小腦模型網(wǎng)絡在氧化鋁高壓溶出和沉降分離中的應用研究.pdf

1、氧化鋁生產(chǎn)工藝是一個復雜連續(xù)的化工工業(yè)生產(chǎn)過程,高壓溶出和沉降分離是氧化鋁生產(chǎn)過程中很關鍵的兩個工序?？列员戎凳歉邏喝艹鲞^程一項重要的技術指標,稀釋固含則是沉降分離工序重要的控制參數(shù),它們不僅對氧化鋁生產(chǎn)具有重要的指導作用,而且反映了氧化鋁工業(yè)的產(chǎn)品質量。然而,目前苛性比值與稀釋固含的檢測是通過化學分析直接計算得到,測量結果存在較大的滯后,不能實時反映生產(chǎn)工況。因此,本文基于小腦模型(Cerebella Model Articulati

2、on Controller,CMAC)神經(jīng)網(wǎng)絡建立苛性比值與稀釋固含的軟測量模型,通過CMAC網(wǎng)絡構造可測輔助變量與主導變量的關系模型,間接估計主導變量,實現(xiàn)對苛性比值與稀釋固含的在線實時檢測。
　　論文主要工作內(nèi)容如下:
　　第一、針對Albus提出的CMAC網(wǎng)絡概念映射算法存在映射地址空間分布不均勻的缺陷,引入基于啟發(fā)式方法的最優(yōu)偏移矢量算法,使地址空間分布更加統(tǒng)一均勻,提高CMAC網(wǎng)絡建模的精度和泛化性能;
　　

3、第二、針對傳統(tǒng)CMAC網(wǎng)絡的學習算法—最小均方(Least Mean Square,LMS)算法本身存在收斂速度和穩(wěn)態(tài)性能之間的矛盾,采用基于雙曲正割函數(shù)的變步長LMS自適應算法作為CMAC網(wǎng)絡學習算法,兼顧收斂速度和穩(wěn)態(tài)失調兩個指標,提高CMAC網(wǎng)絡建模的魯棒性和穩(wěn)定性;
　　第三、分析氧化鋁高壓溶出和沉降分離過程的工藝機理,選取苛性比值與稀釋固含軟測量模型的可測輔助變量,并采用部分最小二乘法對輔助變量降維,簡化苛性比值與稀釋固

4、含軟測量模型的輸入空間,降低軟測量模型的復雜性,提高模型的收斂速度和精度;
　　第四、設計并編碼實現(xiàn)了基于小腦模型網(wǎng)絡的苛性比值與稀釋固含軟測量系統(tǒng),實現(xiàn)對苛性比值與稀釋固含的在線實時檢測,并對采用傳統(tǒng)CMAC網(wǎng)絡的軟測量系統(tǒng)與采用改進CMAC網(wǎng)絡的軟測量系統(tǒng)進行性能對比,結果表明改進后的CMAC網(wǎng)絡建立的軟測量系統(tǒng)預測的苛性比值與稀釋固含和實際生產(chǎn)值非常接近,準確率更高,且預測的穩(wěn)定性更好。
　　基于對氧化鋁高壓溶出和沉降