《電子技術應用》
您所在的位置：首頁 > 人工智能 > 设计应用 > 基于Hammerstein-Wiener模型的CSTR反应器辨识
基于Hammerstein-Wiener模型的CSTR反应器辨识
电子技术应用 2023年7期
韩珍珍1，2，成彬1，2，王程1，2，王云丽1，2
（1.河北省科学院应用数学研究所，河北 石家庄 050081；2.河北省信息安全认证技术创新中心，河北 石家庄 050081）
摘要： 针对化工过程中广泛应用的连续搅拌反应釜（CSTR）反应器，提出一种新的基于极限学习机的Hammerstein-Wiener模型的辨识建模方法。其中，Hammerstein-Wiener模型的两个非线性环节采用两个不同的极限学习机逼近，线性环节采用自回归ARX模型。因极限学习机的特殊结构，此模型可以表示成线性回归的形式，最终利用广义最小二乘法求解模型的参数。此方法辨识过程简单，辨识过程的计算量较小。最后对CSTR的辨识结果表明，在相同条件下与基于多项式的Hammerstein 模型和ARX-LSSVM Hammerstein 模型相比，该方法具有较高辨识精度，表明了该方法的有效性。
中圖分類號：TP29
文獻標志碼：A
DOI: 10.16157/j.issn.0258-7998.223689
中文引用格式： 韓珍珍，成彬，王程，等. 基于Hammerstein-Wiener模型的CSTR反應器辨識[J]. 電子技術應用，2023，49(7)：30-34.
英文引用格式： Han Zhenzhen，Cheng Bin，Wang Cheng，et al. Identification of CSTR based on Hammerstein-Wiener model[J]. Application of Electronic Technique，2023，49(7)：30-34.
Identification of CSTR based on Hammerstein-Wiener model
Han Zhenzhen1，2，Cheng Bin1，2，Wang Cheng1，2，Wang Yunli1，2
(1.Institute of Applied Mathematics， Hebei Academy of Sciences，Shijiazhuang 050081，China； 2.Information Security Authentication Technology Innovation Center of Hebei Province，Shijiazhuang 050081，China)
Abstract： In this paper, an Hammerstein-Wiener model based on extreme learning machine is built to identify Continuous Stirred Tank Reactor(CSTR) nonlinear system which is used in chemical process widely. In the proposed Hammerstein-Wiener model, the two nonlinear blocks are described by two different extreme learning machine neural networks. The linear block is described by ARX model. Due to the special structure of the extreme learning machine, this model can be expressed in the form of linear regression. The model parameter identification is achieved by generalized least square algorithm. The identification process is simple with less computation complexity. The simulation result shows that this proposed approach is effective. Compared with Hammerstein model based polynomial and ARX-LSSVM Hammerstein model，the proposed method has higher identification accuracy.
Key words : identify；Hammerstein-Wiener model；extreme learning machine；CSTR；least square

0　引言

連續(xù)攪拌反應釜(CSTR)是工業(yè)過程中廣泛使用的一類反應器。CSTR具有高度非線性和時變性的特點，并且其機理模型非常復雜不能直接用于設計和分析控制系統(tǒng)。因此，為精確地描述系統(tǒng)在整個工作范圍內(nèi)的特性，需要根據(jù)系統(tǒng)的輸入輸出數(shù)據(jù)，設計相應的辨識方法來建立CSTR非線性動態(tài)模型。目前一種典型的處理方法是將機理模型辨識成為易于處理的面向塊（block-orinted）的模型結構。

根據(jù)連接形式的不同，面向塊的模型結構可以分為Hammerstein[4]、Wiener，以及組合形式的Hammerstein-Wiener(H-W)模型和Wiener-Hammerstein(W-H)模型。在這4種結構中，Hammerstein和Wiener模型是兩種典型的面向塊的結構，由靜態(tài)非線性環(huán)節(jié)和動態(tài)線性環(huán)節(jié)串聯(lián)組成，并且能夠表示很多非線性系統(tǒng)，例如PH中和過程、電刺激肌肉、燃料電池等。Hammerstein-Wiener模型是一類具有特定結構的典型非線性系統(tǒng)，由一個靜態(tài)非線性環(huán)節(jié)串聯(lián)一個動態(tài)線性環(huán)節(jié)再串聯(lián)一個靜態(tài)非線性環(huán)節(jié)組成。它能夠更有效描述復雜的非線性工業(yè)過程。

近幾年，圍繞Hammerstein-Wiener模型的研究引起了越來越多的關注。針對Hammerstein-Wiener模型的參數(shù)辨識方法主要有迭代法、多信號源法、隨機梯度等方法。劉冉冉等人提出一種遞階多新息隨機梯度算法辨識Hammerstein-Wiener模型。李妍等人采用一種在線兩階段方法進行辨識。第一步采用偏差補償遞推最小二乘法在線辨識含原系統(tǒng)參數(shù)乘積項的參數(shù)向量。第二步采用奇異值分解法分離出原系統(tǒng)各參數(shù)的值。并且，一般的辨識方法中靜態(tài)非線性模塊多采用多項式擬合。多項式能夠描述普通非線性的過程，對于強非線性的過程，階次參數(shù)變多導致計算變得更加復雜，并且辨識精度也會有所下降。因此，Hammerstein-Wiener的快速辨識算法模型對于促進該模型的廣泛應用非常重要。

本文提出一種基于極限學習機的Hammerstein-Wiener模型來描述CSTR的動態(tài)過程。將CSTR的機理模型辨識成易于實施控制的Hammerstein-Wiener模型。利用極限學習機來近似模型的非線性環(huán)節(jié)，ARX模型近似模型的線性部分。仿真實驗部分比較了該算法與傳統(tǒng)基于多項式函數(shù)的Hammerstein模型和ARX-LSSVM Hammerstein模型預測的結果。


本文詳細內(nèi)容請下載：http://ihrv.cn/resource/share/2000005388




作者信息：

韓珍珍1，2，成彬1，2，王程1，2，王云麗1，2

（1.河北省科學院應用數(shù)學研究所，河北 石家莊 050081；2.河北省信息安全認證技術創(chuàng)新中心，河北 石家莊 050081）


微信圖片_20210517164139.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權禁止轉(zhuǎn)載。