当前位置:首页 >> 耦合器

炼油厂滤机控制中的神经网络专家系统热弯炉

2022-07-14 19:25:53  瑞联机械网

炼油厂滤机控制中的神经络专家系统

滤机是炼油厂用于除蜡的关键设备,滤机的工艺流程如图1所示。由于滤机在工作时,其进料量、出料量、滤液面等为不可测或不可控参数且随机变化,因此很难通过常规控制系统对其进行状态识别和控制。操作人员在实际操作中是通过观测输蜡器工作情况后凭经验确定滤机温洗再生的周期。这难以保证滤机的适时温洗(尤其是夜班时间),降低了装置的综合效益。滤机若频繁进行温洗,则增加能耗,停机时间长,造成与泰国相当浪费;若长时间不温洗,则滤机效果下降,降低了润滑油收率,同样造成经济损失。应用于过程控制的专家系统则可以模仿人类专家和操作能手的控制技术,不知疲倦地完成高质量的控制。本文将介绍这方面的应用研究。

1 神经络专家系有坦途也有陡坡统的结构

神经络专家系统的推理机制与现有的专家系统所用的基于逻辑的演绎方法不同,它的推理机制为一数值计算过程,主要有以下三部分组成:

①输入逻辑概念到输入模式的变换,并根据论域的特点,确定变换规则,再根据相应规则,将目前的状态变换成神经络的输入模式;

②络内的前向计算:根据神经元特征,其输入为xi=∑Tijyi,Tij为连接权系数,yi为神经元的输出且有yi=fi(xi+θi)。其中θi为神经元的阀值,fi为单调增非线性函数,通过上述计算即可产生神经络的输出模式;

③输出模式解释:随着论域的不同,输出模式的解释规则亦各异。解释的主要目的是将输出数值向量转换成高层逻辑概念。

在神经络专家系统中,不使用由清晰语言描述的分类逻辑标准,只根据系统目前接收的样本的相似性而确定分类标准且主要表现在络的权值分布上。同时可以采用神经络算法通过学习获取知识的知识表达体系即不确定性推理机制。知识获取包括神经络的结构(络层数、输入、输出及隐结点个数);组织待训练的学习样本;使用神经络学习算法,通过对样本的学习,得到所需权值分布从而完成知识获取。知识库由自动知识获取得到,它是推理机制完成推理和问题求解的基础。知识库可以不断创新,表现为在其基础上对新样本学习后,获得更多知识与经验的新的络参数分布。

2 神经络专家系统的实现

2.1 预处理算法

设采样数据共有p维,取近n组数据,则有采样矩阵X=(x1,x2,…,xp)T,为了消除其中数据的误差,每次输入的数据均取近n组的平均值作为新的输入数据,即

以滤机温洗后的初始状态p0为基准,采用回溯比较法,以状态变化作为络的输入,依此建立一个训练数据矩阵Pp/m,其中p为数据的维数,m为训练数据的维数。

2.2 神经络的建模

本络由三层组成,其中输入层有11个单元,输出层1个单元,中间层的单元数通过实验最后确定。系统采用LM算法进行络学习、运行。络训练模式样本的选取成为系统成功与否的关键。从理论上讲,系统投入运行后面临的输入模式是无穷多的,但在络的训练过程中不可能把所有这些模式都作为样本模式来学安装试样时用户可根据自己的习惯进行安装 标 定:进行测力系统的校验习,所以如何选取学习样本是一个很值得研究的问题。考虑到神经络具有按相似输入产生相似输出的联想功能,专家系统选择了一些包括各参数上、下限在内的典型数据作为络的学习样本。

除了学习样本的选择之外,络本身各种参数的选定也将对系统的工作性能产生影响。图2为学习次数与误差平方的关系曲线。当然,针对不同的学习样本,络最佳参数和选择也将有所不同,但变化不会很大,只需做一些调整。经过实验最后确定的络参数如表1所示。

2.3 滤机温洗控制神经络专家系统

滤机最适温洗控制神经络专家系统图如图3所示。它将神经络的知识表述即操作专家难以用语言表述的操作规则与时间因素以及一些专家规则综合,实现并行联想推理,提高了专家系统的智能水平、实时处理能力及鲁棒性。

图3 温洗控制神经络专家系统框图

3 仿真实验结果

经过对64组样本模式学习后进行了仿真,图4为络的实际输出与实际再生信号的比较。结果表明,络的输出能够进行预测最适温洗信号的时间,并且预测值能够比实际值更早的发出再生信号,原因在于神经络专家系统具有再现运行的功能,它能判断出系统何时达到过负载运行,并发出信号。图5为经过处理后的输出与实际再生信号的比较,可以看出,经过对输出的模糊化后,系统能够更准确稳定的运行。

高等数学课
FFmpeg音视频精讲
android测试视频
相关资讯
友情链接