精馏塔操作的神经网络控制方法

论文摘要

基于神经网络实质并行处理(Parallel Distributed Processing)的机理,控制系统具有很强的自学习性和自适应性,对大滞后、非线性系统可实现预测控制,较经典的PID工业控制方式有明显的优势。由于神经网络具有这样明显的优势,它越来越多地被应用于工农业生产、石油勘探、智能控制和科学实验等众多领域。近年来,神经网络控制方案在工业控制的领域得到迅速的发展。研究了神经网络在精馏塔操作自动控制中的试验和应用。在分析了精馏塔进料量(进料流速)、灵敏点温度变化、塔顶回流、塔顶馏出、塔底馏出等的基础上,得出了影响精馏效果的主要参数。并对网络训练样本数据的获得进行了研究,最终确定了实验数据。基于BP网络的可靠性,本文选取了BP算法。建立了BP神经网络模型,确定了精馏塔操作BP神经网络系统的结构、输入参数和目标控制量,确定了学习率、训练次数和精度。利用由现场采集的运行数据,对网络进行了训练。然后现场采集数据,作为模拟输入值输入已经训练好的BP网络,并将模拟输出值和模拟输出值进行了对比。实验结果表明,经过训练的网络不论是在系统的整个操作区间内还是在操作区间以外,都能够成功地预测产品质量,并依此对影响产品质量的变量及时进行调整。系统运行的平稳性升高,一次不合格品率和能量的消耗也明显降低。同时,神经网络控制方案的引入,也降低了工人的劳动强度,社会效益良好。因此,神经网络控制方案在石油化工生产控制领域的发展前景非常好。

论文目录

• 第一章 引言
• 第二章 人工神经网络综述
• 2.1 神经网络的构成
• 2.1.1 生物神经结构
• 2.1.2 人工神经网络的构成
• 2.2 神经元数学模型
• 2.3 人工神经网络的特性
• 2.4 人工神经网络的典型模型
• 第三章 神经网络与自动控制
• 3.1 经典控制理论和高级控制理论的发展
• 3.2 神经网络控制系统的结构
• 3.3 神经网络控制的主要优势
• 3.4 神经网络的主要学习方式
• 第四章 BP 神经网络及算法
• 4.1 BP 算法介绍
• 4.1.1 BP 算法的原理
• 4.1.2 BP 算法的数学表达
• 4.2 网络模型的确定
• 4.3 BP 算法的训练步骤
• 4.3.1 训练
• 4.3.2 训练步骤
• 第五章 精馏塔系统采用神经网络控制
• 5.1 精馏的原理
• 5.2 精馏塔T-2 工艺流程介绍
• 5.3 生产中存在的问题
• 5.4 问题分析及方案的确定
• 5.5 现场数据的获得和处理方法
• 5.5.1 所需现场数据的分析
• 5.5.2 所需现场数据的获得和处理
• 5.6 模型的建立
• 5.7 计算步骤
• 5.8 实验结果
• 第六章 结论和总结
• 6.1 精馏塔操作神经网络控制的优点
• 6.2 今后需要解决的问题
• 参考资料
• 致谢
• 个人简历