过程控制中的神经网络:神经网络结构，控制

顾名思义，神经网络是由一组神经元组成的网络，这些神经元被编程为对外部刺激产生反应。神经元是网络的基本组成部分。它的名字来源于它的生物学名字。但在这种情况下，神经元是由一小段被称为“感知器”的计算机代码建模的。几个神经元在一个网络中相互连接，通过训练学会如何对刺激做出反应。这是一个反复的过程:呈现刺激，将反应与参考进行比较，然后进行修正。学习的能力使神经网络具有极大的灵活性，可以捕捉过程的潜在功能，即使具有不太明显的属性，如安装、使用年限、污垢或其他一些不可测量的参数。

使用神经网络模型的目的源于它们的能力:

• 为线性或非线性过程建模
• 为难以理解的过程建模
• 用第一性原理方程来模拟一个难以模拟的过程
• 建立基于间接测量的过程模型
• 缩短复杂过程的模型开发时间。

在一些情况下，神经网络模型在工业过程中可能是有益的。可以用模型代替不可靠度量的应用程序可能会影响盈利能力。在某些情况下，由于获得控制测量的滞后，受控过程只能在离散间隔内进行操作。例如，流程可能使用实验室分析作为反馈。实验室测量有一个继承的滞后时间。神经网络可以用实验室数据进行训练，以产生一个虚拟仪器，该过程可以在连续的基础上用于控制。

基于模型的控制器可以使用神经网络模型代替第一性原理模型。这可以缩短开发时间，并且在需要同时进行设定值和轨迹控制的情况下，仍然允许控制多个控制变量．总是有这样的情况，这个过程被理解得很差，太复杂，或者变化很快，无法应用第一原理模型。神经网络擅长从输入刺激中发现潜在的过程反应。

神经网络架构

自20世纪80年代以来，人们设计和分析了不同类型的学习神经网络架构。体系结构的选择取决于应用程序。在工业控制应用中，一般来说，模型试图模仿某些过程变量的功能;目标，基于工艺条件;以及周围的输入。该任务最简单的架构是多层函数近似网络架构(见图1)。隐藏层中的神经元数量取决于目标函数的复杂性，但一般情况下，它们的范围从3到9。

控制空间

开发神经网络模型的一个重要方面是测量和控制空间的概念。“测量空间”是由每个输入的测量范围定义的多维限制，代表一个维度。输入数组称为“输入向量”。“控制空间”在测量空间内，其极限和形状取决于用于训练的输入向量数据记录的点向量分布。例如:可能有许多独立的输入，p₁p…_k，形成一个模型，每个模型将在控制空间中形成一个维度。为简单起见，假设只有两个输入(参见图2)。

控制空间覆盖由图3a中的点向量分布决定。如果输入在控制空间之外形成点向量，如图3b所示，则神经网络模型可能无效。这是因为在那个领域不存在培训。

数据集选择

在选择用于训练神经网络的记录时，最重要的是确保记录集不仅涵盖范围，而且涵盖整个输入范围的目标响应。图3c显示了目标响应如何显示其范围和功能的示例。

获取适合训练神经网络的数据集的步骤包括选择目标变量、选择输入向量元素、处理数据类型、历史数据挖掘和/或参数测试。

数据类型:二进制、整数和浮点是函数近似体系结构推荐的主要数据类型。枚举和字符串类型数据是特殊情况，但如果将其分解为单独的二进制输入，则可以使用。

选择目标变量模型输入元素:可以说，创建神经网络模型最困难的任务是选择组成模型输入向量数据元素p的过程变量₁p…_k．模型输入应该是健壮的、对目标影响最大的独立变量。当过程简单时，经验通常足以执行选择。然而，在某些情况下，该过程可能有多个变量，选择正确的变量可能具有挑战性。

此外，必须注意最小化输入的数量，因为模型中使用的每个不必要的输入都会降低模型的鲁棒性，增加噪声并增加成本。有几个工具可以帮助排除不太重要的输入。

图4a显示了一个鱼骨图，其中包含了所有可能影响目标测量的因素。努力将变量减少到对目标有重大影响的变量，如图4b所示。这种减少可以显著节省建模成本和仪器需求。此外，它还简化了模型。

有商业上可用的程序进行方差分析(ANOVA)来确定每个变量对目标的显著性。然而，随着变量数量的增加，生成ANOVA变得更加困难。

另一个商业上可用的程序使用神经网络来确定输入的重要性。这种方法允许用户使用霰弹枪方法。也就是说，如图5所示，程序使用包含图4a所示的所有输入的数据集，并识别图4b所示的重要输入。

历史数据及参数检验:可以进行一些历史数据挖掘来获取用于训练的数据集。但是，从数据生成时开始，并不总是知道流程条件和系统状态。强烈建议在获取数据记录集之前创建一个测量和控制基线。创建测量和控制基线:

• 校准所有用作模型输入的变送器。
• 检查阀门、驱动器和加热器是否处于良好的工作状态。

在参数测试之前，还需要考虑一些先决条件。它们包括:

• 在操作过程之前进行危害分析。
• 定义执行测试时使用的阀门、速度控制器等的极限。
• 有一个安全的条件来放置过程，以防发生不寻常的事件。
• 记录任何噪音过滤器设置。
• 定义每次参数测试机动后的沉降时间。
• 在执行参数测试时，了解安全限制和约束。
• 注意任何预期的测量滞后或传输延迟。
• 确保所有的数据点都被历史学家记录下来。
• 确保操作人员了解并同意测试程序。

对于新工艺或改造，数据集通常是在启动和调优后的系统参数测试期间生成的(见图6)。经验表明，在参数测试机动后变量达到稳态后收集模型的最佳数据。

认识到数据集与当前设备和工艺配置相耦合;因此，在改造或工艺变更之前获得的数据集可能达不到预期的性能。如果性能下降，可能需要再次进行参数测试。

获取训练数据集记录:现在参数测试完成，数据存储在历史中，目标是获得用于训练神经网络的记录数据集。市场上有几个可用的历史软件包。很多都有电子表格软件包的插件。图7显示了一个预先设计的电子表格。

“第2部分:过程控制中的神经网络”将重点介绍训练数据集的准备、神经网络模型的训练和验证、在控制平台上实现神经网络模型以及人机界面(HMI)要求。

Jimmy W. Key, PE, CAP他是阿拉巴马州伯明翰Process2Control有限责任公司的总裁和所有者。他是一名专业的控制系统工程师，在纸浆和造纸、汽车、化学和电力行业拥有30多年的经验。Key拥有俄克拉荷马州立大学控制系统工程硕士学位。他于2013年推出了Process2Control，将神经网络建模与其他先进的控制概念和应用相结合，专门针对过程控制行业。编辑杰克·史密斯，内容经理，CFE媒体，控制工程，jsmith@cfemedia.com．

更多的建议

关键概念

• 神经网络模型在工业过程中是有益的。
• 体系结构的选择取决于应用程序。
• 开发神经网络模型的一个重要方面是测量和控制空间的概念。
• 可以进行一些历史数据挖掘来获取用于训练的数据集。

考虑一下这个

了解神经网络和高级过程控制的抽象概念如何应用于现实世界的控制场景。

资源

＂预测过程神经网络模型基础控制器，" 2009, Process2Control, LLC

Hagan, Demuth, Beale， <神经网络设计>ISBN 0-9717321-8

一款统计软件

神经网络显著性分析仪，Process2Control, LLC

在线额外

了解更多关于Process2Control以及神经网络的例子．

请参阅下面的相关文章，提供有关神经网络和高级过程控制的更多信息。

您是否具有本内容中提到的主题的经验和专业知识?您应该考虑为我们的CFE媒体编辑团队做出贡献，并获得您和您的公司应得的认可。点击在这里开始这个过程。