【技术实现步骤摘要】
基于ELM-ADHDP的复杂分离过程优化方法
[0001]本专利技术涉及复杂分离过程工艺条件优化
,具体为基于ELM-ADHDP的复杂分离过程优化方法。
技术介绍
[0002]基于刮膜蒸发技术的复杂分离过程具有操作温度低、分离压强低、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,具有常规分离技术无法比拟的优势。复杂分离过程与传统分离技术相比,其工艺参数更加难以控制。刮膜蒸发技术是利用轻重分子平均自由程的不同进行分离的,所以选择适宜的温度和真空度,能够降低分子之间的触碰几率,避免了部分轻分子在向冷凝面运动的过程中因碰撞破坏被分离物的结构,使被提取物保持自身原有的天然特性;而刮膜蒸发器的进料速率以及刮膜电机转速决定了被分离物形成头波的液膜厚度以及不断的更新和补充蒸发表面液膜,适当的进料速率和刮膜电机转速能增强对蒸发面积的利用,有效提高分离提取效率。所以,在复杂分离过程中,蒸发温度、真空度以及刮膜电机转速和进料速度是影响分离效果的关键参数,能否准确确定这些工艺参数,将直接影响产品的质量和生产效率。
[0003]复杂分离过程无法建立准确的数学模型,大多采用经验参数,缺少科学依据。本专利技术采用基于改进的执行依赖启发式动态规划算法实现工艺参数优化,根据产品的指标要求(纯度和得率),运用该算法获得最佳工艺参数值。在基于刮膜蒸发技术的复杂分离过程中,由于蒸发温度、真空度以及刮膜电机转速和进料速度是影响分离产物指标的最重要工艺参数, ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.基于ELM-ADHDP的复杂分离过程优化方法,其特征在于:包括以下步骤:步骤一:将复杂分离过程同一时刻下的蒸发温度、真空度、刮膜电机转速和进料速度四个对分离过程影响最大的工艺参数和产品指标的值作为输入量M(k)=[u1(k),u2(k),u3(k),u4(k),x1(k),x2(k)],其中,u1(k)、u2(k)、u3(k)、u4(k)分别是输入量中的蒸发温度、真空度、刮膜电机转速和进料速度,将分离产物的得率和纯度也作为输入量x(k)=[x1(k),x2(k)],将x(k+1)=[x1(k+1),x2(k+1)]作为输出量,其中,x1(k)、x2(k)分别是分离产物的得率和纯度,确立一个在同一时刻下输入量u与输出量x具有映射对应关系的实验数据组;在分离过程稳态进行的情况下,在不同时刻提取并记录n个具有上述映射关系的实验数据组,将这些实验数据组作为实验样本,存入实验样本数据库中;步骤二:建立以步骤一所述实验样本中的输入量作为极限学习机的输入变量、以对应分离产物的得率和纯度的预测值作为输出变量的极限学习机预测模型网络;该极限学习机为三层拓扑结构,输入层神经元为m+n个,n=4,m=2,输出层神经元为m个,,隐含层神经元为L个,N个任意不同样本,隐含层的激活函数选取双极性sigmoidal函数函数,即输出层的激活函数选取Purelin线性函数,w
i
=[w
i1
,w
i2
,...,w
in
]
T
表示输入层神经元与隐层第i个神经元之间的输入权值矩阵,β
i
表示隐层第i个神经元和输出层神经元之间的输出权值,b
i
表示隐层第i个神经元的阈值,w
i
·
u
j
表示w
i
和u
j
的内积,得到如下形式:单隐层极限学习机训练的目标是使得输出的误差最小,可以表示为:即存在w
i
、u
j
和b
i
使得:上述等式可以改写为Hβ=X,其中:上述等式可以改写为Hβ=X,其中:其中,H为极限学习机的隐层输出矩阵;因此极限学习机的训练等同于求线性系统Hβ=X的最小二乘解X的最小二乘解步骤三:将x(k)输入到执行网络,得到u(k),执行网络的输入分别是系统在k时刻的状
态向量x(k)的n个分量,输出则是与输入状态x(k)对应的控制向量u(k)的m个分量。由三层拓扑结构极限学习机构成,隐含层的激活函数选取双极性sigmoidal函数函数,即输出层的激活函数选取Purelin线性函数。2.根据权利要求1所述的基于ELM-ADHDP的复杂分离过程优化方法,其特征在于:所述步骤二中利用极限学习机原理训练模型网络的的具体过程如下:步骤2-1:定义模型网络k时刻的的输入向量M(k)。M(k)=[u1(k),u2(k),u3(k),u4(k),x1(k),x2(k)]步骤2-2:模型网络的正向计算过程:m
h1
(k)=M(k)
×
W
m1
(k)+β
m
m
h2
(k)=sigmoid(m
h1(k)
)其中m
h1
(k)、m
h2
(k)为模型网络隐含层的输入和输出,W
m1
(k)、W
m2
(k)分别为输入层到隐层和隐层到输出层的权值;步骤2-3:根据极限学习机的思想,最小化误差:求取W
m2
(k)等于求线性系统的最小二乘解即:步骤2-4:则模型网络网隐层到输出层权值矩阵特解为其中,为k时刻的伪逆矩阵。3.根据权利要求1所述的基于ELM-ADHDP的复杂分离过程优化方法,其特征在于:所述步骤三中执行网络的计算过程如下:a
技术研发人员:秦伟,李慧,常华鹏,李颖,骆万博,丛铄沣,罗明月,赵启亮,叶伟康,
申请(专利权)人:长春工业大学,
类型:发明
国别省市:
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。