資源描述：
《基于bp神經(jīng)網(wǎng)絡(luò)的動態(tài)液位測量》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。
1、基于BP神經(jīng)網(wǎng)絡(luò)的動態(tài)液位測量
2、第1摘 要：文中介紹了利用BP神經(jīng)網(wǎng)絡(luò)的高度非線性逼近能力，解決連續(xù)攪拌反應(yīng)釜動態(tài)液位測量問題。包括BP的基本算法及其應(yīng)用體會，建立符合實際的動態(tài)液位測量網(wǎng)絡(luò)模型的過程，并給出應(yīng)用該網(wǎng)絡(luò)模型實際測量液位的結(jié)果。關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；動態(tài)液位；測量ThemeasurementofdynamicliquidlevelsbasedonBPneuralin(AutomationInstituteofDalianMaritimeUniversity，LiaoningDali
3、an116026，China) Abstract：Thispaperintroducesamethodeasurethedynamicliquidlevelsincontinuous－stirringreactors.ItincludesthebasicarithmeticofBPneuralentofanapplicableneuraloduleofdynamicliquidlevelmeasurement.Anexampleofthemethodisprovidedinthepaper.
4、Keyicliquidlevel；measurement0 引言 在制藥生產(chǎn)過程中，經(jīng)常采用非連續(xù)方式，即在反應(yīng)釜內(nèi)加入生產(chǎn)原料及輔助材料，然后使之在一定的溫度、壓力條件下進行化學(xué)反應(yīng)，當(dāng)反應(yīng)過程的某些參數(shù)達到生產(chǎn)指標(biāo)時，生產(chǎn)過程便結(jié)束了。因此，監(jiān)測這些參數(shù)及其變化是非常重要的。在丙二烯二氯化磷的生產(chǎn)過程中以液位作為監(jiān)測參數(shù)。當(dāng)液位高于工藝要求的指標(biāo)時，產(chǎn)品的質(zhì)量不能得到保證；而當(dāng)液位低于工藝要求的指標(biāo)時，則有可能使化學(xué)反應(yīng)過度，嚴(yán)重時還可能引起爆炸。反應(yīng)釜是密閉的，整個反應(yīng)過程在高溫和高
5、真空下進行，全程連續(xù)攪拌，釜內(nèi)充滿反應(yīng)氣體，反應(yīng)末期還會產(chǎn)生大量的泡沫，另外還有極強的腐蝕性。在這種情況下監(jiān)測液位及其變化情況，難度很大。目前，在實際生產(chǎn)中，只能根據(jù)進料與出料的數(shù)量差來估計，但由于生產(chǎn)過程的復(fù)雜性，隨著釜內(nèi)溫度、釜底溫度、夾層溫度、真空度、攪拌程度、原材料數(shù)量及質(zhì)量的變化，其估計值常大大超出給定的誤差。而且在不同的工藝階段，運行的工況也完全不同，即使在相同工藝階段，各批號生產(chǎn)運行狀況也不盡相同。筆者曾經(jīng)采用雷達液位儀進行測量，但效果很不理想。現(xiàn)在利用測量壓差的方法測量液位，由于
6、攪拌的作用，測量數(shù)值波動很大，基于人工神經(jīng)網(wǎng)絡(luò)的理論和方法[1]，對測量數(shù)據(jù)進行處理，找到了解決上述問題的一個新途徑。1 人工神經(jīng)網(wǎng)絡(luò)模型 近年來人工神經(jīng)網(wǎng)絡(luò)技術(shù)在各個領(lǐng)域里得到廣泛應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)是一種大規(guī)模的并行聯(lián)接機制系統(tǒng)，它有一些類似于生物神經(jīng)系統(tǒng)的處理單元，通過把知識及解決問題的方法表達成單元間相互連接的權(quán)來處理問題。人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)的能力，有通過實踐進行學(xué)習(xí)的能力，有容錯、自修復(fù)和抗干擾等能力[3]。利用人工神經(jīng)網(wǎng)絡(luò)的這些特點，對大量檢測的實時數(shù)據(jù)進行學(xué)習(xí)，針對帶攪拌的
7、反應(yīng)釜為每個工藝階段都建立了液位測量的數(shù)學(xué)模型。筆者所采用的誤差反向傳播模型(Back－Propa－gation)，簡稱BP網(wǎng)絡(luò)，是一種單向傳播的多層前向網(wǎng)絡(luò)，由于其良好的逼近非線性函數(shù)的映射能力和并行處理等特點，近年來被廣泛應(yīng)用于模式識別、圖像處理、系統(tǒng)辨識、函數(shù)擬合、最優(yōu)預(yù)測等方面。根含層各節(jié)點之間、隱含層與輸出層各節(jié)點之間都用權(quán)來連接。其中輸入層輸入攪拌液位、真空度、釜內(nèi)溫度、夾層溫度、釜底溫度；輸出層輸出無攪拌情況下的實際液位。其BP網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)為5×8×1，即輸入層、隱層、輸出層分
8、別為5、8、1個節(jié)點。隱層節(jié)點的激活函數(shù)采用了S函數(shù)，即500)this.style.ouseg(this)">而輸出層節(jié)點的激活函數(shù)采用了線性函數(shù)f(x)＝x。500)this.style.ouseg(this)">2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法2.1 神經(jīng)網(wǎng)絡(luò)的前饋計算［2］ 對于某一訓(xùn)練輸入矢量X(x1，x2，…，xm)T，網(wǎng)絡(luò)的輸出為y，對應(yīng)輸入X的理想輸出為d。對于隱層第j個神經(jīng)元，500)this.style.ouseg(this)">式中，f2為輸出層節(jié)點的激活函數(shù)2.2 神經(jīng)網(wǎng)絡(luò)權(quán)
9、系數(shù)的調(diào)整 對應(yīng)于每個訓(xùn)練樣本p的輸入輸出模式對的誤差函數(shù)為： 500)this.style.ouseg(this)"> 為使代價函數(shù)最小，采用一階梯度優(yōu)化方法，沿梯度變化的反方向修正權(quán)系數(shù)。對所有樣本對的誤差進行累加，用累加后的誤差修正權(quán)值[2]。對于輸出層，其修正公式為： 500)this.style.ouseg(this)">式中η為大于0的數(shù)，表示學(xué)習(xí)速率。η越大則學(xué)習(xí)速率越大，但容易引起振蕩。為此，在加權(quán)系數(shù)調(diào)整時附加一個動量項，可以加快收斂速度，使加權(quán)系統(tǒng)變化更加平滑。調(diào)整式
