彭曉波

（湖南工業(yè)大學(xué) 電氣與信息工程學(xué)院，株洲 412007）

0 引言

在現(xiàn)代工業(yè)過(guò)程中，對(duì)控制的要求越來(lái)越高。因而要達(dá)到較高的控制精度，必須對(duì)測(cè)量的各種過(guò)程變量也有很高的要求，一般解決工業(yè)過(guò)程測(cè)量精度不斷提高的方法是研制新型的過(guò)程檢測(cè)儀表，以滿(mǎn)足生產(chǎn)過(guò)程中對(duì)質(zhì)量和產(chǎn)量進(jìn)行控制的要求。但是這類(lèi)過(guò)程變量大都具有難測(cè)的特點(diǎn)，而且研制新型檢測(cè)儀表成本非常高、研制周期長(zhǎng)，測(cè)量對(duì)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(lái)在過(guò)程控制和檢測(cè)領(lǐng)域涌現(xiàn)出的軟測(cè)量技術(shù)正是這一思想的集中體現(xiàn)。

軟測(cè)量建立待測(cè)變量與可測(cè)或易測(cè)過(guò)程變量之間的非線(xiàn)性函數(shù)關(guān)系，間接得到待測(cè)變量的估計(jì)值。經(jīng)過(guò)多年的發(fā)展，已經(jīng)形成了一些較為成熟的軟測(cè)量建模方法：機(jī)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(jī)理模型是通過(guò)對(duì)機(jī)理過(guò)程中物質(zhì)和能量的轉(zhuǎn)化過(guò)程進(jìn)行分析,得到機(jī)理數(shù)學(xué)表達(dá)式，每個(gè)系數(shù)均具有實(shí)際物理意義。但實(shí)際模型的結(jié)構(gòu)是非常復(fù)雜，由于對(duì)生產(chǎn)過(guò)程的認(rèn)識(shí)是不全面的，就導(dǎo)致了其檢測(cè)精度就會(huì)隨著生產(chǎn)過(guò)程的不同階段，不同條件的變化而變化，從而無(wú)法建立較好的機(jī)理模型。神經(jīng)網(wǎng)絡(luò)是目前軟測(cè)量研究中最活躍的領(lǐng)域，它是根據(jù)對(duì)象的輸入輸出數(shù)據(jù)直接建模，在解決高度非線(xiàn)性和嚴(yán)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(guò)程的軟測(cè)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(lái)表示動(dòng)態(tài)映射[5,6]。而一般的生產(chǎn)過(guò)程都是動(dòng)態(tài)的，因此動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)對(duì)于動(dòng)態(tài)過(guò)程的軟測(cè)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(cè)量的發(fā)展方向。模糊理論模擬人類(lèi)思維，是處理模型未知或具不確定性的復(fù)雜系統(tǒng)的一種有效手段。近年來(lái)，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(cè)量中，它既有模糊邏輯表達(dá)定性知識(shí)的能力，又有神經(jīng)網(wǎng)絡(luò)很強(qiáng)的自學(xué)習(xí)和處理定量數(shù)據(jù)的能力，因而非常適合處理一些復(fù)雜的非線(xiàn)性軟測(cè)量建模問(wèn)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(dòng)態(tài)遞歸型模糊神經(jīng)網(wǎng)絡(luò)的軟測(cè)量模型，不僅可以很好地反映動(dòng)態(tài)的生產(chǎn)過(guò)程，還具有定性知識(shí)表達(dá)的能力，把它應(yīng)用在冶煉過(guò)程，獲得了很好的效果。

1 T-S動(dòng)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(dòng)態(tài)遞歸模糊神經(jīng)網(wǎng)絡(luò)在工業(yè)過(guò)程軟測(cè)量中的應(yīng)用

冶煉過(guò)程和化工過(guò)程是非常復(fù)雜的動(dòng)態(tài)工業(yè)過(guò)程，在反應(yīng)過(guò)程中伴有強(qiáng)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(guò)程屬于典型的非線(xiàn)性過(guò)程，是大滯后、強(qiáng)耦合、分布式的連續(xù)動(dòng)態(tài)過(guò)程?，F(xiàn)在的冶煉廠(chǎng)和化工廠(chǎng)控制系統(tǒng)一般采用DCS系統(tǒng)，采用前饋-反饋方式進(jìn)行在線(xiàn)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(duì)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(guò)人工獲得，測(cè)量值在時(shí)間和準(zhǔn)確性上都嚴(yán)重影響了控制系統(tǒng)的效果，如果采用測(cè)量傳感器，因?yàn)楣に囋?，?jīng)常要更換，成本非常高，這樣急需一套實(shí)用的軟測(cè)量方法來(lái)滿(mǎn)足生產(chǎn)的需要。因此，目前的參數(shù)測(cè)量方式很難保證生產(chǎn)過(guò)程長(zhǎng)期穩(wěn)定，導(dǎo)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(duì)工藝參數(shù)測(cè)量這個(gè)關(guān)鍵問(wèn)題。本文采用了T-S遞歸模糊神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型，以解決以上的測(cè)量問(wèn)題。

在某冶煉過(guò)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(duì)鐵硅比的測(cè)量直接影響到了金屬的產(chǎn)量，但是鐵硅比的測(cè)量都是由通過(guò)人工現(xiàn)場(chǎng)取樣，然后再到化驗(yàn)室進(jìn)行化驗(yàn)，這樣會(huì)導(dǎo)致這些參數(shù)比實(shí)際參數(shù)要滯后很多，而且認(rèn)為主觀(guān)的因素占了很大一部分，因此測(cè)量值在時(shí)間上和準(zhǔn)確性上都嚴(yán)重影響了控制系統(tǒng)的效果，本文采用T-S動(dòng)態(tài)遞歸模糊神經(jīng)網(wǎng)絡(luò)對(duì)鐵硅比進(jìn)行軟測(cè)量

對(duì)于這個(gè)軟測(cè)量模型, 輸入變量的選擇是非常重要的。通?？梢詸z測(cè)的間接變量有幾十個(gè)，將這些檢測(cè)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(jì)算量的過(guò)大。因此輸入變量的選擇可根據(jù)工藝與實(shí)際經(jīng)驗(yàn)來(lái)確定[7]，也可采用相關(guān)分析法[8]， 確定與被軟測(cè)量變量最相關(guān)的幾個(gè)間接輸入變量。表一 給出了某冶煉過(guò)程中軟測(cè)量模型的輸入輸出變量。

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

首先，根據(jù)現(xiàn)場(chǎng)采集到的大量數(shù)據(jù)(包括輸入變量和輸出變量) 對(duì)DTRFNN 進(jìn)行學(xué)習(xí)。需要指出的是，在對(duì)輸入、輸出數(shù)據(jù)要進(jìn)行預(yù)處理，因?yàn)閿?shù)據(jù)隨時(shí)可能出現(xiàn)“異常點(diǎn)”，還有數(shù)據(jù)歸一化的問(wèn)題，最重要是要考慮輸出變量與輸入變量的滯后問(wèn)題。即t 時(shí)刻的數(shù)據(jù)(可以是化驗(yàn)分析值) 是與（T-S）時(shí)刻的輸入數(shù)據(jù)對(duì)應(yīng)的，根據(jù)工藝操作經(jīng)驗(yàn)，S一般為60min。經(jīng)過(guò)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(gè) ，第二層的節(jié)點(diǎn)數(shù)是55個(gè)，第三層和第四層的節(jié)點(diǎn)數(shù)都是5，輸出變量為1個(gè),即鐵硅比。

對(duì)鐵硅比給出了仿真結(jié)果，對(duì)幾個(gè)月的生產(chǎn)數(shù)據(jù)進(jìn)行處理、進(jìn)行訓(xùn)練，50多組數(shù)據(jù)進(jìn)行驗(yàn)證。在圖2中，DTRFNN的結(jié)果用星號(hào)來(lái)表示，實(shí)際值用圓圈來(lái)表示。從數(shù)據(jù)中，我們可以知道DTRFNN平均準(zhǔn)確率達(dá)到了很高。顯示了DTRFNN能很好的對(duì)冶煉參數(shù)進(jìn)行軟測(cè)量。進(jìn)行推廣，DTRFNN也可以對(duì)復(fù)雜的大型工業(yè)過(guò)程參數(shù)進(jìn)行軟測(cè)量，為解決過(guò)程工業(yè)參數(shù)測(cè)量的難題提出了一條新的思路。

表1 參數(shù)軟測(cè)量輸入與輸出變量

圖2 渣中鐵硅比的DTRFNN輸出與實(shí)際值

3 結(jié)論

針對(duì)參數(shù)測(cè)量在過(guò)程工業(yè)中的問(wèn)題，本文采用了DTRFNN動(dòng)態(tài)軟測(cè)量模型，對(duì)它的結(jié)構(gòu)進(jìn)行了描述。并結(jié)合在冶煉過(guò)程中金屬元素含量的測(cè)量，結(jié)果表明，DTRFNN動(dòng)態(tài)模型能很好的實(shí)現(xiàn)軟測(cè)量，取得了良好的效果。

[1] 楊慧中.聚丙烯腈質(zhì)量指標(biāo)軟測(cè)量模型的數(shù)據(jù)動(dòng)態(tài)校核[J].華東理工大學(xué)學(xué)報(bào), 2001, 27(5):536-639.

[2] 李勇剛,桂衛(wèi)華,陳峰.基于因素分析的復(fù)合神經(jīng)網(wǎng)絡(luò)及其在軟測(cè)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(cè)量建模[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào), 2010, 29(5):763-766.

[4] 陳曉方, 桂衛(wèi)華, 王雅琳, 吳敏, 陽(yáng)春華.基于智能集成策略的燒結(jié)塊殘硫軟測(cè)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(guò)程控制中的軟測(cè)量技術(shù)[J].控制理論與應(yīng)用, 1996, 13 (2): 137-144.

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