乙烯装置控制系统设计+文献综述(6)
基于模糊神经网络的软测量模型根据上述分析，我们选择了具有4个输入变量的模糊神经网作为炉管外壁最高温度的模型结构，其分别对应于裂解炉运行时间(以天数计算)d、炉管出口温度T、进料烃流量G和汽/烃比K。由于运行时间是一个确定量，不需要对它进行模糊化，故可直接进人隐含层;对于其他3个变量，每个变量模糊化为2个模糊集，这样便将输人空间分为8部分，模糊化后进人隐含层的节点数为9个。输出变量为1个，即炉管外壁最高温度。
应用模糊神经网络学习算法和14x30组不同工况下的操作样本信息，对炉管外壁最高温度的模糊神经网络进行训练。网络学习的初始权值在〔-1.0,1.0〕之间随机产生，其动量因子a设定为0. 4，学习速率7的初始设定值为0.5，网络学习过程中将对该速率参数进行自校正，训练结束时学习速率为0.21。4组裂解炉操作工况是从训练样本中随机取出的网络学习结果，显然，该模型在一个很宽的炉子操作范围内较好地描述了炉管外壁最高温度的操作特性。
上一篇：连续退火机组带钢张力控制研究