基于数据驱动的间歇过程模型研究

2019-01-22

福建质量管理 2019年2期

(同济大学上海 201804)

间歇过程，又叫批量生产过程，是工业生产中的一种生产方式。由于间歇过程自身具有高度的非线性、滞后、时变等特征，即其动态过程是一个一直在“进行中”的过渡过程，运行区间内一般没有稳态工作点。本论文将结合数据驱动理论，采用一种具有非线性模糊规则后件的模糊神经网络建立间歇过程的模型，探讨间歇过程的模型化方法，形成一种面向实际应用的系统化建模方法，为间歇过程的优化控制奠定理论与方法基础。

一、神经网络与模糊控制系统

神经网络，有时也称作多层感知器，本质上是人脑处理信息方式的简化模型。它通过模拟大量的相互连接的简单处理单元工作，这些处理好像神经元的抽象化版本。神经网络利用大量的简单计算单元(即神经元)构成的非线性系统，它在一定程度上模仿了人那神经系统的信息处理、存储及检索功能。一个神经网络是一个又简单处理元构成的规模宏大的并行分布式处理器。天然具有存储只是和使之可用的特性。神经网络在两个方面与人脑相似：

1.神经网络获得的只是是从外界环境中学习得到的。

2.相互连接的神经元的连接强度，即突触权值，用于储存获取的知识。

模糊逻辑系统是通过模仿人类思维的模糊综合判断推理来处理常规方法难以解决的模糊信息处理问题的系统，是建立在模糊规则、模糊集合理论和模糊推理等概念上的先进的计算框架，它是对与人类的思维和感知有关的一些现象建模的另一个有力工具[1,2]。模糊逻辑系统具有“概念”抽象能力和非线性处理能力，能够直接地表达逻辑，比较适合于表达模糊的或不定的知识[3,4,5]。但是模糊逻辑系统缺乏学习和自适应能力，并且模糊逻辑系统隶属度函数的选取和模糊规则的确定通常需要依据经验而定，具有主观性。

神经网络与模糊逻辑系统都在一定程度上存在不足，为了克服上述不足，人们自然想到将两者融合在一起。这种互补的混合智能系统，连同一些优化算法的集成就构成了一种新颖的智能技术：神经模糊系统。

迭代算法是用计算机处理问题的一种基本方法[6,7]。它利用计算机运算速度快、适合做重复性操做的特点，让计算机对一组指令(或一定步骤)进行重复执行，在每次执行这组指令(或这些步骤)时，都从变量的原值推出它的一个新值。

二、间歇过程的神经模糊模型研究

从间歇生产过程中获得最大效益的问题的根源问题是如何对其进行优化控制操作，而解决这个问题的关键即间歇过程的优化控制往往依赖于过程精确的数学模型。

本章提出的算法具有较好的非线性逼近和参数自学习能力，为间歇生产过程的神经模糊建模提供了一条新途径。系统采用这种算法确定模糊规则数，此外还能得到隶属度函数。该算法最大的特点是可以依据输入数据的分布灵活地划分模糊集合，也就是将间歇过程的非线性模型在空间中分成几个不同的区域，从而可以更灵活地调整模糊规则数，从而可以增强区域分布的合理性。模糊规则后件参数学习的算法步骤可总结如下：

第三步：令kt=kt+1，重复步骤2)和3)直到|e(kt)|小于规定的精度。

第四步：停止。

综上所述，神经模糊模型NFM的学习是由结构学习阶段即前件参数学习和后件参数学习阶段两部分构成的。结构学习决定了对输入数据的模糊划分，并自动创建模糊化层节点和规则层的节点，从上面的讨论可以知道，如果可以找到一种结构学习算法能够使得d(k)≡0，那么就可以在参数学习阶段就使得使得误差渐近收敛减小，当数据量足够到的时候误差收敛到零，即使得后件参数渐近收敛到期望值。