基于多输出PID神经网络的碳化塔建模研究-智能与网络化系统研究所.DOC

多输出PID神经网络在碳化塔温度建模中的应用 曾莹，程良伦，朱燕飞 (广东工业大学自动化学院，广东广州510006) 摘要：碳化过程是纯碱生产中的关键反应，针对碳化过程的反应复杂、机理建模难的特点、，本文提出了一种多输出PID神经网络（MPIDNN）的建模方法来对碳化塔内温度分布进行非线性建模方法，并用梯度法来训练该网络。文章讨论MPID神经网络的结构和算法，通过仿真研究得出其良好的实用价值。 关键词：梯度法；碳化塔；多输出PID神经网络（MPIDNN）；系统辨识 中图分类号：TP183 文献标识码：A 文章编号：1004-731X Modeling Application of Multi-output PIDNN on the carbonation tower’s temperature Ying Zeng, Liang-lun Cheng, Yan-fei Zhu (Faculty of Automation, Guangdong University of Technology, Guangdong Guangzhou,510006) Abstract: The carbonation process is a key reactor to manufacturing synthetic soda ash using the Solvay process. Because of the complexity of the reaction in the tower, it is difficult to model with normal measurement instrumentation. To solve this problem, a Multi-output Proportional-Integral-Derivative Neural Network (MPIDNN) is used for the temperature of carbonation tower’s nonlinear model. A gradient descent method is developed to train the neural network. It introduces the structure and algorithm of MPIDNN and proves the advantage of the model by simulation. Keywords: gradient descent method; carbonation tower; MPIDNN; system identification 引 言 氨盐水的碳酸化(碳化)是纯碱生产的中心环节，碳化过程的好坏，直接影响到纯碱生产的质量和企业的经济效益。在氨盐水中通入一不定浓度的CO2气体，在一定的温度、压力和流速下，氨盐水吸收CO2并与之反应生成重碱(NaHCO3)，从母液中析晶出来。整个过程是在碳化塔中完成。过程是一个具有气、液、固三相参与的，包括吸收、反应、结晶、流动等，并有新相产生的多元多温条件下的复杂反应过程[1]。 由于过程的反应历程复杂，人们对其反应机理的认识在存在很大的分歧，要建立过程的机理模型非常困难。以往，在非模型条件下，依据工人的经验，直接对塔内温度及气液等物料流量进行控制，常常造成出碱流量的大幅波动。针对这一问题，文章试图建立过程关键参数的非线性模型，提出了一种基于MPID神经网络(MPIDNN)的建模方法，为过程的优化控制提供有利的帮助。 MPIDNN是一种新的多层前向网络，它除了具有一般多层前向网络的特点，如逼近能力、并行计算、非线性变换特性等等外，其隐层单元分别具有比例、微分和积分等动态特性，特别适合于多变量非线性系统的控制与辨识[2]。 本文首先介绍了MPIDNN的结构和算法，然后以广州某氨碱法生产纯碱厂为研究对象，通过提取该厂的生产数据，通过仿真建立了具体碳化过程塔内温度分布的非线性模型，验证了这一算法的确实可行性。 1 MPIDNN辨识器的机理和结构 神经网络进行系统辨识的实质就是选择适当的神经元网络来逼近实际系统。在静态系统辨识时，作为输入空间的紧集通过决策函数映射到输出空间，其中表示与类型对应的模式矢量。在动态系统辨识中，算子则用于定义一个对象，该对象用输入－输出函数对隐含地定义。实际系统的动态或静态特性必然表现在其变化着的输入－输出数据之中，而辨识就是利用数学的方法从这些数据序列中提炼出系统的数学模型。不论哪一种辨识，其目的都是要使 (1) 式中预先由辨识准则给定，是空间上一范数，和分别为辨识模型和被辨识对象对于的输出响应。即通过辨识确定，使得