维普资讯 http://www.cqvip.com 兵工自动化 自动控制技市 Ａｕｔｏ．ＣｏｎｔｒｏＩ ｏ．Ｉ．Ａｕｔｏｍａｔｉｏｎ ２００２，ＶｏＩ＿２１，Ｎｏ．４ ２００２年第２１卷第４期 文章编号：１００６～１５７６（２００２）０４—０００１—０５ 催化裂化过程建模与稳态优化控制 冯明琴。，孙政顺 （１．攀枝花大学电气信息工程系，四川Ｉ攀枝花６１７０００；２．清华大学自动化系，北京１０００８４） 摘要：催化裂化装置是一个高度非线性、时变和长时延、强耦合、分布参数和不确定性的复杂系统。在 研究其过程机理的基础上，定义了一种模糊神经网络用以建模，用自相关函数检验法检验模型的正确性，再 用改进的Ｆｒａｎｋ—ＷｏＩｆｅ算法进行稳态优化计算。并以一炼油厂催化裂化装置为对象进行试验，研究其辨识、 建模和稳态优化控制。 关键词：模糊神经网络；稳态优化控制；催化裂化；辨识；建模；模型检验 中图分类号：ＴＰ２０２．７；ＴＰ２７３．４ 文献标识码：Ａ Ｍｏｄｅｌｉｎｇ ａｎｄ Ｓｔａｂｌｅ Ｓｔａｔｅ Ｏｐｔｉｍａｌ Ｃｏｎｔｒｏｌ ｆｏｒ ＦＣＣ Ｐｒｏｃｅｓｓ ＦＥＮＧ Ｍｉｎｇ．ｑｉｎＩＳＵＮ Ｚｈｅｎｇ．ｓｈｕｎ２ ．（１．Ｄｅｐｔ．ｏｆ Ｅｌｅｃｔｒｉｃａｌ＆Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｐａｎｚｈｉｈｕａ Ｕｎｉｖｅｒｓｉｔｙ，Ｐａｎｚｈｉｈｕａ ６１７０００，Ｃｈｉｎａ； ２．Ｄｅｐｔ．ｏｆ Ａｕｔｏｍａｔｉｏｎ，Ｔｓｉｎｇｈｕａ Ｕｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ １０００８４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｆｌｕｉｄ ｃａｔａｌｙｓｉｓ ａｎｄ ｃｒａｃｋｉｎｇ Ｕｎｉｔ（ＦＣＣＵ）ｉｓ ａ ｃｏｍｐｌｅｘ ｓｙｓｔｅｍ ｗｉｔｈ ｈｉｇｈｌｙ ｎｏｎ—ｌｉｎｅａｒ，ｔｉｍｅ ｖａｒｉａｂｌｅ，ｌｏｎｇ ｔｉｍｅ ｄｅｌａｙ，ｉｎｔｅｎｓｉｖｅ ＣＯＵｐｌｉｎｇ，ｐａｒａｍｅｔｅｒ ｄｉｓｔｒｉｂｕｔｅｄ ａｎｄ ｉｎｄｅｆｉｎｉｔｅ．Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｒｅｓｅａｒｃｈ ０ｎ ｔｈｅ Ｐｒｏｃｅｓｓ ｍｅｃｈａｎｉｓｍ ｏｆ ｔｈｅ ｓｙｓｔｅｍ，ａ ｆｕｚｚｙ ｎｅｕ ｒａＩ ｎｅｔｗｏｒｋ（ＦＮＮ）ｗａｓ ｅｓｔａｂＩｉｓｈｅｄ ｆ０ｒ ｔｈｅ ｍｏｄｅｌｉｎｇ．Ｔｈｅ ｃｏｒｒｅｃｔｎｅｓｓ ｏｆ ｔｈｅ ｍｏｄｅ１ ｗａｓ ｔｅｓｔｅｄ Ｗｉｔｈ ｔｈｅ ａｕｔｏｃｏｒｒｅｌａｔｉ０ｎ ｆｕｎｃｔｉ０ｎ ｃｈｅｃｋｉｎｇ ｍｅｔｈｏｄ．ｔｈｅ ｓｔａｂｌｅ ｓｔａｔｅ ０ｐｔｉｍｉｚａｔｉｏｎ ｗａｓ ｃｏｍＰＵｔｅｄ Ｗｉｔｈ ｉｍＰｒｏｖｅｄ ０ｎ Ｆｒａｎｋ．ＷｏＩｆｅ ａＩｇｏｒｉｔｈｍ．Ｔａｋｅｎ ａｎ ｅｘａｍＰＩｅ ｆｏｒ ｔｈｅ ＦＣＣＵ ｏｆ ａ ｏｉＩ ｒｅｆｉｎｅｒｙ．ｔｈｅ ｓｙｓｔｅｍ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ．ｍｏｄｅＩｉｎｇ ａｎｄ ｓｔａｂＩｅ ｓｔａｔｅ ０ｐｔｉｍａＩ ＣＯｎｔｒｏ１ ｗａｓ ｓｔｕｄｉｅｄ ａｎｄ ｔｅｓｔｅｄ． Ｋｅｙ Ｗｏｒｄｓ：ＦＮＮ（Ｖｕｚｚｙ Ｎｅｕ ｒａＩ Ｎｅｔｗｏｒｋ）；ＳｔａｂＩｅ ｓｔａｔｅ ０ｐｔｉｍａＩ ＣＯｎｔｒｏＩ；ＦＣＣ（Ｆｌｕｉｄ Ｃａｔａｌｙｓｉｓ ａｎｄ Ｃｒａｃｋｉｎｇ）；Ｉｄｅｎｔｉｆｉｃａｔｉ０ｎ；ＭｏｄｅＩｉｎｇ；ＭｏｄｅＩ Ｃｈｅｃｋｉｎｇ 引言 工业生产过程在正常情况下，各种参量是基 本稳定的，但由于慢扰动、设备老化等原因，整 时延、强耦合、分布参数和不确定性的复杂系统。 复杂系统尚不能用机理分析或系统辨识的方法获 得足够精确的数学模型，而特别复杂的大系统不 能用现代控制理论中常用的方法来研究它的优化 问题。因此，催化裂化过程的优化和控制很难用 一个生产过程会偏离最优点。因此，维持和寻找工 业过程的最优工况，提高工厂经济效益，稳态优 化起决定性作用。由于多种原因，如在线测试装 置陈旧、建模困难、开发研制工作量巨大，以及 技术上的困难和专业人员的技术水平等因素，国 般的方法解决，国内外的成功应用还很少。为 此，在研究大港炼油厂催化裂化实际生产过程的 基础上，用模糊神经网络Ｉ。Ｉ方法辨识、建模，用 自相关函数检验法检验模型的正确性，再用改进 的Ｆｒａｎｋ—Ｗｏｌｆｅ方法实现稳态优化控制。 内外大系统稳态优化的成功应用还很少。研究系 统稳态优化具有十分重要的意义，也是最有发展 前途的工作之一。 催化裂化（ＦＣＣ）是炼油厂的主要二次加工 方法。催化裂化装置（ＦＣＣＵ）的运行状况，直 接关系到石油炼制过程中的轻质油产品收率，从 而影响整个炼油厂的经济效益，国内外都非常重 视。催化裂化装置是一个高度非线性、时变和长 ２模糊系统模型 本系统模糊模型由Ｔａｋａｇｉ—Ｓｕｇｅｎｏ模型描 述，即由以下形式的模糊隐含规则组成： Ｒｊ：ＩＦ ｘＩ ｉｓ ＡＩｊ ａｎｄ…ａｎｄ ｘｎ ｉｓ Ａｎｊ ＴＨＥＮ Ｙｊ—ｆｊ（ｘ，，Ｘ２…，ｘ ） 收稿日期：２００１—１１—２５：修回日期：２００２—０５—１３ 作者简介：冯明琴（１９４８一），男。四川人，攀枝花大学电气信息工程系副教授，从事计算机及控制研究。 维普资讯 http://www.cqvip.com 兵工自动化 目云ｍ空甫吁支市 Ａｕｔｏ．ＣｏｎｔｒｏＩ ｏ．Ｉ．Ａｕｔｏｍａｔｉｏｎ ２ｏｏ２．ＶＯｌ＿２Ｉ．Ｎ０．４ ２００２年第２ｌ卷第４期 式中： ’）：ＵｃＲ“ Ｒ ＝（ ｌ，Ｘ２，…，ｘ ）ｃＵ，Ａｌ，Ａ２，…Ａ ｃｆ（Ｌ￣，用隶属函数 ｊ（ｘｉ）表示Ａ＿ｊ（ｉ＝１，２，．．．，ｎ）， Ｒｊ表示模糊规则基的第Ｊ条规则，ｊ＝１，２，．．．，Ｎ。 若采用代数积推理，对给定的一组输入（Ｘ ＝ Ｘ１。Ｘ２＝ｘ２。 ，．，Ｘｎ＝ｘｎ。），其输出为： Ｙ＝ｆ ）＝∑（ｊ＝ｌ＿兀 Ａ＝ｌ ｛（ｘ ｆｊ（ｘ ，…，ｘ ）／∑（ｊ＝ｌ ｉｎ Ａ＝ｌ ｛（ｘ ）） （１） ｎ ，Ｎ ｎ 设：Ｐｊ（ ）＝１－Ｉ Ａ ｉ）／∑（ｎ Ａｉｉ（ｘｉ）），Ｊ＝＝＝１，２，．．．Ｎ ｌ＝ｌ Ｉ＝Ｉ ｌ＝Ｉ Ｎ 那么：Ｙ＝ｆｉｇ）＝∑Ｐｊ（Ｘ）・ｆｊ （２） ｊ＝ｌ Ｗａｎｇ利用Ｓｔｏｎｅ—Ｗｅｉｅｓｔｒａｓｓ定理证明了此 种模糊系统能以任意精度逼近任一闭子集上的实 连续函数 ，它是模糊基函数Ｐｊ ）的扩张，是一 种不依赖模型的自适应函数估计器。这就为解决 复杂非线性生产过程问题提供了理论根据。 ２．１模糊神经网络结构 本系统采用的模糊神经网络结构如图１。 图１ 模糊神经网络结构 ①输入层。各结点直接与输入向量各分量 Ｘｉ连接，它将输入值ｘ＝【Ｘｌ，Ｘ２，…Ｘｎ】 传递到下 一层相应结点。该层结点数Ｎ ＝ｎ，ｎ是输入量 的维数。 ②模糊化层。每个结点代表一个模糊语言 变量值，如ＮＳ，ＰＢ等。它计算各输入分量属于 各语言变量值模糊集合的隶属函数 ，其中： 、 一 ‘ｉ （ｘｉ） ｉ＝１，２，．．．，ｎ；ｊ＝ｌ，２，…，ｍｉ， ｉｎ 是ｘｉ的模糊分割数。隶属函数采用高斯函数 表示的铃形函数，则 ：ｅｘｐ（一（ｘｉ－Ｃ ） ／ｂ．ｊ ），其 中Ｃ；ｉ和ｂ 分别表示隶属函数的中心值和宽度。 该层结点总数Ｎ２＝∑ｍｉ。 Ｉ－ｌ ③前件匹配层。每个结点代表一条模糊规 则，它用来匹配模糊规则的前件，计算出每条规 则的适用度。现采用 。 ＝ ｌｉ ２ｉ ｚ… 。 其中：ｉ１∈｛１，２，．．．，ｍ１｝，ｉ２∈｛１，２，．．．，ｍ２｝…． …，ｉ ∈｛１，２，．．．，ｍ ｝ ｎ Ｐ＝１，２，…，ｍ；ｍ＝１－Ｉ ｍ ｉ 该层结点总数Ｎ ＝ｍ。 ④归一化层。即完成计算 ＝仅ｐ／∑仅 ， ｋ＝ｌ 结点数与第３层相同，即Ｎ ＝Ｎ ＝ｉｎ。 ⑤输出层。实现反模糊的清晰化计算，即 ｍ Ｙｌ＝∑Ｗｉｐ瓦ｐ Ｉ＝１，２，…，ｒ ｐ＝ｌ ｒ为输出量的维数。这里ｗ。 类似于式（２）中的ｆｊ， 它相当于Ｔ—Ｓ模糊模型中Ｙ。的第Ｐ个语言值隶 属函数的中心值。 ２．２学习算法 上述模糊神经网络本质上是一种多层前馈网 络，属于局部逼近网络『３Ｉ，它的第Ｐ层第ｑ个结 点的纯输入为： ｆ（１１）（ｘ（１ｐ－Ｉ ，ｘ Ｐ ，…，ｘ（Ｐ－ｎＩ１¨； ｆ ， Ｐ２ ，…， ） 。结点的输出一Ｘｑ（ｐ）＝ｇ（ｐ’（ ｐ’）。用ＢＰ网络误差反 传的方法设计算法，在迭代计算过程中需要学习 和调整的主要参数是第５层的连接权ｗ。 及第２ 层隶属函数的中心值Ｃ ｉ和宽度ｂＩ＿，调整的效果 相当于调整ＢＰ网络的连接权和模糊控制中的模 糊规则的综合效应。因此，它具有连接主义和符 号主义的双重优点。仿照ＢＰ算法推导出每一层 的结点函数。 ｘ。（ｐｌ ｘｌ（ 图２ 单个神经元结点的基本结构 第１层：ｆ／ ）＝＝＝Ｘｉ（。）＝＝＝Ｘｉ ＸｉＯ）＝＝＝ｇｌ（１）＝ｆｌ‘ 第２层： ’＝一（ｘｉ‘ ’一ｃ＿ｊ） ／ｂ＿ｊ 维普资讯 http://www.cqvip.com 兵工自动化 目动控制技ｍ Ａｕｔｏ．ＣｏｎｔｒｏＩ ｏ．Ｉ．Ａｕｔｏｍａｔｉｏｎ ２００２．Ｖｏ１．２１．ＮＯ．４ ２００２年第２ｌ卷第４期 Ｘｉｊ‘ ）＝ ＝＝＝ｇ ＝ｅｘｐ（一（ｘｉ—ｃｕ） ／ｂｉｊ２） 第３层：ｆ ：ｘ ｘ 。ｘ ＝ … Ｘｐ（３）＝Ｑ ｐ：＝：ｇｐ‘。 ＝ｆｐ‘。 第４层：ｆ； ）：ｘ ／∑ｍ ｘ ）＝ａ ／∑， ｌｅｔ ａ ｘ ）＝西ｐ＝ｇ ）＝ｆｌ（ ’ 第５层：ｆ『 ：∑、ＶＩｐ ，ｘＩ‘ ｙＩ＝ｇ／Ｓ）＝ ‘ 设期望输出为Ｙ ．，网络输出为Ｙ．，定义目 标函数： Ｊ＝ｌＸ（ｙｄｌ—Ｙ１） 采月误差反传算法计算旦０Ｗｉｐ、 和蔷’再利Ｃ； Ｄ ； 用最速下降寻优算法调节Ｗ ｃｕ和ｂ；ｊ。 首先计算误差：６｛ 一 ＿＿＝ｙ ｍ—ｙ・ 由此求得一阶梯度： ｘ ・ ， 再计算： ６（１４ 毋＝ ）Ｗｌｌ】 ６ 一毒 善 ／ｃ 一。ｉｊ） ６ 一茅 ６ ｅ （３） 当ｆ（。）采用相乘运算时，若ｇｉｊ（２）＝ ｊ是第Ｐ 个规则结点的一个输入时： ＝筹＝筹＝ ｉ 硎～ ＝筹＝等＝。 由此求得一阶梯度为： ＯＪ一： ＿『一塑 ：一 （：＝一ｎ：．２ ） 兰～ ａｃ ａ ’Ｃ￣Ｃｉｊ ｂ 小ＯＪ２） 一：旦 一：－／＝： ５１ 一！ ！： ｃ３ｂｉｊ ａｆ ０ｂｉｊ ￣ｂ 模糊神绎网络参数调牯学习算法为： Ｗｌｐ（ｋ＋ Ｗｉｐ（ｋ）一ｐ ｃ．ｊ（ｋ＋ ｐ善 ｂｉｊ（ｋ＋１ 蔷 其中，１３＞０为学习率。 ２．３网络训练及系统建模 根据文献资料１４１１ １和现场考察分析知道，影 响催化裂化过程轻油收率的因素有提升管出口温 度、回炼比、剂油比、反应压力、催化剂活性、 汽油蒸汽压等，其主要因素和可操作变量为提升 管出口温度、回炼比和反应压力；主要产品为汽 油、轻柴油、气体、重柴油、油浆和焦炭等。催 化裂化装置由３大部分构成，即反应／再生系统、 分馏塔和吸收稳定系统。若在反应／再生系统出 口处安装在线分析仪，可由它提供轻油产率数 据；若未安装，则可从分馏塔出口检测轻油收率 进行分析。要提高轻油收率可采用图３所示的结 构建模，其中Ｘ为输入，Ｙ为输出。 鼍 誊 ０ ：鼍挲 ０ 眷０ ０００ ０ ： 二｜ 图３ 反应／再生系统和分馏塔 大港炼油厂年生产能力为１２０万吨原料油， 已采用分布式计算机控制系统（ＤＣＳ）实施控制， 实现稳态优化控制，可在此基础上增加一优化级 构成稳态递阶控制结构，如图４所示。 图４稳态递阶控制结构 优化控制器由计算机构成，它从ＤＣＳ中获 取现场数据，通过优化计算向ＤＣＳ传送最佳输 入设定值，使系统始终运行在最优工况。 从现场采集输入输出数据Ｘ、Ｙ，对上述模 糊神经网络进行训练，可得到非常逼近真实的催 化裂化装置的近似模型。 若安装在线分析仪，可在线建模、稳态优化 维普资讯 http://www.cqvip.com 兵工自动化 目云ｎ控卷峨￡Ｔｔｔ Ａｕｔｏ—Ｃｏｎｔｒｏｌ ｏ．１．Ａｕｔｏｍａｔｉｏｎ ２００２．Ｖｏ１．２１．Ｎｏ．４ ２００２年第２ｌ卷第４期 计算和控制。 ２．４模型检验 为了检验模糊神经网络模型的可靠性，采用 自相关函数检验法１６Ｉ，即检验输出残差序列的白 色性。该过程与模型的输出残差为ｅ（ｋ）＝Ｙｄ（ｋ） ｙ（ｋ），Ｙ 为期望输出，Ｙ为实际输出，输出残 差序列为｛ｅ（ｋ）），则｛ｅ（ｋ））的自相关函数为： １ Ｌ－１ Ｒ０）＝÷∑￡（Ｌ ｋ）．￡（ｋ＋１）， Ｉ：１，２，・－．，ｍ 取ｍ＝２ ０～３ ０，Ｌ为辨识数据长度。 ｛￡（ｋ））的自相关系数为ｐ（１）＝Ｒ（１）／Ｒ（０）， 检验即是要验证｛ｅ（ｋ））的均值 Ｅ｛￡（ｋ））： 圭￡ｋ＝１ （ｋ） ０和１ｐ（Ｉ）１ Ｌ ，取ｌ＝１， ２，…，２０，即可认为输出残差序列是零均值的白 噪声序列，所建立的模型是可靠的。 ３催化裂化过程稳态优化控制 ３．１催化裂化过程稳态优化控制 复杂非线性工业过程的稳态优化问题，可以 归结为有约束的非线性规则问题，即在约束条件 下，优化其目标函数，也就是根据建立的过程模 型，通过优化寻找最佳的输入设定值ｌ７Ｉ，使系统 运行在最优工况。可描述为： ｍｉｎ ｆ（ｘ）＝Ｊ＝ １（Ｙ 一Ｙ） ｘｉ ａｒｇ （ｘ Ｓ．ｔ．Ｙｉ＝Ｎ ｉ（Ｘｉ，Ｙ ｉ） Ｘｉ∈Ｓ 其中，ｘ为系统输入，Ｙ为网络模型输出， Ｙ 为期望输出，Ｎ（？）为建立的网络模型关系，Ｓ 为可行域。极小化目标函数Ｊ，即是在给定Ｙ 条 件下求模型输出Ｙ为最大。‘如汽油收率为最高。 模糊神经网络模型不能用常规数学表达式描 述，对它进行稳态优化相应难度较大。经研究采 用改进的Ｆｒａｎｋ—Ｗｏｌｆｅ方法ＩＳｌ优化，其步骤为： ①给定初始可行点ｘ（¨，允许误差￡＞０， 置ｋ＝１； ②求解下列优化问题 Ｉｍｉｎ Ｖｆ（Ｘ（ ’） Ｘ 【Ｓ．ｔ．（Ｘｉ，Ｙｉ ∈Ｄｉ 得到最优解ＸＱ（ 。其中 是微分算子，Ｄ 为容许集合； ③若Ｉ ｆ（ｘ（ ’） （ｘＱ（ ）一ｘ（ ’）Ｉ≤￡，则停止 计算，ｘ（ ）即为最优点，否则进行步④； ④从ｘ（ｋ）出发，沿方向ＸＱ（ ）一ｘｌ ）之间进 行搜索，求最优的 ： １Ｊ ｓｍｉ．Ｉｎ ．０ｆ（ｘ（ 九 ｌ ’＋九（ ‘ｘ ’一ｘ（ ’）） ａ求最优解ｘＱ‘ ’下的ｆ（？）值ｆ（ＸＱ（ ））＝ｆＱ， 并选 初值； ｂ适当选择步长ｔ，其增量Ａ ｔ，求ｆｆｘ（ ＋ （ ＋ｔ）（ｘｏ‘ ）一Ｘ（ ’））＝ｆｋ； ｃ如果ｆｋ＜ｆＱ转ｄ，否则转ｅ； ｄ令ｔ＋＝ｔ＋Ａ ｔ，习之ｆ（ｘ‘ｋ）＋（入＋ｔ＋）（ｘｏ（ 一ｘ（ ’））一ｆ ； 若ｆ＋＜ｆｋ，取ｔ仁ｔ＋△ｔ、ｆ０仁ｆ＋，转ｂ，否 则转步⑤； ｅ令ｔ一＝ｔ—Ａ ｔ，求ｆ（ｘ（ ＋（ ＋ｔ一）（ｘｏ（ｋ）一Ｘ‘ ’）） ＝ｆ＿，若ｆ＿＜ｆｋ，取ｔ仁ｔ—Ａｔ、ｆｏ仁ｆ＿，转ｂ， 否则转步⑤； （ 入ｋ： ＋ｔ， 令ｘ（ ）＝ｘ（ ）＋入ｋ（Ｘｏ（ ）一 ｘ（ ’），置ｋ仁ｋ＋１，返回步②。 步②中的导数可由ＢＰ算法求得，即由式（３）： ６Ｉ１） 拳： ＝茅‘筹 Ｆｒａｎｋ和ｗ０ｌｆｅ已证明，只要Ｘｎ（ ’是步②优化 问题的最优解，且满足 ｆ（ｘ（ ’） （ｘＱ（ ）一ｘ（ ’）＝０， 则ｘ（ ）是上面非线性规划的Ｋｕｈｎ－Ｔｕｅｋｅｒ点，并 证明了算法的收敛性。 本算法运用了原算法关于最优解和收敛性的 判定条件，并做了适合于模糊神经网络的改进， 主要是步②和步④采用了改进的模式搜索法，包 含了寻求有利方向的探索移动及沿有利方向再前 进的模式移动。较好地解决了稳态优化计算问题。 为了不限于局部极小和减少迭代次数，初值 选取很重要，采用从稳态输入数据中任选一组作 初值。期望输出Ｙ 采用历史数据（训练样本） 的均值乘上一比例系数（比如１％），即可认为 在原输出（如轻油产率）的基础上，增加了一个 比值（如１％）。这样，保证优化顺利进行。 ３．２试验结果 通过分析，选择影响催化裂化轻油收率最关 键的３个参数作输入量，即提升管出口温度、回 维普资讯 http://www.cqvip.com 兵工自动化 目云ｍ奎甫Ｕ技市 Ａｕｔｏ．ＣｏｎｔｒｏＩ Ｏ．Ｉ．Ａｕｔｏｍａｔｉｏｎ ２００２．Ｖｏ１．２ｌ＿ＮＯ．４ ２００２年第２１卷第４期 炼比和反应压力。以提高汽油收率而保持轻柴油 等其它轻油收率基本不变为目标进行建模和稳态 优化计算。按图１的结构，选模糊分割数ｍ ＝ ｍ２一ｍ３＝５，各层结点数为Ｎ１＝ｎ一３，Ｎ，一１５， Ｎ３一Ｎ ＝ｍ＝１２５，Ｎ 一１。用６００组现场数据对 网络进行训练，经９次学习，使均方误差小于 表２ ｂｉｊ结果 Ｏ．１９５９３０ Ｏ．２Ｏ６１ ２９ ｏ．１９７７４２｝０．２０４０６０｛０．２９１４８２ ０．１９２０５０ ０．１９２３０２ ０．２２１４０３ ｌ ０．２００４０３ ｌ ０．３２１０３０ ０．６３５３６４ ０．３７５３８７ ０．２４３５３３ ｌ ０．１７４１２１ １ ０．１７５７６６ ｂ．ｊ初值：ｂｌｉ ０．２，其中：ｉ＝１…．，３；ｊ＝ｌ…．，５ 对训练后的模型用３６６组现场数据进行试 验，再用自相关函数检验法检验其输出残差序 ０．０１，得到一组网络参数，即连接权ｗ 以及隶 属函数的中心值Ｃ； 和宽度ｂ．．。此处ｉ为输入量序 号，Ｊ表示模糊变量序号，Ｐ代表连接权序号。训 练结果对其初值都作了相应修改，现列出Ｃ； 和ｂｉ 结果于表１和表２中。 表１ Ｃｉｊ结果 －歹０＜￡（ｋ））的白色性。得至Ｕ Ｅ＜￡（ｋ））＝０．０００３９６， 近似为零。自相关系数ｐ（１）见表３。计算 １．９８／４Ｌ＝Ｏ．１０３４９６，从表中看出，只有２个自 相关系数落在置信区间外，且偏离程度很小。 因此，９５％的置信度说明输出残差序列是白噪 声序列，建立的模糊神经网络模型是可靠的。 以大港炼油厂催化裂化装置为例，若提高１％ 的汽油收率，全年可增加产值９９０多万元。优化 ０．８００４８８ —０．３９９ｌ１３ －０．０００ ５４ ０．４０ｌ３６７ ０．９８４６８３ ０．６００７７９ －０．４０００７７ ０．０ｌ９９２０ ０．３ｌ７５３０ ０．９５０９７ｌ ０．７６３７６３ —０．２５７５ ０ ０．０４ｌ９７７ ０．１５５４９３ ０．９６０３９７ －Ｃ＿ｊ初值：ｃＩｊ＝ｃ２ｊ：ｃ３ｉ （－ｏ．８，－０．４，０．０，０．４，０．８） 其叶１：Ｊ＝１…．，５ 表３ｐ（Ｉ） 过程用需达到的目标 经优化计算寻找最佳输入 值，设优化步骤中步②迭代次数为ｋ１，步④迭代 输出残差的自相关系数 ０（５） ０．１０３４ｌ６ ｐ（２） 一０．１０４３７０ ０（３） ０．１０３４６０ Ｐ（４） 一０．１０３４３０ ｐ（６） ０．１０３３６４ ｐ（７） 一０．０７６３７６ ｐ（８） ０．０７７８６６ ０（９） ０．１０００７６ Ｐ（１０） 一０．１００６９４ ０．１０５７４８ Ｐ（ＩＩ） 一Ｐ（Ｉ２） ０．１０２６２７ Ｐ（Ｉ３） 一０．１０２４６４ Ｐ（Ｉ ４） ０．１００５３９ Ｐ（１５） －０．０９７４４ｌ Ｐ（Ｉ６） 一０．１００６２７ ｐ（Ｉ７） ０．１００８３８ Ｐ（Ｉ８） ０．１００ｌ２９ Ｐ（Ｉ９） 一０．０８７７７４ ｐ（２０） ０．０８３０ｌ８ ０．１０２０８９ 次数为ｋ２，外环迭代次数为ｋ，选ｅ＝０．００３，即 杂生产过程的建模、仿真和稳态优化控制是可行 的。只要解决好技术上的一些具体问题，如安装 在线分析仪等，就可以实施稳态优化控制，获得 巨大的经济效益。 允许误差小于３％ｏ，４次优化计算数据列于表４。 表４优化情况 试验 ｌ ２ ３ ｋｌ ２８ ２２ ９ ｋ２ ｌ０９ ４９ ２０ ｋ ２６ ６ ｌ ２ ｅ ０．０００２８９ ０．０００５３６ ０．００ｌ０２３ 参考文献： ｌ １ ｌ Ｌｉｎ Ｃ Ｔ，Ｌｅｅ Ｃ Ｓ Ｇ．Ｎｅｕ ｒａｌ—Ｎｅｔｗｏｒｋ—Ｂａｓｅｄ Ｆｕｚｚｙ Ｌｏｇｉｃ Ｃｏｎｔｒｏｌ ａｎｄ Ｄｅｃｉｓｉｏｎ Ｓｙｓｔｅｍ ｌＪＩ．ＩＥＥＥ Ｔｒａｎｓ， ｏｎ Ｃｏｍｐｕｔｅｒｓ．１９９１，４０（１２）：４８—５２． ４ ２６ ８ ｌ０ ０．０００３５８ 表中，ｅ由步③中的判定条件计算得出，即 ｅ＝Ｉ ｆ（ｘ‘ ’） （ｘＱ‘ ’一ｘ‘。’）Ｉ，可见优化计算满足判 定条件。优化计算结果，即求得的最佳输入值， ４次都非常接近，说明优化计算是成功的。 １２ｌ Ｗａｎｇ Ｌ Ｘ． Ｆｕｚｚｙ ｓｙｓｔｅｍｓ ａｒｅ Ｕｎｉｖｅｒｓａｌ ｏｐｐｒｏｘｉｍａｔｏｒｓ，Ｐｒｏｃ ｌＪ１．ＩＥＥＥ ｌｎｔ．Ｃｏｎｆ．ｏｎ Ｆｕｚｚｙ Ｓｙｓｔｅｍｓ，Ｓａｎ Ｄｉｅｇｏ．１９９２，１１６３—１１７０． １３ｌ张乃尧，阎平凡．神经网络与模糊控制ｌＭ１．北京： 清华大学出版社，１９９８． １４ｌ罗雄麟，袁璞，林世雄．催化裂化装置动态机理模 型ｌＪ１．石油学报（石油加工），１９９８，１４（１）：３４－４０． Ｉ５Ｉ高金森，徐春明，杨光华，等．提升管反应器气固两 相流动反应模型及数值模拟 ．石油学报（石油加 工），１９９８，１４（１）：２７—３３． ４ 结论 本模糊神经网络具有多个隐层和隐层结点， 具有很好的泛化能力和逼近能力，收敛速度快， 它具有模糊逻辑和神经网络的共同优点。其突出 优点在于可由输出端对输入求导，不依赖模型的 数学表达式，为稳态优化计算提供了极大方便。 通过对大港炼油厂催化裂化实际生产过程的 研究，说明此种模糊神经网络用于解决非线性复 １６ｌ方崇智，萧德云．过程辨识ｌＭＩ．北京：清华大学出 版社，１９９８． １７ｌ万百五，黄正良．大工业过程计算机在线稳态优化 控制ｌＭ１．北京：科学出版社，１９９８． １８ｌ陈宝林．最优化理论与算法ｌＭ Ｊ．北京：清华大学出版 社．１９９８．
