未来智库 > 神经网络论文 > 【人工神经网络在化工领域中的应用】
    关键词:神经网络 化工 应用
    一、前言
    人工神经网络是一个多科学、综合性的研究领域,它是根据仿生学模拟人体大脑结构和运行机制构造的非线性动力学系统[1]。神经网络可以看作是一种具有自组织、自学习能力的智能机器,它能模仿人的学习过程,通过给网络各种范例,把网络的实际输出与希望输出比较,根据偏差修改节点间的连接权,直到获得满意的输出。现已广泛应用于经济学、军事学、材料学、医学、生物学等领域。
    化工过程一般比较复杂, 对象特性多变、间歇或半连续生产过程多,具有严重非线性特性。因此,其模型化问题一直是研究的热点。化工生产过程的数据或实验室实验数据的拟台、分析,是优化过程或优化反应条件的基础一般被处理的数据可以分为二类:静态数据(static data)和动态数据(Dynamic data),对于静态数据的关联,神经网络是一种很有希望的“经验模型”拟合工具。动态过程数据具有系统随时间而变化的特征,操作参数和产物的产量和质量之间的关系更为复杂。处理和分析动态过程数据的方法除了常用的在物料衡算、能量衡算、反应动力学方程、相平衡等基础上建立数学模型(Mathematical Models)、数理统计(Statistical Analysis)等方法外,用神经网络拟合动态过程数据, 建立动态过程模型, 往往能从动态数据提供的模式中提取较为有用的信息,对过程进行预测、故障诊断,从而使过程得到优化。因此,神经网络以其强大的函数映射能力, 已经广泛用于化工过程非线性系统建模领域。 它能够通过输入输出数据对过程进行有效地学习,为化工过程的综合发展提供了一种先进的技术手段。
    二、人工神经网络简介
    人工神经网络(英文缩写为ANN)简称神经网络,是在生物学和现代神经科学研究的基础上,对人类大脑的结构和功能进行简化模仿而形成的新型信息处理系统[2,3]。由“神经元”(neurons)或节点组成。至少含有输入层、一个隐含层以及一个输出层。输入层—从外部接受信息并将此信息传入人工神经网络,以便进行处理;隐含层—接收输入层的信息,对所有信息进行处理;输出层—接收人工神经网络处理后的信息,将结果送到外部接受器。当输入层从外部收到信息时,它将被激活,并将信号传递到它的近邻这些近邻从输入层接收到激活信号后,依次将其输出到它们的近邻,所得到的结果在输出层以激活模式表现。
    神经网络可以看作是一种具有自组织、自学习能力的智能机器,它能模仿人的学习过程。比如,一个复杂化工装置的操作工人,开始学习操作时,由于没有经验,难以保证控制质量。但经过一段时间学习后,他就能逐步提高技能。神经网络正是模拟人类学习过程,通过给网络各种范例,把网络的实际输出与希望输出比较,根据偏差修改节点间的连接权,直到获得满意的输出。人工神经网络研究工作可分成 3个大方向:(1)探求人脑神经网络的生物结构和机制,这实际上是研究神经网络理论的初衷;(2)用微电子或光学器件形成有一定功能的网络,这主要是新一代计算机制造领域所关注的问题;(3)将人工神经网络作为一种解决问题的手段和方法,而这类问题用传统方法无法解决或在具体处理技术上尚存在困难。
    三、神经网络在化工中的应用
    1.故障诊断
    当系统的某个环节发生故障时,若不及时处理,就可能引起故障扩大并导致重大事故的发生。因此建立高效的、准确的实时故障检测和诊断系统,消除故障隐患,及时排除故障,确保安全、平稳、优质的生产,已成为整个生产过程的关键所在。神经网络是模仿和延伸人脑智能、思维、意识等功能的非显形自适应动力学系统,其所具有的学习算法能使其对事物和环境具有很强的自学习、自适应和自组织能力。神经网络用于故障诊断和校正不必建立严格的系统公式或其它数学模型,经数据样本训练后可准确、有效地侦破和识别过失误差,同时校正测量数据中的随机误差。与直接应用非线性规划的校正方法相比,神经网络的计算速度快,在化工过程的实时数据校正方面具有明显的优势。目前应用于故障诊断的网络类型主要有:BP网络、RBF网络、自适应网络等。
    Rengaswamy[4]等人把神经网络用在化工过程的初始故障预测和诊断( FDD)中,提出一种神经网络构架,利用速度训练在分类设计中明确引入时间和过程模型映像的在线更新三个要素,来解决化工过程中的初始故障诊断问题。国内也有关于神经网络用于故障诊断的报道,黄道[5]等人以TE (Tenneaaee Eastman,Eastman化学公司开发的过程模拟器,提供了一个实际工业过程的仿真平台,是一种国际上通用的标准仿真模型)模型为背景,根据模型的特点进行了故障诊断。当输入变量接近训练过的样本时,诊断的成功率可达100%。另外,模糊神经元网络作为一种更接近人脑思维的网格,也是解决此类问题的一个发展方向。李宏光[6]等人就针对化工非线性过程建模问题, 提出了由函数逼近和规则推理网络构成的模糊神经网络,其规则网络基于过程先验知识用于对操作区间的划分,而函数网络采用改进型模糊神经网络结构完成非线性函数逼近,并将该技术应用于工业尿素 CO2汽提塔液位建模。
    2.化工过程控制
    随着神经网络研究的不断深入,其越来越多地应用于控制领域的各个方面,从过程控制、机器人控制、生产制造、模式识别直到决策支持神经网络都有应用。神经网络可以成功地建立流程和控制参数问的非线性关系及构造相关的数学模型,并可跟踪瞬息过程及具有稳健功能等,因此可有效地用于化工过程最优化和控制。   1986年,Rumelhart第一次将ANN用于控制界。神经元网络用于控制有两种方法,一种用来构造模型,主要利用对象的先验信息,经过误差校正反馈,修正网络权值,最终得到具有因果关系的函数,实现状态估计,进而推断控制;另一种直接充当控制器,就像PID控制器那样进行实时控制。神经元网络用于控制,不仅能处理精确知识,也能处理模糊信息。Tsen[7]等利用混合神经网络实现对乙酸乙烯酯(VA)的乳液聚合过程的预测控制。原有的该间歇过程的复杂的机理模型可对单体转化率做出较准确的预测,然而对产品性质(如数均相对分子质量及其分布)的预测不太可靠。所建的混合型神经网络模型用于实现过程的反馈预测控制。国内对神经网络的实质性研究相对较晚,谭民[8]在1990年提出了一种基于神经网络双向联想机制的控制系统故障诊断方法,并且作了仿真验证。清华大学自动化系则开发了一种基于时序神经网络的故障预报方法,利用工艺现场数据对大型氯碱厂的氯气中含氢气的问题进行了模拟预报实验。
    3.药物释放预测
    建立精确的缓释微胶囊模型是找出最优的工艺条件及掌握芯材释放规律的重要一步。缓释微胶囊的性能与影响因素之间足一种多输入、多输出、复杂的非线性关系。机理分析法和传统的系统辨识法对输入、多输出问题适应性差,过分依赖研究领域的知识与经验,难以得到实用的缓释微胶囊模型。人工神经网络能够很好地解决传统方法不能解决的具有高度非线性、耦合性、多变量性系统的建模问题并具有独特的优势。
    赵武奇[9]等人建立了红景天苷缓释微囊的人工神经网络模型及其遗传算法优化技术,用神经网络模型描述了微囊制作参数与性能之间的关系,并用遗传算法优化微囊制作工艺参数,设计出性能最佳的微囊制作工艺参数。范彩霞[10]等人以难溶性药物氟比洛芬为模型药物,制备了17个处方并进行释放度检查。氟比洛芬和转速作为自变量,取其中l4个处方为训练处方,其余3个处方为验证处方,将自变量作为人工神经网络的输入,药物在各个取样时间点的释放为输出,采用剔除一点交叉验证法建立了人工神经网络模型。并通过线性回归和相似因子法比较人工神经网络和基于二元二项式的响应面法的预测能力,显示了人工神经网络的预测值与实测值的接近程度。
    4.物性估算
    用神经网络来解决估算物质的性质必须解决三个基本问题,第一个是对物质的表征问题;第二个是采用何种神经网络及其算法问题;第三个是神经网络输入与输出数据的归一化问题。无论采用哪种方法对数据进行处理,当用经过训练的神经网络进行物性估计时,不能将网络直接的输出值作为物性预估值,而是要将输出值再乘上一个系数,这个系数就是前面进行归一化处理时对数据的除数,相乘后得到的值作为物性估算值。神经网络用于物性估算,目前采用的就是BP网络或在此基础上的各种改进形式。常压沸点进行估算和研究。Prasad[11]等人利用神经网络对有机化合物的物理性质进行了预测,并与传统的基团贡献法比较,可以得到更为准确的物性参数。而后,董新法、方利国[12]等人将神经网络在物性估算中的应用作了一个全面而又简要的讲解,并提出神经网络在物性估算中潜在的应用前景,为其发展及其以后的应用研究提供了很好的工作平台。
    目前,人工神经网络在各个领域中的应用都在向人工智能方向发展。不断丰富基础理论和开展应用研究、完善其技术的可靠性、开发智能性化工优化专家系统软件,对于我国的化工发展具有重要意义。此外,模糊理论、小波变换、统计学方法和分形技术等信息处理方法和理论与神经网络的结合解决化工类问题,被认为是一种发展趋势。
    参考文献
    [1]高大文,王鹏,蔡臻超.人工神经网络中隐含层节点与训练次数的优化[J].哈尔滨工业大学学报, 2003, 35(2): 207-209.
    [2]苏碧瑶.人工神经网络的优化方法[J]. 科技资讯, 2011(30): 239-240.
    [3]黄忠明, 吴志红, 刘全喜. 几种用于非线性函数逼近的神经网络方法研究[J]. 兵工自动化,2009, 28(10): 88-92.
    [4]Rengaswamy R, Venkatasubramanian V. A fast training neural network and its updation for incipient fault detection and diagnosis[J].Computers and Chemical Engineering, 2000,(24): 431-437.
    [5]黄道, 宋欣.神经网络在化工过程故障诊断中的应用[J].控制工程,2006,(13): 6-9.
    [6]李宏光,何谦.化工过程建模中的一类复合型模糊神经网络[J]. 计算机与应用化学,2000,17(5): 399-402.
    [7]Tsen A D, Shi S J, Wong D SH, etal. Predictive Control of Quality in Batch Polymerization Using a Hybrid Artificial Neural Network Model[J]. AIChE Journal,1996, 42(2): 455-465.
    [8]谭民, 疏松桂. 基于神经元网络的控制系统故障诊断[J]. 控制与决策, 1990(1): 60-62.
    [9]赵武奇, 殷涌光, 仇农学. 基于神经网络和遗传算法的红景天苷缓释微囊制备过程建模与优化[J]. 西北农林科技大学学报(自然科学版), 2006,34(11): 106-110.
    [10] 范彩霞, 梁文权, 陈志喜. 人工神经网络预测氟比洛芬HPMC缓释片的药物释放[J]. 中国医药工业杂志, 2006, 37(10): 685-688.
    [11]Prasad Y, Bhagwat S S. Simple Neural Network Models for Prediction of Physical Properties of Organic Compounds[J].Chemical Engineering & Technology, 2002, 25(11): 1041-1046.
    [12]董新法,方利国,陈砺. 物性估算原理及计算机计算[M].北京: 化学工业出版社, 2006.
    作者简介:杜蛟(1982-),男,河北邯郸人,硕士,讲师,研究方向:化工建模。
转载请注明来源。原文地址:https://www.7428.cn/vipzj5346/