论文部分内容阅读
随着工业生产柔性化趋势的发展,间歇过程作为现代工业生产的一种重要形式受到了越来越多的重视。尤其对以间歇式操作为主的生产企业,对间歇过程进行优化控制的要求越来越高。由于间歇过程动态特性缓慢,具有很强的不确定性与时变性,过程的优化目标值具有极大的纯滞后性等特性,使得对其进行建模、优化与控制成为难题。本文在混沌搜索优化方法及其混合算法、多层递归模糊神经网络及其学习方法、以及它们在间歇过程建模与最优控制中的应用几个方面进行了研究和探索。主要研究内容包括:
●针对传统的混沌优化方法在大搜索范围内优化性能不高的问题,提出了一种改进的混沌搜索优化方法(简称CSO);为了改善传统的模式搜索法的局部搜索能力,提出一种细搜索能力强的多步长模式搜索法(简称MSPSM):将混沌搜索优化方法与多步长模式搜索法结合,从而形成一种混合混沌模式搜索法(简称HCPSM);并在此基础上实行并行机制,由此得到混合并行混沌模式搜索法(简称HPCPSM),以满足多模态函数优化的要求。CSO具有很强的全局搜索能力,但是其局部搜索能力不足,MSPSM却正好相反,两者结合形成的HCPSM在利用混沌搜索优化方法进行全局搜索的基础上,再利用多步长模式搜索进行局部细搜索,从而提高了算法的搜索精度和效率,有效降低了算法对于初始条件的敏感依赖性,具有良好的寻优率。并行机制从若干不同的初始点出发进行并行运算,能够同时寻找多个全局(局部)最优解。
●针对非线性动态系统的建模问题,提出了一种多层递归模糊神经网络(简称MRFNN)结构及其学习方法。该网络融合了T-S模糊模型,在隶属函数层和规则层设有局部反馈连接,通过这些递归结构记录系统的动态信息。网络的学习分为结构学习和参数学习两个阶段:结构学习根据训练数据自动对输入变量进行模糊空间划分,自动构建隶属函数层和规则层;根据网络的结构特点,参数学习由混沌搜索优化方法和最小二乘法(简称LSE)共同完成,CSO优化前件参数,而LSE则根据当前前件参数的取值实现后件参数的自动更新,以加快收敛。网络学习方法简单高效,MRFNN能够很好地捕捉系统的非线性动态特性,对多个非线性动态系统的辨识研究取得了满意的仿真结果。
●基于MRFNN及其学习算法,以某四氟乙烯的悬浮聚合生产装置为对象,建立了聚合釜温度的动态模型;并将多层递归模糊神经网络简化为多层模糊神经网络(简称MFNN),建立批次产品质量指标的静态模型。聚合釜温度模型根据当前和过去时刻的采样生产数据对下一采样时刻的聚合釜温度作出准确的预判,为实际生产操作提供了指导依据。批次产品质量指标模型根据聚合过程的生产数据预估产品质量,有助于分析操作工艺,进而稳定及提高产品质量。针对间歇过程跟踪控制的特点,将混沌搜索优化方法和多层递归模糊神经网络推广应用于间歇过程优化控制中,实现了间歇过程终点产品质量的批次间迭代优化控制策略;并拓展该策略将其应用于间歇过程温度跟踪控制中,从而形成间歇过程温度跟踪的批次间迭代优化控制策略。MRFNN被用于建立间歇过程动态模型,CSO被用于过程建模和优化计算。由于存在模型误差和未知干扰的影响,基于模型计算出来的控制输入在实际运用到对象上后并不是最优的。利用间歇过程重复运行的特性,根据以前批次运行时的模型预测误差来校正模型预测,并据此计算下一批次的控制输入。随着批次的进行,跟踪误差逐渐减小,仿真研究取得了满意的结果。