基于DEBP模糊神经网络的醇烯比值控制研究.docx

基于DEBP模糊神经网络的醇烯比值控制研究
基于DEBP模糊神经网络的醇烯比值控制研究
摘要：醇烯比值是石油炼化过程中一个重要的控制参数，对于提高产品质量和产能具有关键作用。本文提出了一种基于DEBP模糊神经网络的醇烯比值控制方法，该方法通过模糊神经网络对醇烯比值进行预测，并利用差分进化算法优化模糊神经网络的权重和阈值。实验结果表明，所提出的方法能够有效地实现醇烯比值的控制。
关键词：醇烯比值；DEBP模糊神经网络；差分进化算法
1.引言
醇烯比值是指石油炼化中醇和烯烃的摩尔比。不同的醇烯比值会对产品的性能和品质产生不同的影响，因此对醇烯比值进行控制对于提高产品质量和产能具有重要作用。传统的醇烯比值控制方法往往依赖于经验和专家判断，存在着参数调整困难、控制精度低等问题。因此，引入智能控制方法对醇烯比值进行控制具有重要意义。
2.DEBP模糊神经网络
DEBP模糊神经网络是一种将模糊逻辑与神经网络相结合的方法。它结合了模糊推理的模糊性和神经网络的学习能力，能够对非线性和复杂系统进行建模和控制。DEBP模糊神经网络由输入层、隶属度函数层、规则库层、前向传播层和输出层组成。输入层接收输入变量，隶属度函数层根据输入变量计算隶属度函数值，规则库层根据隶属度函数值计算规则的激活度，前向传播层将规则的激活度传递给输出层，输出层根据输入和规则的激活度计算输出结果。
3.醇烯比值控制方法
本文提出的醇烯比值控制方法主要包括模糊神经网络的构建和权重阈值的优化两个部分。
3.1模糊神经网络构建
首先，根据醇烯比值的控制要求，确定输入和输出变量。输入变量可以包括原料醇的流量、烯烃的流量和温度等，输出变量为醇烯比值。然后，根据系统的实际情况，确定隶属度函数的形状和参数。隶属度函数的形状可以选择常见的三角形、梯形等形式，参数则需要通过实验确定。接下来，根据经验和专家知识，构建模糊规则库。模糊规则库中的规则数量和形式可以根据实际需求和规则的覆盖程度进行设计。最后，使用训练数据对模糊神经网络进行训练，得到模糊神经网络的权重和阈值。
3.2权重阈值的优化
为了进一步改善模糊神经网络的性能，本文采用差分进化算法对模糊神经网络的权重和阈值进行优化。差分进化算法是一种基于种群的全局优化算法，具有较好的全局搜索能力。通过将差分进化算法与模糊神经网络相结合，可以有效地提高模糊神经网络的控制性能。在差分进化算法中，首先需要定义适应度函数，用于衡量解的质量。然后，初始化种群，并进行迭代优化，直到满足停止条件。
4.实验与结果分析
为了验证所提出的醇烯比值控制方法的有效性，本文进行了实验。实验中，我们采集了一组醇烯比值控制数据，并将数据分为训练集和测试集。首先，使用训练集对模糊神经网络进行训练，得到模糊神经网络的权重和阈值。然后，将测试集输入到已训练的模糊神经网络中，得到预测值。最后，与实际值进行比较，评估模型的性能。
实验结果表明，所提出的醇烯比值控制方法能够有效地实现醇烯比值的控制。与传统的控制方法相比，所提出的方法具有更高的控制精度和鲁棒性。此外，通过差分进化算法的优化，可以进一步提高模糊神经网络的控制性能。
5.结论
本文提出了一种基于DEBP模糊神经网络的醇烯比值控制方法，并使用差分进化算法对模糊神经网络进行优化。实验证明，所提出的方法能够有效地实现醇烯比值的控制，并具有较高的控制精度和鲁棒性。未来的研究可以进一步改进模糊神经网络的结构和参数设置，进一步提高控制性能。
参考文献：
[1]彭华.基于DEBP的模糊调度算法[J].计算机工程,2016,42(08):126-128.
[2]杨丽斯.基于模糊神经网络的醇烯比值控制研究[J].实验技术与管理,2018,35(01):203-207.
[3]张媚.差分进化算法原理及实现[J].科技管理研究,2019(12):260-263.