基于模糊神經(jīng)網(wǎng)絡(luò)的穩(wěn)態(tài)優(yōu)化設(shè)計(jì).pdf

1、穩(wěn)態(tài)優(yōu)化是在對(duì)工業(yè)過(guò)程對(duì)象的充分了解基礎(chǔ)上，以較少的投資，通過(guò)調(diào)整操作參數(shù)取得更大的經(jīng)濟(jì)效益的技術(shù)。工業(yè)過(guò)程的復(fù)雜性、非線性和不準(zhǔn)確性決定系統(tǒng)建模和全局優(yōu)化求解是優(yōu)化設(shè)計(jì)的兩個(gè)重要步驟和設(shè)計(jì)難點(diǎn)。 本文采用模糊神經(jīng)網(wǎng)絡(luò)建模，模糊規(guī)則決定著網(wǎng)絡(luò)推理層的結(jié)構(gòu)，提取系統(tǒng)規(guī)則是建立模糊神經(jīng)網(wǎng)絡(luò)的關(guān)鍵。為解決復(fù)雜過(guò)程模糊規(guī)則不易建立的問(wèn)題，提出密度聚類(lèi)分析法提取模糊規(guī)則。通過(guò)對(duì)數(shù)據(jù)樣本的密度分析、類(lèi)的合并，將樣本數(shù)據(jù)輸入輸出空間分解成一系

2、列的模糊區(qū)域，每個(gè)區(qū)域?qū)?yīng)一條模糊規(guī)則，密度聚類(lèi)法獲得的規(guī)則較好地反映了樣本數(shù)據(jù)輸入輸出對(duì)應(yīng)關(guān)系，避免了隨機(jī)因素的影響，同時(shí)還可得到合理的隸屬度函數(shù)中心和隸屬度函數(shù)寬度等網(wǎng)絡(luò)初始值，減少了不必要的計(jì)算。根據(jù)密度聚類(lèi)的特點(diǎn)，改進(jìn)了模糊神經(jīng)網(wǎng)絡(luò)的模糊推理過(guò)程和網(wǎng)絡(luò)結(jié)構(gòu)，使模糊邏輯與神經(jīng)網(wǎng)絡(luò)結(jié)合更合理。為加快網(wǎng)絡(luò)訓(xùn)練速度，提出了動(dòng)量BP算法，參數(shù)訓(xùn)練中以上次修正結(jié)果影響本次修正量，較好地解決了BP算法收斂速度慢的問(wèn)題。 為快速獲得優(yōu)化

3、操作參數(shù)，提出改進(jìn)的模擬退火算法，在保留模擬退火算法全局尋優(yōu)的基礎(chǔ)上，將Powell算法引入模擬退火算法的局域搜索過(guò)程，極大地提高了局域搜索效率，使改進(jìn)的模擬退火算法有快速的全局尋優(yōu)能力。 本文以藍(lán)星石化的過(guò)氧化氫異丙苯(CHP)分解生成苯酚/丙酮反應(yīng)過(guò)程為對(duì)象，檢驗(yàn)基于模糊神經(jīng)網(wǎng)絡(luò)工業(yè)過(guò)程優(yōu)化方法。通過(guò)對(duì)現(xiàn)場(chǎng)生產(chǎn)數(shù)據(jù)樣本的密度聚類(lèi)分析提取模糊規(guī)則，確立模糊神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，進(jìn)而應(yīng)用改進(jìn)的模擬退火算法求取最優(yōu)解，經(jīng)過(guò)驗(yàn)證分析，證