<small id="e35je"></small>
    1. 導航菜單
      網站標志
      【深度解析】----過程控制中的神經網絡模型
      作者:管理員    發布于:2016-12-01 11:33:31    文字:【】【】【
      摘要: 神經網絡已經在過程控制策略中使用了多年,并使得很多工業應用從中受益。開發神經網絡模型的一個重要方面是測量和控制空間的概念。本文將從神經網絡架構、控制空間、模型范圍、數據類型以及數據組選擇方面,解析過程控制中的神經網絡模型。

          顧名思義,神經網絡就是由編程的神經元組成的網絡,用來對外界的刺激物進行響應。神經元是網絡的基本構件。它的名字來自于其生物學同名詞。不過在這里,神經元被稱為感知器的一小段計算機代碼模型化了。


      網絡中的幾個神經元互相連接,并且通過培訓學會如何對刺激物做出響應。那是一個反復的過程:識別刺激物、與對參照物的響應作對比、然后進行修正。學習能力使得神經網絡具有很大的靈活性來捕獲過程的基本功能,甚至是那些具有不容易注意到的屬性,例如安裝、年限、污垢或一些其他未測量到的參數。

      使用神經網絡模型的目的源于它們具有以下的特點:

      對線性或非線性過程建模;

      對很難理解的過程建模;

      對使用第一原理方程難以建模的過程建模;

      對基于間接測量的過程建模;

      縮短復雜過程的建模開發時間。

      在一些情況下工業過程會從神經網絡模型中受益。有些應用中,模型會因為沒有可靠的測量而被代替,這會影響盈利情況。在一些情況下,受控的過程可能因為無法獲得控制測量數據而僅僅在一些離散區段上進行調節。例如,一個過程會使用實驗室分析結果作為反饋。實驗室的測量結果一直具有時間延遲??梢允褂脤嶒炇覕祿ι窠浘W絡進行培訓,從而產生可以被過程用來進行連續控制所需要的虛擬儀器儀表。

      基于模型的控制器可以使用神經網絡模型替代第一原理模型。這會縮短研發時間并且在需要同步設定點和軌跡控制的情況下仍然可以進行多控制變量控制。而且總會有一些過程是我們不怎么了解的、過于復雜的、或者快速變化而不能應用第一原理模型的。神經網絡在從輸入刺激物探尋過程的根本響應方面有超常表現。

      1神經網絡架構

      自從上世紀80年代以來,已經有了不同類型的學習型神經網絡架構經過設計和分析。架構的選擇取決于應用。一般來說,對于工業控制的應用場合,模型試圖模仿一些過程變量的功能;目標取決于過程的狀況,以及圍繞過程的各種輸入。適合這個任務的最簡單的架構是多層功能近似網絡架構(請見圖1)。隱藏層里的神經元數量取決于目標功能的復雜程度,不過一般來說,它們在39個之間。


      1:圖中顯示了一個四個輸入、近似函數、包含三個在隱藏層中的神經元的神經網絡的簡圖。本文所有圖片來源:Process2Control公司

      2控制空間

      開發神經網絡模型的一個重要方面是測量和控制空間的概念。控制空間是由代表每個維度的輸入的測量范圍所定義的多維度界限。輸入的一個陣列被稱為輸入矢量。控制空間是位于測量空間之內的,而且它的界限和形狀取決于用于培訓的輸入矢量數據記錄的點矢量分布。例如:可能會有一些獨立的輸入P1…Pk輸送到模型中,而且每個輸入會在控制空間中形成一個維度。簡單來說,想象一下僅有兩個輸入的情況(請見圖2)。


      2: 控制空間的形狀取決于用于培訓的數據記錄的點矢量分布。假設這個例子有兩個輸入:兩個數據記錄用于模型(表格),點矢量由記錄1(左側)形成,每一個記錄都形成一個點矢量(中間),點矢量的分布具有一定形式(右側)。

      控制空間的覆蓋面積由圖3中(左側)的點矢量分布所決定。如果輸入形成的點矢量位于控制空間外部(圖3中間所示),神經網絡的模型可能就是無效的。因為在那個空間里沒有培訓存在。


      3:三幅圖分別顯示了有效的控制空間(左側),無效的控制空間(中間),以及目標范圍(右側)。

      3數據組選擇

       

      在選擇用于培訓神經網絡的記錄時,首要的是確保記錄組不僅要覆蓋其范圍,而且覆蓋整個輸入范圍內的目標響應。圖3(右側)中的例子顯示了如何通過目標對輸入的響應來揭示出其范圍和功能。

      獲取適合用來培訓神經網絡的數據組的步驟包括,選擇目標變量、選擇輸入矢量要素、處理數據類型、歷史數據挖掘以及參數測試。

      數據類型:二進制、整數、以及浮點數是推薦的用于功能近似架構的主要數據類型。計數和字符串類型的數據是特殊的,不過,如果分割成獨立的二進制輸入是可以使用的。

      選擇目標變量模型輸入要素:創建一個神經網絡最困難的任務是選擇可以組成模型輸入矢量數據要素P1…Pk的過程變量。模型的輸入應該是對目標最有影響的魯棒性的、獨立的變量。如果過程簡單,靠經驗進行選擇就夠了。然而,在某些情況下,過程可能具有多個變量,那樣選擇正確的變量就會很難。

      除此以外,必須要注意將輸入的數量控制在最少,因為任何一個用在模型中的不必要的輸入都會減低模型的魯棒性、增加噪音并增加成本。

      4(左側)顯示了一個包括所有可能的對目標測量值有影響的輸入的魚骨圖。努力減少到僅包括那些對目標有顯著影響的輸入。這種減少可以在模型成本以及所需要的儀器儀表方面有顯著的節省。除此以外,這也簡化了模型。

       

      4:左側的魚骨圖顯示了可能影響目標測量的所有因素。目的是要將那些對目標有重要影響的變量減少到右側魚骨圖所示的情況。

      在商業上有一些程序可以用來方差分析(ANOVA),進而確定每個變量對目標的重要程度。然而,隨著變量數量的增加,要進行一次ANOVA變得困難得多。

      另一種商業上可用的程序采用神經網絡確定一個輸入的重要程度。這種方法讓用戶可以使用突擊銷售法。也就是說,如圖5所示,該程序使用一組如圖4左側所示的包含所有輸入的數據組,并且如圖4右側所示的識別出重要的輸入。


      5:這個神經網絡重要性分析圖顯示了零以上的是重要的輸入,零以下的輸入或者不重要或者在噪聲范圍內。

      歷史數據及參數測試:可以通過一些歷史數據挖掘來獲取培訓需要的數據組。不過,在數據生成的時候過程狀況和系統狀態并不總是已知的。強烈建議在獲取數據記錄組之前創建一個測量及控制的底線。要想創建一個測量及控制的底線需要:

      對所有作為模型輸入的變送器進行標定。

      檢查并確定閥門、傳動以及加熱器工作正常。

      在進行參數測試之前,應該考慮的先決條件包括:

      在調整過程之前進行危險分析。

      對于測試中所用到的閥門、速度控制器等定義極限值。

      為了防止意外事件,要準備一個放置過程的安全環境。

      記錄所有的噪音過濾器設置。

      在每一項參數測試演練之后都要定義校正時間。

      在執行參數測試的時候要了解安全的限制和約束。

      關注任何預期的測量滯后和傳輸延誤。

      確保歷史記錄保存所有的數據點。

      確保運行人員清楚并同意測試的步驟。

      對于新的過程或改造項目,數據組通常是在啟動和調試以后的系統參數測試過程中生成(請見圖6)。經驗顯示在經過參數測試演練以及一個變量已經達到穩定狀態之后,采集的數據才是模型的最佳數據。

      6:對于新的過程或改造項目,數據組通常是在啟動以后的系統參數測試過程中生成的。這些圖顯示了調節兩個閥門(上)和來自三個流量計的流量測量響應(下)。

      意識到數據組是與當前的設備和過程配置掛鉤的;所以,在改造或工藝變更之前獲得的數據組可能不會符合預期性能的要求。如果性能下降,可能需要再做一次參數測試。


      7:這張數據表是從歷史記錄中提取出來的培訓記錄組的一部分。

      獲取培訓數據組記錄:既然參數測試已經完成并且數據存儲在歷史記錄中,目的是獲取一個記錄數據組用來培訓神經網絡。在市場上有幾個歷史記錄軟件套裝可供選擇。許多都具有為數據表軟件套裝所用的插件。圖7顯示了初步設計的數據表。
      腳注信息

      四川德米力科技有限公司@版權所有     電話:028-61770303, 61773200
      郵箱:scdomini@163.com      地址:四川省成都市高新西區西芯大道3號國騰科技園5號樓303室     

      蜀ICP備14015391號-1

      ?
      日本一级片,好看AV中文字幕在线观看,日本一级片,亚洲人成电影网站免费 <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <文本链> <文本链> <文本链> <文本链> <文本链> <文本链>
      點擊這里給我發消息 售前技術
      點擊這里給我發消息
      技術支持
      點擊這里給我發消息
      銷售部
      點擊這里給我發消息
      項目部
      點擊這里給我發消息 物流客服
      點擊這里給我發消息