基于补偿模糊神经网络的反应釜温度控制研究

论文摘要

氧乐果合成过程反应釜内温度控制的好坏直接影响到产品的质量。但由于氧乐果生产的合成反应过程具有时变、延时等非线性特性,其受一甲胺流量、一甲胺总投料量、反应时间、冷却盐水温度等多种因素影响,难以建立精确的数学模型,使得基于精确数学模型的常规控制方法很难取得满意的控制效果。近年来,由于模糊神经网络兼顾了模糊逻辑和神经网络的优点,在处理非线性问题方面有独特的优势,得到了广泛的应用。常规模糊神经网络控制中,模糊运算一般采用静态、局部优化的运算方法,补偿模糊神经网络控制中,模糊运算采用动态的、全局优化运算。氧乐果合成反应是一个动态的过程,考虑到氧乐果合成反应的动态特性,本文采用带有输出一阶延时回馈的神经网络对氧乐果对象进行辨识;并将补偿模糊神经元引入到模糊神经网络中,设计了补偿模糊神经网络控制器。在设计控制器之前,为了得到控制器较合理的初始参数和模糊规则数,避免人为设定的主观性和盲目性,分析比较了几种比较典型的聚类算法后,采用模糊C均值自适应聚类算法来提取系统特征和聚类点,得到系统的初始规则库和初始参数。利用从实际生产过程中采集的数据,对补偿模糊神经网络控制器进行离线训练,确定控制器的初始结构和参数,然后将训练好的补偿模糊神经网络控制器和氧乐果合成反应对象模型连接到一起,进行控制器仿真实验。基于补偿算子的模糊神经网控制器既能调整输入、输出模糊隶属函数,又能动态地优化模糊推理规则,使补偿模糊神经网络能够从专家建立的合理的模糊规则或者不太合理的模糊规则中进行相互补偿运算,克服了人为选取模糊规则具有较大的主观性的缺点。同时,补偿模糊神经网络参数通过启发式算法进行预置,从而加快了训练速度。仿真结果表明:该控制器具有较好的自学习能力,能较好的满足氧乐果合成反应的温度控制要求。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题的背景和意义
• 1.2 合成反应釜控制方法的研究现状
• 1.2.1 反应釜的结构和控制难点
• 1.2.2 反应釜控制技术的国内外研究现状
• 1.3 模糊神经网络的研究现状
• 1.4 本论文的主要研究内容
• 2 模糊逻辑控制和人工神经网络
• 2.1 模糊逻辑控制
• 2.1.1 模糊控制的发展
• 2.1.2 模糊控制系统
• 2.1.3 模糊控制理论存在的问题
• 2.2 人工神经网络技术
• 2.2.1 神经网络发展概况
• 2.2.2 神经网络的应用
• 2.3 神经网络学习算法的选择
• 2.4 本章小结
• 3 聚类算法的分析和改进
• 3.1 聚类算法概述
• 3.2 模糊聚类的特点
• 3.3 聚类算法的分析与改进
• 3.3.1 K均值聚类算法
• 3.3.2 模糊C均值聚类算法
• 3.3.3 改进的模糊 C均值聚类算法
• 3.4 本章小结
• 4 补偿模糊神经网络控制器的设计
• 4.1 模糊神经网络控制系统
• 4.1.1 模糊神经网络的基本原理和特点
• 4.1.2 模糊神经网络的结构与算法
• 4.2 补偿模糊神经网络
• 4.2.1 补偿模糊神经网络思想的提出
• 4.2.2 补偿模糊推理和结构
• 4.3 基于聚类算法的补偿模糊神经网络结构设计
• 4.4 补偿模糊神经网络的学习算法和步骤
• 4.4.1 补偿模糊神经网络的参数辨识
• 4.4.2 补偿模糊神经网络学习过程的具体步骤
• 4.5 仿真实例分析
• 4.6 本章小结
• 5 合成反应温度控制系统的设计分析
• 5.1 氧乐果合成反应过程分析
• 5.2 氧乐果合成反应过程特性分析
• 5.3 对象模型的分析及辨识
• 5.4 氧乐果合成反应温度控制及分析
• 5.5 本章小结
• 6 结论与展望
• 参考文献
• 致谢
• 附录 攻读硕士学位期间发表的学术论文