基于支持向量机的abs树脂聚合温度控制研究

《基于支持向量机的abs树脂聚合温度控制研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要支持向量机是统计学习领域新兴的一种机器学习方法，已经在模式识别等领域得到有效的应用，也成为非线性系统辨识的有力工具。文献中将支持向量机方法与径向基函数神经网络相结合，所提出的支持向量神经网络算法被证明对非线性系统的建模是无偏的。但到目前为止，将支持向量机方法用于解决工业过程控制问题还不多见。ABS树脂聚合过程具有高度非线性，时变性的特点。其聚合过程对温度及温度变化反应灵敏，给系统的建模和控制提出了较高的要求。本文应用支持向量神经网络算法，对ABS树脂聚合过程进行建模，并与自适应逆控制方法相结合，提出了基于支持向量神经网络的非线性系统

2、自适应逆控制方法。该方法利用支持向量神经网络，根据现场采集的数据训练网络，建立ABS树脂聚合过程逆系统模型，将此逆模型作为控制器，其输出作用于被控对象。同时根据期望输出与系统实际输出之差，通过PID算法，调整逆模型控制器的输入，实现对逆模型控制器的在线修正，形成了基于支持向量神经网络的逆模型自适应控制算法。对非线性系统进行的仿真结果表明，支持向量神经网络的建模精度高于普通神经网络，且具有训练时间短，泛化能力强等优点；基于支持向量神经网络的自适应逆控制方法具有简捷、可靠、有效、鲁棒性强的特点。与一般基于神经网络的控制器相比，它有能根据误差

3、直接调节控制器参数以适应模型及环境变化的自适应能力，具有很强的鲁棒性；与传统自适应控制系统相比，它不需要精确的数学模型，具有广泛的适用性。本文工作表明：支持向量神经网络作为一种高精度建模工具，不仅可以成功应用予解决如ABS树脂聚合温度建模等复杂工业过程的建模问题，还可以为复杂工业过程的控制提供有力的工具。关键词：支持向量机；ABS树脂；聚合；自适应逆控制AbstractSupportVectorMachineisanewmachinelearningmethodinthefieldofstatistics．Ithasbeenusedin

4、thefieldofpattemidentifyeffectively．Itisalsoapowerfultoolinnonlinearsystemdiscrimination．ThesupportvectormachinemethodcombiningwithradialbasisfunctionneuraInetwork(SVNN)hasbeenprovedno．biasedonthemodelingofnonlinearsystem，butSVNNmethodhasseldombeenusedtosolvetheproblemin

5、industryprocedurecontrolbynOW．ThepolymerizationprocessofABSresinisnonlinearandtime-varying．Itissensitivetothetemperatureandthechangeoftemperature，whichhashigherrequirementonsystemmodelingandcontrollerdesigning．Inthispaper，SVNNmethodisusedmodelthepolymerizationprocessofAB

6、Sresin．Furthermore，combingSⅥ啉method、Ⅳithadaptiveinversecontrolmethod，thispaperproposesanewadaptiveinversecontrolmethodfornonlinearsystem，Bythismethod，aninversemodelofpolymerizationprocessofABSisproposed；theSVNNistrainedusingdatafromtheproductionfield．Thisinversemodelisus

7、edasacontrolleranditsoutputisusedtothecontrolledobject．Meantime，theoutputerrorisusedtoadjusttheinputoftheinversemodelcontrollerbythePIDmethod，andthecorrectionoftheinversemodelcontrollerisrealizedatthesametime．Theresultsofthesimulationshowthattheprecisionofthismethodhighe

8、rthannormalneuralnetwork，filrtherrfl．ore，theSVNNmethodshortensthetrainingtimeandimprovesthegeneralizati