基于數據驅動的間歇過程模型研究

(同濟大學 上海 201804)

間歇過程，又叫批量生產過程，是工業生產中的一種生產方式。由于間歇過程自身具有高度的非線性、滯后、時變等特征，即其動態過程是一個一直在“進行中”的過渡過程，運行區間內一般沒有穩態工作點。本論文將結合數據驅動理論，采用一種具有非線性模糊規則后件的模糊神經網絡建立間歇過程的模型，探討間歇過程的模型化方法，形成一種面向實際應用的系統化建模方法，為間歇過程的優化控制奠定理論與方法基礎。

一、神經網絡與模糊控制系統

神經網絡，有時也稱作多層感知器，本質上是人腦處理信息方式的簡化模型。它通過模擬大量的相互連接的簡單處理單元工作，這些處理好像神經元的抽象化版本。神經網絡利用大量的簡單計算單元(即神經元)構成的非線性系統，它在一定程度上模仿了人那神經系統的信息處理、存儲及檢索功能。一個神經網絡是一個又簡單處理元構成的規模宏大的并行分布式處理器。天然具有存儲只是和使之可用的特性。神經網絡在兩個方面與人腦相似：

1.神經網絡獲得的只是是從外界環境中學習得到的。

2.相互連接的神經元的連接強度，即突觸權值，用于儲存獲取的知識。

模糊邏輯系統是通過模仿人類思維的模糊綜合判斷推理來處理常規方法難以解決的模糊信息處理問題的系統，是建立在模糊規則、模糊集合理論和模糊推理等概念上的先進的計算框架，它是對與人類的思維和感知有關的一些現象建模的另一個有力工具[1,2]。模糊邏輯系統具有“概念”抽象能力和非線性處理能力，能夠直接地表達邏輯，比較適合于表達模糊的或不定的知識[3,4,5]。但是模糊邏輯系統缺乏學習和自適應能力，并且模糊邏輯系統隸屬度函數的選取和模糊規則的確定通常需要依據經驗而定，具有主觀性。

神經網絡與模糊邏輯系統都在一定程度上存在不足，為了克服上述不足，人們自然想到將兩者融合在一起。這種互補的混合智能系統，連同一些優化算法的集成就構成了一種新穎的智能技術：神經模糊系統。

迭代算法是用計算機處理問題的一種基本方法[6,7]。它利用計算機運算速度快、適合做重復性操做的特點，讓計算機對一組指令(或一定步驟)進行重復執行，在每次執行這組指令(或這些步驟)時，都從變量的原值推出它的一個新值。

二、間歇過程的神經模糊模型研究

從間歇生產過程中獲得最大效益的問題的根源問題是如何對其進行優化控制操作，而解決這個問題的關鍵即間歇過程的優化控制往往依賴于過程精確的數學模型。

本章提出的算法具有較好的非線性逼近和參數自學習能力，為間歇生產過程的神經模糊建模提供了一條新途徑。系統采用這種算法確定模糊規則數，此外還能得到隸屬度函數。該算法最大的特點是可以依據輸入數據的分布靈活地劃分模糊集合，也就是將間歇過程的非線性模型在空間中分成幾個不同的區域，從而可以更靈活地調整模糊規則數，從而可以增強區域分布的合理性。模糊規則后件參數學習的算法步驟可總結如下：

第三步：令kt=kt+1，重復步驟2)和3)直到|e(kt)|小于規定的精度。

第四步：停止。

綜上所述，神經模糊模型NFM的學習是由結構學習階段即前件參數學習和后件參數學習階段兩部分構成的。結構學習決定了對輸入數據的模糊劃分，并自動創建模糊化層節點和規則層的節點，從上面的討論可以知道，如果可以找到一種結構學習算法能夠使得d(k)≡0，那么就可以在參數學習階段就使得使得誤差漸近收斂減小，當數據量足夠到的時候誤差收斂到零，即使得后件參數漸近收斂到期望值。

三、總結

本文采用一種具有非線性模糊規則后件的模糊神經網絡建立間歇過程的模型，針對間歇生產過程間斷性、重復性的特點，在此基礎上提出一種基于Lyapunov方法的全局收斂性參數學習算法。本章提出的學習算法的特點是：

(1)能夠根據輸入數據的分布靈活地劃分出若干個模糊集合，即將間歇過程的非線性模型在空間中分成幾個不同的區域，從而可以制定出更合理的模糊規則數，增強區域分布的合理性；

(2)避免了傳統學習算法中使用學習參數采用試湊法時，易陷入局部極小的缺點。因此，本章提出的算法具有較好的非線性逼近能力和參數自學習的能力。仿真結果表明了該算法的有效性和模型的實用價值，為間歇生產過程的神經模糊建模提供了一條新途徑。