化工过程Benchmark的智能控制技术研究应用

摘要

该文从分析神经网络特性、学习算法开始,探讨和研究神经网络进行过程模拟和过程控制的新途径,建立智能过程模拟与智能控制系统.该文成功地利用了文中提出的带反馈子层的回归神经网络模型及学习算法对典型的化工动态过程连续拌釜反应器CSTR和苯酐衩际生产反应过程进行了智能模拟,研究结果表胆这种回归神经网络具有很好的收敛性和精度,利用它建立的模型更加合理化,能很好地体现出对象的动态特性.该文对非线性控制系统的现状和发展进行了分析,给出了基于回归神经网络的神经网络控制系统,并对神经网络控制器结构及其学习算法进行了分析,同时还对神经网络控制器在线学习进行了探讨.另外将被控对象的系统误差作为神经网络控制器的一个输入参数,这们可以增强神经网络控制器的反应能力和提高控制精度.最后对CSTR进行了实时控制实验,取得了较好的控制效果.

目录

文摘

英文文摘

第一章绪论

1.1智能控制的基本概念

1.2智能控制系统的基本结构

1.3智能控制系统的类型

1.4本文工作主要内容

第二章回归神经网络结构及算法

2.1回归神经网络拓扑结构分析

2.1.1国际上现有的回归神经网络模型

2.1.2基于化工过程的回归神经网络

2.2回归神经网络学习算法

2.2.1网络训练机制

2.2.2误差反向传播(BP)算法

2.2.3改进的BP算法

2.3训练样本的选取和预处理

2.4网络权值的初始化和调整

2.5回归神经网络的应用研究

2.5.1连续搅拌釜反应器CSTR

2.5.2CSTR神经网络模型化和模拟

2.5.3苯酐实际生产反应过程应用实践

2.6小结

第三章神经网络非线性控制系统研究

3.1引言

3.2神经网络控制方法

3.3神经网络控制器结构与算法

3.4神经网络控制器输入参数的选择

3.5程序实现

3.6连续搅拌釜反应器CSTR的智能控制应用研究

3.7小结

第四章化工过程Benchmark对象的智能控制

4.1 Tennessee Eastman Problem研究的背景

4.2 TE对象的介绍

4.2.1过程描述

4.2.2控制目标

4.2.3过程限制

4.2.4产品和入料流的变化要求

4.2.5动态特性测试和比较

4.2.6过程优化

4.2.7潜在的应用

4.3对象的程序描述及子程序的使用

4.4对象分析和控制回路设计

4.5针对该对象的神经网络控制器设计与实现

4.6控制结果与分析

4.7 小结

第五章总结

参考文献

致谢