基于反馈神经网络的CO2压缩机动态模型研究

摘要

随着社会的进步和科技的发展，CO2离心式压缩机因能符合工业上对气体压缩的各种要求，因而使用领域很是广。所以，深入了解压缩机的工作特性，用最合适的算法来控制压缩机，使其工作在最佳状态是很有必要的。由于影响压缩机性能要素众多，传统方法建立模型往往不能准确地反应其性能曲线，而神经网络，一种模拟动物神经系统的行为特性、分布式并行处理信息的算法模型，有着较好的学习能力和贴近任何非线性函数特点。论文的主要研究内容如下:
　　(1)离心式压缩机模型确定。首先对CO2压缩机系统的工作过程进行分析，初步确定其由两部分构成:透平部分和压缩机组部分。然后获得响应的试验数据，并对数据进行滤波、平滑处理。接着利用处理过的数据对各个状态量间的相关性分析，剔除无关状态量或是相关性比较小的。最终分别确定压缩机透平转速模型以及多输入多输出模型的输入与输出。
　　(2)基于神经网络的预测研究。分别在BP与Elman网络的基础上构建压缩机状态量预测模型，并对预测结果进行对比。接着对BP网络的输入层节点增加自反馈和对Elman网络增加一个由输出到输入的外反馈，并在上述神经网络的基础上建立模型。获得解耦控制系统的各个传递函数，用阶跃响应法建立模型。最后对比上述模型整体预测成效。
　　(3)当控制量变化时，对应着其它变量也相应变化，而且变化图形类似于一个有着延迟的一阶惯性阶跃响应曲线，用阶跃响应法建立模型。在自反馈BP网络与外反馈Elman神经网络的基础上也建立模型，并与阶跃响应法建立的模型进行对比。
　　(4)建立基于常规PID法多变量解耦与基于模糊控制法的多变量解耦，并将上述两种解耦方法的解耦效果进行对比，后者在对模型的控制以及解耦上都优于前者。把PID的操纵规则和神经网络隐含层统一在一起，形成一个新的网络实现解耦，有着良好的解耦控制性能，相对于常规PID解耦和模糊控制解耦，能够快速实现解耦并趋于稳定状态。
　　综上所述，本文建立的CO2压缩机模型能够发挥好状态量预测功能，与此同时能够按照要求实现对压缩机的解耦要求。

目录

声明

摘要

第一章 绪论

1．1 课题来源及研究的目的和意义

1．2 国内外研究现状

1．3 本章小结

第二章 离心式压缩机原理分析

2．1 离心式压缩机原理

2．2 离心式压缩机喘振与防喘振

2．3 离心式压缩机系统

2．4 模型数据获取

2．5 本章小结

第三章 离心式压缩机模型建立

3．1 建模数据处理

3．2 BP神经网络原理

3．3 Elman神经网络原理

3．4 离心式压缩机模型建立

3．5 基于改进Elman神经网络离心式压缩机模型

3．6 本章小结

第四章 离心式压缩机模型与仿真

4．1 阶跃响应模型

4．2自反馈BP神经网络

4．3 阶跃响应法与神经网路的比较

4．4 本章小结

第五章 离心式压缩机解耦控制

5．1 解耦方法

5．2 常规PID解耦

5．3 模糊控制解耦

5．4 PID神经网络解耦

5．5 本章小结

第六章 总结与展望

6．1 总结

6．2 展望

参考文献

致谢

个人简介