模糊神经网络外文翻译文献.docx

模糊神经网络外文翻译文献.docx

《模糊神经网络外文翻译文献.docx》由会员分享，可在线阅读，更多相关《模糊神经网络外文翻译文献.docx（9页珍藏版）》请在冰豆网上搜索。

模糊神经网络外文翻译文献

模糊神经网络外文翻译文献

（文档含中英文对照即英文原文和中文翻译）

原文：

Neuro-fuzzygeneralizedpredictivecontrolofboilersteamtemperature

XiangjieLIU,JizhenLIU,PingGUAN

ABSTRACT

Powerplantsarenonlinearanduncertaincomplexsystems.Reliablecontrolofsuperheatedsteamtemperatureisnecessarytoensurehighefficiencyandhighload-followingcapabilityintheoperationofmodernpowerplant.Anonlineargeneralizedpredictivecontrollerbasedonneuro-fuzzynetwork（NFGPC）isproposedinthispaper.Theproposednonlinearcontrollerisappliedtocontrolthesuperheatedsteamtemperatureofa200MWpowerplant.Fromtheexperimentsontheplantandthesimulationoftheplant,muchbetterperformancethanthetraditionalcontrollerisobtained.

Keywords:

Neuro-fuzzynetworks;Generalizedpredictivecontrol;Superheatedsteamtemperature

1.Introduction

Continuousprocessinpowerplantandpowerstationarecomplexsystemscharacterizedbynonlinearity,uncertaintyandloaddisturbance.Thesuperheaterisanimportantpartofthesteamgenerationprocessintheboiler-turbinesystem,wheresteamissuperheatedbeforeenteringtheturbinethatdrivesthegenerator.Controllingsuperheatedsteamtemperatureisnotonlytechnicallychallenging,butalsoeconomicallyimportant.

FromFig.1,thesteamgeneratedfromtheboilerdrumpassesthroughthelow-temperaturesuperheaterbeforeitenterstheradiant-typeplatensuperheater.Waterissprayedontothesteamtocontrolthesuperheatedsteamtemperatureinboththelowandhightemperaturesuperheaters.Propercontrolofthesuperheatedsteamtemperatureisextremelyimportanttoensuretheoverallefficiencyandsafetyofthepowerplant.Itisundesirablethatthesteamtemperatureistoohigh,asitcandamagethesuperheaterandthehighpressureturbine,ortoolow,asitwilllowertheefficiencyofthepowerplant.Itisalsoimportanttoreducethetemperaturefluctuationsinsidethesuperheater,asithelpstominimizemechanicalstressthatcausesmicro-cracksintheunit,inordertoprolongthelifeoftheunitandtoreducemaintenancecosts.AstheGPCisderivedbyminimizingthesefluctuations,itisamongstthecontrollersthataremostsuitableforachievingthisgoal.

Themultivariablemulti-stepadaptiveregulatorhasbeenappliedtocontrolthesuperheatedsteamtemperatureina150t/hboiler,andgeneralizedpredictivecontrolwasproposedtocontrolthesteamtemperature.Anonlinearlong-rangepredictivecontrollerbasedonneuralnetworksisdevelopedintocontrolthemainsteamtemperatureandpressure,andthereheatedsteamtemperatureatseveraloperatinglevels.Thecontrolofthemainsteampressureandtemperaturebasedonanonlinearmodelthatconsistsofnonlinearstaticconstantsandlineardynamicsispresentedinthat.

Fig.1Theboilerandsuperheatersteamgenerationprocess

Fuzzylogiciscapableofincorporatinghumanexperiencesviathefuzzyrules.Nevertheless,thedesignoffuzzylogiccontrollersissomehowtimeconsuming,asthefuzzyrulesareoftenobtainedbytrialsanderrors.Incontrast,neuralnetworksnotonlyhavetheabilitytoapproximatenon-linearfunctionswitharbitraryaccuracy,theycanalsobetrainedfromexperimentaldata.Theneuro-fuzzynetworksdevelopedrecentlyhavetheadvantagesofmodeltransparencyoffuzzylogicandlearningcapabilityofneuralnetworks.TheNFNishavebeenusedtodevelopself-tuningcontrol,andisthereforeausefultoolfordevelopingnonlinearpredictivecontrol.SinceNFNiscanbeconsideredasanetworkthatconsistsofseverallocalre-gions,eachofwhichcontainsalocallinearmodel,nonlinearpredictivecontrolbasedonNFNcanbedevisedwiththenetworkincorporatingallthelocalgeneralizedpredictivecontrollers（GPC）designedusingtherespectivelocallinearmodels.Followingthisapproach,thenonlineargeneralizedpredictivecontrollersbasedontheNFN,orsimply,theneuro-fuzzygeneralizedpredictivecontrollers（NFG-PCs）arederivedhere.Theproposedcontrolleristhenappliedtocontrolthesuperheatedsteamtemperatureofthe200MWpowerunit.ExperimentaldataobtainedfromtheplantareusedtotraintheNFNmodel,andfromwhichlocalGPCthatformpartoftheNFGPCisthendesigned.Theproposedcontrolleristestedfirstonthesimulationoftheprocess,beforeapplyingittocontrolthepowerplant.

2.Neuro-fuzzynetworkmodelling

Considerthefollowinggeneralsingle-inputsingle-outputnonlineardynamicsystem:

（1）

wheref[.]isasmoothnonlinearfunctionsuchthataTaylorseriesexpansionexists,e（t）isazeromeanwhitenoiseandΔisthedifferencingoperator,

anddarerespectivelytheknownordersandtimedelayofthesystem.Letthelocallinearmodelofthenonlinearsystem

（1）attheoperatingpoint

begivenbythefollowingControlledAuto-RegressiveIntegratedMovingAverage（CARIMA）model:

（2）

Where

arepolynomialsin

thebackwardshiftoperator.Notethatthecoefficientsofthesepolynomialsareafunctionoftheoperatingpoint

.Thenonlinearsystem

（1）ispartitionedintoseveraloperatingregions,suchthateachregioncanbeapproximatedbyalocallinearmodel.SinceNFNisaclassofassociativememorynetworkswithknowledgestoredlocally,theycanbeappliedtomodelthisclassofnonlinearsystems.AschematicdiagramoftheNFNisshowninFig.2.B-splinefunctionsareusedasthemembershipfunctionsintheNFNforthefollowingreasons.First,B-splinefunctionscanbereadilyspecifiedbytheorderofthebasisfunctionandthenumberofinnerknots.Second,theyaredefinedonaboundedsupport,andtheoutputofthebasisfunctionisalwayspositive,i.e.,

and

.Third,thebasisfunctionsformapartitionofunity,i.e.,

（3）

Andfourth,theoutputofthebasisfunctionscanbeobtainedbyarecurrenceequation.

Fig.2neuro-fuzzynetwork

Themembershipfunctionsofthefuzzyvariablesderivedfromthefuzzyrulescanbeobtainedbythetensorproductoftheunivariatebasisfunctions.Asanexample,considertheNFNshowninFig.2,whichconsistsofthefollowingfuzzyrules:

IFoperatingconditioni（

ispositivesmall,...,and

isnegativelarge）,

THENtheoutputisgivenbythelocalCARIMAmodeli:

（4）

or

（5）

Where

arepolynomialsinthebackwardshiftoperator

anddisthedeadtimeoftheplant,

isthecontrol,and

isazeromeanindependentrandomvariablewithavarianceof

.Themultivariatebasisfunction

isobtainedbythetensorproductsoftheunivariatebasisfunctions,

（6）

wherenisthedimensionoftheinputvectorx,andp,thetotalnumberofweightsintheNFN,isgivenby,

（7）

Where

and

aretheorderofthebasisfunctionandthenumberofinnerknotsrespectively.ThepropertiesoftheunivariateB-splinebasisfunctionsdescribedpreviouslyalsoapplytothemultivariatebasisfunction,whichisdefinedonthehyper-rectangles.TheoutputoftheNFNis,

（8）

译文：

锅炉蒸汽温度模糊神经网络的广义预测控制

XiangjieLIU,JizhenLIU,PingGUAN

摘要

发电厂是非线性和不确定性的复杂系统。

现代电厂的运行中，为确保电厂的高效率和高负荷的能力，准确的控制过热蒸汽温度是必要的。

本文提出了一类在非线性广义预测控制器的基础上的模糊神经网络。

所提出的非线性控制器适用于控制一台200MW电厂的过热蒸汽温度。

从实验方案的仿真结果中可以看出，此方案的控制品质优于传统的控制方案。

关键词：

模糊神经网络；广义预测控制；过热蒸汽温度

引言

电厂过热汽温控制系统的特点是非线性、不确定性和负载扰动。

蒸汽发电的过程中锅炉-汽轮机温度过热是一个重要的问题，蒸汽加热后，进入涡轮驱动发电机，控制过热蒸汽温度不仅是在技术上具有挑战性，在经济上的意义也是十分重要的。

图1锅炉过热器和蒸汽生成过程

从图1可以看出，产生的蒸汽从锅炉汽包通过低温过热器后进入辐射型屏。

水变成喷涂的蒸汽，以控制过热蒸汽的温度。

适当的控制电厂过热蒸汽温度是极其重要的，可以确保整体效率和安全性。

蒸汽温度太高对系统是非常不利的，因为过热蒸汽可以损害高压力汽轮机，太低也不行，因为它会降低电厂热效率。

减少温度波动也是非常重要的，因为它有助于减少在单位内机械应力造成的微裂纹，延长单位秩序寿命，并减少维修成本。

作为GPC的推导应该尽量减少这些波动，它是众多的控制器中最适合实现这一目标的。

多变量多步自适应调节已适用于控制过热蒸汽温度在150

的锅炉，提出了广义预测控制以控制蒸汽温度，基于神经网络发展的非线性预测控制器是以控制主蒸汽温度和压力。

控制主蒸汽温度和压力的基础上，得到非线性模型的构成是由非线性静力常数和非线性动力学组成。

模糊逻辑是把人类的经验透过模糊规则表现出来。

然而，设计模糊逻辑控制器是非常消费时间的，由于模糊规则的不确定，往往得到的试验是错误的。

在此相反，神经网络不仅有近似的非线性职能与任意精度，他们也可以有经过试验的实验数据。

该模糊神经网络的开发优势是模型的透明度，模糊逻辑的准确度和具有学习能力的神经网络。

该模糊神经网络已被用来发展自适应控制，因此，一个有用的工具，可以发展出非线性预测控制。

从模糊神经网络可以考虑到作为一个网络构成的若干项，其中每一项包含一个局部线性模型，在非线性预测控制的基础上模糊神经网络可以设计和使用各自的地方线性模型把当地所有的广义预测控制器。

按照这一办法，在非线性广义预测控制器的基础上，模糊神经网络简单地说是由该模糊神经网络的广义预测控制器推导出来的。

建立控制器，然后应用于控制过热蒸汽温度的200MW机组。

实验所得的数据，用来试验模糊神经网络模型方案。

2.模糊神经网络的建模

考虑以下的一般单输入单输出的非线性动态系统：

（1）

其中f[.]是一个光滑的非线性函数，将其按泰勒级数展开，其中

是零均值、Δ是差分算子。

和D分别是该系统已知的命令和延迟的时间。

非线性系统

（1）在操作点

的局部线性模型是由以下控制自动回归综合移动平均线（CARIMA）模型给出的：

（2）

其中

是多项式在

落后的移位算子。

注意，该系数多项式函数的转向点为

。

非线性系统

（1）分割成为几个作业区域，如每个区域可以近似当成线性模型。

自模糊神经网络是一类在本地的记忆网络的知识存储，他们可以应用到这一类非线性系统的模型中。

由示意图可知该模糊神经网络的结果，图2中B样条函数作为隶属函数在模糊神经网络是由于以下几个原因：

B样条功能可随时在指定的秩序的基础功能和数目内，第二，他们是界定在一个范围内的支持和输出的基础上功能始终是积极的，

和

。

第三，在职能的基础上形成一个分割的集体，

（3）

第四，输出功能的基础上可以得到一个递归方程。

图2模糊神经网络

从模糊规则所产生的模糊变量的隶属函数可以得到衍生的模糊规则。

例如，考虑在图2所示的模糊神经网络，构成以下模糊规则：

如果操作条件是

（

是正小……

是负大），那么输出是给予的区域CARIMA模型：

（4）

或是

（5）

其中

是在落后的移位运算符

的多项式，D是死去时间，

是控制量，

是零均值与方差

独立的随机变量。

多变量的基础功能

是获得由单变量函数的张量积的基础上得到的

（6）

其中n是输入向量x，和p的维数，在模糊神经网络中的比重，由下式给出，

（7）

其中

和

分别是基函数秩序和内部结数。

在单变量B样条基函数的性质前面描述也适用于多元的基础功能。

该NFN输出为

（8）