。 本文介紹了神經(jīng)網(wǎng)絡(luò)過程辨識和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化方法

3、的研究現(xiàn)狀，集中研究神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化算法的改進以及神經(jīng)網(wǎng)絡(luò)和遺傳算法在熱工過程辨識領(lǐng)域中的若干應(yīng)用。 主要內(nèi)容及結(jié)果如下： 1.研究神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化的方法，總結(jié)歸納已有神經(jīng)網(wǎng)絡(luò)剪枝方法的優(yōu)缺點。 2.討論基于靈敏度分析的神經(jīng)網(wǎng)絡(luò)剪枝算法。針對單節(jié)點靈敏度剪枝算法存在的缺點，在原有算法的基礎(chǔ)上，提出一種雙節(jié)點靈敏度剪枝算法。這種算法提高了神經(jīng)網(wǎng)絡(luò)的剪枝速度，能夠很好的確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。所獲得的網(wǎng)絡(luò)不儀具有精簡的網(wǎng)絡(luò)

4、結(jié)構(gòu)，也具有較好的泛化能力；分析總結(jié)已有的懲罰項算法，將靈敏度分析和權(quán)衰減法進行結(jié)合，提出了基于靈敏度的權(quán)衰減算法，并進行了仿真驗證。最后將雙節(jié)點靈敏度剪枝算法和基于靈敏度的權(quán)衰減算法進行比較，分析兩種算法各自的優(yōu)勢。 3.詳細介紹神經(jīng)網(wǎng)絡(luò)用于熱工過程辨識的研究現(xiàn)狀，分析神經(jīng)網(wǎng)絡(luò)剪枝算法引入熱工過程辨識的意義。將基于靈敏度的剪枝算法引入熱工過程辨識，利用所提出的雙節(jié)點靈敏度剪枝算法，對大型火電機組的典型熱工過程進行辨識，建立了精

5、度高，泛化能力好的神經(jīng)網(wǎng)絡(luò)模型，整個建模過程方便、簡單，驗證了基于神經(jīng)網(wǎng)絡(luò)剪枝算法建立非線性熱工過程模型的可行性。 4.電廠熱工過程各參數(shù)間普遍存在相互影響，具有多變量特性。對于多變量過程，要通過現(xiàn)場試驗方法獲取兩兩變量之間的傳遞函數(shù)模型非常困難。本文直接利用多變量過程的輸入輸出數(shù)據(jù)建立多變量神經(jīng)網(wǎng)絡(luò)模型，利用該模型將多變量過程的辨識問題分解成多個單入單出過程的辨識，結(jié)合遺傳算法，從而獲得該多變量過程的傳遞函數(shù)矩陣模型。這方法避