[发明专利]基于BP网络的HDP分子蒸馏系统的最优控制方法

说明书

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。

技术领域

本发明涉及分子蒸馏最优控制技术领域，具体涉及一种基于BP网络的启发式动态规划(Heuristic Dynamic Programming HDP)分子蒸馏系统的最优控制方法。

背景技术

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。

发明内容

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，本发明提供基于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。

本发明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。