T-S型RBF神经网络在电解液成分建模中的应用研究

论文摘要

在铜电解精炼过程中,电解液中的铜酸浓度直接影响着阴极铜的质量,对铜酸浓度的监测成为净液调度和质量管理过程中的一项重要的日常工作。铜酸浓度主要通过电解液的循环和净化工序进行调节,由于目前尚没有对铜酸浓度可靠的在线测量仪表,各电解企业仅通过间断采样再化验的方式得到铜酸浓度的变化趋势。通常该化验过程耗时几个到十几个小时,使电解液的循环和净化过程难以实现及时、准确的控制与优化。近年来,模糊理论和神经网络技术的进步,推动了复杂非线性系统建模技术的发展。在冶金电解领域,过程机理知识与智能建模技术的结合已成为建模研究的热点。论文的选题从电解机理分析出发,结合智能建模技术为补偿,旨在建立电解液成分混合预测模型。本文首先介绍了工业建模的基本方法和各自特点,然后着重对电解过程建模中和电解液成分相关的影响因素进行机理分析,得到先验模型以保证混合模型的全局特性。针对电解系统存在的数据量大、影响因素复杂、非线性和时滞性强的特点,智能建模部分选用T-S型RBF神经网络数据驱动辨识建模,用于补偿简化机理模型的未建模特性,弥补模型误差。在研究模糊神经网络理论和应用方法的基础上,给出了一种性能优良的T-S型RBF神经网络结构,并借鉴动态设计算法,改进了隐节点的选择和删除策略,增加了判断条件,形成T-S型RBF神经网络的动态学习改进算法（IDYN）。用该算法训练网络,不仅可以动态调节网络的隐节点数,同时使高斯径向基函数的数据中心及扩展常数能自适应变化,从而使最终设计的网络具有较小的网络结构,增加了网络的泛化能力。最后,采用基于T-S型RBF神经网络的动态参数改进算法对混合建模方法进行仿真,从数据的逼近效果,均方误差值,可以得到本文建模方法在电解液成分建模中的有效性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究的背景和意义
• 1.2 过程建模及其常用方法
• 1.2.1 机理建模
• 1.2.2 辨识建模
• 1.2.3 混合建模
• 1.3 电解液成分建模中存在的问题和研究现状
• 1.4 本文研究内容和结构
• 第二章 ISA电解系统的工作原理和过程分析
• 2.1 电解铜生产概述
• 2.1.1 反应机理
• 2.1.2 铜电解精练生产过程
• 2.2 影响电解铜质量因素分析
• 2.2.1 阳极铜对电解铜质量的影响
• 2.2.2 电解液组成对电解铜质量的影响
• 2.2.3 表面气孔和粒子的生成
• 2.2.4 温度的影响
• 2.2.5 添加剂对电解铜质量的影响
• 2.3 影响铜酸浓度的因素分析
• 2.3.1 阳极铜
• 2.3.2 电解液循环系统
• 2.3.3 其他影响因素
• 2.4 铜酸浓度建模方案
• 2.5 本章小结
• 第三章 T-S型RBF神经网络
• 3.1 概述
• 3.2 T-S模糊系统模型
• 3.2.1 马丹尼（Mamdani）模糊推理系统
• 3.2.2 高木-关野（Takagi-Sugeno）模糊推理模型
• 3.2.3 T-S模糊系统辨识
• 3.3 RBF神经网络
• 3.3.1 RBF神经网络简介
• 3.3.2 RBF网络的模型特点与结构
• 3.3.3 RBF网络常见的学习方法
• 3.4 T-S型RBF神经网络
• 3.4.1 T-S型模糊推理系统与RBF神经网络的函数等价性
• 3.4.2 T-S型RBF神经网络模型
• 3.4.3 T-S型RBF神经网络与RBF神经网络的比较
• 3.5 T-S型RBF神经网络的动态学习改进算法
• 3.5.1 网络构造
• 3.5.2 精细调整过程
• 3.5.3 算法实现
• 3.6 仿真研究
• 3.7 本章小结
• 第四章 电解液成分混合模型
• 4.1 电解液成分机理模型
• 4.1.1 铜离子浓度
• 4.1.2 硫酸成分的变化
• 4.2 T-S型RBF神经网络补偿模型
• 4.2.1 网络结构
• 4.2.2 网络对象
• 4.2.3 自定义训练函数
• 4.2.4 学习能力与泛化能力分析
• 4.3 数据处理
• 4.3.1 数据预处理
• 4.3.2 数据标准化处理
• 4.4 电解液成分混合模型
• 4.5 仿真结果
• 4.6 模型校正
• 4.7 本章小结
• 第五章 结论与展望
• 5.1 论文工作总结
• 5.2 展望
• 参考文献
• 致谢