基于CMAC神经网络的工业稳态优化设计

论文摘要

随着工业过程自动化水平的提高,人们已不仅仅满足生产装置的稳定运行,而对提高生产效率、提高产量和质量以及降低消耗提出了越来越高的要求。平稳、安全、优质、高效的运行成为了人们关注的热点。工业过程稳态优化控制是过程系统取得经济效益的重要保证。传统的基于模型的稳态优化方法的基础是系统的精确数学模型,而许多过程对象呈现很大程度的非线性,内在机理十分复杂,很难直接从机理揭示其内在规律;另外随着工业过程复杂程度的提高,要建立过程系统的精确数学模型十分困难。因此探索无需对过程有深入了解,通过非机理方法对复杂系统建模和优化控制的方法受到过程控制界越来越高的重视。本论文研究了基于神经网络非线性建模方法,以及在神经网络建模基础上的优化技术,主要研究的优化算法是粒子群优化算法和小脑模型关节控制器,这些方法能解决工业过程的稳态优化问题。具体工作分为两大部分,建模和优化。在建模部分,针对现代复杂工业过程具有多变量、非线性、强耦合性、时变时滞和不确定性等特性,使用传统的建模方法很难建立严格的系统模型,本文提出了采用现代的智能建模方法即人工神经网络来建立系统模型。CMAC(cerebellar model articulation controller)神经网络是一种典型的局部神经网络,具有最佳逼近能力,但目前该网络主要是应用在控制方面,本文把该网络应用到稳态优化方面,同时针对原有CMAC神经网络存储空间和泛化精度之间的矛盾,提出了一种模糊CMAC神经网络,有效的克服了原有模型的缺点,经过仿真验证了模糊CMAC的高精度性和快速性。在算法部分,为了克服其基本粒子群优化算法可能陷入局部最优和应用范围不够广泛的缺点,利用遗传算法对基本粒子群算法的参数进行优选,并在搜索后期实施随机摄动操作。新的算法能够根据实际问题的不同自己优选参数,同时在搜索的后期又能够很快的跳出局部最优。通过对标准测试函数的仿真验证了算法有效性。最后以过氧化氢异丙苯(CHP)分解单元为优化对象,进行大量的现场数据采集和分析,针对生产装置运行情况,确定了控制参数和优化目标。使用模糊CMAC神经网络和改进的粒子群算法进行建模和优化,取得了令人满意的效果。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景意义
• 1.2 稳态优化的研究进展及成果
• 1.2.1 国内外相关领域发展现状
• 1.2.2 应用成果
• 1.2.3 人工智能在工业控制领域的应用
• 1.3 课题来源及研究内容
• 1.3.1 课题来源
• 1.3.2 本文主要工作
• 第2章 稳态优化设计方案
• 2.1 引言
• 2.2 稳态优化问题的描述
• 2.3 系统建模
• 2.3.1 传统建模方法
• 2.3.2 智能建模方法
• 2.4 优化算法
• 2.4.1 传统的优化算法
• 2.4.2 智能优化算法
• 2.5 优化方案的提出
• 2.6 本章小结
• 第3章 基于CMAC 神经网络的系统建模
• 3.1 引言
• 3.2 神经网络概述
• 3.2.1 神经网络的发展史
• 3.2.2 人工神经网络的优点
• 3.3 CMAC 神经网络
• 3.3.1 概述CMAC 神经网络
• 3.3.2 神经网络结构
• 3.3.3 学习算法
• 3.4 工作原理
• 3.5 主要应用
• 3.6 与其他网络的比较
• 3.7 算法的改进
• 3.8 模糊CMAC 神经网络模型
• 3.8.1 模糊CMAC 神经网络结构
• 3.8.2 算法原理
• 3.8.3 仿真试验
• 3.9 本章小结
• 第4章 粒子群优化算法的改进与仿真
• 4.1 引言
• 4.2 基本粒子群优化算法原理
• 4.2.1 数学描述与参数分析
• 4.2.2 算法迭代步骤
• 4.2.3 算法特征和流程图
• 4.3 粒子群优化算法研究现状
• 4.4 粒子群优化算法的改进
• 4.4.1 算法的局限性
• 4.4.2 算法的改进
• 4.4.3 其他改进算法
• 4.5 引入随机摄动因子的复合粒子群优化算法
• 4.5.1 参数选择策略
• 4.5.2 随机摄动操作
• 4.5.3 基于GA 新型复合粒子群优化算法
• 4.5.4 仿真实验
• 4.6 本章小结
• 第5章 稳态优化设计方案的实现
• 5.1 引言
• 5.2 优化对象的分析
• 5.3 基于CMAC 神经网络的系统建模
• 5.3.1 建模的主要步骤
• 5.3.2 分解过程模型的建立
• 5.4 基于改进的粒子群优化算法的稳态优化
• 5.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间所发表的学术论文
• 致谢