PDF《基于 PCA—BP神经网络 的》

2

0 0

3 年第 4期 工业仪表与 自动化装置 ・3

3 ・ 基于PCA―B P神经网络 的 精馏 塔产 品组 成软测量模型尚长军 , 陈曦,钱积新 ( 浙江大学系统工程研 究所, 浙江杭州

3 l

0 o

2 7 ) [ 摘要]依据工艺机理和操作经验 , 初选 了醋酸精馏塔产品组成的神经网络预测模 型的输 入 变量, 运用主元分析方法对输入 变量进行主元分解, 降低输入 变量维数且消除 了输入 变量之间的 线性相 关性 , 再通过基于 L M优化算法的 B P神 经网络进行建模.

仿真结果表 明, 该模型具有较快 的训练速率和较高的预测精度, 可以满足精馏过程对出口物料组成的在线软测量要求. [ 关键词] 精馏塔 ;

B P神经网络;

P C A方法;

软测量;

L M算法 [ 中图分类号] r I P l

8 3 [ 文献标识码] A [ 文章编号]

1 0

0 0 .

0 6

8 2 (

2 0

0 3 )

0 4 .

0 0

3 3 -

0 4 A s o f t - s e n s i ng m o d e l b u i l t f o r a c e t i c a dd d i s t i l l a t i o n c o l u mn s b a s e d o n t h e PCA. BP n e u r a l n e t wo r k S t t A N G C h a T l 哥j叽, C t t E N X i , Q I A N J i - x i n ( I n a i mt e o f跏Engineering, 慨University, g h

4 i a n g - H a n g z h o u

3 1

0 0

2 7 , Oa m ) Ab s t r a c t : T h e n o n l i n e a r a n d t i me ― v a r y i n g c h a r a c t e r i s t i c s m a k e d i s t i l l a t i o n c o l u mn s v e r y d i f f i c u l t t o b u i l d a s o f t - s e n s i n g mo d e

1 . T o s ol v e t h i s p r o b l e m , t he p a p e r p u t s f o r w a r d a s of t - s en si n g me t ho d b a s e d o n t he B P n e u r a l n e ro &

u s e d t o e s t i ma t e t ho s e u n me a s u r a b l e s i g n a l s t ha t a l e i mp o r t a n t f o r c o n t r o l l i n g a d i s t i l l a t i o n p m― c e s s i n o r d e r t o i mp r o v e t he s y s t e m c o n t r o l p e r f o r m a n c e .

1 h e P C A ( P r i n c i p a l c o m p on e n t a n a l y s i s ) m e t h o d i s i n ― c o r p o r a t e d i n t o t he n e r l 【 , wh i c h n o t o n ly s ol v e s t he l i n e a r c o r r e l a t i o n o f t he i n p u t , b u t a l s o s i mp l i f i e s t he n e t - w o r k s t r u c t u r e a n d i m p mv e s t he t r a i mn g s p e e d. T h e mo d e l p e r f o r ma n c e h a s b e e n t e st e d. T h e a c c u r a c y o f p r e ・ d i c t i v e r e s u l t s c a n s a t i s t he d e ma n d o f t he o n - l i n e s of t - s en s i n g me t ho d . Ke y wo r d s : D i s t i l l a t i o n c o l mn n;

B P n e u r a l n e ro '

;

P C A me t ho d ;

S o f t ・ s e n s i n g ;

L M a lg o r i t h m

1 引言扬子石化化工厂醋酸精馏塔 , 是PTA生产装置 中一个重要 的子 系统 .其精馏 产 品醋 酸作为 F '

F A 装置氧化反应器 的溶剂 , 精馏操作性能的好坏直接 影 响到氧化反应器的运行状况 , 在精馏系统中, 塔顶 塔底产品的组成是一个关键控制指标 , 然而操作 时 只能依据离线 的分析值进行调节 , 时滞很大 , 难 以实 现直接的质量 闭环控制.因此 , 需要建立基于数学 模型的在线软测量仪表u J .但是精馏过程具有多因 素、非线性 、 时变性的特点 , 由机理分析或 实验方法 来得到过程的软测量模型十分 困难. 为了解决这一问题 , 首先依据工艺机理和经验 收稿 日期 :

2 0

0 2 ―

1 0 -

1 5 作者简介 : 尚长军 (

1 9

7 3 . ) , 男,硕士,研究方 向为系统 建模 与仿 真,企业综合 自 动化 . 知识对过 程变量 进行 初选 , 然 后运用 主成 分分 析(PrincipalCompon e n t A n a l y S i s , P C ) J 方法对从 D C S 模块采集到的醋酸精馏过程检测变量进行主成分分 析,进一步压缩处理数据的维数 , 并消除变量 间的复 共线性.再运用基于 UH ( L e v e n b e r g e - M a r q u a r d t ) 优化 算法 的BP神经 网络 , 对提取 出的 P C A主成分与塔 顶出料中醋酸含量和塔底出料中水含量进行非线性 建模 .

2 精馏工艺流程简 介 精馏塔是化工生产过程中一种常见且重要的多 级分离设备 , 见图2_l , 其基本原 理是将 液体混 合 物部分汽化 , 并利用各组分挥发度不同的特性来实 现分离.F F A装置中设置的醋酸精馏塔是用来回收 整个 F F A装置 中所用 的醋酸溶剂.塔顶 出料 的主 要组分是水 , 另含有少量 的醋酸.塔顶 出料经冷凝 器冷凝后送到回流罐 , 其中一部分回流, 另一部分作 维普资讯 http://www.cqvip.com ・

3 4 ・ 工业仪表与 自动化装置

2 0

0 3年第 4期 为工艺水或排废.塔底 釜液 主要组分是醋酸, 另含 有少量水.釜液从塔底排 出, 经冷凝送到醋酸储罐 , 供VIA装置氧化工段循环使用. 图2―1 精馏塔工艺流程简 图3PCA.BP神经 网络 的软 测量模 型3.1模型 输 入变量 初选 影 响醋 酸精馏塔 出 口物料组成 的过程变量较 多,依据工艺机理和经验知识 , 从诸多的过程变量 中 初选出回流液温度 、 回流量 、 塔顶温度 、 塔顶 产品采 出量 、 塔釜温度 、 塔底馏 出物 流量 、 某一进料位置温 度等 7个对醋酸精馏塔出口产品组成影响较大的主 要过程 变量 作为 P C A . B P神经 网络模 型 的输 入变量,这也和运用美国 A S P E N公 司的流程模拟软件判 别分析结果一致.

3 .

2 隐层节点数的确定方式 文献[

3 、

4 ] 认为, 隐层节点数的取值并无确定 的 方法, 目前仍然是一个难题 .文献 [

5 ] 研究得 出, 对 于一个 3层BP网络 , 隐层节点数可以用下面的经验 公式计算 : S= 0.

4 3 k n +0.

1 2 n +2.

5 4 k+0.

7 7 n +0.

3 5+0.

5 (

3 一1)式中 _ 5为隐层节点数 , k 为输入层节点数 , n为 输出层节点数. S的计算值需要 四舍五入法进行取整, 文献 [

5 ] 证明用上式确定隐层节点数是合理 的, 并与 大多数 应用实例相符合 .文中运用上述经验公式并结合具 体问题确定了 B P网络隐层节点数.

3 .

3 P C A. B P神经网络模型结构 P C A . B P神经 网络模 型结构 由PCA和 B P神经 网络两部分组成 , 见图3―1 .其中 P C A实施对初选 的m个输 入变 量X={ l ,

2 , … , } ( 此处m=7 ) , 进行 P C A成分提取 , 得到 k个线性独立变量 P l , P

2 , … , P k , 以消除输入变量间的复共线性.为了减少神 经网络的输入变量个数 , 简化模型结构, 且在不过多 损失输入变量信息的前提下 , 取 累计方差贡献率达

8 5 %以上的 5个主元成分 , 即为 k=5 .B P神经网络 结构由 3层组成 : 输入层共 k个神经 元, 对应着 k 个主成分, 隐层节点数共有 q个, 该次仿真实验隐 层节点数根据公式(

3 一1 ) 计算并结合试验综合确定 为6个.输 出层 取 2个神 经元 , 其输 出值 为Y.和¨, 分别对应着塔顶 出口物料 中醋酸含量和塔底 出 料中的水含量 .输入层 与隐含层 、 隐含层与输出层 问的连接权分别记为 . 和Vqx2oPCA分析图3~1 P C A . B P神经 网络模 型结构

3 .

4 B P神经网络的 L M 优化算法 前 向神经 网络常用误差反传 ( B P ) L

6 J 算法进行 训练 , 其实质是使误差平方和最小的优化过程, 经典 的方法是沿梯度下降方向搜索, 简单而实用 , 但 十分 缓慢.为了加快搜索 , 作为对误差函数的二次逼近, 提出了牛顿法及其变形等.牛顿法需计算二阶导数 的Hessian阵及其逆 , 而Levenberg与 Ma r q u a r t 提出的 方法 ( 常称 I N 算法 ) 避免 了这些麻烦 , 是一种专 门 用于误差平方和最小的优化方法[ , 搜索速度快 , 适 于前向神经 网络训练 .误差平方和为 : E = {∑( s ) = { l l s l l (

3 ―2 ) P 式中 s 为第P个样本 的训练误差 , s是以s 为元素的向量 .I N 算法 对它 的调 整公 式是 new = . l d 一(z+,)一zrz(w_,Ul)(3―3 ) 式中 z元素为 : J p ( z) = (

3 _4 ) 当 很小时 , 变为牛顿法 , 很大则成为梯度下 降法( 此时步长为 ) .实际上应在计算过程 中调 节 的大小.一种常用 的方法是开始任意选 , 如置=0 .

1 , 再每步观察 E的变化 , 如果用 了式(

3 ―

3 ) 后误差减小 , 则保 留一,则减小 l O倍,重复此 步骤.如果误差增加 , 则维持 , 且 增大 l O倍,然后再按式(

3 ―3 ) 计........