当前位置：文档之家 › 模糊神经网络控制器在DMF回收系统的设计与应用

模糊神经网络控制器在DMF回收系统的设计与应用

  • 格式：pdf
  • 大小：577.60 KB
  • 文档页数：5

节器， 缩 短控 制 过 程 的时 间 。主 回路 的 任 务 是 保
持０ 的稳 定 ， 可选 用 Ｐ Ｉ Ｄ调节 器 。其 控 制原 理 如
图 ２所 示 。
图 ２ 精 馏 塔 温 度 串级 控 制 原 理 框 图
Ｇ （ ｓ ） ——扰动通道 传递函数 ； Ｇ ： （ ｓ ） ——控 制通道传递函数 ； Ｇ 。 （ ｓ ） —— 主调节器 ； Ｇ （ ｓ ） ——副调节器 ； Ｇ （ ｓ ） ——调节 阀 ；
精馏 过程 塔 的温度 是影 响塔 内气 液平衡 的重 要参 数之 一 ， 温 度过 高 或 过 低 都会 影 响产 品的 质
收 稿 日期 ： ２ ０ １ ５ － ０ １ － ２ ０ （ 修改稿 ）
量 和生产 效率 。塔 压 的波动 、 进料 流量 和组 成 、 回 流量 及再 沸器 的加 热量 等都 会对塔 的温度产 生 影
模 糊神 经 网络 控 制 器 的 串级 控 制 策 略 。在 Ｍ ａ ｔ ｌ ａ ｂ ／ Ｓ ｉ ｍ ｕ ｌ ｉ ｎ ｋ中 的 仿 真 实验 结 果 表 明 ： 该 方 法较 传 统 Ｐ Ｉ Ｄ 方法效果好 ， 能够 满足 实 际 生产 的 需要 。
关键词 ＤＭＦ回 收 温 度 控 制 串级 控 制 模 糊 神 经 网络 控 制 器
种 调节方 式 。
工原 料 ， 也 是一 种优 良的溶剂 ， 在合 成革 工业 中被 广泛 用 于合成 革表 面处 理过 程和二 层皮 湿法 移 膜 表 面处理 工艺 中 。Ｐ Ｕ（ 聚氨 酯 树 脂 ） 合 成 革 生 产
由于被 控 对 象 （ 塔温） 在 不 同 扰 动 作 用 下 具 有 延迟性 和 惯性 ， 仅 使 用 单 回路 调 节 系 统不 能 得
串级控制 具 有一定 的 自适应 能力 ， 稳 态误 差 较小 。 以精馏塔 为 例 ， 其 串级 控制 系统 如 图 １ 所示。
不同 （ 常压 下 Ｄ Ｍ Ｆ沸点 为 １ ５ ２ ． ８ ￣ Ｃ， 水 沸 点 为
１ ０ ０ ℃） ， 通 过对 各个 操作 过程 的温度 进行 控制 ， 形 成气 液分 离 ， 从 而达 到提 纯 回收 Ｄ ＭＦ的 目的… 。
行供 热 ， 操作温度为 １ ５ ５ ｏ Ｃ。 精 馏 塔 的精 馏 段 馏
出物在冷 凝器 中冷 凝成 液体 ， 进入 回流 罐 ， 一 部 分
图１ 精 馏 塔 串级 控 制 系统 简 图
回流到顶 层塔 板 ， 以保 持塔顶 温度 稳定 ； 另一 部 分
进入 脱氨 塔 ， 进行脱 酸处 理 ， 最后 得到 纯度相 当高
到较 好 的调节 品质 ， 所 以考虑 采 用 串级 控 制策 略 。
系统 产生 的废 液 中含有 大量仅 作 为溶剂 而未 参 与
化学 反应 的 Ｄ ＭＦ ， 因此 Ｄ ＭＦ 的 回 收 处 理 很 有 必
要 。一方 面可 以解决 含 Ｄ ＭＦ的废 液 所 带 来 的 环
境污 染 问题 ； 另一方 面 回收 的 Ｄ ＭＦ可 再 利 用 为 企
串级控 制 的抗 扰 动性 能 更 好 ， 能 有 效 减 小 副 回路
的时 间常数 ， 从而 改善 被控对 象 的动 态性 能 ， 而且
业创 造 经 济 效 应 。Ｄ ＭＦ的 回收 属 于 典 型 的化 工 精馏 过程 ， 一 般 采 用 双塔 或 三 塔 精 馏 。 回收 的 原
理是 利用 废液 中各 成 分 （ 主要 是 水 和 Ｄ ＭＦ ） 沸 点
中图分类号
Ｔ Ｈ ８ ６ ５
文献 标 识 码 Ａ
文章 编 号 １ ０ ０ ０ — ３ ９ － ０ ５
二 甲基 甲酰胺 （ Ｄ ＭＦ ） 是 一 种 用 途 广 泛 的 化
响 。在精 馏塔 温度 控制 系统 中通 过控 制载 热 剂 的 流 量来进 行 温 度控 制 ， 是 目前 应 用 较 为 广泛 的一
２ ９ ２
化
工
自 动 化
及
仪
表
第４ ２卷
模 糊 神 经 网络 控 制 器 在 Ｄ Ｍ Ｆ回收 系 统 的设 计 与应 用
王 华 强 程 智 超
（ 合 肥 工 业 大 学 电气 与 自动 化 工程 学 院 ， 合肥 ２ ３ ０ ０ ０ ９）
摘 要 以 Ｄ ＭＦ回收 控 制 系统 的 自动 化 改 造 为 背 景 ， 针 对 精 馏 塔 温 度 控 制 存 在 的 问题 ， 提 出一 种 采 用
的 Ｄ ＭＦ 。 １ Ｄ ＭＦ 回 收 温 度 控 制 策 略 分 析
当系统 中再 沸器 的 出 口汽 温 。 发生变化时，
副 调节 器就 会 通 过执 行 机 构 来 控 制 阀 门 ， 改 变 导 热 油量 ， 对汽 温 。 进 行粗 调 。主调 节 器通 过 检 测 灵敏 板 （ 精 馏 塔 塔 板 中 温 度 变 化 最 灵 敏 的塔
笔者 的研 究 对 象 为 双塔 式 Ｄ ＭＦ回收 精 馏 系
统， Ｄ Ｍ Ｆ废 液 首先 经 过浓 缩 塔减 压浓 缩 。浓 缩 塔
塔 压为 负 压 ， 由再沸 器供热 ， 操作 温度 为 ７ ５ ｃ 《 二 。
精馏 塔塔 压 可 以为 常 压 或 略 负压 ， 通 过 导 热 油 进
基金项 目： 合 肥 工 业 大 学 产 学 研 校 企 合 作 基 金 资 助 项 目（ １ ２ —
０ ６ ９， １ ３ － ０ ４ ３ ）
第 ３期
王华强等． 模 糊 神 经 网络 控 制 器 在 Ｄ ＭＦ回 收 系 统 的 设 计 与 应 用
２ ９ ３
板） 温度 ０ ： 与期 望值 比较 ， 对 副调 节器 进 行 校 正 ， 起 到 微调 作用 。 串级 系统 中副 回路 的主 要任 务 是 迅 速 消除 系统 的各 种 扰 动 ， 故 一 般 选 用 纯 比例 调
Ｈ （ ｓ ） —— 主 回路 变 送 器 ；

合集下载

模糊神经网络的设计与训练

模糊神经网络的设计与训练

模糊神经网络的设计与训练模糊神经网络（Fuzzy Neural Network, FNN）是一种结合了模糊逻辑和神经网络的智能计算模型。

其设计与训练方法的研究一直是人工智能领域的热点之一。

本文将从FNN的基本原理、设计方法、训练算法以及应用领域等方面进行深入探讨。

首先，我们来了解一下FNN的基本原理。

FNN是通过将模糊逻辑和神经网络相结合，利用神经网络的学习能力和模糊逻辑的推理能力来解决复杂问题。

与传统的神经网络相比，FNN在处理不确定性问题时具有更好的性能。

在设计FNN时，首先需要确定输入变量和输出变量，并通过隶属函数将其映射到隶属度空间中。

隶属函数描述了输入变量或输出变量与隶属度之间的关系，常用的隶属函数有高斯函数、三角函数等。

然后，需要确定规则库，规则库中包含了一系列IF-THEN规则，描述了输入变量与输出变量之间的映射关系。

接下来是关于FNN训练算法方面的探讨。

常见的FNN训练算法有梯度下降法、遗传算法、模糊聚类算法等。

梯度下降法是一种基于误差反向传播的训练算法，通过不断调整权重和阈值来最小化误差函数。

遗传算法是一种模拟自然选择和遗传机制的优化算法，通过不断迭代进化来搜索最优解。

模糊聚类算法是一种基于模糊理论的聚类方法，通过迭代计算样本与聚类中心之间的隶属度来确定样本的分类。

FNN在许多领域都有广泛的应用。

在控制领域中，FNN可以应用于自动控制系统、智能机器人等方面。

在图像处理领域中，FNN可以应用于图像分类、目标识别等方面。

在金融领域中，FNN可以应用于股票预测、风险评估等方面。

然而，尽管FNN具有诸多优点和广泛的应用前景，但也存在一些挑战和问题需要解决。

首先是选择合适的隶属函数和规则库结构，在设计FNN时需要根据具体问题进行合理选择，并进行参数调整和优化。

其次是训练过程中容易陷入局部最优解的问题，需要采用合适的训练算法来避免。

此外，FNN的解释性和可解释性也是一个需要关注的问题，如何将FNN的结果以可理解和可信任的方式呈现给用户是一个挑战。

神经网络自组织模糊控制器的设计及应用

神经网络自组织模糊控制器的设计及应用

神经网络自组织模糊控制器的设计及应用
本文设计了一种神经网络自组织模糊控制器,并将它用在对电液位置伺服系统的控制中,为解决系统的不确定性、复杂性和非线性提供了一条有效的途径。

首先,建立了电液位置伺服系统的数学模型,并以此模型作为控制器的设计依据,分析了它的非线性和时变性。

从神经网络和模糊控制的控制原理入手,对它们结合的机理进行了详细地分析,讨论了神经网络和模糊控制结合的几种可行性方案。

其次,提出了神经网络自组织模糊控制器,它采用了预测网络期望输出的方法,并且提出了一个全新的离线估计以前时刻控制输出的算法,从而使神经网络的训练样本具有了完整的形式。

最后,通过计算机仿真实验证明,在对电液位置伺服系统的控制中,应用神经网络自组织模糊控制器较之常规的模糊控制器的位置响应曲线超调更小,振荡幅度更小,动态性能也得到了很好的改善,具有较强的鲁棒性。

基于模糊神经网络的控制系统设计与开发

基于模糊神经网络的控制系统设计与开发

基于模糊神经网络的控制系统设计与开发近年来，随着科技的发展，控制系统已成为现代工业中不可缺少的一部分。

而基于模糊神经网络的控制系统具有许多优点，如适应性强、鲁棒性好、非线性强等，因此也受到了越来越多的关注和研究。

本文将从以下几个方面阐述基于模糊神经网络的控制系统的设计与开发。

一、模糊神经网络简介模糊神经网络（FNN）是一种人工神经网络，它综合了模糊逻辑和人工神经网络的优点。

与传统的神经网络不同，FNN在输入、输出和神经元之间引入了模糊集合，可以自适应地建立模糊规则库，从而实现非线性系统的建模与控制。

二、基于FNN的控制系统设计在基于FNN的控制系统设计中，首先需要确定系统的输入和输出变量，建立模糊规则库和神经网络模型。

根据系统的实际需求，可以选择不同类型的FNN模型，例如自适应模糊神经网络（ANFIS）、基于径向基函数的神经网络（RBFN）等。

另外，在模糊规则库的建立中，可以使用专家经验或数据挖掘等方法获取规则，从而提高系统的可靠性和精度。

最后，根据模型的特点和系统的控制要求，可以采用不同的控制策略，如模糊控制、神经网络控制等，实现对系统的控制和优化。

三、基于FNN的控制系统开发在基于FNN的控制系统开发中，需要选用合适的工具和语言，例如MATLAB、Python等。

同时，还需要使用各种调试工具对系统进行测试和调试，确保控制系统的正确性和稳定性。

在开发过程中，还需要考虑控制系统的实时性和安全性，选择合适的硬件平台和通信协议，确保系统的实时响应和稳定运行。

四、基于FNN的控制系统应用基于FNN的控制系统已广泛应用于各种工业场景和实际应用中。

例如在机器人控制、电力系统控制、水处理系统控制等领域，都取得了不错的效果。

同时，随着人工智能技术的不断发展，FNN控制系统也将得到更广泛的应用。

例如在智能制造、智慧城市等领域，FNN控制系统将发挥更加重要的作用。

综上所述，基于模糊神经网络的控制系统具有很多优势，已成为现代工业中不可或缺的一部分。

基于神经网络的模糊控制系统设计与实现

基于神经网络的模糊控制系统设计与实现

基于神经网络的模糊控制系统设计与实现随着科技的不断发展，应用人工智能技术来解决问题已经成为趋势。

其中，神经网络和模糊控制系统是两个比较常用的技术，二者结合起来也是很有前途的。

一、神经网络神经网络是模拟人类神经系统的一种计算模型。

它由许多简单的神经元组成，这些神经元之间通过连接进行信息传递，从而实现了模式识别、分类、回归等功能。

通俗地说，就是让计算机模拟人脑的思维方式。

神经网络有很多种结构和算法，其中比较常用的是多层感知机（Multi-layer Perceptron，MLP）。

MLP是一种前向反馈神经网络，由输入层、隐藏层和输出层组成，如图1所示。

图1 MLP网络结构示意图其中，输入层和输出层很好理解，而隐藏层则是用来处理输入与输出之间的关系，其中每个神经元计算的结果会被传递给下一层。

MLP是一种有监督学习算法，即需要给定训练集和对应的目标输出，通过反向传播算法来训练神经网络，不断调整权重和偏置，从而减小预测输出与真实输出之间的误差。

在训练完成以后，神经网络可以用来进行预测，从而实现分类、预测等任务。

二、模糊控制系统模糊控制系统是一种基于模糊数学理论的控制系统。

不同于传统控制系统中的明确的控制规则和精确的数学模型，模糊控制系统通过模糊集合、模糊逻辑来处理模糊信息，从而实现控制目标。

通俗地说，就是将现实世界中的模糊概念映射到数学空间中，通过对模糊概念的描述和处理来实现控制。

例如，温度控制系统可以被描述为“当室内温度较低时，加热器应该加热；当室内温度较高时，加热器应该停止加热”这样一个模糊规则库，从而实现对室内温度的控制。

模糊控制系统有很多算法和方法，其中最常用的是基于 Mamdani 模型的模糊控制系统。

Mamdani 模型将输入变量和输出变量用模糊集合来描述，通过一系列的 IF-THEN 规则来实现模糊控制，具体结构如图2所示。

图2 Mamdani 模糊控制系统结构示意图其中，输入变量被映射到它们各自的模糊集合上，每个输入变量都有自己的隶属函数来描述模糊集合的特征。