基于模糊神經(jīng)網(wǎng)絡(luò)階逆系統(tǒng)的發(fā)酵過(guò)程多變量解耦控制

1、英 文 翻 譯系 別專(zhuān) 業(yè)班 級(jí)學(xué)生姓名學(xué) 號(hào)指導(dǎo)教師Multivariable decoupling control based on fuzzy-neural networkAbstract: This paper proposes a nonlinear multivariable decoupling control strategy based on fuzzy-neural networkth-order inverse method that combines inverse system theory with fuzzy-neural network for fermenta

2、tion process. Anonlinear inverse model is developed based on the reversibility analysis of the process model. A fuzzy-neural networkth-order inverse system is then constructed, which is cascaded with this process to transform the original nonlinear systemto a pseudo-linear system. Finally, an expert

3、 controller is used to closed-loop synthesis. The effectiveness of the presented method is illustrated by a simulation experiment.Key words: bioprocesses; fuzzy-neural network; inverse system method; decoupling control; expert controllerCLC number: TP273 Document code: A1 IntroductionBioprocess is a

4、 nonlinear multivariable coupling system for involving complex factors such as microbial cells growth, metabolism and so on Decoupling control of this nonlinear multivariable system is a research topic of both theoretical and practical importance. Among these nonlinear system theories, the inverse s

5、ystem method is verified to be powerful .Unfortunately, this method is based on an exact mathematical model of the plant, which is impossible to obtain in bioprocess. To adopt the inverse system method in bioprocess, it is required to identify the structure of the th-order inverse system without exa

6、ct knowledge of mathematical model of the system model Among these identification methods, fuzzy-neural network, which possesses merits of both fuzzy logic and neural network, has proved to be more powerful and has been widely used in practical engineering This paper presents a multivariable decoupl

7、ing control method based on fuzzy-neural network th-order inverse system for fermentation process. Through analyzing the reversibility of the system model, a fuzzy neural network th-order inverse system is built, which is placed in series with the original fermentation system to transform it to thre

8、e pseudo-linear composite subsystems. Finally, an expert PID controller strategy is given for closed-loop synthesis. An experiment is preformed to verify the effectiveness of our method. 基于模糊神經(jīng)網(wǎng)絡(luò)階逆系統(tǒng)的發(fā)酵過(guò)程多變量解耦控制摘要：將逆系統(tǒng)方法與模糊神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出一種基于模糊神經(jīng)網(wǎng)絡(luò)階逆系統(tǒng)的發(fā)酵過(guò)程解耦控制方法。在分析了系統(tǒng)可逆的基礎(chǔ)上，利用模糊神經(jīng)網(wǎng)絡(luò)建立發(fā)酵過(guò)程的非線性逆模型，然后將得到的

9、模糊神經(jīng)階逆系統(tǒng)與發(fā)酵過(guò)程串聯(lián)復(fù)合成偽線性系統(tǒng)，最后設(shè)計(jì)專(zhuān)家控制器實(shí)現(xiàn)高性能閉環(huán)解耦控制。仿真結(jié)果表明，提出的解耦控制方法能夠適應(yīng)發(fā)酵過(guò)程模型的不確定性和參數(shù)的時(shí)變性，具有較強(qiáng)的魯棒性，克服了解析系統(tǒng)解耦控制方法依賴(lài)于過(guò)程模型和對(duì)模型參數(shù)的變化很敏感的缺點(diǎn)，且結(jié)構(gòu)簡(jiǎn)單，易于實(shí)現(xiàn)。 關(guān)鍵詞：生化反應(yīng)過(guò)程；模糊神經(jīng)網(wǎng)絡(luò)；逆系統(tǒng)方法；解耦控制；專(zhuān)家控制器1. 引言生物處理是設(shè)計(jì)復(fù)雜的非線性多變量耦合系統(tǒng)因素，例如微生物細(xì)胞生長(zhǎng)、代謝等等。非線性多變量系統(tǒng)的解耦具有理論與實(shí)際的雙重意義，這些非線性系統(tǒng)理論，驗(yàn)證了逆系統(tǒng)方法十分強(qiáng)大。不幸的是，這種方法基于一個(gè)精確的數(shù)學(xué)模型的植物，著生物處理是不可能獲得

10、的。采用逆系統(tǒng)方法在生物過(guò)程,它需要識(shí)別的結(jié)構(gòu)th-order逆系統(tǒng)不精確知識(shí)的數(shù)學(xué)模型系統(tǒng)的模型。在這些識(shí)別方法中,fuzzy-neral網(wǎng)絡(luò),具有模糊邏輯與神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn),已被證明是更強(qiáng)大,已廣泛應(yīng)用于實(shí)際工程。文章提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的多變量解耦控制方法th-order逆系統(tǒng)為發(fā)酵過(guò)程。通過(guò)分析系統(tǒng)模型的可逆性,模糊神經(jīng)l網(wǎng)絡(luò)th-order逆系統(tǒng)構(gòu)建,這是放置在系列與原發(fā)酵系統(tǒng),將其轉(zhuǎn)換為三個(gè)假線性組合子系統(tǒng)。一個(gè)實(shí)驗(yàn)證實(shí)了我們方法的有效性。2. 數(shù)學(xué)模型和可逆分析發(fā)酵過(guò)程的數(shù)學(xué)模型可以被描述成：這里：X,S 和P表示菌絲的濃度，底物濃度和化學(xué)效力，V是肉湯培養(yǎng)在生物反應(yīng)器的體積

11、，fph, fc和 fn是氨的流量和葡萄糖和氮源t是時(shí)間；ki0（i=1,2,3）是一個(gè)連續(xù)的標(biāo)量，是分析方程的標(biāo)準(zhǔn)變量。 令x=（x1,x2,x3,x4）T=(X,S,P,V)T為標(biāo)準(zhǔn)矢量，u=(u1,u2,u3)T=(fph,fc,fn)T為輸入矢量。接下來(lái)系統(tǒng)（1）可以被寫(xiě)成這樣：輸出矢量是：使用這種模糊神經(jīng)網(wǎng)絡(luò)模式逆系統(tǒng)方法，應(yīng)該先驗(yàn)證系統(tǒng)的可逆性。這種系統(tǒng)完整的數(shù)學(xué)描述是：直接計(jì)算給出了以下表達(dá)式：它顯式地包含,James的矩陣的秩是：系統(tǒng)相對(duì)程度（4）是=（1，2，3）T=（1,1,1）T滿足1+2+3=1+1+1=34=n，這表明系統(tǒng)（4）（3）的可能性。通過(guò)隱函數(shù)存在定理的系統(tǒng)

12、的逆系統(tǒng)，系統(tǒng)（3）也可以變現(xiàn)出來(lái)通過(guò)：3. 非線性系統(tǒng)辨識(shí)理論和模糊神經(jīng)網(wǎng)絡(luò)的方法來(lái)自一個(gè)多輸入單輸出的非線性系統(tǒng)y=f(x)其中x=(x1,x2,x3,.,xm)XCR，yYCR.對(duì)于輸入輸出樣品數(shù)據(jù)（x1,y1）,（x2,y2）（xn,yn）,一種模糊模式的規(guī)則就被建立了：這里：W是模糊規(guī)則的數(shù)字，A是關(guān)于xi的通常模糊設(shè)定，（xi）（i=1,2,m）是xi函數(shù)的成員，B是輸出y的模糊設(shè)定。注意表達(dá)的非線性系統(tǒng)f是w和單模糊規(guī)則,產(chǎn)品運(yùn)營(yíng)商和加權(quán)平均的概念為（9）。輸出y可以被給予成：如圖1所示是前饋模糊神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),在投入產(chǎn)出關(guān)系如下： 輸入層：輸入節(jié)點(diǎn)是xi，輸出節(jié)點(diǎn)是Oi(1

13、)=xi(i=1,2,m); 模糊層：輸入節(jié)點(diǎn)是和，輸出節(jié)點(diǎn)是=規(guī)則層：輸入節(jié)點(diǎn)是輸出節(jié)點(diǎn)是輸出層：輸入節(jié)點(diǎn)是，輸出節(jié)點(diǎn)是 圖1 模糊神經(jīng)網(wǎng)絡(luò)框架 對(duì)于這些模糊神經(jīng)網(wǎng)絡(luò)，最基本的價(jià)值，由聚類(lèi)方法雖然一階梯度算法和誤差反向傳播方法用于識(shí)別自由參數(shù)4. 模糊神經(jīng)網(wǎng)絡(luò)th-order逆系統(tǒng)解耦控制方法 逆系統(tǒng)理論,逆系統(tǒng)方法的實(shí)現(xiàn)必須滿足兩個(gè)前提條件： 1）植物模型是準(zhǔn)確的 2) 解析表達(dá)式的逆系統(tǒng)可以從植物獲得的模型不幸的是,這兩個(gè)條件滿足實(shí)際的生物過(guò)程. 模糊神經(jīng)網(wǎng)絡(luò)可以逼近任何連續(xù)非線性映射,我們用它來(lái)接近逆系統(tǒng)。這種知識(shí)的關(guān)系等級(jí)=（1，2，3）T=（1,1,1）T，模糊神經(jīng)網(wǎng)絡(luò)的順序可以由

14、三個(gè)模糊神經(jīng)網(wǎng)絡(luò)逆系統(tǒng)和三個(gè)集成商,在模糊神經(jīng)網(wǎng)絡(luò)和集成商特征和逆系統(tǒng)動(dòng)力學(xué)的非線性映射關(guān)系。將這種模糊神經(jīng)網(wǎng)絡(luò)th-order逆系統(tǒng)串聯(lián)與發(fā)酵模型結(jié)果在三個(gè)分離假線性子系統(tǒng)和轉(zhuǎn)換功能，。用這種方法，復(fù)雜的多變量非線性系統(tǒng)(4)補(bǔ)償三個(gè)簡(jiǎn)單的單輸入單輸出 fist-order積分系統(tǒng),因此專(zhuān)家PID控制器可用于閉環(huán)合成。 圖2專(zhuān)家控制的重要組成圖2顯示了專(zhuān)家PID控制器的配置,在知識(shí)庫(kù)中存儲(chǔ)的專(zhuān)業(yè)經(jīng)驗(yàn),共同感覺(jué),從發(fā)酵獲得專(zhuān)家知識(shí),推理引擎實(shí)質(zhì)上是一組計(jì)算機(jī)程序用來(lái)協(xié)調(diào)專(zhuān)家控制器的工作。推理引擎提供最優(yōu)控制器參數(shù)基于當(dāng)前輸入數(shù)據(jù),知識(shí)基礎(chǔ)和一定的推理策略。圖三展現(xiàn)了閉環(huán)這種解耦控制策略的設(shè)置。 圖3使用模糊神經(jīng)系統(tǒng)的閉環(huán)框架轉(zhuǎn)換解藕系統(tǒng)5. 實(shí)驗(yàn)研究在實(shí)驗(yàn)中，樣品數(shù)據(jù)設(shè)定是和分別是模糊神經(jīng)網(wǎng)絡(luò)的輸入和輸出。U=和x=來(lái)自生物處理數(shù)據(jù)庫(kù)。數(shù)據(jù)設(shè)定集計(jì)算離線使用七個(gè)十進(jìn)制數(shù)值算法。 樣本數(shù)據(jù)集分為五個(gè)批次,每個(gè)包含了70個(gè)樣本。前4個(gè)批次用于訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò),最后一批用于驗(yàn)證識(shí)別結(jié)果。圖4顯示了識(shí)別結(jié)果。 圖4模糊神經(jīng)網(wǎng)絡(luò)的鑒定結(jié)果轉(zhuǎn)換模式將模糊神經(jīng)網(wǎng)絡(luò)識(shí)別th-order逆系統(tǒng)與生