CN106950824A

CN106950824A - 基于模糊神经网络的秸秆发酵燃料乙醇过程补料预测控制***及方法

Info

Publication number: CN106950824A
Application number: CN201610007375.XA
Authority: CN
Inventors: 及长城; 朱湘临; 王博
Original assignee: Individual
Current assignee: Individual
Priority date: 2016-01-07
Filing date: 2016-01-07
Publication date: 2017-07-14

Abstract

一种基于模糊神经网络的秸秆发酵燃料乙醇过程补料预测控制方法及***。该控制方法首先根据历史罐批数据对模糊神经网络进行训练建立秸秆发酵燃料乙醇过程的非线性预测模型，然后根据预测模型利用历史和未来罐批数据的输入输出信息预测秸秆发酵燃料乙醇过程过程未来的输出状态，并用模型输出误差进行反馈校正得到闭环输出，最后将闭环输出与参考输入轨迹进行比较，应用二次型性能指标进行滚动优化，计算得到当前时刻应加于***的补料控制量。该控制***包括与发酵罐直接连接的现场智能检测仪表和蠕动泵及智能控制器，其中智能控制器采用嵌入式ARM微处理器技术，内部嵌入补料预测控制算法。本发明能够适应秸秆发酵燃料乙醇过程过程的动态特性、强烈的非线性和回路之间的强耦合性，能够得到良好的控制效果。

Description

基于模糊神经网络的秸秆发酵燃料乙醇过程补料预测控制系统及方法

技术领域

本发明属于生物技术和信息科学交叉领域，主要涉及对秸秆发酵燃料乙醇过程中的补料量——葡萄糖、氨水量、硫酸氨进行自动控制的方法及***构造方法。

背景技术

随着环境污染的日益严重和能源危机的不断加剧，生物质能源以其资源巨大、使用方便、清洁无污染等特点，被世界各国誉为具有巨大经济潜力的朝阳产业。生物质能源主要有燃料乙醇、生物柴油、生物沼气、生物制氢等形式，其中燃料乙醇作为世界上生产和使用规模最大的生物质能源，是从生物质中提取的唯一能够直接用于车用燃料的液态能源载体，特别是以农作物秸秆、柴草、木材加工废弃物等这些工农业大量存在的木质纤维素为原料发酵生产燃料乙醇，在实现资源高效综合利用的同时，可以避免农作物秸秆、木材加工废弃物焚烧、废弃等带来的环境污染，对实现经济可持续发展与生态环境保护起到重要作用。

为最大限度提升燃料乙醇生产效率和产品得率，降低生产能效，提高秸秆发酵燃料乙醇产业的经济效益，需要利用控制技术对秸秆发酵燃料乙醇过程进行动态调控，将秸秆发酵燃料乙醇过程控制在最佳工艺条件下进行生产。然而由于涉及到酶母菌的生长繁殖、代谢过程，秸秆发酵燃料乙醇过程是一个时变、非线性、不确定的多变量强耦合***，工艺机理非常复杂。现有的发酵过程控制大多局限于对外部环境参数的简单控制，以稳定发酵现场工况，而对于生产过程起关键作用的补料量的控制，目前多数是靠人工根据经验决定的，如国内大多数生产厂家采用的集中补料控制方法，即每2～24小时对发酵罐手动补料一次，由于一次补料量大，对发酵环境条件冲击太大，严重地破坏了发酵过程中发酵温度、酸碱度、溶解氧等环境参数的平衡，直接影响了酵母菌的正常代谢，加速了泡沫的产生，逃液问题严重，且生产过程中错误和故障不易及时发现，造成原料的浪费和设备的空转，严重制约着秸秆发酵燃料乙醇生产过程的质量和产量。

随着秸秆发酵燃料乙醇生产规模越来越大，生产过程中并行控制的发酵罐越来越多，传统的仅凭经验实现对补料的控制，已经显得力不从心。若操作不当，将会造成极大的经济损失，因此，若能采用先进控制理论对秸秆发酵燃料乙醇过程进行实时补料控制、管理和优化操作，不但能解决上述存在的问题，而且可以降低工人的劳动强度，提高自动化生产水平。由于秸秆发酵燃料乙醇过程的非线性、时变性、大滞后性、耦合性和不确定性，传统的线性控制方法已难以满足要求。目前研究的一些非线性控制方法大都依赖于被控对象的精确动力学模型，而秸秆发酵燃料乙醇过程的不确定性和参数的时变性使其精确动力学模型难以获得的，现有的秸秆发酵燃料乙醇过程动力学模型大都采用的是一种所谓的“灰箱”模型，即在对发酵过程的反应机理有一定理解的基础上，建立起的一种非确定数学模型。由于模型只是针对特定现象的描述，模型参数随扰动变化较大，外推能力有限，难以胜任非现性控制方法的性能要求。正是由于以上原因，使得到目前为止秸秆发酵燃料乙醇过程的各种补料控制方法还很难应用于实际的发酵过程中。

为了解决传统补料控制方法的不足，真正实现发酵过程的高性能补料控制，降低秸秆发酵燃料乙醇过程中工人的劳动强度，提高自动化生产水平和生产效率，降低生产成本，需采用一些新的控制方法设计方案。

发明内容

为了克服已有的补料控制方案的不能适应秸秆发酵燃料乙醇过程的动态特性、强烈的非线性、回路之间的耦合性和不能得到良好的控制效果的不足，本发明提供一种能够解决秸秆发酵燃料乙醇过程的动态特性、强烈的非线性、回路之间的耦合性问题，并得到良好的控制效果的基于模糊神经网络的秸秆发酵燃料乙醇过程补料预测控制方法及***。

本发明解决其技术问题所采用的技术方案是：

一种基于模糊神经网络的秸秆发酵燃料乙醇过程补料预测控制方法，该预测控制方法包括以下步骤：

步骤一：建立非线性预测模型，利用历史罐批次数据对模糊神经网络进行训练得到秸秆发酵燃料乙醇过程的输入输出非参数内部非线性预测模型；

步骤二；预测未来输出状态，在当前时刻，利用历史和未来罐批数据的输入输出信息，通过基于模糊神经网络的非线性预测模型对秸秆发酵燃料乙醇过程未来的输出状态纤维素酶活、乙醇浓度、残糖含量进行预测；

步骤三：误差反馈校正，将从步骤二得到的秸秆发酵燃料乙醇过程未来的输出状态与时刻的输出误差相加，得到时刻发酵过程的闭环预测输出纤维素酶活、乙醇浓度、残糖含量；

步骤四：设定参考轨迹，为使发酵过程未来输出能沿着设定轨迹平稳的到达设定值，引入参考输入轨迹纤维素酶活、乙醇浓度、残糖含量；

步骤五：非线性控制器输出，将得到预测闭环输出与设定的参考轨迹进行比较，应用二次型性能指标的控制器进行滚动优化，计算出当前时刻应添加于发酵罐的葡萄糖量、氨水量、硫酸氨量。

上述步骤一中所述基于模糊神经网络的非线性预测模型是黑箱模型，反映了秸秆发酵燃料乙醇过程的输入与输出之间的一种笼统的直接因果关系，通过模糊神经网络根据历史罐批次数据由黑箱辨识获得。所说的秸秆发酵燃料乙醇过程的输入是葡萄糖量、氨水量、硫酸氨量，输出是纤维素酶活、乙醇浓度、残糖含量；所说的历史罐批次数据是按给定原则选取的L个输入输出向量对，这些原则是：(a)时效性，即所选历史罐批次数据属于1~3个月内的生产罐批；(b)代表性，即所选历史罐批数据不属于极端异常罐批数据，且尽可能均匀地分布于已知波动范围。经过数据预处理，获得历史罐批次的输入输出向量对。

其中： ();；

;;;;n和m分别是输出和输入量的阶次。

上述步骤一中所述的模糊神经网络是一个引入模糊逻辑运算的五层自适应神经网络，兼备模糊逻辑和神经网络的优势。

上述步骤五中所述的控制器采用滚动时域下的二次型目标函数，并且控制律是在此目标函数下通过遗传算法寻优获取的，为全局最优。

本发明还公开了基于模糊神经网络的秸秆发酵燃料乙醇过程补料预测控制***，控制***包括现场3个智能检测仪表、3个蠕动泵及1个智能控制器，其中，智能检测仪表和蠕动泵与发酵罐直接相连，智能检测仪表与智能控制器相连；智能检测仪表用于实时获取秸秆发酵燃料乙醇过程的输出量，即纤维素酶活、乙醇浓度、残糖含量并传送至智能控制器；智能控制器采用嵌入式ARM微处理器技术，内部嵌入模糊神经网络预测控制算法，根据秸秆发酵燃料乙醇过程的输出量计算出当前时刻应加于发酵罐的补料控制量，并通过控制3个蠕动泵的开关时间实现发酵现场补料量葡萄糖量、氨水量、硫酸氨量的添加；

控制***将多任务嵌入式VxWorks操作***移植到智能控制器中，将控制***所要完成的功能细化为几个核心任务，由VxWorks内核进行实时调度。控制***所要完成的任务按其优先级从高到低顺序依次：控制***监视与故障诊断、键盘扫描、补料预测控制算法、LCD显示、补料控制量输出、异步串行通信。输出量采集部分放到定时器中断程序中执行，即每分钟通过智能检测仪表获取发酵液中的纤维素酶活、乙醇浓度、残糖含量数据，再对数据进行高通、低通滤波处理。控制***监视任务用来监视控制***其他任务。当被监视任务在执行过程中出现差错时，控制***监视任务将按照预先设定的处理表对其进行处理，使出错的任务恢复正常运行。控制***运行时，首先进行控制***初始化操作，初始化所有数据结构、分配堆栈空间，然后建立任务间通信的邮箱或消息队列，进行任务建立及分配任务优先权。所有新建任务被置为就绪态，程序从优先权最高的任务开始执行。即首先对键盘进行自扫描，然后对滤波后的样本采集数据进行模糊神经网络预测控制运算，最后将得到的补料控制量输出到LCD显示并通过控制3个蠕动泵的开关时间实现发酵现场补料量葡萄糖量、氨水量、硫酸氨量的添加。

本发明具有的有益效果：

1.无需使用经验知识，也无需深入了解控制对象秸秆发酵燃料乙醇过程的机理特性，只需使用输入和输出数据就可实现非线性对象的黑箱辨识，辨识过程简单，可调参数少，学习速度快。

2.模糊神经网络作为模糊逻辑和神经网络的有机结合体，兼备模糊逻辑和神经网络的优势，不仅能处理模糊信息，实施模糊推理，又引入神经网络的学习机制，增强了网络的自适应能力，使得模糊神经网络同时具有推理能力强和自适应能力强的优点，非线性拟合精度高，推广泛化能力强

3.充分利用传统模型预测控制技术的优点，引入参考轨迹，反馈校正和滚动优化技术，获取更多的***运行信息，并利用遗传算法进行滚动优化，将最优控制律的求取转化为一个非线性约束优化问题，易得到全局最优解，实现了发酵现场补料过程的自动控制，据此设计出模神经网络预测控制***具有良好的控制效果和实用价值。

附图说明

图1中描绘了基于模糊神经网络的非线性模型预测控制的基本框架；

图2给出了模糊神经网络的结构框图；

图3给出了模糊神经网络补料预测控制***的硬件结构图。

图4给出了模糊神经网络补料预测控制***的智能控制器软件设计流程图。

具体实施方式

下面按照图1所示的基本框架作详细说明。

1．建立基于模糊神经网络的非线性预测模型

模型神经网络(FNN)是一个引入模糊运算的五层自适应神经网络，兼备模糊逻辑和神经网络的优势。模糊神经网络输入输出关系如图2所示。

其中第Ⅰ层为输入层，该层的各个结点直接与输入向量的各分量连接，起着将输入值传送到下一层的作用，该层的结点数；

第Ⅱ层为隶属度函数层，在该层每一个节点完成一个高斯隶属函数的功能，对于该层第个变量的第个节点：

式中，和分别表示第个变量的第个节点高斯隶属函数的中心和宽度，是隶属函数的数量，也代表***总的规则数。

第Ⅲ层为规则层(模糊推理层)，每个节点分别代表一个可能的模糊规则中的IF部分。因此，该层节点数反映了模糊规则数。第个规则的输出为：

式中，，。

第Ⅳ层为归一化层，称这些节点为节点。节点数与模糊规则节点数相等。第个节点的输出为：

第Ⅴ层为输出层，该层中的每个节点表示一个输出变量，它所实现的是反模糊化计算，即：

式中，是输出量的维数。

将式(2)、式(3)代入式(4)中，则得到模糊神经网络预测模型：

秸秆发酵燃料乙醇过程的动态特性可以用下面的离散形式表示：

(6)

式中，为非线性函数，输出量对应于秸秆发酵燃料乙醇过程中的生化过程变量，是纤维素酶活，是乙醇浓度, 是残糖含量，控制量对应于秸秆发酵燃料乙醇过程中添加的补料量，是葡萄糖量，是氨水量，硫酸氨量。

取历史罐批数据的输入(当时，)和输出(时，，其中。设，其中：；；;

;。构造学习数据集()，其中拟合因子，，根据学习数据集，通过对模糊神经网络进行训练，得到权重参数、隶属度中心和宽度。

2．预测未来输出状态

在时刻，利用预测模型对进行预测：

(7)

式中，是模糊神经网络形式的非线性函数，和由拟合精度决定。

为获取***的多步预测输出，我们考虑P=M的情况，其中P是预测时域，M是控制时域,并且，根据公式(6),顺移时间序列有：

3．误差反馈校正

模型和真实发酵过程之间总是存在误差的，为克服模型误差以及各种干扰，引入反馈校是必要的。计算时刻的误差，把它加到模型预测输出上，就得到了时刻的闭环预测输出：

式中，为误差校正矩阵，取为单位阵。

4．设定参考轨迹

引入参考输入轨迹的作用就是使***输出能沿着设定轨迹平稳的到达设定值。参考轨迹一般采用如下形式：

(9)

式中，是时刻的参考输入，是柔化常数阵，它对闭环***的动态特性和鲁棒性起重要作用。

当然，参考轨迹可以采取多种形式，包括人为设定的任意曲线，目的就是为了使***输出的动态特性更好。

5．非线性控制器输出

选取滚动时域下的二次型目标函数：

(10)

式中，和是权重矩阵。

为获取多步预测的控制律，提出采用遗传算法求取全局最优解。

式(10)是一个求最小值的问题，而遗传算法的目标函数是求最大值，因而不能直接采用式(10)作为遗传算法优化的目标函数。这里将遗传算法的目标函数修改为：

(11)

约束条件为：

式中，对控制作用约束为，。

在遗传算法优化过程中，将控制量的约束和加快遗传算法的约束速度包含在编码中，遗传编码采用二进制编码，个体的基因数代表控制时域，假设表示控制量的变化量，基因长度代表控制变化量的精度，则个体的长度为。个体的基因即为控制量，个体的基因排列为。和分别表示控制量的最大值约束和最小值约束，和分别表示变化量的最大值和最小值。假设在第()步，考虑控制量的最大值和最小值的约束值，设实际控制量的最大和最小变化值分别为，则：

根据式(12)和(13)，遗传算法的正负编码分别为：

控制量的变化量，控制量的变化量取第1个基因的值，控制量。

遗传算法采取采用第1个基因收敛速率确定优化的停止条件，第1个基因是当前控制输入，如果收敛速率不变，则停止优化。

实践表明，利用上述遗传算法对目标函数进行优化后，控制量比较平稳，***的动态性能和鲁棒性得到时一步改善。

整个控制方法如下：

1．根据历史罐批数据建立模糊神经网络学习数据集，共有组；

2．选择模糊神经网络的初始参数、和，然后根据学习数据集，进行离线训练，得到、和，并将其投入在线运行；

3. 选择模型参数和以及采样周期T、预测控制参数；

4．在当前时刻，根据式(9)计算秸秆发酵燃料乙醇过程中的参考输入纤维素酶活、乙醇浓度和残糖含量；

5．计算误差；

6．由模糊神经网络预测模型输出纤维素酶活、乙醇浓度和残糖含量，经反馈校正后生成闭环预测输出纤维素酶活、乙醇浓度、残糖含量

7．利用遗传算法求解二次型性能函数，获得最优控制解，采用作为第一个控制信号，作为发酵过程中补料量的输入，然后转至第1步，直到完成整个控制。

基于模糊神经网络的预测控制方法的具体实现就是所要构造的预测控制***，图3给出了预测控制***的一个具体实施例的示意图。控制***包括现场3个智能检测仪表、3个蠕动泵及1个智能控制器，其中，智能检测仪表和蠕动泵与发酵罐直接相连，智能检测仪表与智能控制器相连；智能检测仪表用于实时获取秸秆发酵燃料乙醇过程的输出量，即纤维素酶活、乙醇浓度、残糖含量并传送至智能控制器；智能控制器采用嵌入式ARM微处理器技术，内部嵌入模糊神经网络预测控制算法，根据秸秆发酵燃料乙醇过程的输出量计算出当前时刻应加于发酵罐的补料控制量，并通过控制3个蠕动泵的开关时间实现发酵现场补料量葡萄糖量、氨水量、硫酸氨量的添加；

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims

1.一种基于模糊神经网络的秸秆发酵燃料乙醇过程补料预测控制方法，其特征在于该预测控制方法包括以下步骤：

步骤一：建立非线性预测模型，利用历史罐批数据对模糊神经网络进行训练得到秸秆发酵燃料乙醇过程的输入输出非参数内部非线性预测模型；

步骤三：误差反馈校正，将从步骤二得到的秸秆发酵燃料乙醇过程未来的输出状态与时刻的输出误差相加，得到时刻发酵过程的闭环预测输出状态纤维素酶活、乙醇浓度、残糖含量；

步骤五：非线性控制器输出，将得到预测闭环输出与设定的参考轨迹进行比较，应用二次型性能指标的控制器进行滚动优化，计算出当前时刻应添加的葡萄糖量、氨水量、硫酸氨量；

步骤六：根据计算出补料量控制蠕动泵的开关时间实现现场补料过程的自动控制。

2.根据权利要求1所述的一种基于模糊神经网络的非线性预测模型是黑箱模型，反映了秸秆发酵燃料乙醇过程的输入与输出之间的一种笼统的直接因果关系，通过模糊神经网络根据历史罐批次数据由黑箱辨识获得。

3.根据权利要求1所述的一种基于模糊神经网络的秸秆发酵燃料乙醇过程补料预测控制方法，其特征在于步骤一所述的模糊神经网络是一个引入模糊逻辑运算的五层自适应神经网络。

4.根据权利要求1所述的一种基于模糊神经网络的秸秆发酵燃料乙醇过程补料预测控制方法，其特征在于步骤五所述的控制器采用滚动时域下的二次型目标函数，并且控制律是在此目标函数下通过遗传算法寻优获取的，为全局最优。

5.一种实现权利要求1所述的基于模糊神经网络的秸秆发酵燃料乙醇过程补料预测控制方法的控制***，其特征在于：所述的控制***包括现场3个智能检测仪表、3个蠕动泵及1个智能控制器，其中，智能检测仪表和蠕动泵与发酵罐直接相连，智能检测仪表与智能控制器相连；智能检测仪表用于实时获取秸秆发酵燃料乙醇过程的输出量，即纤维素酶活、乙醇浓度、残糖含量并传送至智能控制器；智能控制器采用嵌入式ARM微处理器技术，内部嵌入模糊神经网络预测控制算法，根据秸秆发酵燃料乙醇过程的输出量计算出当前时刻应加于发酵罐的补料控制量，并通过控制3个蠕动泵的开关时间实现发酵现场补料量葡萄糖量、氨水量、硫酸氨量的添加。

6.根据权利要求5所述的基于模糊神经网络的秸秆发酵燃料乙醇过程补料预测控制方法的控制***，其特征在于控制***将多任务嵌入式VxWorks操作***移植到智能控制器中，将控制***所要完成的功能细化为几个核心任务，由VxWorks内核进行实时调度。

7.控制***所要完成的任务按其优先级从高到低顺序依次：控制***监视与故障诊断、键盘扫描、补料预测控制算法、LCD显示、补料控制量输出、异步串行通信。

8.输出量采集部分放到定时器中断程序中执行，即每分钟通过智能检测仪表获取发酵液中的纤维素酶活、乙醇浓度、残糖含量数据，再对数据进行高通、低通滤波处理。

9.控制***监视任务用来监视控制***其他任务。

10.当被监视任务在执行过程中出现差错时，控制***监视任务将按照预先设定的处理表对其进行处理，使出错的任务恢复正常运行。

11.控制***运行时，首先进行控制***初始化操作，初始化所有数据结构、分配堆栈空间，然后建立任务间通信的邮箱或消息队列，进行任务建立及分配任务优先权。

12.所有新建任务被置为就绪态，程序从优先权最高的任务开始执行。

13.即首先对键盘进行自扫描，然后对滤波后的样本采集数据进行模糊神经网络预测控制运算，最后将得到的补料控制量输出到LCD显示并通过控制3个蠕动泵的开关时间实现发酵现场补料量葡萄糖量、氨水量、硫酸氨量的添加。