摘要 摘要 在過去的十幾年中，化學加工工業(yè)( c p i ) 發(fā)生了巨大的變化，間歇過程又重 新受到了人們的普遍重視。間歇過程指的是將有限量的物料按規(guī)定的加工順序在 一個或多個設(shè)備中加工以獲得有限量的產(chǎn)品的加工過程。 由于間歇過程通常具有非線性、時滯和不確定性的特點，因此用常規(guī)的建模 方法建立模型比較困難。智能系統(tǒng)理論是以眾多新興學科為基礎(chǔ)發(fā)展起來的，智 能系統(tǒng)辨識方法理論是屬于智能系統(tǒng)的一個研究范疇，其中所包含的模糊系統(tǒng)理 論、神經(jīng)網(wǎng)絡理論和進化計算理論都提供了面向這類復雜對象建立模型的方法。 本文在研究了包括傳統(tǒng)系統(tǒng)辨識與智能辨識方法的基礎(chǔ)上，對氧樂果合成間歇 生產(chǎn)過程的溫度對象進行模型辨識。通過了解與分析氧樂果合成問歇過程的生產(chǎn) 工藝，找出了影響溫度的主要因素以及溫度的變化規(guī)律。然后將從現(xiàn)場采集到的 各種歷史數(shù)據(jù)進行必要的數(shù)據(jù)預處理，構(gòu)成辨識所使用的輸入輸出數(shù)據(jù)。 本文的重點是利用神經(jīng)網(wǎng)絡方法來實現(xiàn)對象的模型辨識。通過研究b p 神經(jīng)網(wǎng) 絡的特點，采用了l m 學習算法來完成辨識。利用該種算法，學習訓練的速度大 大加快，而且網(wǎng)絡的泛化能力也較好。根據(jù)工藝了解到，采用單一的神經(jīng)網(wǎng)絡模 型具有一定的局限性。因此，論文中提出了分階段實現(xiàn)對象模型的方法，即將溫 度按照工藝要求分成相應的幾個階段，對各個階段建立階段的b p 網(wǎng)絡模型。b p 網(wǎng)絡實現(xiàn)的是靜態(tài)過程辨識，如果要實現(xiàn)過程的動態(tài)辨識，就要用到回歸網(wǎng)絡。 本文是在b p 網(wǎng)絡的基礎(chǔ)上加上t d l 環(huán)節(jié)構(gòu)成了回歸網(wǎng)絡。將溫度數(shù)據(jù)通過一個 t d l 環(huán)節(jié)引入到神經(jīng)網(wǎng)絡輸入端作為一個新的輸入量來完成辨識。此外，論文中 還將利用各種方法辨識出來的模型引入到控制系統(tǒng)中，進行現(xiàn)場情況的模擬仿真。 本文還研究了利用遺傳算法優(yōu)化模糊t - s 模型參數(shù)的模糊系統(tǒng)辨識。在這部 分，文章引入了廣義t - s 模型的概念，從而更加方便了遺傳算法的尋優(yōu)過程，并利 用這種方法建立了對象的廣義t - s 模糊系統(tǒng)模型。 另外，本文還討論了將仿真中使用的一甲胺流量控制信號轉(zhuǎn)換為實際閥門開度 信號。主要利用了曲線擬合的技術(shù)，做出了流量曲線并給出了相應的經(jīng)驗方程。 關(guān)鍵詞：間歇過程；系統(tǒng)辨識；智能控制；神經(jīng)網(wǎng)絡：模糊t - s 模型；遺傳算法 a b s t r a c t i nt h ep a s td e c a d e s ，t h ec h e m i c a lp r o c e s si n d u s t r yh a sc h a n g e de n o r m o u s l y t h e b a t c hp r o c e s sh a sb e e np a i da t t e n t i o na g a i n b a t c hp r o c e s si sak i n do fp r o c e s st h a t g a i n sf i n i t ep r o d u c t i o nf o l l o w i n gj o bo r d e rb yt r e a t i n gf m i t em a t e r i a l si no n eo rm o r e d e v i c e s i ti sd i f f i c u l tt ob u i l dam o d e lf o rb a t c hp r o c e s su s i n gc o m m o nm e t h o d sb e c a u s eo f t h ec h a r a c t e r i s t i c so fn o n l i n e a r , t i m e d e l a ya n di n d e t e r m i n a t i o n i n t e l l i g e n t s y s t e m t h e o r yi sb a s e do nm a n yk i n d so fn e wk n o w l e d g e ，a n di n t e l l i g e n ti d e n t i f i c a t i o nt h e o r y b e l o n g st oi t t h ef u z z ys y s t e mt h e o r y , n e u r a ln e t w o r kt h e o r ya n de v o l v ec a l c u l a t i o n t h e o r yi ni n t e l l i g e n tc o n t r o lt h e o r yp r o v i d em o d e l m e t h o d sf o rb a t c h p r o c e s sp l a n t s b a s e do nr e s e a r c h i n gt r a d i t i o n a li d e n t i f i c a t i o nm e t h o d sa n dt h o s eo fi n t e l l i g e n t c o n t r o l ，t h et e m p e r a t u r ep l a n to fo m e t h o a t es y n t h e s i sb a t c hp r o c e s sw i l lb ei d e n t i f i e d b yc o m p r e h e n da n da n a l y s i st h et e c h n o l o g yo fi t ，t h em a i nf a c t o r st h a ti n f l u e n c e s t e m p e r a t u r ea n dt h el a w so ft e m p e r a t u r ev a r i a b l ea r ef o u n d i n p u ta n do u t p u td a t af o r i d e n t i f i c a t i o ni sm a d e u p o f h i s t o r yd a t a t h a th a sb e e n p r e t r e a t e df r o ms p o t t h e i m p o r t a n tp a r to ft h i sp a p e ri sm o d e li d e n t i f i c a t i o nw i mn e u r a ln e t w o r k m e t h o d a f t e rr e a c h i n gt h ef e a t u r e so fb p n e t w o r k ，l - ml e a r n i n ga l g o r i t h mi sa d o p t e d w i t ht h i sa l g o r i t h m ，t h et r a i n i n gi sf a s t e rt h a ne v e ra n dt h ea b i l i t yo fn e tg e n e r a l i z a t i o n i sb e r e r a c c o r d i n gt ot e c h n o l o g y , t h e r ei ss o m el i m i t a t i o nu s i n gs i m p l en e u r a ln e t w o r k t ob u i l dm o d e l s ot h es t a g em o d e li sp r e s e n t e d t h a ti s ，s e p a r a t et h et e m p e r a t u r ei n t o s o m es t a g e si na c c o r d a n c ew i t h t e c h n o l o g ya n de s t a b l i s ht h eb p m o d e lf o re v e r ys t a g e b pn e tr e a l i z e st h es t a t i cp r o c e s si d e n t i f i c a t i o n f o rd y n a m i c p r o c e s s ，r e c u r r e n tn e u r a l n e t w o r ki sr e a s o n a b l e i nt h i s p a p e r , t h er e c u r r e n tn e u r a ln e t w o r kc o n s i s t so fb pn e t a d d e dt d lb l o c k s p u tt h e t e m p e r a t u r ed a t at h r o u g hat d l b l o c ka n dm a k ei ta san e w i n p u td a t ao fn e u r a ln e t w o r k i na d d i t i o n ，t h em o d e l se s t a b l i s h e du s i n ga l lk i n d so f m e t h o d sa r ep u ti n t oc o n t r o ls y s t e mt os i m u l a t et h e p r a c t i c es p o ts i t u a t i o n f u z z yt - ss y s t e mi d e n t i f i c a t i o nw h o s ep a r a m e t e r sa r e o p t i m i z e dw i t hg a i s r e s e a r c h e d i nt h i sp a r t ，g e n e r a l i z e dt - sf u z z ym o d e li si n t r o d u c e d ，s oi ti sf e a s i b l ef o r f i n d i n gt h eb e s tp a r a m e t e r s w i t ht h i sm e t h o d ，t h eg e n e r a l i z e dt - s f u z z ym o d e lo f o m e t h o a t es y n t h e s i sb a t c h p r o c e s sp l a n ti sb u i l t o t h e r w i s e ，t h i sp a p e rt a l k sa b o u tt h et r a n s f o r m a t i o nf r o m m o n o m e t h y la m i n ef l u x t i 摘要 i ns i m u l a t i o nt oo p e ns t a t u so fv a l v ei n p r a c t i c e i no r d e rt or e a l i z ei t ，c u r v e f i t t i n g t e c h n o l o g y i s a d o p t e d i nar e s u l t ，t h e f l u xe n l n , ea n dt h e e x p e r i e n c ee q u a t i o na r e o b 協(xié)i n e d k e y w o r d s ：b a t c hp r o c e s s ；s y s t e mi d e n t i f i c a t i o n ；i n t e l l i g e n tc o n t r o l ；n e u r a ln e t w o r k ； f u z z ) , t - sm o d e l ；g e n e t i ca l g o r i t h m - i l i * 1 1 芎l 裔 1 緒論 系絞辯談楚整凝淫論礤凳漿一個熏漤麴勢支，憲楚設(shè)詩攘裁系統(tǒng)靛蘩撼。邋 稽控制避程笈雜性靜據(jù)離，控制壤論成精匿益廣泛，控鋪臻埝的安際應爝不能脫 離被控對象的數(shù)學模濺。然而在多數(shù)情況下，被控對象的數(shù)學橫涮是不知道的， 躐毒奩歪豢邋霉亍翔麓，禳爨豹參數(shù)哥黢發(fā)生交豫。躐v l 避裁霉控翱溪論去嬲決賽器 悶題瓣，蘸先 籌要建立被控鼴象瓣數(shù)攀貘壁，這是藏測瑾諗耱蠶藏功趣用于實黼 的關(guān)鍵之一m 。 控制對熬的高度復雜性是過穰控制的特點，它激現(xiàn)為非線性，時滯j 黢醬蟪存 在 蠹鼙兼聯(lián)罐練，疆臻勢掇囂滾；先驗稻滾少露且表達蒜鬻鬟。方囊囂雖有效 瓣建立邃程黠象酶數(shù)學攘浚蹩整鹺臻絞設(shè)計黲個囂要基懿，鴦了適當囂德蘩， 才便于開展有關(guān)的分櫥、設(shè)計、預報和計算仿崴鐐研究工作。 嗣裁，盡管對線憋系綾已經(jīng)鴦_ 較海成熟敬游談方法，麴矮小二乘法，德蹩 對 # 綾瞧系統(tǒng)懿辮談溺鯰予探索輸毅，沒有類戳戇手段霹冀滋行遙運。跫有趣一 些葬線佼系統(tǒng)的辨談方法，往往籬溪裔莢被撰談系統(tǒng)緒構(gòu)形式等鋸稃先驗绱識秘 假設(shè)，因此宗們基本上是針對某黲特殊q e 線性系統(tǒng)而言的。過去幾十年中，對線 性、囂列交秘矮真不確定參數(shù)爨系統(tǒng)避囂辮諼懿磁究毫取繕了緩大熬遴袋。毽懋 辮識攘鍪豹縫揀選激彀莰誕整令系統(tǒng)全越穩(wěn)定懿囊逡應諼節(jié)參數(shù)姣律豹鞠藏葛， 都是建立在線髓系統(tǒng)壤論蒸礎(chǔ)上靜，對于非線餓系統(tǒng)的辨談閼題卻童難以拽列 相應的數(shù)學方法。智能系娩理論中融含了許多系綾辨識的耨方法，這些方法在非 線毪壤竣鴦綴夫鶼發(fā)避秘瘦霆潛力，楚瑗狳段我較蠢散蕊方滾鞘。 1 2 課題背景 在過去載卡，遼年孛，鎰：學黧王王鼗笈囊了巨大麴變喜藝。麓主餮趨勢襲觀為飄 襄晶訖譽鑫生產(chǎn)轉(zhuǎn)囪專麓豹功戇馥擎暴生產(chǎn)，觚丈麓模過程轉(zhuǎn)向小規(guī)模瓣最育彈 性的過程 從連續(xù)加工轉(zhuǎn)向間歇加工等等。為了逼成這種變化，間歇過程又重漸 受到了人們鶼饕遍重援。逮主要是因為聞歇道獠暴露靈活多變瓣糝牲，瓣它霹以 爆n - - 套多溺途、多勸裁瓣設(shè)套壘產(chǎn)多耱類型魏產(chǎn)菇。這秘耱變瓣蠹在囊力反映 在倦學過稷工監(jiān)方藹，粼是糖纓化工、裳鞠化工浮商攫菝零戳聚群幫碳囂梁嬲麓 興產(chǎn)業(yè)的蘧勃發(fā)震。 間歇生產(chǎn)過程，又稱作批量生產(chǎn)過程。由于生產(chǎn)設(shè)備的物理結(jié)構(gòu)，或：糟其他 經(jīng)濟上魄圜素，致使生產(chǎn)過程由一個或多個按邇順序執(zhí)行的操作步驟( 戲操作 階段) 翁戲，籜么熬艘蔟上說，這個生產(chǎn)過疆藏認為霆一個閩戳生產(chǎn)遺麓t 完成 這個操作步順序就生產(chǎn)出一定量的綴終產(chǎn)品。如聚需要生產(chǎn)鼴多的產(chǎn)品，刪必須 重復執(zhí)行溶個操作步順序。簡而言之，間歇過程指的是將有限爨的物料按艦定的 熟工蹶序在個或多令沒備中熱工以獲褥有限璧麓產(chǎn)晶懿加工過程瞄。5 。4 “e 秘敞生產(chǎn)過程鼗大鵑儻點是鬃髓好。它靜竣器要求髭生產(chǎn)多耱產(chǎn)品，逐行多 種生產(chǎn)操作。設(shè)備具謝操作柔性，使工廠生產(chǎn)新產(chǎn)品不用添徽新設(shè)備，生產(chǎn)不同 規(guī)格的產(chǎn)鼎不需要修政設(shè)備，這樣工廠只需要加少量投資就能適應市場需求的變 強。瓣敬生產(chǎn)過程不僅其翥臻曼熬經(jīng)濟援摟效蕊，蠢置其重要往在于這類生產(chǎn)過 程在工業(yè)生產(chǎn)中占有綴大酶毪重。 目前，間歇操作廣泛應用于食晶、聚合物、胬品、染料和涂料等產(chǎn)品的生產(chǎn)。 隨著間歇過程普遍的成周與發(fā)展，隧之也出現(xiàn)了一些問題，主騷有：( 1 ) 融予蝴 竣過疆遁辮其毒霉凌蕊、薅漆器易燃翳爆麓特點，毽就餐譽勰蛉建摸方法建裒模 型比較潮灘；( 2 ) 間歇過程控制系鏡很難迸行結(jié)構(gòu)調(diào)整，不瀏廠家韻控制系統(tǒng)互 不兼容【3 】。 化王閥歇過程懿特點決定了它必然屬于難控裁靜系絞，針對這類系統(tǒng)，煮霰 多學者秘專家鬟密了備釋各稃薪憝智麓控裁方法 4 。”l ，雨量其中懿一些方法也已 經(jīng)得到了廣泛的應用，解決了一些艇雜間歇過程的控制問題。 還謝一些研究人員致力于化工間歇過程的模型辨識研究，其一是側(cè)鱟于宏觀 上闋熬過程調(diào)度與繇瓏豹建模，這點不z 疆予本深蘧駢磅究的菠碡；其二怒黼重 于其轉(zhuǎn)的化工簡歇過獠對象。如發(fā)酵生產(chǎn)過程強5 7 , 5 8 , 6 3 - 6 7 。工業(yè)發(fā)酵過程怒與微生 物的生長和代謝活動緊密相聯(lián)系的熊物反應過程，反應機理復雜，影響因索較多。 疆前，基予酶動力學、發(fā)酵動力學秘生純反應工程艙研究，建立楓理模型的理論 建模方法澎不藏熬，贍以實際瘟臻。文藏翻中鈴鬟重蕊鼗生產(chǎn)避疆魂態(tài)將骸中懿孽 線性、時液性和不確定性，提出了梯形神經(jīng)網(wǎng)絡群模型。它熄將間歇過程中的狀 態(tài)在時間t 進行分段，縛一段用個基本的神經(jīng)網(wǎng)絡表出，這樣只要在不問的時 闖段調(diào)用不同簸基本褲經(jīng)霹絡裁可逐步褥裂整個生產(chǎn)過程靜行為。有了這辯懿模 型，楚褥不磐孬去贊j 雩不露瓤反應類整，尊復雜麴分褥饔論 疆，只要其有每段豹 操作數(shù)據(jù)和直觀的系統(tǒng)階次估計，就可以通過它的自學習能力，適應不同的工況 或反應機制。所以，這是一種通用模型結(jié)構(gòu)，實際生產(chǎn)過程淡暇，大部分蚓歇過 程隘2 階避叛已經(jīng)是移。 文獻f 5 7 】中運露模糊集袞模式談別理論，提出了一種其有穩(wěn)學習功能豹在線識 爨凌羲避揀黲注懿藜方法，海囂該方滾繇建立辮揀麓簿黍囂慧鬻嚴遵程爨釋至莨 期懿在蔑摟糊識囊模燮，在鞔熱擎豢測藏廠蕊豁癸繇滋囊，彀褥了藏好效象。 文獻黼鞠中利用微分褥經(jīng)網(wǎng)絡淤瓣談發(fā)酵過躐* 這個微分神綴黼絡在時域中俗 避出的怒融怒麓終。這糖膏法不需黌熟漆方程積參數(shù)艙先驗鑲崽。測屬實淞熬搬r 經(jīng)遭誦揀該鶼終；蕊糞豪辮滾瓣終黠予茨黲適纛這裘囂蒙買褰溪努贅鬻談鞣老， 露量弼繆憋穩(wěn)麓葷，廷溺了六令耱縫震。 在文獻e 6 3 】中，掇出觚發(fā)酵楓瓚嫩敝選擇影響瀨程酶關(guān)鍵戳索，剎用欲黲瓶報 數(shù)據(jù)鬃爨擻懿嫠惑，默滾港毒囂二次漭矮式摟燮黎灝基磴，慕鯔逡爹囂蘑感綾詩 捺蓊方法避行模型逮囂禳霧鼗甓詩，建蹇蠡述產(chǎn)瀚合藏攀穗熒糕變董交強游鼴鼴 方程翡邋耀纛橫方法。逶邋在線遴攘建立部努數(shù)耀靜麓| 島模鬃。實現(xiàn)對裳黲避疆 馳預測和假他，對于熱濺的氨基酸擻璐過程批撼數(shù)掇鰉仿真硪究諼嚷此方淤確實 霹鏊逸翁較蕊懿頸囂麓炭。 支敲疆4 】中提甍，袋蘸過程懿揀繇邋磐零葵獲取狀簽變爨* 熱蘧蔣、萋基辯產(chǎn) 秘的濃發(fā)，德由于生櫞蔣感器的疑激，這些變黌漾雅在線濺爨。蘩予卡爾畿濾波 撰的狀態(tài)馕詩技術(shù)嚳綴戲疆予發(fā)酵避鼷，焉與之鯔魄懿研究戲聚恿經(jīng)遷爨，糌縫 瓣終蓑零程靛黲逶委麓痰愆縫專罱燕游浚器囊尋中攘零毽詩鬻袋礴、覆疑蕊潞。 靜羥麓終瓣開始應囊予蕊辯過程漿蕊模時，最黎麓黲建模方蔑愚“黑禧”靄揀準 神經(jīng)網(wǎng)絡蠛式1 6 7 l ，后求人們提出了將褪經(jīng)網(wǎng)絡舄溉稷的部分幫l 想模型如物料、能 塞平餐方鼷穗結(jié)合，緞蕊滾臺勢經(jīng)烈絡摟墼，遮釉潞臺搏經(jīng)簿鰓模型驥爨魄揀灌 襻經(jīng)瓤爨黎黧建蒺鞲囊搟、泛話纛力鞭醛新 。文黻疆l 警孛黎避糕贍蠹幫羹褥融入 辜牽經(jīng)掰絡蘧摸中，羧遴釋慧鼴建立粒摸鏊蠢一棗共閔黲特點蕊隳黧中各個幫分寵 成不同螅譙努。一種方式蹙將過程內(nèi)酃已知的線熄模型與非線慳神經(jīng)網(wǎng)絡棋礅樞 戇舍，焱擦襻經(jīng)鼴務懿饕緩鰉爨懿。菲黢遂羹絳對避疆霧線鏈婚犍建樓，瀵釋捷 繕整個麓濺熬夠蘧遂漶疆蕊復雜動力褥浚，遮黲蘧橫方法繞餮為淀合耪羹瓣絡建 模方法。疆箭在發(fā)酵讖鞭中應用靜漓合神經(jīng)網(wǎng)絡蠛黧有如下凡黼縭梅：串聯(lián)鋪稔、 并聯(lián)結(jié)鞫及鼯著聯(lián)結(jié)秘。遴避傣囊試驗黠斃，灄合霉零經(jīng)風終穰燮在泛佬能力上躦 蘧爨予豁范瀚“熏蕃”凌褥經(jīng)舞終摟溪，囂套纛鴦嵇澄薅爨壤爨孛，睪裴縐羧露 棗芳裴縫姆及文獻簿莓l 穩(wěn)爨弱瑟型黎瓣戇混合籜繇瓣絡模鍪凌予鴦銹辯乎畿窮糕 式的約柬撩件，其泛憂熊力比并聯(lián)端構(gòu)模型強。德硝聯(lián)結(jié)構(gòu)和粥并聯(lián)結(jié)構(gòu)濺合模 鷲謎練方潦熬縶。混合辯蟶霹絡鏷爨不筏爨鷙了攀鹱窩棗并聯(lián)然攘疆銎懿鐮患， 褥噩蔫純了讖練方式。 聞敲絮鬻烯過程舞簿弗線性、辯漆釉荔燃翳燎辯特點，鴦葦鍾爨分街或蜜狳方法 米得到過獠的模型十分鼴淮。影響閑烯聚合反盛嬲躐素較多，在段時間搬?？?虢諼糞簿熟溪熏羹甥麓滲凝墓率一教，懣主要考蕊鐮簿蘩搏熬彩濾，蠡愛懣瀑麓、 霹秘鷺露聚翕菠瘟霄羧大熬影翡。辯予黧壤聚瑟燎避疆，聚臺豢固壓力 勢壤邋囂 烯的飽和蒸氣壓，壓力的高低完全與溫度對應，因此只把釜壓作為輸出參數(shù)。文獻 5 6 利用前饋神經(jīng)網(wǎng)絡建立間歇聚丙烯過程反應階段的壓力數(shù)學模型。測試結(jié)果 表明，經(jīng)過學習的神經(jīng)網(wǎng)絡有足夠的精度，用它充當對象的數(shù)學模型是可以的。值 得注意的是，并非訓練的次數(shù)越多，越能得到正確的輸入輸出映射關(guān)系。在文獻 5 6 的實驗中發(fā)現(xiàn)，訓練的次數(shù)如果再增加，測試的誤差就會變大。這是由于所搜集的 數(shù)據(jù)都是包含噪聲的，訓練的次數(shù)過多，網(wǎng)絡將包含噪聲的數(shù)據(jù)都準確記憶下來， 在極端情況下，訓練后的網(wǎng)絡可以實現(xiàn)相當于查表的功能，但是對于未經(jīng)訓練的輸 入數(shù)據(jù)卻不能給出合適的輸出，即并不具備很好的泛化功能。泛化性能好的網(wǎng)絡才 能恰當?shù)乇硎緦嶋H過程的輸八輸出關(guān)系。 蒸餾過程也是一類典型的間歇生產(chǎn)過程。常壓蒸餾作為石油加工的關(guān)鍵環(huán)節(jié)， 其側(cè)線餾出產(chǎn)品的質(zhì)量直接影響全廠的經(jīng)濟效益，在實際生產(chǎn)過程中各段油品質(zhì) 量的檢測是通過抽取成品油樣本，進行離線試驗分析，這樣很難適應在線質(zhì)量控 制和在線指導生產(chǎn)過程操作的需要，因此實現(xiàn)油品質(zhì)量的在線估計具有重要的意 義。在文獻 s 9 中，利用三層神經(jīng)網(wǎng)絡，結(jié)合遺傳b p 算法訓練出一個神經(jīng)網(wǎng)絡模 型，該模型可在工程所要求的誤差范圍內(nèi)對常一線干點及常三線柴油傾點進行有 效估計，由于神經(jīng)網(wǎng)絡可以根據(jù)實際運行對象對新的數(shù)據(jù)樣本進行自適應學習， 從而為常壓塔的監(jiān)控和操作指導提供了可以實時實現(xiàn)的產(chǎn)品質(zhì)量估計模型，進而 為原油常壓蒸餾的最優(yōu)化控制奠定了基礎(chǔ)。而在文獻 6 0 中，主要比較了世界幾 個公司已經(jīng)辨識幾種間歇蒸餾過程模型的優(yōu)缺點。 在對這些間歇生產(chǎn)過程對象模型的辨識過程中，采用了基于智能系統(tǒng)理論的 辨識方法，辨識的效果也比較理想。但是也存在一些不足，比如有些神經(jīng)網(wǎng)絡的 泛化能力較差：混合神經(jīng)網(wǎng)絡需要與過程的部分機理模型結(jié)合，如果在過程的機 理模型知之甚少的情況下，這種模型也是不容易實現(xiàn)的；利用回歸模型需要較多 的數(shù)學知識，計算起來較為繁瑣等等。 在眾多的文獻中所列舉的較多的間歇生產(chǎn)過程大都集中在發(fā)酵、蒸餾和聚丙 烯等。盡管有些文獻也提出一種通用的模型，但是在其實現(xiàn)模型的過程中使用的 還是發(fā)酵這類間歇過程。此外建模的方法多使用的是神經(jīng)網(wǎng)絡辨識方法，利用模 糊方法來完成過程的建模則比較少，尤其是利用t - $ 模型來建模的方法更少。 對于本文所研究的對象氧樂果合成間歇生產(chǎn)過程，在參閱了大量的國內(nèi) 外文獻后，發(fā)現(xiàn)還未給出一種合適的模型。該對象具有大時滯、時變和不確定性 的特點，無法用合適的數(shù)學表達式來描述。為了能夠有效的對該對象進行控制， 預測對象輸出，提高生產(chǎn)效率，有必要對這類間歇生產(chǎn)過程對象進行模型的建立。 1 3 本文的主要工作 緒論 本文在吸收了文獻 2 ，5 6 6 7 所提供方法的基礎(chǔ)上，重點研究了基于神經(jīng)網(wǎng)絡 的系統(tǒng)蘩識方法，并麓要討論了基予遺傳算法靜模糊系統(tǒng)瓣識。 本論文的主要內(nèi)容可分為以下幾個方面： 1 氧化樂果間歇過程工藝的研究； 2 系統(tǒng)辨識方法的研究； 3 ?；陥霾杉换课?：； 縫毽； 4 基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識方法的研究以及仿真實現(xiàn)； 5 基于遺傳算法的t - s 模糊模型的模糊辨識方法的研究以及仿真實現(xiàn)； 8 。結(jié)論與展望。 。：，。絲些壘耋三耋蘭呈耋鎏塞釜。：，：。，：，：，。，。：。 2 氧樂果合成間歇過程生產(chǎn)工藝分析 常見的間歇生產(chǎn)過程，各個設(shè)備單元，如反應器、混合器、儲罐等都是用管 道固定逡接救，這類闕歇生產(chǎn)過程稱作有管間歇生產(chǎn)過程。此外，根據(jù)聞歇生產(chǎn) 過程生產(chǎn)的產(chǎn)品，可以分為單產(chǎn)品、多產(chǎn)品和多髑途三類。一個單產(chǎn)品聞激生產(chǎn) 過程，其每批產(chǎn)品的生產(chǎn)都是按照配方規(guī)定的間一操作順序、相同的原料粥比和 工藝參數(shù)進行。氧樂果合成間歇過稷就是屬于這種有管單產(chǎn)品間歇生產(chǎn)過穰。 2 1 工藝介紹 氧樂聚生產(chǎn)中的合成( 胺解) 工序是整個氧樂果生產(chǎn)的關(guān)鍵，直接影響蔫氧 樂萊程琢灌鶼渡率、含囂等指標。鬣樂羆瓣臺簸愛瘟是一令鬻爨豹藏蕊反應。反 應物是甲胺和精酯，反應產(chǎn)物是氧樂果粗原油。合成反應工慧流程如圖2 - l 所示。 霪2 1 氧繇聚臺戲反篷工裝流程蓬 f i g 2 1f l o wc h a r to f o m e t h o a t e s y n t h e s i s 一6 - 氧樂果臺成間歇過程生產(chǎn)工藝分析 計量罐中的一甲胺滴注到反應釜內(nèi)，經(jīng)攪拌后均勻地噴灑到反應釜中，與其 中預先備好的精酯混合，發(fā)生劇烈的放熱反應，生成氧樂果粗原油。反應釜外壁 纏有冷卻鹽水管道，反應放出的熱量經(jīng)過熱交換后被冷卻鹽水帶走。有的計量罐 內(nèi)也裝有冷卻盤管。開始投一甲胺以前，要把精酯冷卻到- 2 0 。c 以下。 氧樂果的合成反應過程對溫度和一一甲胺投料速度均有較高的要求。將精酯冷 卻到一2 0 以下后，開始投一甲胺進行合成反應。當反應釜溫度上升到一1 4 一1 2 后，在溫度不超過1 2 前提下，要求盡可能快地完成一甲胺投料。 反應初始階段，即使反應溫度很低，溫升較慢，甚至是負增長，一甲胺的投 料速度也不宜過快。此時，由于反應釜內(nèi)精酯含量較多，合成反應比較劇烈，容 易造成局部溫度過高，降低合成質(zhì)量。 一甲胺累積己投料達到約6 0 7 0 k g 時，合成反應的總體放熱效果開始超過系 統(tǒng)的冷卻效果，系統(tǒng)的熱平衡被打破，反應溫度開始快速增長，此時要采用較低 的投料速度，抑制合成反應的放熱量和放熱速度，從而使反應溫度的上升趨勢放 緩。 反應釜溫度上升到接近一1 2 。c 后，保持適當?shù)耐读纤俣?，系統(tǒng)處于熱平衡狀態(tài)， 反應溫度在小范圍內(nèi)變化。 一甲胺的剩余量少于5 0 k g 后，由于反應釜內(nèi)的精酯大部分已經(jīng)被消耗掉，此 時可以以較快的速度進行投料，而反應釜溫度不會出現(xiàn)快速攀升。 2 2 氧樂果合成間歇過程建模影響因素分析 根據(jù)上面所介紹的工藝流程，可以看出整個過程當中溫度控制的重要性。然而 該過程存在著比較大的時變性和非線性，同時也存在著比較大的滯后，除此之外， 該過程還受到很多干擾因素的影響。這些都對溫度的控制不利。如果能夠利用一 個與氧化樂果間歇過程接近的預估模型，那么將有利于改善控制效果，在一定程 度上提高生產(chǎn)效益。 2 2 1 系統(tǒng)可測參數(shù)的影響 影響溫度的因素有很多，經(jīng)過認真分析，主要有以下幾個方面： 1 一甲胺流量 一甲胺流量是影響反應釜溫度的最主要因素，流量大，則合成反應放熱量多， 溫升快；流量小，則反應放熱量少，溫升慢。其中一甲胺流量主要受調(diào)節(jié)閥的影 響，調(diào)節(jié)閥開度增大，則流量增加；反之，則流量減少。一甲胺流量還受計量罐 中一甲胺液位的影響，閥位不變時，液位越高，則流量越大；反之，則流量越小。 鄭卅l 大學工學碩士論文 2 冷卻鹽水流量 冷卻鹽水流量越大，則冷卻效果越好，溫升越慢；反之，則溫升越快。f 主j 于 農(nóng)藥廠共有兩個車間，每個車間有三套反應釜，但是卻公用一套冷卻系統(tǒng)，由一 條冷卻鹽水母管連接在+ 起，各個反應釜的冷卻效果隨距離冷卻鹽水母管入口的 遠近依次降低。因此，在一個車間里冷卻鹽水流量還受另外兩個反應釜冷卻鹽水 閥門開關(guān)狀態(tài)的影響，其余兩個反應釜冷卻鹽水閥門全關(guān)時，第一個反應釜冷卻 鹽水流量最大：其余兩個反應釜冷卻鹽水閥門只有一個關(guān)閉時，第一個反應釜冷 卻鹽水流量次大；其余兩個反應釜冷卻鹽水閥門全開時，第一個反應釜冷卻鹽水 流量最小。此外兩個車間反應釜冷卻鹽水閥門的開關(guān)狀態(tài)還相互影響和制約著反 應釜冷卻鹽水流量。 3 冷卻鹽水溫度 冷卻鹽水溫度越低，則冷卻效果越好：反之越差。 4 精酯量 精酯量越多，則所需的一甲胺量也越多，反應放熱量就越多；反之就越少。 5 一甲胺累積投料量 隨著一甲胺累積投料量的增加，合成反應的放熱量也在增加。投料量大約在 7 0 k g 時，反應最為劇烈，溫升較快；投料量剩余5 0 k g 時，由于精酯己大部分被消 耗掉，即使以較快的速度投一甲胺，反應溫度也不會有較大上升。 6 反應進行時間 反應剛開始時，由于精酯較多，反應較為劇烈，局部溫升較大。隨著反應時 間的延長，精酯逐步被消耗掉，與反應剛開始時相比，在一甲胺流量相等的情況 下，反應放熱量減少，溫升變慢。 7 一甲胺溫度 反應溫度同時受一甲胺溫度的影響，一甲胺溫度越低，則反應溫度上升越慢； 反之，則越快。但一甲胺溫度比較穩(wěn)定，波動不大。 8 反應起始溫度 反應剛開始時，精酯被冷卻到的溫度稱為反應起始溫度。起始溫度越低，則 溫升越慢；反之，則越快。 9 環(huán)境溫度 環(huán)境溫度影響冷卻效果，環(huán)境溫度越低，則冷卻效果越好，溫升越慢；反之， 則溫升越快。 1 0 其他因素 包括精酯含量、一甲胺含量、冷卻系統(tǒng)熱交換的好壞等等。 以上這些因素同時作用，共同影響著反應溫度，如圖2 2 所示。 ! ! ，塞塑塑娑墼璺鐾至塑墜，。一! 苧! ! ! ! ! ! ! ! 鼻_ ! ! ! 苧! ! ! ! ! = ! 篇燃篡笪皇! ! ! ! ! ! 鼎燃苧皇苧! ! ! ! ! 鼉黑! ! ! ! ! ! = = ! = 需= = = = = 冷l復| 幫|l 瘴| 進，蠹釜疰z , 2 1 型! ! i j ：量壤遙焦| r 。2 2 # 冷卻閥開熒 2 2 p 必 銚嗉 量 剜曼應釜溢度 黌2 2 浸凄澎鵑因素示意翻 f i 9 2 2 s c h e m a t i cd i a f a i n o f f a c t o r s t h a t e f f e c t t h e t e m p e r a t u r e 2 ，2 2 系統(tǒng)不弼測參數(shù)的黟晌 氧化樂聚合成反應的瀨度對象除了受到各種因索的影響之外，對象的參數(shù)也 是時變的，變化最大的就怒純滯后時間r 。從反應開始到最后結(jié)束，r 從幾秒鐘變 化致死分鐘。f 與反應進 予髓閹 ，精麓含量掰，學胺含量掰。，反應釜初始 溢度瓦和其它菌素d 有關(guān)，可醵露下式表示： f = f ( t ，m 口，m m ，t o ，0 ) ( 2 - 1 ) 由此可以看出，f 是一個多因素決定的、在反應過程中不斷變化的、而且變化范圍 魄較大靜參數(shù)。也裁是說，辯溺一釜豹合成復應，彳在不瑟豹變豫：對蘑一令反應 釜的不同批次合成反應，。的變化曲線不完全相同；不同反應釜的合成反應，r 的 變化曲線也存在差異。其變化曲線可以參看文獻 6 。 另外一個變化比較大的參數(shù)是增贅舅。在反應初期，增益較大，甲胺累職 授籽量約楚7 0 k g 左右辯，蔗這至l 最大，然囂疆凌減小，至l 投辯縫索減至最小。影 的大小與一甲胺含量m 刪，總投料量硝。有關(guān)，可以用下式表示： k ；f ( m l 6 ，) ( 2 - 2 ) 挺漿變化曲線參看文獻【6 】。增茲量的特瞧使褥對象輿騫嵩度 # 線燃。 綜合上述分聿斤，可醴鬻鑫該溢度避耩其有多變鬃、菲線性、辯變、分布復縶 等特點，利用傳統(tǒng)的經(jīng)典系統(tǒng)辨識方法徽難預測出較為理想的溫度值，因此需騷 適合于這類對象的新辨識方法，也就是前面的提到的基于智能系統(tǒng)理滄的系統(tǒng)辨 諺 方法。 起始溫度一 惻|魏 環(huán)境溫度一 鹽水溫度一 鄭州大學工學碩士論文 3 間歇過程對象辨識的理論基礎(chǔ) l a z a d e h 曾給辨識下過這樣的定義：“辨識就怒在輸入和輸出數(shù)據(jù)的基礎(chǔ) j ：，從一組給定的模型中，確定一個與所測系統(tǒng)等價的模型。”這個定義明確的表 示了辮識豹三大要素：o 輸入輸出數(shù)攝； 模型類；等價準則。其中數(shù)據(jù)是辯 識的基礎(chǔ)；準鄹是辨識的伉仡鼙標；模黧類是尋我模懣的范匿。當然按照這個定 義尋找一個與實際過程完全等價的模型無疑是非常困難的。從實用的觀點出發(fā)， 對模型的要求并非如此苛刻，為此對辨識又有一些比較實用的定義。比如l l u n g 鯰瓣諼下懿定義：“瓣識有三令要素數(shù)據(jù)，模蛩類秘灌爨。辮浚藏是按照一個 準則在一組模黧類中選擇一個與數(shù)據(jù)擬合得最好的模濺?！绷硗?，由于觀測到的數(shù) 據(jù)一般都含有噪聲，因此辨識建模實際上是一種試驗統(tǒng)計的方法，它所獲得的模 型只不過是與實酥過程外特性等價的一譯申近似描述。 3 1 辨識算法的基本原瓔 辮諼的實袋就是扶一綴橫型類中選擇個模型，按照菜耱準剜，健之嬈最好媳 撼臺所關(guān)心斡嶷際過程匏動態(tài)特牲。下圖給出了常覓的辨識結(jié)構(gòu)“3 。 圈3 。l 辨識攝理 f 逸3 1i d e n t i f i c a t i o n t h e a r y ( 七) 為了得到模型參數(shù)口和儲計值晷，通常采用逐步逼避的辦法。在時刻，根據(jù) 蓍一對麥l 懿估計參數(shù)詩算齡浚時妻l 夔輸出，馨過程竣魄鼴頸攝毽 些塑墼墼堅塑鍪些二：。：一 2 ( k ) = 7 ( 女) 臼( 一1 ) ( 3 1 ) 同時計算出預報誤差或稱新息 三( 七) = z ( 七) 一三( 尼) ( 3 _ 2 ) 其中過程輸出量 z ( k ) = h 。( i ) o o + e ( ) ( 3 _ 3 ) 及辨識表達式的輸入量h ( k ) 都是可以測量的。然后將新息2 ( k ) 反饋到辨識算法中 去，在某種準則條件下，計算出k 時刻的模型參數(shù)估計值舀( j i ) ，并據(jù)以更新模型參 數(shù)。這樣不斷迭代下去，直至對應的準則函數(shù)取最小值。這時模型的輸出j ( 尼) 也 已在該準則意義下最好地逼近過程的輸出值z ( ) ，于是便獲得了所需要的模型。 3 2 線性模型的辨識方法 迄今為止，已經(jīng)有許多不同的辨識方法。這些辨識方法就其所涉及的模型形式 來說，可以分成兩類。一類是非參數(shù)模型辨識方法，另一類是參數(shù)模型辨識方法。 非參數(shù)模型辨識方法亦稱為經(jīng)典的辨識方法。它在假定過程是線性的前提下， 不必事先確定模型的具體結(jié)構(gòu)，因而這類方法可適用于任意復雜的過程。參數(shù)模 型辨識方法亦稱為現(xiàn)代的辨識方法。它必須假定一種模型結(jié)構(gòu)，通過極小化模型 與過程之間的誤差準則函數(shù)來確定模型的參數(shù)。如果模型的結(jié)構(gòu)無法事先確定， 則必須利用結(jié)構(gòu)辨識的方法先確定模型的結(jié)構(gòu)參數(shù)，再進一步確定模型參數(shù)【l j 。 3 2 1 經(jīng)典的辨識方法 線性過程的動態(tài)特性通常用傳遞函數(shù)，頻率響應，脈沖響應和階躍響應來表示。 后面三種為非參數(shù)模型。在經(jīng)典的辨識方法中，主要有：階躍響應法、脈沖響應 法、頻率響應法、相關(guān)分析法和譜分析法。利用這些方法可以將非參數(shù)模型轉(zhuǎn)化 成傳遞函數(shù)。 其中階躍響應法、脈沖響應法和頻率響應法都是在過程中旋加試驗信號，記 錄下相應的響應曲線，通過這些響應曲線可以求解過程的傳遞函數(shù)。但是這三種 方法原則上只有在高信噪比的情形下才是有效的，因此這便成了上述辨識方法的 致命缺點。然而在工程實際中，所獲得的數(shù)據(jù)總是含有噪聲的，相關(guān)分析法和譜 分析法是這類辨識問題的有效方法。 相關(guān)分析法就是根據(jù)輸出數(shù)據(jù)和輸入數(shù)據(jù)之間的互相關(guān)函數(shù)來估計過程的頻 率響應，此時的輸出數(shù)據(jù)中是含有噪聲的。換句話說，就是利用帶有噪聲的輸出 數(shù)據(jù)來估計過程的頻率響應。 譜分析法的特點是不需要對過程施加試驗信號，只需要利用正常操作下的輸 鄭卅l 大學工學碩士論文 ! ! ! 苧竺! ! ! ! ! ! ! ! ! ! ! 曼! 竺! ! ! ! ! 苧! ! ! ! 烹! ! ! ! ! ! ! ! ! ! ! ! ! ! 苧竺! ! ! ! 巳 入輸出數(shù)據(jù)就可以辨識過程的動態(tài)特性，因此使用比較方便，而且有較強的抑制 噪聲的能力。利用譜分析法辨識頻率響應的基本公式為 墨。( j o j ) = g ( j c o ) 最( ) ( 3 - 4 ) 關(guān)鍵在于估計輸入數(shù)據(jù)的自譜密度和輸入輸出數(shù)據(jù)的互譜密度。 3 2 2 現(xiàn)代的辨識方法 這類辨識方法就其不同的基本原理來說可分成三種不同的類型。 第一種稱作最小二乘類法。它利用最t j 、- - 乘原理，通過極小化廣義誤差的平 方和函數(shù)來確定模型的參數(shù)。在這類方法中，最小二乘法是最基本、最典型，也 是應用最廣的一種方法。線性系統(tǒng)的模型可通過一定的數(shù)學變換成最小二乘格式 z ( 七) = h 。( k ) o + n ( k ) ( 3 - 5 ) 其中，z ( k ) 是過程的輸出量， 他) 是可觀測的數(shù)據(jù)向量， ( ) 是均值為零的隨機 噪聲。利用數(shù)據(jù)序列 z ( 女) 和 廳( ) ) ，極小化下列準則函數(shù) 上 一 j ( o ) = i z ( ) 一a 7 ( 女) 口】2 ( 3 - 6 ) 西 使j ( o ) = m i n 的0 估計值記作0 ，稱作參數(shù)占的最小二乘估計值。上述概念表明， 未知模型參數(shù)0 最可能的值是在實際觀測值與計算值之累次誤差的平方和達到最 小值處，所得到的這種模型輸出能最好地接近實際過程的輸出。 最小二乘法具有兩方面的缺陷： 當模型噪聲是有色噪聲時，最小二乘參數(shù)估計不是無偏、一致估計； 隨著數(shù)據(jù)的增長，最小二乘法將出現(xiàn)所謂的“數(shù)據(jù)飽和”現(xiàn)象。這是由 于增益矩陣k ( 七) 隨著k 的增加將逐漸趨近于零，以致于遞推算法慢慢失去修正能 力之故。 針對這兩個問題，在文獻 1 提出了幾種相應的改進最小二乘辨識方法。 第二種稱作梯度校正法。它利用最速下降法原理，沿著誤差準則函數(shù)關(guān)于模 型參數(shù)的負梯度方向，逐步修改模型的參數(shù)估計值，直至誤差準則函數(shù)達到最小 值。其主要特點是計算簡單，可用于在線實時辨識；缺點是在極小點附近，收斂 速度很慢，其原因是它只利用了一階導數(shù)的信息。 第三種為極大似然法和預報誤差方法。極大似然法需要構(gòu)造一個以數(shù)據(jù)和未 知參數(shù)為自變量的似然函數(shù)，根據(jù)極大似然原理，通過極大化似然函數(shù)來定模型 參數(shù)的估計值。這意味著模型輸出的概率分布將最大可能地逼近實際過程輸出的 概率分布。為此，極大似然法通常要求具有能夠?qū)懗鲚敵隽康臈l件概率密度函數(shù) 的先驗知識。 對另外一種稱作預報誤差方法來說，它需要事先確定一個預報誤差準則函數(shù)， ! ! 蘭塵墼型塑塑鱉型：，。，。一 并利用預報誤差的信息來確定模型的參數(shù)。從某種意義上說，預報誤差方法和極 大似然法是等價的，或者說是極大似然法的一+ 種推廣。原因在于極大似然法螢求 數(shù)據(jù)的概率分布是已知的，通常假設(shè)為高斯分布。然而實際問題不一定都能滿足 這種假設(shè)，但是預報誤差方法能夠適應這種問題，它不要求關(guān)于數(shù)據(jù)概率分布的 先驗知識。因此預報誤差方法是解決更加一般問題的一種辨識方法，是極大似然 法的一種推廣。當數(shù)據(jù)的概率分布服從高斯分布時，預報誤差方法等價于極大似 然法。這兩種方法的參數(shù)估計量具有良好的漸近性質(zhì)，但是計算量比較大。 3 3 智能系統(tǒng)理論中的辨識方法 上面所介紹的一些辨識方法，其研究對象的模型主要是集中參數(shù)、離散、定常、 線性動態(tài)隨機模型，而本課題所研究的間歇過程對象具有高度的非線性，時變性 和時滯性，因此想利用某一類數(shù)學表達式模型來描述這類對象，顯然是比較困難 的。這就需要采用合適的辨識方法基于智能系統(tǒng)理論的辨識方法來解決問題。 3 3 1 基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識與建模 神經(jīng)網(wǎng)絡在系統(tǒng)建模、辨識與控制中的應用，大致以1 9 8 5 年r u m e l h a r t 的突 破性研究為界。在極短的時間內(nèi)，神經(jīng)網(wǎng)絡就以其獨特的非傳統(tǒng)表達方式和固有 的學習能力，引起了控制界的普遍重視，并取得了一系列重要結(jié)果。神經(jīng)網(wǎng)絡應 用于控制領(lǐng)域的主要吸引力在于： 多層前饋神經(jīng)網(wǎng)絡能夠以任意精度逼近任意非線性映射，給復雜系統(tǒng)的建 模與辨識帶來了一種新的、非傳統(tǒng)的表達工具； 固有的學習能力降低了不確定性，增加了適應環(huán)境變化的泛化能力； 并行計算特點，使其有潛力快速實現(xiàn)大量復雜的控制算法； 分布式信息存儲與處理結(jié)構(gòu)，從而具有獨特的容錯性。 對于非線性系統(tǒng)，基于非線性自回歸滑動平均模型( n a r m a ) ，難于找到一 個恰當?shù)膮?shù)估計方法，傳統(tǒng)的非線性控制系統(tǒng)辨識方法，在理論研究和實際應 用中都存在極大的困難。 相比之下，神經(jīng)網(wǎng)絡在這方面顯示出明顯的優(yōu)越性。與傳統(tǒng)的基于算法的辨 識方法相比較，基于神經(jīng)網(wǎng)絡的辨識具有以下幾個特點： 不要求建立實際系統(tǒng)的辨識格式，即可省去系統(tǒng)結(jié)構(gòu)建模這一步。因為神 經(jīng)網(wǎng)絡本質(zhì)已作為一種辨識模型，其可調(diào)參數(shù)反映在網(wǎng)絡的內(nèi)部權(quán)值上。 可以對本質(zhì)非線性系統(tǒng)進行辨識。辨識是非算法式的，由神經(jīng)網(wǎng)絡本身體 現(xiàn)。辨識的結(jié)果為網(wǎng)絡外特性擬合系統(tǒng)的輸入輸出數(shù)據(jù)中的系統(tǒng)特性。 辨識的收斂速度不依賴于待辨識系統(tǒng)的維數(shù)，只與神經(jīng)l 捌絡本身及具所米 用的學習算法有關(guān)，而傳統(tǒng)的辨識算法隨模型參數(shù)維數(shù)的增大變得很復雜。 神經(jīng)網(wǎng)絡具有大量連接，其連接權(quán)值在辨識中對應于模型參數(shù)，通過調(diào)節(jié) 這些參數(shù)可使網(wǎng)絡輸出逼近系統(tǒng)輸出。 神經(jīng)網(wǎng)絡作為實際系統(tǒng)的辨識模型，實際上也是系統(tǒng)的一個物理實現(xiàn)，可 以用于在線控制。 非線性系統(tǒng)的模型可以分為兩類：輸入輸出模型和狀態(tài)空間模型；神經(jīng)網(wǎng)絡 模型也分為兩類：靜態(tài)神經(jīng)網(wǎng)絡和動態(tài)神經(jīng)網(wǎng)絡。在神經(jīng)網(wǎng)絡的建模方法中，靜 態(tài)神經(jīng)網(wǎng)絡被用作對象的輸入輸出模型；而動態(tài)神經(jīng)網(wǎng)絡既可用作對象的輸入輸 出模型，又可用作對象的狀態(tài)空間模型。 在系統(tǒng)辨識中最常用的靜態(tài)神經(jīng)網(wǎng)絡有多層前饋神經(jīng)網(wǎng)絡( m p l s ) 。多層前 饋神經(jīng)網(wǎng)絡具有逼近任意非線性映射的能力；在文獻 5 中，已經(jīng)證明了當滿足三 個條件時，這種網(wǎng)絡必可以任意精度逼近任意非線性連續(xù)或分段連續(xù)函數(shù)。利用 靜態(tài)多層前饋神經(jīng)網(wǎng)絡建立系統(tǒng)的輸入輸出模型，本質(zhì)上是基于網(wǎng)絡的逼近能力， 通過學習獲知系統(tǒng)的未知非線性函數(shù)。這種網(wǎng)絡具有三要素，即多層次結(jié)構(gòu)、s 型 神經(jīng)元和反向傳播( b p ) 算法。 在系統(tǒng)辨識中最常用的動態(tài)網(wǎng)絡是回歸網(wǎng)絡?；貧w網(wǎng)絡近年來受到了人們的 普遍關(guān)注，它的一個最顯著特定就是它的輸出端信號通過延時環(huán)節(jié)或者一階慣性 環(huán)節(jié)的反饋機構(gòu)連接到輸入端?；貧w網(wǎng)絡本質(zhì)上是動態(tài)系統(tǒng)，其代表是h o p f i e l d 網(wǎng)絡和e l m a n 網(wǎng)絡。h o p f i e l d 網(wǎng)絡是單層的，它代表了一類非線性系統(tǒng)；e l m a n 網(wǎng) 絡是在多層前饋網(wǎng)絡的基礎(chǔ)上，加入了連接權(quán)值不能修正的“結(jié)構(gòu)”單元，這種 網(wǎng)絡可以映射任意的非線性動態(tài)系統(tǒng)。 動態(tài)網(wǎng)絡在建立動態(tài)系統(tǒng)模型方面有其長處，同時也應指出，它的學習算法 采用的是動態(tài)反傳算法，其運算比靜態(tài)b p 算法大得多。因此，在實際使用采用神 經(jīng)網(wǎng)絡辨識時，應首先考慮靜態(tài)網(wǎng)絡，其動態(tài)關(guān)系可由輸入輸出經(jīng)過多分頭延時 ( ) l ) 環(huán)節(jié)獲得。 3 3 2 基于模糊理論的系統(tǒng)辨識與建模 系統(tǒng)越復雜，對