基于BP网络的HDP分子蒸馏系统的最优控制方法技术方案

基于BP网络的HDP分子蒸馏系统的最优控制方法涉及分子蒸馏最优控制技术领域，该方法充分利用了非线性拟合能力较强的神经网络和动态规划算法，通过将两种方法相结合，使各自的优点充分发挥，能在很大的程度上克服传统方法的缺陷，完成网络的训练、检验和最优评价，为生产过程的决策和控制提供可靠的依据。本发明专利技术方法具体是利用BP神经网络算法建立分子蒸馏系统的模型网络、评价网络以及执行网络，模型网络能够准确预测出系统的下一个状态，评价网络能够对控制效果进行评价，执行网络能够根据上一个状态给出此时的最优控制量，使得影响馏出物产品质量的关键因素得到合理有效的控制，从而保证产品的纯度和得率在规定范围内。

【技术实现步骤摘要】
基于BP网络的HDP分子蒸馏系统的最优控制方法
本专利技术涉及分子蒸馏最优控制
，具体涉及一种基于BP网络的启发式动态规划(HeuristicDynamicProgrammingHDP)分子蒸馏系统的最优控制方法。
技术介绍
分子蒸馏技术，又称短程蒸馏技术，具有操作温度低、蒸馏压强低、受热时间短等特点，适用于高沸点、热敏、高粘度物质的提取、分离和精制，在诸如精细化工、药品、香精、食用添加剂、石化实际工程领域的应用中，具有常规蒸馏技术无法比拟的优势。然而由于分子蒸馏系统参数多、耦合、非线性、滞后性等特点，传统控制技术无法满足现在工业生产高效、节能要求，限制了分子蒸馏的最大产能。为了进一步提高分子蒸馏生产过程的自动化水平、稳定性以及最大产能，需要探求新的控制方式。在现有的分子蒸馏设备上，刮膜电机转速、蒸发温度以及压力的控制多是采用工业上最常用的PID控制技术，相应的多个控制量的控制必然是通过解耦之后，用多路PID完成控制的。但在分子蒸馏系统中，参数之间的耦合非常严重，在解耦过程中，必然会忽略很多因素，导致各个参数的运行实际值也不符合他们的设定值，最终使得整个系统控制精确度变差，在分子蒸馏系统中表现为参数之间的匹配不合理，最终导致被分离物的纯度和得率不理想。自适应动态规划由人工智能和控制领域交汇发展形成的，以传统的最优控制为理论基础，融合人工智能的先进方法，为大规模复杂非线性系统优化控制问题的解决提供了方案。自适应动态规划的基本思想是利用函数近似结构，逼近动态规划中的性能指标函数和控制策略，以满足最优性原理从而获得最优控制和最优性能指标函数。启发式动态规划(HDP)是自适应动态规划的一种，也是应用最普遍的一种，在分子蒸馏中，该方法的使用避免了分子蒸馏的建模及解耦问题，它能够直接给出分子蒸馏系统所需的最优控制量。
技术实现思路
为了解决传统方法确定的分子蒸馏工艺参数不准确，馏出物的纯度和得率低的问题，本专利技术提供基于BP网络的HDP分子蒸馏系统的最优控制方法，实现分子蒸馏的工艺参数的最优化，为系统提供最优的控制量u。本专利技术的方法首先要建立起模型网络、评价网络、执行网络、定义效用函数，如下：模型网络采用具有n+m个输入层神经元、km个隐含层神经元和n个输出层神经元的结构，n+m个输入分别为系统k时刻的状态向量x(k)的n个分量以及执行网络对状态向量x(k)的控制向量u(k)的m个分量，n个输出则是对系统在k+1时刻的状态向量x(k+1)的预测向量的n个分量；模型网络的隐含层采用双极性sigmoidal函数，输出层采用线性函数purelin，模型网络结构如图2所示。评价网络采用具有n个输入层神经元、kj个隐含层神经元和1个输出层神经元的结构，n个输入是系统k时刻的状态向量x(k)的n个分量，输出是与输入状态对应的最优性能指标的估计；评价网络的隐含层采用双极性sigmoidal函数，输出层采用线性函数purelin，评价网络的结构如图3所示。执行网络采用具有n个输入层神经元、ku个隐含层神经元和m个输出层神经元的结构，n个输入是系统在k时刻的状态向量x(k)的n个分量，m个输出则是与输入状态向量x(k)对应的控制向量u(k)的m个分量；执行网络的隐藏层采用双极性sigmoidal函数，输出层采用线性函数purelin，执行网络结构如图4所示。效用函数定义为U(k)＝xT(k)Ax(k)+uT(k)Bu(k)，其中A、B为正定矩阵，x(k)为状态向量，u(k)为控制向量。在分子蒸馏系统中，蒸发面温度、蒸发器内真空度、进料速度、一级刮膜电机转速、二级刮膜电机转速是影响被分离物得率和纯度的主要因素，并且这几个量都是可测的，所以选择蒸发面温度、蒸发器内真空度、进料速度、一级刮膜电机转速和二级刮膜电机转速作为控制向量u(k)，得率和纯度作为分子蒸馏系统的状态向量x(k)。本专利技术基于BP网络的HDP分子蒸馏系统的最优控制方法，具体包括以下步骤：步骤一：采用梯度下降法训练模型网络：如图1所示，模型网络的输入包括分子蒸馏系统在k时刻的控制向量u(k)、状态向量x(k)，输出为k+1时刻的状态向量x(k+1)，模型网络的结构为7—14—2即输入层包含7个节点、隐层包含14个节点、输出层包含2个节点；步骤1.1、随机初始化模型网络的权值wm1，wm2(wm1为输入层到隐层的权值，wm2为隐层到输出层之间的权值)，设置训练次数c，允许误差ε，学习效率lm；步骤1.2、以多组真实实验数据建立实验样本库，即，将分子蒸馏系统在k时刻的控制向量u(k)、状态向量x(k)作为模型网络的输入向量M(k)＝[u(k)x(k)]T，将k+1时刻的状态向量x(k+1)作为模型网络的输出向量为x(k+1)，建立具有映射对应关系的多组实验数据组作为实验样本；从实验样本库中选择N个样本训练模型网络；步骤1.3、模型网络的正向计算：步骤1.4、计算误差式中，x(k+1)是模型网络k+1时刻的期望输出，是模型网络的预测输出；模型网络的权值按下面的式子进行更新：步骤1.5、判断误差(式中，x(k+1)是模型网络k+1时刻的期望输出，是模型网络的预测输出)是否小于ε，若误差大于ε且训练次数小于c，则转到步骤1.6；若误差小于ε或训练次数大于等于c则转步骤1.8；步骤1.6、更新权值wm1和wm2，如下：①wm2更新：wm2(k+1)＝wm2(k)+Δwm2(k)(6)②wm1更新：wm1(k+1)＝wm1(k)+Δwm1(k)(8)步骤1.7、返回步骤1.3；步骤1.8、模型网络训练完成；步骤二：定义效用函数U(k)＝U[x(k),u(k),k]：对于分子蒸馏系统，效用函数定义为U(k)＝xT(k)Ax(k)+uT(k)Bu(k)，其中A为5阶单位阵、B为2阶单位阵；步骤三：确定执行网络与评价网络的结构并初始化神经网络：执行网络的结构为2—8—5，输入层到隐含层的权值为wa1，隐含层到输出层的权值为wa2，学习效率为la；评价网络的结构为2—5—1，输入层到隐含层的权值为wc1，隐含层到输出层的权值为wc2，学习效率为lc，允许误差为εc，设定训练次数为nc，已训练次数为c(初始值c＝0)；步骤四：从已有的实验数据中，选择N组数据作为训练样本，并设定分子蒸馏系统的初始状态x(k)；步骤五：将x(k)作为执行网络(如图4所示)的输入，产生控制向量u(k)，得到u(k)的计算过程如下：步骤六：求解效用函数U(k)的值：U(k)＝xT(k)Ax(k)+uT(k)Bu(k)步骤七：将x(k)输入到评价网络，得到k时刻的计算过程如下：步骤八：将当前阶段的状态x(k)与执行网络输出的控制向量u(k)作为输入向量M(k)输入到模型网络(如图2所示)得到k+1时刻状态向量x(k+1)，得到x(k+1)的计算过程如下：步骤九：将状态x(k+1)输入到评价网络获得的计算过程如下：步骤十：计算评价网络误差Ec(k)，并判断Ec(k)与εc的大小；如果Ec(k)大于εc，则转步骤十一，如果Ec(k)<＝εc则转步骤十二；误差Ec(k)的计算如下式所示：其中，步骤十一：更新评价网络的权值wc1和wc2，评价网络的训练也采用梯度下降法，权值更新过程如下：步骤11.1、wc2的更新本文档来自技高网...

【技术保护点】
基于BP网络的HDP分子蒸馏系统的最优控制方法，其特征在于，该方法包括如下步骤：步骤一：采用梯度下降法训练模型网络：模型网络的输入包括分子蒸馏系统在k时刻的控制向量u(k)、状态向量x(k)，输出为k+1时刻的状态向量x(k+1)，模型网络的结构为输入层包含7个节点、隐含层包含14个节点、输出层包含2个节点；具体方法如下：步骤1.1、随机初始化模型网络的权值w

【技术特征摘要】
1.基于BP网络的HDP分子蒸馏系统的最优控制方法，其特征在于，该方法包括如下步骤：步骤一：采用梯度下降法训练模型网络：模型网络的输入包括分子蒸馏系统在k时刻的控制向量u(k)、状态向量x(k)，输出为k+1时刻的状态向量x(k+1)，模型网络的结构为输入层包含7个节点、隐含层包含14个节点、输出层包含2个节点；具体方法如下：步骤1.1、随机初始化模型网络的权值wm1，wm2，其中，wm1为输入层到隐含层的权值，wm2为隐含层到输出层的权值，设置训练次数c，允许误差ε，学习效率lm；步骤1.2、以多组真实实验数据建立实验样本库，即，将分子蒸馏系统在k时刻的控制向量u(k)、状态向量x(k)作为模型网络的输入向量M(k)＝[u(k)x(k)]T，将k+1时刻的状态向量x(k+1)作为模型网络的输出向量为x(k+1)，建立具有映射对应关系的多组实验数据组作为实验样本；从实验样本库中选择N个样本训练模型网络；步骤1.3、模型网络的正向计算，如下：步骤1.4、计算误差式中，x(k+1)是模型网络k+1时刻的期望输出，是模型网络的预测输出；步骤1.5、判断误差是否小于ε，若误差大于ε且训练次数小于c，则转到步骤1.6；若误差小于ε或训练次数大于等于c，则转到步骤1.8；步骤1.6、更新权值wm1和wm2，如下：①wm2更新：②wm1更新：wm1(k+1)＝wm1(k)+Δwm1(k)(8)步骤1.7、返回步骤1.3；步骤1.8、模型网络训练完成；步骤二：定义效用函数U(k)＝U[x(k),u(k),k]，对于分子蒸馏系统，效用函数定义为U(k)＝xT(k)Ax(k)+uT(k)Bu(k)，其中A为5阶单位阵、B为2阶单位阵；步骤三：确定执行网络与评价网络的结构并初始化神经网络：执行网络的结构为输入层包含2个节点、隐含层包含8个节点、输出层包含5个节点，输入层到隐含层的权值为wa1，隐含层到输出层的权值为wa2，学习效率为la；评价网络的结构为输入层包含2个节点、隐含层包含5个节点、输出层包含1个节点，输入层到隐含层的权值为wc1，隐含层到输出层的权值为wc2，学习效率为lc，允许误差为εc，设定训练次数为nc，已训练次数为c(初始值c＝0)；步骤四：从已有的实验数据中，选择N组数据作为训练样本，并设定分子蒸馏系统的初始状态x(k)；步骤五：将x(k)作为执行网络的输入，产生控制向量u(k)，得到u(k)的计算过程如下：步骤六：求解效用函数U(k)的值：U(k)＝xT(k)Ax(k)+uT(k)Bu(k)步骤七：将x(k)输入到评价网络，得到k时刻的计算过程如下：步骤八：将当前阶段的状态x(k)与执行网络输出的控制向量...

【专利技术属性】
技术研发人员：李慧，孙文杰，李颖，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：吉林,22