基于模糊最小二乘支持向量机的蒸发过程预测控制研究.pdf

《基于模糊最小二乘支持向量机的蒸发过程预测控制研究.pdf》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38卷分析化学(FENXIHUAXUE)研究报告第6期2010年6月ChineseJournalofAnalyticalChemist~838—842DOI：l0．3724／SP．J．1096．2010．00838基于模糊最小二乘支持向量机的蒸发过程预测控制研究阳春华钱晓山。(中南大学信息科学与工程学院，长沙410083)(宜春学院物理科学与工程技术学院，宜春336000)摘要针对氧化铝蒸发过程的多变量、非线性和大滞后特点及不同时间和空间样本数据不同的特征，提出了基于末位淘汰机制的混沌粒子群算法的综合加权模糊最小

2、二乘支持向量机蒸发过程预测控制方法。用变异混沌粒子群算法对模型预测控制进行滚动优化，计算出最优控制序列。以某氧化铝厂蒸发过程生产数据进行实验验证分析，结果表明：模型预测结果中相对误差小于8％的样本达到93．9％，出VI浓度稳定在240g／L附近，其控制性能得到显著改善，同时也起到了降低能耗的目的。关键词蒸发过程；预测控制；模糊最小二乘支持向量机；混沌粒子群算法1引言蒸发过程是氧化铝生产工艺中的一个重要工序，是一类具有非线性、多变量以及长流程等特点的复杂工业过程，采用常规的建模与控制方法难以达到理想的效果，过程操作优

3、化很难实施。目前实际生产中只使用简单的PID调节，不能取得很好的控制效果，很难做到出口料液浓度的稳定，且新蒸汽消耗量大。鉴于此，蒸发系统的建模与控制技术得到广泛的研究l1。为了满足控制要求，本研究从过程控制的角度出发，通过过程的优化控制来稳定出口浓度，减少新蒸汽的消耗。预测控制采用模型预测、在线滚动优化和反馈校正等策略，具有适应能力强、控制效果好、鲁棒性强等优点，在工业过程控制中获得了大量成功的应用J。预测控制中，预测模型的精度对控制效果至关重要。常用的建模方法主要有神经网络和支持向量机等方法。支持向量机因克服了神

4、经网络的一些缺陷，具有更强的泛化能力，因而成为当前的研究热点_7。本研究结合过程机理研究和数据分析，提出了一种综合考虑样本时间和空间影响的模糊支持向量机的过程预测控制方法，采用带末位淘汰机制的混沌粒子群算法进行非线性滚动优化。以蒸发过程生产数据进行实验验证分析。结果表明，预测模型精度高。基于该方法的预测控制能将出口浓度稳定控制在设定范围，有效减少了新蒸汽的消耗量。2蒸发过程工艺描述蒸发过程主要是对蒸发母液进行浓缩，使其苛性碱的浓度达到规定的指标，其工艺流程如图1a所示。蒸发母液分别进入Ⅵ效及Ⅳ效，Ⅵ效出料V效，V效

5、出料经过料泵与Ⅲ闪出料混合后送到调配槽。进人Ⅳ效的原液经Ⅳ、Ⅲ效、Ⅱ效、I效、I闪、Ⅱ闪、Ⅲ闪蒸发浓缩后，进入蒸发出料泵送到调配槽。发热源来自于热电厂蒸汽，蒸汽通入I效蒸发器，产生的一次蒸汽冷凝水，I效产生的二次蒸汽通人Ⅱ效、强制效蒸发器，Ⅱ效产生的二次蒸汽通人Ⅲ效蒸发器，强制效产生的二次蒸汽通入Ⅳ效分离器，Ⅲ效产生的二次蒸汽通人Ⅳ效蒸发器，Ⅳ效产生的二次蒸汽通入V效蒸发器，V效产生的二次蒸汽通入Ⅵ效蒸发器，Ⅵ效产生的二次蒸汽通入水冷器，保证蒸发系统保持一定的真空度。3基于模糊最小二乘支持向量机的模型预测控制蒸发过

6、程的预测控制框图如图1b所示。主要包括模型预测、反馈校正和滚动优化等部分。通过建立被控对象的基于模糊最小二乘支持向量机的预测模型，利用当前的过程对象信息预测出未来时刻的输出值，根据参考轨迹以及优化性能指标，应用带末位淘汰机制的混沌粒子群算法得出优化的控制序列。2009-09-01收稿；2009—11-09接受本文系国家自然科学基金(Nos．60634020，60874069，60804037)，国家863资助项目(No．2006AA04Z181)资助}E-mail：qxscsu@139．con第6期阳春华等：基于模

7、糊最小二乘支持向量机的蒸发过程预测控制研究839图1蒸发过程工艺流程(a)和蒸发过程预测控制系统框图(b)Fig．1Flowdiagramofevaporationprocess(a)andblockdiagramofpredictivecontrolsystem(b)3．1基于加权模糊最小二乘支持向量机的预测模型LSSVM1¨算法是标准支持向量机的一种扩展，优化指标采用了的平方项，并用等式约束代替了标准支持向量机的不等式约束。从而推出不同的一系列等式约束，即将二次规划问题转变成线性方程组的求解，简化了计算复杂性，

8、求解速度相对加快，其目标是使回归模型在模型推广能力和经验风险之间找到最佳平衡点，即结构风险最小。即优化问题为：minJ(，)1lI+号(1)[st，Y=叫()+b+；i：1，2，⋯m式中，【1『l为控制模型的复杂度；C为误差惩罚参数；．，为误差控制函数。标准的LSSVM对于孤立点过分敏感并造成模型的过拟合，因此对不同的样本赋予不同的影响因素。考虑到样本数据来