动态液位的神经网络测量方法研究

　　0　引　言

　　动态液位指的是被测液位受到外界因素的影响而呈现出的不稳定液位.在实际的生产过程中,液体的液位是一个很重要的过程参数,准确地测量实际液位(静态液位)非常重要,有时甚至关系到生产安全问题.在制药过程中,反应釜内的料位,由于搅拌机的不停搅拌,使液体表面呈现出漩涡现象,给液位的准确测量带来难度.随着反应不断进行,液体的粘度越来越大,液体表面不但出现漩涡,而且还会产生泡沫及液体附壁现象,液体的实际液位几乎无法测量.反应釜内的料位测量除了主要受到搅拌的影响外,还要受到真空度、釜内温度、夹层温度、釜底温度等因素的制约,而且在不同的工艺阶段,运行的工况也完全不同,即使在相同工艺阶段,各批号生产运行状况也不尽相同.我们曾经采用差压测量、雷达液位测量等方法,通过对动态液位信号的软计算来拟合其静态液位,但效果不理想.近年来人工神经网络技术,在各个领域里得到广泛应用.在参数测量和测试技术中也有应用[1,2].人工神经网络具有自适应的能力,通过实践进行学习的能力,具有容错、自修复和抗干扰等能力[3].本文利用人工神经网络的这些特点,针对带搅拌的反应釜为每个工艺阶段都建立了其静态液位的神经网络系统,提出了解决上述问题的一个新的途径.

　　本系统采用反向传播模型(Back-Propagation). BP网络由于其很好的逼近非线性映射能力和高度并行处理等[3],近年来被广泛应用于模式识别,图像处理,预测等方面.它是一种多层前馈型网络,根据Kolmogorv定理,任何一连续函数可由一个三层前向网络来实现.在这里,我们利用具有三层的模型(如图1所示),它具有输入层、隐含层和输出层,输入层与隐层各节点之间、隐层与输出层各节点之间都用权来连接.其中输入层输入搅拌液位、真空度、釜内温度、夹层温度、釜底温度;输出层输出无搅拌液位,即对应于搅拌时的实际液位.

　　1　BP网络的学习算法

　　1.1　神经网络的前馈计算

　　对某一训练输入矢量X(x1,x2,…,xb)T,网络的实际输出为Y(y1,y2,…,yb)T,对应输入X的理想输出为D.

　　设访问输入层节点(m个)的工作变量为i;访问隐层节点(n个)的工作变量为j;访问输出层节点(g个)的工作变量为k.f1和f2分别为隐层和输出层节点的激活函数.设输入层第i个神经元的输入为Oi.则隐层

　　对于隐层和输出层的节点单元的阈值,可以视为输入到该节点为1的权值.

　　1.2　神经网络权系数的调整

　　对于每个训练样本对(xp,yp)的输出误差Ep和系统的平均误差E分别为

　　式中:η为大于0的数,表示学习速率,越大则学习速度越大,但容易振荡.在加权系数调整时增加一个惯性(动量)项可以加快收敛速度,加权系统变化更加平滑,如式(8)Wji(t+ 1) =Wji(t) +△Wji+α[Wji(t) -Wji(t- 1)]　　0 <α< 1. (8)