论文部分内容阅读
化工过程的辨识与控制是过程控制领域的研究难点与热点，由于化工过程通常都存在高度的非线性和时变性特性，很难对其建立精确的机理模型。神经网络(NeuralNetworks,NN)因其优良的特性作为一种非线性系统辨识与控制的方法，已经得到广泛的应用，尤其具有动态特性的递归神经网络(Recurrent Neural Networks,RNN)更是占有明显的优势。但RNN需要训练网络中所有权值，导致训练算法复杂，难以应用于实际工程。回声状态网络(Echo State Networks,ESN)作为一种新型RNN，其特有的状态储备池(State Reservoir,SR)使其具有很强的动态逼近能力和良好的短期记忆能力，且只需训练网络的输出权值。因此，在研究ESN及其训练算法的基础上，引入一种泄漏积分(LeakyIntegrator,LI)ESN。针对强非线性化工过程，引入基于LIESN的岭回归算法，将其应用到化工过程的辨识与控制中，并与传统方法进行比较，结果表明了该方法的有效性。本文研究内容包括如下几个方面：(1)重点研究了经典ESN的基本结构及学习算法，深入分析了ESN离线及递推最小二乘(Recursive Least Square,RLS)在线学习算法，并且在此基础上，引入了结构改进的LIESN，并给出了基于该网络的岭回归算法。(2)研究了LIESN网络在化工过程辨识中的应用。针对汽-水热交换器过程、连续搅拌反应釜(Continuous Stirring Reactor,CSTR)过程、酸碱中和过程及乙烯-乙烷精馏塔过程，分别进行了辨识实验。结果表明，在同一条件下，LIESN与ESN网络、反向传播(Back Propagation,BP)神经网络、模糊神经网络(Fuzzy Neural Networks,FNN)等方法相比，LIESN网络能得到很高的辨识精度，学习速度快速而稳定。(3)研究了LIESN网络在化工过程控制中的应用。主要给出了基于LIESN的直接逆控制和模型参考控制(Model Reference Control,MRC)策略。将LIESN的直接逆控制应用于CSTR过程控制。首先采用LIESN辨识系统模型，然后通过控制器设计控制律，来达到控制的效果。其次，将LIESN的MRC应用于汽-水热交换器过程控制中。设计LIESN控制器，使得闭环系统的输出能够跟踪参考模型的输出。实验结果表明，在相同条件下，与ESN和径向基函数(Radial Basis Function,RBF)神经网络等方法相比较，LIESN网络能够有效的反应控制对象的动态特性，控制精度高，轨迹跟踪效果好。