基于对角递归神经网络的粘度软测量模型

《基于对角递归神经网络的粘度软测量模型》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第28卷第2期北京化工大学学报Vol.28,No.22001年JOURNALOFBEIJINGUNIVERSITYOFCHEMICALTECHNOLOGY2001基于对角递归神经网络的粘度软测量模型曹柳林陶斌军(北京化工大学信息科学与技术学院,北京100029)摘要:采用对角动态递归神经网络,基于生产过程的可测参数,构造聚酯(PET)的粘度软测量模型,实现PET粘度的在线估计。实验表明了方法的有效性和可行性。关键词:软测量;对角递归神经网络;聚酯;粘度中图分类号:O643136方法并无太大的实用价值,实际应用中,不可能得到引言主导变量的反馈信

2、号。因此选择一种本质动态(内在许多石化工业中,存在一些重要的过程变量,递归)的神经网络,是建立软仪表模型的迫切要求。如产品组分、质量分数、转化率和聚合度等,目前仍对角递归神经网络DRNN(DiagonalRecurrent[4]难以用仪表在线测量。这些变量与产品质量密切相NeuralNetwork)是递归神经网络的一种。它既关,对实现直接质量控制具有重要的意义。为了对具有递归神经网络的特点,又具有结构简单,学习快这类变量进行有效估计和控制,软仪表技术近年来速的优势。本文研究利用对角递归神经网络建立聚[1,2]得到很快发展和应用。核心是建立上述

3、变量酯生产过程的粘度软测量模型,为实现PET产品质(主导变量)与其它可测变量(辅助变量)间的数学模量实时监测和在线控制提供可能。型,用计算机软件实现,实现主导变量的估计。依据1工艺介绍建模方法的不同,软测量分为基于机理分析、状态估[1,3]计、回归分析的方法以及神经元网络的方法等。本研究工作是根据某石化公司化纤厂连续聚酯神经网络不需要过程的先验知识,学习和非线性映生产过程进行的。生产装置由二个酯交换釜和四个射的能力非常强,因而成为解决软测量问题的理想缩聚釜串联组成。原料对苯二甲酸二甲酯(DMT)选择。和乙二醇(EG)及添加剂定量地供应到酯交换

4、釜,反人工神经元网络是一种“黑箱子”建模工具。常应生成单体;随后在缩聚工序中,除掉EG进行缩聚用的前向神经网络,如BP、RBF网络等,虽然具有反应,生成特定聚合度的聚合体送往纺丝机。其中强有力的学习能力和非线性处理能力,但却不能捕聚合熔体的粘度是产品质量的一个重要参数。由于捉系统的动态特性,使用这些网络构成的软仪表往第一、二缩聚釜没有在线粘度计,软仪表工作主要是往不能获得预期的效果。为处理时间序列建模和动针对一、二釜的粘度预估进行的。网络学习的粘度态系统辨识等问题,必须在网络中引入记忆功能。数据由已经检验的机理模型得出。机理模型的输入可以有两

5、种方式,一是通过延时单元把以前的输出均采用现场实际操作数据。存储在延时单元中,把时间信号展成空间表示后再[5]2对角型递归神经网络送给前向网络(外递归方式);另一种是在网络的隐含和(或)输出单元引入自反馈回路,使网络本身成传统的递归神经网络是一种全连接的结构形为动态系统(内递归方式)。式。它的隐含层及输出单元之间相互交换信息均含连续化工动态系统的建模,比较充分地研究了有自反馈单元。这种结构虽然提高了网络的动态映外递归方式的前向网络及应用。软仪表模型,这种射能力,同时也导致系统复杂,学习缓慢,收敛困难。对角递归神经网络DRNN(图1)是全连接递

6、归神收稿日期:2000210217经网络的一种简化。它与标准的前馈网络相比,同第一作者:女,1951年生,教授样有输入、输出和隐含单元。不同之处是DRNN的第2期曹柳林等:基于对角递归神经网络的粘度软测量模型·71·据Lyaponuv稳定判据,可推导出网络各层权值的最佳学习速率:22120D0<η<;0<η

7、entnetwork速率,并且有:OO隐含单元具有自反馈。DRNN的动态映射和记忆Wmax=kmax(jmax

8、Wj(k)

9、)功能正是通过递归神经元在内部的反馈回路捕捉系Imax=kmax[Ii(k)]max统的动态特性来实现的。相对于全连接的RNN,隐k为迭代的次数,j代表当前输出结点。含单元之间不存在相互的信息交换,模型获得了极3构造基于DRNN的粘度软仪表大地简化,学习的快速性得到保证。DRNN的输入和输出表达式如下:3.1首釜粘度估计OO(k)=∑WjXj(k),Xj(k)=f(Sj(k))选择第一缩聚釜的粘度作为研究对象。影响第jD

10、一釜产物粘度的操作参数有进料温度,进料流量,反Sj(k)=WjXj(k-1)+∑WijIi(k)j应温度,反应釜液位及真空度等。为了寻求与粘度其中,Ii(k)是DR