《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 人工智能 > 設(shè)計(jì)應(yīng)用 > 基于Hammerstein-Wiener模型的CSTR反應(yīng)器辨識(shí)
基于Hammerstein-Wiener模型的CSTR反應(yīng)器辨識(shí)
電子技術(shù)應(yīng)用 2023年7期
韓珍珍1，2，成彬1，2，王程1，2，王云麗1，2
（1.河北省科學(xué)院應(yīng)用數(shù)學(xué)研究所，河北 石家莊 050081；2.河北省信息安全認(rèn)證技術(shù)創(chuàng)新中心，河北 石家莊 050081）
摘要： 針對(duì)化工過(guò)程中廣泛應(yīng)用的連續(xù)攪拌反應(yīng)釜（CSTR）反應(yīng)器，提出一種新的基于極限學(xué)習(xí)機(jī)的Hammerstein-Wiener模型的辨識(shí)建模方法。其中，Hammerstein-Wiener模型的兩個(gè)非線性環(huán)節(jié)采用兩個(gè)不同的極限學(xué)習(xí)機(jī)逼近，線性環(huán)節(jié)采用自回歸ARX模型。因極限學(xué)習(xí)機(jī)的特殊結(jié)構(gòu)，此模型可以表示成線性回歸的形式，最終利用廣義最小二乘法求解模型的參數(shù)。此方法辨識(shí)過(guò)程簡(jiǎn)單，辨識(shí)過(guò)程的計(jì)算量較小。最后對(duì)CSTR的辨識(shí)結(jié)果表明，在相同條件下與基于多項(xiàng)式的Hammerstein 模型和ARX-LSSVM Hammerstein 模型相比，該方法具有較高辨識(shí)精度，表明了該方法的有效性。
中圖分類(lèi)號(hào)：TP29
文獻(xiàn)標(biāo)志碼：A
DOI: 10.16157/j.issn.0258-7998.223689
中文引用格式： 韓珍珍，成彬，王程，等. 基于Hammerstein-Wiener模型的CSTR反應(yīng)器辨識(shí)[J]. 電子技術(shù)應(yīng)用，2023，49(7)：30-34.
英文引用格式： Han Zhenzhen，Cheng Bin，Wang Cheng，et al. Identification of CSTR based on Hammerstein-Wiener model[J]. Application of Electronic Technique，2023，49(7)：30-34.
Identification of CSTR based on Hammerstein-Wiener model
Han Zhenzhen1，2，Cheng Bin1，2，Wang Cheng1，2，Wang Yunli1，2
(1.Institute of Applied Mathematics， Hebei Academy of Sciences，Shijiazhuang 050081，China； 2.Information Security Authentication Technology Innovation Center of Hebei Province，Shijiazhuang 050081，China)
Abstract： In this paper, an Hammerstein-Wiener model based on extreme learning machine is built to identify Continuous Stirred Tank Reactor(CSTR) nonlinear system which is used in chemical process widely. In the proposed Hammerstein-Wiener model, the two nonlinear blocks are described by two different extreme learning machine neural networks. The linear block is described by ARX model. Due to the special structure of the extreme learning machine, this model can be expressed in the form of linear regression. The model parameter identification is achieved by generalized least square algorithm. The identification process is simple with less computation complexity. The simulation result shows that this proposed approach is effective. Compared with Hammerstein model based polynomial and ARX-LSSVM Hammerstein model，the proposed method has higher identification accuracy.
Key words : identify；Hammerstein-Wiener model；extreme learning machine；CSTR；least square

0　引言

連續(xù)攪拌反應(yīng)釜(CSTR)是工業(yè)過(guò)程中廣泛使用的一類(lèi)反應(yīng)器。CSTR具有高度非線性和時(shí)變性的特點(diǎn)，并且其機(jī)理模型非常復(fù)雜不能直接用于設(shè)計(jì)和分析控制系統(tǒng)。因此，為精確地描述系統(tǒng)在整個(gè)工作范圍內(nèi)的特性，需要根據(jù)系統(tǒng)的輸入輸出數(shù)據(jù)，設(shè)計(jì)相應(yīng)的辨識(shí)方法來(lái)建立CSTR非線性動(dòng)態(tài)模型。目前一種典型的處理方法是將機(jī)理模型辨識(shí)成為易于處理的面向塊（block-orinted）的模型結(jié)構(gòu)。

根據(jù)連接形式的不同，面向塊的模型結(jié)構(gòu)可以分為Hammerstein[4]、Wiener，以及組合形式的Hammerstein-Wiener(H-W)模型和Wiener-Hammerstein(W-H)模型。在這4種結(jié)構(gòu)中，Hammerstein和Wiener模型是兩種典型的面向塊的結(jié)構(gòu)，由靜態(tài)非線性環(huán)節(jié)和動(dòng)態(tài)線性環(huán)節(jié)串聯(lián)組成，并且能夠表示很多非線性系統(tǒng)，例如PH中和過(guò)程、電刺激肌肉、燃料電池等。Hammerstein-Wiener模型是一類(lèi)具有特定結(jié)構(gòu)的典型非線性系統(tǒng)，由一個(gè)靜態(tài)非線性環(huán)節(jié)串聯(lián)一個(gè)動(dòng)態(tài)線性環(huán)節(jié)再串聯(lián)一個(gè)靜態(tài)非線性環(huán)節(jié)組成。它能夠更有效描述復(fù)雜的非線性工業(yè)過(guò)程。

近幾年，圍繞Hammerstein-Wiener模型的研究引起了越來(lái)越多的關(guān)注。針對(duì)Hammerstein-Wiener模型的參數(shù)辨識(shí)方法主要有迭代法、多信號(hào)源法、隨機(jī)梯度等方法。劉冉冉等人提出一種遞階多新息隨機(jī)梯度算法辨識(shí)Hammerstein-Wiener模型。李妍等人采用一種在線兩階段方法進(jìn)行辨識(shí)。第一步采用偏差補(bǔ)償遞推最小二乘法在線辨識(shí)含原系統(tǒng)參數(shù)乘積項(xiàng)的參數(shù)向量。第二步采用奇異值分解法分離出原系統(tǒng)各參數(shù)的值。并且，一般的辨識(shí)方法中靜態(tài)非線性模塊多采用多項(xiàng)式擬合。多項(xiàng)式能夠描述普通非線性的過(guò)程，對(duì)于強(qiáng)非線性的過(guò)程，階次參數(shù)變多導(dǎo)致計(jì)算變得更加復(fù)雜，并且辨識(shí)精度也會(huì)有所下降。因此，Hammerstein-Wiener的快速辨識(shí)算法模型對(duì)于促進(jìn)該模型的廣泛應(yīng)用非常重要。

本文提出一種基于極限學(xué)習(xí)機(jī)的Hammerstein-Wiener模型來(lái)描述CSTR的動(dòng)態(tài)過(guò)程。將CSTR的機(jī)理模型辨識(shí)成易于實(shí)施控制的Hammerstein-Wiener模型。利用極限學(xué)習(xí)機(jī)來(lái)近似模型的非線性環(huán)節(jié)，ARX模型近似模型的線性部分。仿真實(shí)驗(yàn)部分比較了該算法與傳統(tǒng)基于多項(xiàng)式函數(shù)的Hammerstein模型和ARX-LSSVM Hammerstein模型預(yù)測(cè)的結(jié)果。


本文詳細(xì)內(nèi)容請(qǐng)下載：http://theprogrammingfactory.com/resource/share/2000005388




作者信息：

韓珍珍1，2，成彬1，2，王程1，2，王云麗1，2

（1.河北省科學(xué)院應(yīng)用數(shù)學(xué)研究所，河北 石家莊 050081；2.河北省信息安全認(rèn)證技術(shù)創(chuàng)新中心，河北 石家莊 050081）


微信圖片_20210517164139.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。