基于模糊神经网络的发酵过程建模与控制

【摘要】： 发酵工业在国民生活和国民经济中的作用越来越重要，这一工业领域的操作管理和自动化控制成为很重要的课题。但由于发酵过程动态是高度的非线性和时变性、模型不确定性、关键变量如生物质浓度和产物浓度又不可在线测量，使发酵过程控制问题变得十分复杂，应用常规的控制策略得不到满意的控制性能。随着智能控制理论的发展，其在发酵过程的应用得到越来越多人的关注。本文基于智能控制中的模糊神经控制理论，对这一复杂过程的建模和控制问题进行了研究。 第一，回顾了非线性系统辨识和非线性系统控制的研究方法，分析了各种方法的特点及它们的应用范围，论述了智能控制理论在非线性系统建模和控制中的作用和应用前景，最后，总结了目前发酵过程建模和控制方面，国内外的研究现状和存在的问题。 第二，将模糊C均值聚类和模糊神经网络建模方法结合起来。模糊C均值聚类用于对输入变量空间进行划分，生成初始的模糊规则库。所选用ANFIS自适应模糊神经网络建模方法运用最小二乘估计与BP算法相结合。与普通的模糊神经网络相比，这种模糊神经网络收敛速度快，建模精度高。 第三，混合模糊神经网络建模。针对目前发酵过程应用的混合神经网络模型做了比较，串连型和串并联型混合神经网络训练复杂，许多成熟的训练方法不能采用。并联混合神经网络训练方法简单，但泛化能力不强，因此，本文采用ANFIS的混合模糊神经网络模型，与并联的混合神经网络相比，其泛化能力和建模精度都有了提高。 第四，将智能控制理论中的模糊神经网络控制方法引入发酵过程控制，为了满足实时控制的要求，引入了补偿模糊算子，从而大大提高了收敛速度。将该补偿模糊神经网络用于发酵过程的控制。仿真实验表明，该控制方法具有输出响应超调量小、响应速度快的特点，并且对于参数的时变性，具有较强的鲁棒性。 最后，对本文工作进行了总结和对研究前景进行了展望。