引力搜索RNA-GA的催化裂化主分馏塔神经网络建模方法技术
Gravitational search tower neural network modeling method for catalytic cracking of RNA GA main fractionation
FCC main fractionator neural network modeling method of the invention discloses a gravitational search RNA GA, which belongs to the field of intelligent modeling. FCC main fractionator is a multiple input multiple output system. The invention establishes a RBF neural network model through sample input and output data. A portion of the sample data as the training sample, based on the actual data of RBF neural network model output data and the corresponding difference absolute value as the fitness function, using the gravity RNA genetic algorithm to search optimum radial basis function center of FCC main fractionator neural network model, get the radial basis function center the optimal RBF neural network model, thus obtained the neural network model of FCC main fractionator. The modeling method of the invention achieves ideal results in experiments, and is also applicable to modeling other complex systems.
【技术实现步骤摘要】
本专利技术属于化工过程控制领域，具体涉及一种引力搜索RNA-GA的催化裂化主分馏塔神经网络建模方法。
技术介绍
催化裂化是石油炼制的重要生产过程之一，是在热和催化剂的作用下使重油发生裂化反应，转变为裂化气、汽油和柴油等的生产过程。催化裂化主分馏塔作为催化裂化装置的主分离设备是实现产品分离的关键单元，是催化裂化过程中重要的一环。建立精确的催化裂化主分馏塔模型有助于实现流化催化裂化装置的先进控制与优化，同时对于降低催化裂化装置能耗和提高产品质量具有重要的意义。由于催化裂化主分馏塔是一个具有滞后和耦合的非线性系统，传统的机理建模方法难以满足高精度建模的需要，因此神经网络受到人们的关注。神经网络是模拟大脑神经突触联接的结构进行信息处理的计算模型，具有逼近任意非线性函数的能力。但是神经网络也存在易于陷入局部极小、收敛速度慢等问题。本专利技术提出一种引力搜索RNA遗传算法(RNA-GA)，在RNA-GA中加入基于万有引力定律和牛顿第二定律的引力搜索操作，并将引力搜索RNA遗传算法用于催化裂化主分馏塔的神经网络建模，取得了较理想的效果，该方法也适用于其他复杂非线性系统的建模。...
【技术保护点】
一种引力搜索RNA‑GA的催化裂化主分馏塔神经网络建模方法，其特征在于，它的步骤如下：步骤1：获得催化裂化主分馏塔的输入输出数据作为样本数据，其中输入数据为顶循流量Q1、一中流量Q2和二中流量Q3，输出数据为塔顶温度T1、粗汽油干点T2和轻柴油倾点T3；步骤2：建立催化裂化主分馏塔RBF神经网络模型，模型采用一个三层RBF神经网络结构；设定t为采样时刻，Q1(t)、Q2(t)和Q3(t)分别为t时刻的顶循流量、一中流量和二中流量数据，T1(t)、T2(t)和T3(t)分别为t时刻的塔顶温度、粗汽油干点和轻柴油倾点数值，RBF神经网络模型输入变量个数为Nin，输入向量X为[Q...
【技术特征摘要】
1.一种引力搜索RNA-GA的催化裂化主分馏塔神经网络建模方法，其特征在于，它的步骤如下：步骤1：获得催化裂化主分馏塔的输入输出数据作为样本数据，其中输入数据为顶循流量Q1、一中流量Q2和二中流量Q3，输出数据为塔顶温度T1、粗汽油干点T2和轻柴油倾点T3；步骤2：建立催化裂化主分馏塔RBF神经网络模型，模型采用一个三层RBF神经网络结构；设定t为采样时刻，Q1(t)、Q2(t)和Q3(t)分别为t时刻的顶循流量、一中流量和二中流量数据，T1(t)、T2(t)和T3(t)分别为t时刻的塔顶温度、粗汽油干点和轻柴油倾点数值，RBF神经网络模型输入变量个数为Nin，输入向量X为[Q1(t)Q2(t)Q3(t)T1(t-1)T1(t-2)…T1(t-n)T2(t-1)T2(t-2)…T2(t-n)T3(t-1)T3(t-2)…T3(t-n)]其中n为整数，设定N＝3n+3，输出变量个数为Nout＝3，输出变量为[T1(t)T2(t)T3(t)]，从输入层到输出层映射可用以下函数表示：T1(t)=Σi=1Dw1(i)·Φ(||X-ci||)]]>T2(t)=Σi=1Dw2(i)·Φ(||X-ci||)]]>T3(t)=Σi=1Dw3(i)·Φ(||X-ci||)]]>其中X为输入向量，||·||表示欧几里得范数，D表示隐层数，w1(i)、w2...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。