彭曉波

（湖南工業(yè)大學 電氣與信息工程學院，株洲 412007）

0 引言

在現(xiàn)代工業(yè)過程中，對控制的要求越來越高。因而要達到較高的控制精度，必須對測量的各種過程變量也有很高的要求，一般解決工業(yè)過程測量精度不斷提高的方法是研制新型的過程檢測儀表，以滿足生產(chǎn)過程中對質(zhì)量和產(chǎn)量進行控制的要求。但是這類過程變量大都具有難測的特點，而且研制新型檢測儀表成本非常高、研制周期長，測量對象、范圍和功能都受到一定的限制；因此，有必要尋求一種新的思路。近年來在過程控制和檢測領(lǐng)域涌現(xiàn)出的軟測量技術(shù)正是這一思想的集中體現(xiàn)。

軟測量建立待測變量與可測或易測過程變量之間的非線性函數(shù)關(guān)系，間接得到待測變量的估計值。經(jīng)過多年的發(fā)展，已經(jīng)形成了一些較為成熟的軟測量建模方法：機理建模[1]；基于人工神經(jīng)網(wǎng)絡(luò)建模[2]；模糊建模[3]；集成建模[4]。機理模型是通過對機理過程中物質(zhì)和能量的轉(zhuǎn)化過程進行分析,得到機理數(shù)學表達式，每個系數(shù)均具有實際物理意義。但實際模型的結(jié)構(gòu)是非常復雜，由于對生產(chǎn)過程的認識是不全面的，就導致了其檢測精度就會隨著生產(chǎn)過程的不同階段，不同條件的變化而變化，從而無法建立較好的機理模型。神經(jīng)網(wǎng)絡(luò)是目前軟測量研究中最活躍的領(lǐng)域，它是根據(jù)對象的輸入輸出數(shù)據(jù)直接建模，在解決高度非線性和嚴重不確定性系統(tǒng)控制方面具有巨大的潛力，特別適用于工業(yè)過程的軟測量建模。但是，一般神經(jīng)網(wǎng)絡(luò)是一種靜態(tài)映射，不適合用來表示動態(tài)映射[5,6]。而一般的生產(chǎn)過程都是動態(tài)的，因此動態(tài)遞歸神經(jīng)網(wǎng)絡(luò)對于動態(tài)過程的軟測量，提供了一種極具潛力的選擇，代表了神經(jīng)網(wǎng)絡(luò)軟測量的發(fā)展方向。模糊理論模擬人類思維，是處理模型未知或具不確定性的復雜系統(tǒng)的一種有效手段。近年來，模糊理論與神經(jīng)網(wǎng)絡(luò)結(jié)合構(gòu)成模糊神經(jīng)網(wǎng)絡(luò)大量應(yīng)用于軟測量中，它既有模糊邏輯表達定性知識的能力，又有神經(jīng)網(wǎng)絡(luò)很強的自學習和處理定量數(shù)據(jù)的能力，因而非常適合處理一些復雜的非線性軟測量建模問題。

本文結(jié)合遞歸神經(jīng)網(wǎng)絡(luò)和T-S模糊模型，提出了基于T-S動態(tài)遞歸型模糊神經(jīng)網(wǎng)絡(luò)的軟測量模型，不僅可以很好地反映動態(tài)的生產(chǎn)過程，還具有定性知識表達的能力，把它應(yīng)用在冶煉過程，獲得了很好的效果。

1 T-S動態(tài)遞歸型模糊神經(jīng)網(wǎng)絡(luò)(DTRFNN) 的結(jié)構(gòu)

如圖1所示，本文提出了DTRFNN結(jié)構(gòu)。

DTRFNN被分為6層，形式如下：

Rule r：IFχ1(t) is Ar1andχ2(t) is Ar2and hr(t) is G Then y (t+1) =αr0+αr1+χ1(t) + …αrN+1h1(t)and… h1(t+1) isr1and… hr(t+1) isrr

這里描述DTRFNN：

圖1 DTRFNN 的結(jié)構(gòu)

2 T-S動態(tài)遞歸模糊神經(jīng)網(wǎng)絡(luò)在工業(yè)過程軟測量中的應(yīng)用

冶煉過程和化工過程是非常復雜的動態(tài)工業(yè)過程，在反應(yīng)過程中伴有強烈的氧化和還原反應(yīng)、物相的變化及能量的轉(zhuǎn)換。從控制的角度看,冶煉過程屬于典型的非線性過程，是大滯后、強耦合、分布式的連續(xù)動態(tài)過程?，F(xiàn)在的冶煉廠和化工廠控制系統(tǒng)一般采用DCS系統(tǒng)，采用前饋-反饋方式進行在線控制。在反饋控制中，某些金屬的含量，金屬化合物的溫度、微量金屬比等等工藝參數(shù)是重要的反饋信息，這些參數(shù)的穩(wěn)定對生產(chǎn)的穩(wěn)定至關(guān)重要。但是目前這些參數(shù)很多都是通過人工獲得，測量值在時間和準確性上都嚴重影響了控制系統(tǒng)的效果，如果采用測量傳感器，因為工藝原因，經(jīng)常要更換，成本非常高，這樣急需一套實用的軟測量方法來滿足生產(chǎn)的需要。因此，目前的參數(shù)測量方式很難保證生產(chǎn)過程長期穩(wěn)定，導致了產(chǎn)量和質(zhì)量很難有本質(zhì)上提高，而且單位產(chǎn)量的能耗一直居高不下。針對工藝參數(shù)測量這個關(guān)鍵問題。本文采用了T-S遞歸模糊神經(jīng)網(wǎng)絡(luò)軟測量模型，以解決以上的測量問題。

在某冶煉過程中，渣中金屬的流失不可避免，但是如果有合適的鐵硅比，可以大大的減少金屬的流失，并且金屬溶劑和渣的分層也是由鐵硅比決定的，因此對鐵硅比的測量直接影響到了金屬的產(chǎn)量，但是鐵硅比的測量都是由通過人工現(xiàn)場取樣，然后再到化驗室進行化驗，這樣會導致這些參數(shù)比實際參數(shù)要滯后很多，而且認為主觀的因素占了很大一部分，因此測量值在時間上和準確性上都嚴重影響了控制系統(tǒng)的效果，本文采用T-S動態(tài)遞歸模糊神經(jīng)網(wǎng)絡(luò)對鐵硅比進行軟測量

對于這個軟測量模型, 輸入變量的選擇是非常重要的。通?？梢詸z測的間接變量有幾十個，將這些檢測變量都作為輸入變量顯然是不符合要求，而且也容易造成計算量的過大。因此輸入變量的選擇可根據(jù)工藝與實際經(jīng)驗來確定[7]，也可采用相關(guān)分析法[8]， 確定與被軟測量變量最相關(guān)的幾個間接輸入變量。表一 給出了某冶煉過程中軟測量模型的輸入輸出變量。

質(zhì)量指標鐵硅比作為控制目標量，即DTRFNN輸出參數(shù)；氧、風、溶劑、精礦、煙灰、精礦成分11個量為操作參數(shù)，即DTRFNN的11個輸入?yún)?shù)。

首先，根據(jù)現(xiàn)場采集到的大量數(shù)據(jù)(包括輸入變量和輸出變量) 對DTRFNN 進行學習。需要指出的是，在對輸入、輸出數(shù)據(jù)要進行預處理，因為數(shù)據(jù)隨時可能出現(xiàn)“異常點”，還有數(shù)據(jù)歸一化的問題，最重要是要考慮輸出變量與輸入變量的滯后問題。即t 時刻的數(shù)據(jù)(可以是化驗分析值) 是與（T-S）時刻的輸入數(shù)據(jù)對應(yīng)的，根據(jù)工藝操作經(jīng)驗，S一般為60min。經(jīng)過大量的數(shù)據(jù)仿真分析，最后確定DTRFNN 的結(jié)構(gòu)為11-55-5-5-1，即輸入變量為6個 ，第二層的節(jié)點數(shù)是55個，第三層和第四層的節(jié)點數(shù)都是5，輸出變量為1個,即鐵硅比。

對鐵硅比給出了仿真結(jié)果，對幾個月的生產(chǎn)數(shù)據(jù)進行處理、進行訓練，50多組數(shù)據(jù)進行驗證。在圖2中，DTRFNN的結(jié)果用星號來表示，實際值用圓圈來表示。從數(shù)據(jù)中，我們可以知道DTRFNN平均準確率達到了很高。顯示了DTRFNN能很好的對冶煉參數(shù)進行軟測量。進行推廣，DTRFNN也可以對復雜的大型工業(yè)過程參數(shù)進行軟測量，為解決過程工業(yè)參數(shù)測量的難題提出了一條新的思路。

表1 參數(shù)軟測量輸入與輸出變量

圖2 渣中鐵硅比的DTRFNN輸出與實際值

3 結(jié)論

針對參數(shù)測量在過程工業(yè)中的問題，本文采用了DTRFNN動態(tài)軟測量模型，對它的結(jié)構(gòu)進行了描述。并結(jié)合在冶煉過程中金屬元素含量的測量，結(jié)果表明，DTRFNN動態(tài)模型能很好的實現(xiàn)軟測量，取得了良好的效果。

[1] 楊慧中.聚丙烯腈質(zhì)量指標軟測量模型的數(shù)據(jù)動態(tài)校核[J].華東理工大學學報, 2001, 27(5):536-639.

[2] 李勇剛,桂衛(wèi)華,陳峰.基于因素分析的復合神經(jīng)網(wǎng)絡(luò)及其在軟測量中的應(yīng)用[J].信息與控制,2004,33(2):141-144.

[3] 馬銘, 孟慶鍇, 張利彪.基于模糊系統(tǒng)優(yōu)化的軟測量建模[J].遼寧工程技術(shù)大學學報, 2010, 29(5):763-766.

[4] 陳曉方, 桂衛(wèi)華, 王雅琳, 吳敏, 陽春華.基于智能集成策略的燒結(jié)塊殘硫軟測量模型[J].控制理論與應(yīng)用, 2004,21(1): 75-80.

[5] C H Lin, W D Chou, F J Lin.Adaptive recurrent neural control for nonlinear syetem tracking.IEEE Proc.Control Theory Appl, 2001,148(2): 156-168.

[6] Tommy W S, Chow, Yong Fang.A recurrent neuralnetwork-based real-time learing control strategy applying to nonlinear systems with unknown dynamics.IEEE Trans.Indust.eLEC, 1998, 45(1):153-161.

[7] 于靜江, 周春暉.過程控制中的軟測量技術(shù)[J].控制理論與應(yīng)用, 1996, 13 (2): 137-144.

[8] 宋德臻.軟測量技術(shù)及其在工業(yè)過程中的應(yīng)用[D].杭州:浙江大學, 1998.