非线性过程

2024-06-17

非线性过程（精选8篇）

非线性过程篇1

1对于翻译过程的研究

翻译过程, 是指翻译者对具体文本的转换活动过程。 (许钧, 2009:44) 也就是说, 翻译并非是从一种语言到另一种语言的转换, 而是译者在选定好一个要翻译的文本之后, 对原文本进行解码, 用目的语进行编码的复杂过程。在历史上, 中外翻译家们对翻译过程的思考一直没有中断过, 他们从自身经验出发, 对翻译活动的主要步骤进行描述与总结, 这些认识都是翻译家们的切身体会, 为我们讨论翻译过程奠定了坚实的基础。1.1翻译思维过程的非线性

在大量的翻译实践中发现, 非线性思维是一种“化直为曲”的复杂系统探究方式, 以多样循环性为其主要特征, 是对“化曲为直”的线性还原论简单思维的超越 (杜玉生, 2010:143) 。在此之前, 受线性思维的影响, 中西翻译理论界曾经出现了“等值翻译论”的主张, 认为不同语言在等价关系上可分与可加不会改变原文的性质, 更不会受到时空等外部因素的影响, 不同语言可在逻辑规律的作用下达到互换性与互译性。巴尔胡达罗夫主张, “可以在音位、词素等6个层次上建立等值翻译, 译者在翻译时要根据具体情况在相应的层次上选择翻译单位, 以期达到等值 (韩子满, 1999:46) 。”这种对于翻译等值的线性追求已经受到译界的质疑与否定, 有的学者认为“等值”一词不适合翻译研究。

1.2翻译过程的非线性

翻译活动是一项复杂的系统实践活动, 所以我们的思维过程一定也是非线性的, 我们需要从事语言和文化之间的转换活动, 从不同层次和角度分析问题, 最终通过不同的途径解决问题, 而不能满足于译文和原文的一一对应。从认识论的角度出发, 对于非线性的翻译过程的认识我们需要做到两点。

第一, 一定程度的简化。由于人类认识的有限性及认识的迫切性, 采用某种简化的方式是必要的。翻译活动存在着非线性的普遍规律, 对其做系统的理性研究是必要的。因为尽管翻译活动主要涉及不同语言与文化间的个性、差异性、复杂性, 但不同语言和文化的共性构成了翻译的可行性。语言作为思维的物质外壳、思想的物质载体和音义结合的符号系统, 具有相对的稳定性和一定的社会性。

但对于翻译规律的非线性简化研究绝不能只强调静态的语言规律, 而忽视了语言的集体运用——实际交际;而是探求开放的、动态的、使用中的言语规律。这种非线性的简化方式倡导的是翻译研究的理性回归, 即弄清楚翻译研究的主干框架——言语规律:包括人们语言资质与交往资质在内的理论框架。只有确立了主干理论框架之后, 才能更好地调节多元理论的关系, 并形成主干清晰、多元丰富的总体理论模式。

第二, 有限的预测性。在非线性的翻译研究中, 任何人都不可能做到精确预测。这种精确预测是科学技术工具理性所竭力主张的, 据此, 有学者认为翻译理论所要做的就是精确找出解决翻译难点与指导翻译实践操作的规律, 要建立翻译学就必须找出亘古不变的精确规律, 否则翻译学作为一种独立的学科只能是“残缺的艺术”。这种对翻译研究的精确预测不仅是对翻译理论的苛求, 更是对翻译理论的贬低, 因为翻译理论的价值之一在于向人们提供了一个基础, 去探讨更多的其他人文科学的智慧。翻译研究应该持有一种有限预测的怀疑态度, 采取前瞻性的眼光, 致力于对未来翻译活动的指导。这是一种信仰, 译者应该清楚地认识到, 过往的翻译理论只是一个价值判断, 而不是事实陈述, 是基于翻译实践的有限的描述, 而不是对复杂的翻译现象进行长期预测的范本。

2机辅翻译的有限性

经济全球化下交流日益密切。语言交流的必要途径:翻译, 在时代与科技的进步推动下蓬勃发展。与此同时, 科学技术的发展日新月异, 新的知识和信息出现了突飞猛进的增长, 对翻译效率、精确度等方面已被提出更高的要求。在这样的大背景下, 将机器辅助翻译产品应用于翻译已是大势所趋。因为计算机辅助翻译有着先进的记忆技术和开放的记忆库、专业术语库, 为译者提供一个高效和高质量的平台, 从而在一定程度上提高翻译的准确性和实效性, 使得翻译更加简单高效。但是一方面计算机辅助翻译的应用也受到文本本身的制约, 如机辅翻译就不适用于文学文体的翻译。而另一方面, 虽然越来越多的大学、研究机构从事机器翻译或者机器辅助翻译的研究并且取得了丰硕的研究成果, 但是语料资源的缺乏使得翻译产品无法在大规模真实语料下进行测试, 从而导致机器辅助翻译却未能产品化。这两方面的原因导致了机辅翻译的有限性。

2.1计算机辅助翻译工具

现在计算机辅助翻译主要可以解决以下三个方面的问题:1) 翻译记忆技术;2) 术语管理系统;3) 认真校核过程。也就是说计算机辅助翻译主要依赖于语料库, 当需要翻译一个新句子时, 通过检索的办法在语料库总寻找和该句匹配度高的翻译实例, 同时软件可以帮助译者不断地积累翻译语料甚至翻译痕迹。

2.2计算机辅助翻译优势与局限

计算机辅助翻译的优势在于它能使翻译工作更加流畅快捷。译者可以在术语库中检索到重复的词语或者句子, 从而提高翻译的效率并节省出大量时间用于应对其他翻译任务。翻译工具能迅速定义出单词的意义, 译者只需进行简单的计算机操作就可以完成对词语的翻译。机器翻译在特定的专业领域已经成功地加以利用, 如产品说明书、天气预报等一些基于专业语料库的材料的翻译效果还是不错的。但是, 不可否认的是辅助翻译软件也在很大程度上受到专家学者的质疑。首先, 从以上论述可知, 辅助翻译软件可以应用的文本形式有限, 在翻译某些重复率高的文本中, 翻译软件可以做到的自动替代和重新的构建;但是在文学领域, 如诗歌翻译, 计算机辅助翻译基本不能发挥其优势。其次, 辅助翻译受到一些限制性因素的影响, 例如, 句子的复杂性、语言的模糊性及专业上的限制, 其优势无法体现。最后, 辅助翻译软件使用成本高。一套完整辅助翻译软件价格不菲, 而且还要配备高性能计算机, 以上提到的这三个原因是计算机辅助翻译的局限性, 也阻碍了计算机辅助翻译的普及与发展。

3翻译过程的非线性过程决定了机辅翻译的有限性

刘宓庆先生在他的《当代翻译理论》中指出“翻译涉及的是从形式到内容、从语音到语义、从达意到传情、从语言到文化的多层次、多方位语际转换。” (刘宓庆, 1999:41-48) 。也就是说机器翻译要能够实现真正意义上的自动翻译必须跨过对语言的表面分析层次而进入深层次分析, 即实现:对词组的分析;对句子变化的分析;对篇章的宏观分析。所以想要完成如此复杂的任务, 计算机是做不到的。

日常翻译的材料主要可分为三类:表达功能文本、信息功能文本和感召功能文本。就拿表达功能文本来说, 该文本主要用于表达作者的情感和态度, 传达一种美学形式。对于专业翻译工作者来说, 这类文本的翻译也不是件容易的事, 更何况是对于没有任何认知能力的机器。

笔者试图让机器翻译了下面两句:

1.It’s a good father that knows his son.

2.I wish I could bring you to see my point.

机器译文分别为:

1.它是个好父亲, 了解自己的儿子。

2.我希望我能让你明白我的意思。

正确的译文分别为:

1.就算是最好的父亲, 也未必了解自己的儿子。

2.你要我怎么说你才能明白呢。

这两个句子并不具有明显的文学文本特点, 机器翻译已经显示出弊端;所以如果真的让机器来翻译文学作品, 特别是诗歌, 结果可想而知。文学翻译还是应该采取借助机器翻译, 但是由译者占据主导地位指导机器的翻译行为, 而机器只为译者提供翻译记忆、片断匹配、术语统一的服务。

4结语

在翻译文本时, 机器无法理解原文只能做的只是机械性的转码。“因为一个翻译需要以下三方面的知识:独立于上下文的语言知识, 即语义学知识、与上下文相关的语言知识, 即语用学知识和普通常识或世界知识, 即非语言知识 (孙致礼, 1999:4-6) 。”因此想要用计算机翻译来代替或者取代人工翻译还有很长的路要走。目前机器能理解和组织的句子都很简单, 句法还远远没有达到特别是在专门用途语言材料的领域, 人工智能系统还在完善之中。因此, 我们要正确认识人机关系, 既不能因为人脑的优势而去否定电脑所取得的成就, 也不能把电脑同人脑对立起来, 完全地否定人脑, 我们应该促使二者共同进化。另一方面, 我们在使用机辅翻译工具的同时, 必须适度地加入人工干预, 以使文本达到更高的精准度。

参考文献

[1]许钧.翻译概论[M].北京:外语教学与研究出版社, 2009:44-54.

[2]杜玉生.复杂性思维与翻译理论创新[J].湖北大学学报, 2010 (3) .

[3]韩子满.翻译等值论探幽[J].解放军外国语学院学报, 1999 (2) .

[4]杜玉生.复杂性科学与翻译研究[J].学术探索·理论研究, 2011 (3) .

[5]刘宓庆.当代翻译理论[M].北京:中国对外翻译出版社, 1999:41-48.

非线性过程篇2

大跨径悬索桥非线性静风稳定性全过程分析

在综合考虑静风荷载与结构非线性影响的基础上,采用增量与内外两重迭代相结合的方法对大跨径悬索桥静风稳定性进行了全过程分析.以江阴长江大桥为例,验证了该方法的`可行性.最后,探讨了结构布置方式、初始攻角以及主缆的垂度效应等因素对大跨径悬索桥静风稳定性的影响.

作者：程进肖汝诚项海帆 XIANG Hai-fan CHENG Jin XIAO Ru-cheng 作者单位：同济大学,桥梁工程系,上海,92 刊名：同济大学学报（自然科学版） ISTIC EI PKU英文刊名：JOURNAL OF TONGJI UNIVERSITY(NATURAL SCIENCE) 年，卷(期)：2000 28(6) 分类号：U448.25 关键词：悬索桥静风稳定性全过程分析

非线性过程篇3

摘要：事件类网络流行语作为近年来发展迅猛的一类网络流行语是各种因素综合作用的结果。在当今人人都是传播者与受传者的时代，传播信息及传播情境极大地影响传播效果，这一类流向带有强烈的线性特征。

关键词：事件类网络流行语；线性模式；传者；讯息；媒介

中图分类号：TP39 文献标识码：A 文章编号：1671-864X（2016）11-0177-01

研究者基于事件类网络流行语的成因探析，归纳为五个方面：语言因素、媒体因素、网民因素、技术因素、政治因素。王仕勇在《事件类网络流行语的成因探析》一文中提出：事件类网络流行语，主要是指基于特定背景，伴随现实社会事件的发生发展，与特定新闻事件及网络事件相联系的一类网络流行语。[1]

一、传者——把关人对信息的控制

第一，草根传播的盛行。“草根文化，属于在一定时期由特殊的群体、在生活中形成的特殊的文化现象，实质是“亚文化”。草根传播具有平民文化的特质。

目前研究者关于网络流行语创造者有三类，王仕勇在《新闻事件类网络流行语使用行为分析》中指出第一类是事件的知情人或当事人第二类是论坛上的活跃分子，第三类是许多网民一起传播一个新闻中的抢眼语句。[2]众多网民运用网络流行语表达自己的主观感受与看法，很多事件类网络流行语充满了戏谑讽刺的隐喻意味。例如“蓝瘦香菇”，原意指“难受想哭”，由于发布者普通话不标准发音跑偏，“蓝瘦香菇”体火了，各种表情包、诗朗诵、说唱相继出现。

第二，网络大V、媒体传播的推波助澜。网络大V主要是一些学者、名人、明星等，粉丝数量较多，在微博上具有一定影响力。部分大V通过与网络推手、水军合作，形成一个利益链条。法国作家勒宠在《乌合之众——大众心理研究》中写到：聚集成群的人们，感情和思想会转到同一个方向，自觉的个性消失，形成集体心理，易冲动、易变和易躁，易受暗示，易于轻信，情绪夸张而单纯，也会出现偏执、专横、保守的倾向。[3]而网民恰恰符合乌合之众的特质，在这样一个不受约束，开放性与隐蔽性共存的环境中极易发生从众行为。

二、讯息——内容分析的研究领域

媒介产业是内容产业，核心产品是做内容。喻国明在《传播的语法革命和传媒竞争力的构建》中就指出传媒的内容是一个复杂生产过程运作的结果，是社会因素、政治因素和经济因素相互作用产生出来的特别的与众不同的最终产物。[4]新闻内容受社会主导价值观的影响比较直接，而娱乐类传媒内容受经济利益的影响比较直接，但随着市场商品经济的发展，新闻内容逐渐商品化，为吸引噱头和点击量，新闻内容的真实性被大打折扣。现代大众文化已经变成一种随社会发展而出现信息化、商业化、产业化的现代文化形态。近年来，电视剧的生产更加市场化，全球化的经济市场形成多元开放包容的文化氛围。如前段时间热播的网剧《上瘾》一段跨越性别之爱的青春励志爱情故事。网民在疯狂追剧的同时也不忘戏谑调侃，用“上瘾”一词代替男男同性恋或者专指gay。

从社会心理的角度看待网络事件类流行语见证了社会的变迁，反映了在转型时期人们的社会心态。社会行为是人对社会因素引起的并对社会产生影响的的反应和反应系统，而广播、电影、电视、报刊、文艺作品及互联网等大众传媒对个体情绪的影响和感染是社会感染中常见的形式。

三、渠道——传媒本身的研究

信息技术高速发展，开放性和隐蔽性共存，网络媒体和传统媒体发挥了相辅相成的作用。传媒类型的差异，决定了传媒对社会影响的方式、内容、效果的差异。媒介系统依赖论指出在媒介系统和社会系统以及受众系统这三者之间的相互依存关系，媒介系统与其他社会系统之间的互相依赖关系越来越强，媒介的社会影响力就越大。

由互联网所引发的数字化、信息化和全球化革命，正以极其迅捷的速度广泛地影响着人们的社会生活，全方位地改變人类社会的面貌，改变着我们的思考方式、行为倾向、社区形态以及自我认同。王仕勇在《传统媒体与网络流行语的生产传播》一文中指出“网络流行语往往缘起于网络，与社会事件或社会现象相关。传统媒体的介入，加速了网络流行语关涉的社会舆情的传播”[5]如：罗斯福的炉边谈话。

四、受者——受众分析的研究领域

受众是传媒信息的目的地、感受器，是传播过程的反馈信源。由于受众的不同社会性特征，使得传媒对其产生不同的社会影响。当代互联网的主要使用群体是以年轻人为主。“老年人看报纸，青年人进网吧”。从社会分层的角度看待传媒对不同受众群体的影响，依据一定具有社会意义的属性，一个社会成员被区分高低有序的不同等级、层次的过程和现象。网民群体以年轻人为主，年轻人具有求异攀比心理，会倾向于使用这一类网络新词来表明自己追得上时代潮流或者显示自己的时髦感。

五、效果——衡量传播成败的重要尺度

在传播学领域，传播效果这个概念具有双重含义：第一，它指带有说服动机的传播行为在受众身上引起的心理、态度和行为的变化。第二，它指传播活动对受众和社会所产生的一切影响和结果的总体。3按照拉斯韦尔线性传播模式，传播效果研究是传播过程的末端研究。传媒的传播过程从传者开始，传者安排的内容，经过传媒的传播，到达受众，取得传媒效果。传媒效果根据前期的传者的个人魅力、受者的接收程度、讯息的丰富性、渠道的多样性和强度性有很大的关系，直接决定效果的好坏，有的经久不衰有的轰动一时。如：“蓝瘦香菇”这类网络流行语在大学生的日常交流中屡见不鲜，“不过”蓝瘦香菇”注定会和“贾君鹏”“叶良辰”“犀利哥”等谈资一样，落入“偶然创造—突然流行—日益淡化—渐被遗忘”的窠臼。其讯息的意义只不过是切中大众的笑点，契合当代年轻人求异娱乐的心理，长期效果会逐渐减退甚至是消失。

参考文献：

[1]王仕勇，陈聪.事件类网络流行语的成因探析[G].新闻与传播，2014，（18）

[2]王仕勇，陈晏.新闻事件类网络流行语使用行为分析[J].新闻研究导刊，2013，（11）

[3][法]古斯塔夫.勒宠.乌合之众——大众心理研究[M].冯克利，译.桂林：广西师范大学出版社，2008

[4]喻国明.传播的语法革命和传媒竞争力的构建[J].对外大传播，2007，（12）

[5]王仕勇，殷俊.《传统媒体与网络流行语的生产传播》[G].新闻与传播，2014，（18）

非线性回归的自动化建模过程篇4

在技术、经济、社会等诸多研究领域中, 存在着大量的非线性问题。在进行非线性回归建模的过程中, 如何确定模型的非线性形式一直是应用中的难点和热点问题。在很多实际工作中, 分析人员经常会根据自身经验来尝试各式各样非线性模型形式。这种通过人为判断以及反复实验的过程来确定的非线性模型, 往往很难找到可以遵循的计算规律, 也使得建模工作量变得很大[1,2,3,4]。

在此类问题的研究中, 存在着许多经验式的工作方法。而在理论方法研究中, 贡献突出的是F.S.Fogelman (2006) 提出的工业化建模过程[6]。她通过采用多项式函数构造拟线性回归模型的办法, 将非线性模型变换成线性模型, 然后再采用交叉有效性的方法确定最终的模型形式。该方法为研究非线性回归的自动建模机制提供了重要的研究思路, 但是在实际应用中还存在一定的局限性。首先, 它在函数形式的选择上存在较大的局限性。事实上, 除了多项式函数形式外, 在自变量之间还有可能存在更加复杂的函数形式。其次, 在对多项式函数做拟线性的变换后, 在自变量的集合中会存在严重的多重共线问题。如果采用经典的最小二乘方法进行变量筛选, 必然会受到多重共线问题的影响[1,2,3,4], 从而破坏模型的精度和可靠性。

在工业化建模过程的思想基础上, 本文拟讨论一种更加广普的非线性回归的建模方法。该方法的主要特点是在建模过程中, 研究人员可以根据经验和猜测, 设置多种备选的非线性函数形式。然后, 采用基于Gram-Schmidt过程的变量筛选方法[5], 选择对因变量解释性最强的函数形式, 排除对因变量无显著解释作用的函数形式。此外, 在模型中还要删除所有冗余的函数形式, 从而克服拟线性模型中的多重共线问题。

在回归模型质量评估的操作上, 传统的建模技术主要是要考虑模型的拟合效果。为了保证模型的预测效果和稳健性, Francoise Fogelman-Soulie、Erik Marcade (2006) 提出了基于统计机器学习的模型选择方法[6]。该方法将数据集划分为训练集、确认集和测试集, 利用训练集对所有的备选模型进行数据拟合, 利用交叉有效性验证的方法在确认集检验模型的预测效果, 从中选择最好的模型, 最后利用测试集来评价模型的总体效果。具体的模型选择过程如图1所示。

上述模型选择的过程的优点是可以更好地保障回归模型的预测效果, 同时能够自动的确定回归模型的形式, 并给出模型的质量检验, 实现了建模的自动化过程。

而为了进一步加强回归模型的稳健性, 本文在上述模型选择方法的基础上, 通过多次随机抽样的方法, 对分析数据集合进行随机分割, 并反复重复上述交叉有效性的建模过程[7]。在经过多次建模计算后, 在诸多的模型结果中, 被选中次数最多的模型形式即为最终被确定的模型。

2 非线性回归自动建模过程

本节主要介绍非线性回归自动建模过程, 其中包括备选模型集合的构建、筛选方法以及模型质量评价的方法。

第1步, 采用随机不放回抽样的方法将全部数据集划分为3个部分, 即从全部数据集中随机抽取50%的样本作为训练集, 25%的样本作为确认集, 最终剩余的25%的样本作为测试集[6]。

第2步, 根据应用研究人员的实际经验, 设定模型中的各种备选函数形式。即在回归模型的自变量项中增加各种可能的非线性项。例如在一元非线性回归的建模过程中, 针对自变量x, 可以假设在模型中还有可能存在x2, x3, x4, lnx, ex, 1/x等形式的非线性项。于是, 备选模型集合将从这些可选项中产生。

第3步, 利用训练集中的数据, 采用基于Gram-Schmidt过程的回归方法[5], 对模型中的函数形式进行筛选。该方法可以选择对因变量解释性最强的函数形式, 排除对因变量无显著解释作用的函数形式, 同时还会删除所有冗余的函数形式。在建模过程中, 通过采用确认集的数据, 对模型进行交叉有效性分析, 从而确定本次被选中的模型形式。该模型被称作是一个“备选模型”[8]。

重复第1～3步n次, 得到n个备选模型。在经过多次建模计算后, 在诸多的模型结果中, 被选中次数最多的模型形式即为最终被确定的模型。

依照上述方法确定最终的模型形式后, 再利用全部数据集来计算模型参数, 这样, 一个最优回归模型便选择完毕。

为了衡量最终被选中模型的质量, 可将n次随机划分的测试集分别代入所得到的最终回归模型, 并计算该测试集的残差平方和, 这样可以得到该模型的残差平方和的分布情况。

为了进一步说明上述建模过程, 下面以一元非线性回归为例, 说明其自动化的建模过程。在该模型中, 因变量为y, 自变量为x.

步骤1:假设在回归模型中还存在其它非线性形式的函数, 如x2, x3, x4, lnx, ex, 1/x, 等等。

步骤2:确定进行模型选择的次数n.

步骤3:对于i=1, 2, …, n, 重复下列步骤3.1～3.3。

步骤3.1:针对全部数据集合, 利用不放回抽样的方法随机选取50%的数据作为训练集, 25%的数据作为确认集, 最后25%的数据作为测试集。

步骤3.2:对于变量x极其所有的非线性展开项, 记数量为m, 则产生m个备选模型, 记备选模型为M1～Mm.对于j=1, 2, …, m, 重复步骤3.2.1～3.2.3。

步骤3.2.1:前j项变量进入模型选择过程。

步骤3.2.2:在训练集中, 建立基于Gram-Schmidt过程的回归模型, 记该模型为Mj, 并确定回归模型变量的系数。

步骤3.2.3:将备选模型Mj代入确认集中, 计算Mj在确认集中的因变量y的误差平方和。

步骤3.3:选择误差平方和最小的模型为第i次选择过程中被选中的模型, 记该模型为Mk (k=1, 2, …, m) , 并记录Mk被选中的次数。

步骤4:选取被选中次数最多的模型作为最终选中的模型, 记该模型为ML.

步骤5:利用全部数据集计算回归模型ML的参数。

步骤6:将n次测试集的数据分别代入到模型ML中, 计算因变量y的估计残差平方和, 并绘制直方图来评价模型的质量。

以上给出了一元非线性回归的自动化建模过程。而事实上, 多元非线性回归模型的自动化建模过程可以完全仿照上述过程加以实施。

3 仿真研究

本节将通过仿真实验来说明文中所提的回归模型选择方法的有效性。为此, 首先采用随机数发生器令x服从 (0, 1) 均匀分布, 生成1000个随机数。并在此基础上构建自变量集合与模型因变量y:即在自变量x1=x的基础上分别得到 $x_{2} = x^{2}, x_{3} = x^{3}, x_{4} = x^{4}, x_{5} = \ln x, x_{6} = e^{x}, x_{7} = \frac{1}{x}, y = 2 x_{1} + 3 x_{2} + 5 x_{5} + ξ$ .这里, ξ～N (0, 0.1) 。这样, 构造的回归模型表达式为y=2x1+3x2+5x5, 即y=2x+3x2+5lnx.

本节首先采用以往常常采用的建模方法, 即利用全部数据采用基于Gram-Schmidt过程的回归方法对该数据集合进行回归建模。

经文献[5]中所提到的基于Gram-Schmidt过程的回归方法对总体数据进行回归分析后, 进入回归方程的自变量项目分别是x2, x4, x5, x6, 具体的回归模型表达式为

y=1.682x2-0.208x4+4.994x5+2.069x6-2.080

即

$y = 1.682 x^{2} - 0.208 x^{4} + 4.994 l n x + 2.069 e^{x} - 2.080 (模型 1)$

可见, 仿真模型中最初所设定的自变量项并没有完全进入最终的回归模型中, 也就是说当初所设定的模型形式没有被选择到。

下面采用本文所提出的模型选择方法对该数据集进行回归模型的选择。

经100次模型选择过程, 最终选择结果如表1所示。

回归模型选择的结果是被选中次数最多的模型形式, 即此回归模型选择的模型表达式为y=β0+β1x+β2x2+β3lnx.可见, 仿真实验中当初所设定的回归模型表达形式被选择出来。

在模型形式被确定之后, 下面便使用数据集中所有的数据来确定回归模型的参数。经计算, 具体的回归模型表达式为

$y = 1.960 x + 3.063 x^{2} + 4.995 l n x - 0.006 (模型 2)$

为了衡量模型1与模型2的建模质量, 将两个回归模型表达式分别代入在模型选择过程中的测试集中, 计算每个测试集中的因变量y的离差平方和, 这样可以查看两个模型在所有测试集上因变量离差平方和的分布情况。具体结果见图2与图3。

从图2和图3可以看到, 模型2的离差平方和的分布明显右偏于模型1。同时, 模型1的离差平方和均值为2.68, 而模型2的离差平方和的均值为2.55, 也小于模型1。可见, 在测试集的建模质量表现上, 模型2要明显优于模型1, 也就是说利用交叉有效性的方法进行模型选择所得到的模型在预测效果和模型的稳健型上要优于基于Gram-Schmidt过程回归方法所建立的模型。

4 总结

本文讨论了一种非线性回归自动建模过程。分析人员可以根据自身需要, 建议在模型中放入自变量可能存在的多种非线性形式。文中首先将基于Gram-Schmidt过程的回归方法与交叉有效性分析相结合, 构造出备选的回归模型集合。然后, 在反复多次地构造备选模型后, 采用投票的方式, 挑选出被选中次数最多的模型作为最终确定的回归模型。这里, 如果样本数据足够, 可以采用抽样的方式对数据集合进行划分;如果是小样本情况, 则可以采用“留一法”[7]进行交叉有效性检验。仿真研究表明, 采用本文所提出的自动化建模方法, 可以合理有效地确定最终模型, 并且其模型还具有较好的稳健性和预测效果。

参考文献

[1]任若恩, 王惠文.多元统计数据分析——理论、方法、实例[M].北京:国防工业出版社, 1997:52~60.

[2]王惠文.偏最小二乘回归方法及其应用[M].北京:国防工业出版社, 1999:30~41.

[3]内特等.应用线性回归模型[M].张勇, 王国明, 赵秀珍译.北京:中国统计出版社, 1990:101~116.

[4]Wold S, et al.The multivariate calibration problemin chemistry solved by the PLS method[A].Proc.conf.matrix pencils, Lectures notes in mathematics[C].Heidelberg:Springer-Verlag, 1983.

[5]王惠文等.Gram-Schmidt回归及在刀具磨损预报中的应用[J].北京航空航天大学学报 (自) , 2008, (6) :729~733.

[6]Soulie-Fogelman F.L’industrialisation des Analyses-Besoins, Outils&Application[Z].Conférence deKnowledge Extraction Engines, 2006.11.INA-PG.

[7]Witten I H, Frank E.数据挖掘实用机器学习技术[M].董琳等译.北京:机械工业出版社, 2006:125~132.

非线性过程篇5

由于非线性系统的复杂性, 精确建模比较难, 成为实际应用中的瓶颈之一。神经网络以其自学习能力, 强大并行处理能力和容错能力而被广泛应用于模式识别、图形处理、非线性控制等领域。文献[6]提出了由神经网络建模的方法, 具有优良的控制性能。但神经网络存在局部极小点, 过学习以及结构和类型的选择过分依赖于经验等固有的缺陷, 在一定程度上限制了其应用范围。

Vapnik提出了一种新的小样本机器学习方法SVM (支持向量机) , 克服了神经网络的种种缺陷。本文给出了基于标准支持向量机的建模方法, 在改进核函数的基础上, 对焊接过程进行的辨识, 表明SVM辨识能力强。

1SVM回归

SVM回归的基本思想[1,5,7]是:首先用非线性映射将训练数据映射到一个高维特征空间, 然后在这个空间中建立一个线性回归函数, 依据结构风险最小化原则, SVM回归的学习可用优化问题来描述:

undefined (1)

式中, C为正常数, ξj、ξj*为松弛变量。引入Lagrange函数, 优化问题 (1) 等价于二次规划:

这里, α、α*为Langrage乘子, 二次规划的解中只有部分系数 (αi-α*i) 不为零, (αi-αi*) 不为零所对应的样本就是支持向量。由支持向量得到SVM非线性回归函数:

undefined (3)

式中, 常值偏差b可以利用KKT条件解出, 使最优点的拉格朗日乘子和约束条件的乘积为零, 即:

从而, 得到常值偏差b:

2核函数

设x、x′∈X, X⊆Rn, 非线性函数ϕ实现输入空间X到输出空间F的映射, 其中F⊆Rm, n<

K (x, x′) =〈ϕ (x) , ϕ (x′) 〉

可以看出, 核函数将m维高维空间的运算转化为n维低维空间的运算, 巧妙地解决了高维空间的维数灾问题, 进而可以很好地在高维空间进行回归运算[4]。

定理k:X×X→R是核函数当且仅当它是正定的[2]。

核函数的引入极大地提高了学习机器的非线性处理能力, 同时也保持了学习机器在高维空间中的内在线性, 从而使得学习很容易得到控制。SVM通过使用核函数, 实现了在高维特征空间中样本的线性分类, 即核函数将原空间的数据隐含地表示在高维的特征空间中, 并在其中训练了一个线性的分类器, 训练过程并不需要知道具体的非线性映射。每一种核函数都有自己的优点和缺点, 不同的核函数所表现出的特点各不相同, 由它们所构成的SVM的性能也完全不同。如下是非线性建模时, 常用的rbf核函数:

undefined (6)

因为减少支持向量 (Support Vector) 个数可以提高SVM的推广能力, 即提高辨识性能, 根据这个原理, 本文对rbf核函数进行了改进:

undefined (7)

3SVM建模方法

对于一个离散单输入单输出非线性模型:

y (k+1) =f [y (k) , y (k-1) , …, y (k-n) , u (k) , u (k-1) , …, u (k-m) ] (8)

式中u (k) 和y (k) 分别代表系统在k时刻的输入和输出。记:

x (k) =[y (k) , y (k-1) , …, y (k-n) , u (k) , u (k-1) , …, u (k-m) ] (9)

从而建立SVM学习样本集 (y (i) , u (i) ) , 此时由SVM回归便可估计系统的模型为:

undefined (10)

4焊接过程的辨识

焊接技术[3]是工业制造领域的一种重要技术, 它被广泛地应用于制造业的各个领域。

图1 所示的HPDDL WELDING是一种高功率的直接二极管激光焊接技术, 在焊接过程中, 激光束角度, 激光电流和焊接速度是输入变量, 焊缝宽度是输出变量。

因激光电流变化微弱, 我们固定激光电流和激光束角度, 从而采样得到焊接速度和焊缝宽度的两组数据。该数据是在美国肯塔基大学自动检测和应用控制实验室, 经严格的实验而采样得到的。

第一组数据:为了精确得到动态性能, 我们采用PRTS信号 (伪随机三阶信号) 作为输入, 采样得100个点, 用作训练样本。

第二组数据: 阶跃信号可以很好地检验系统是动态和稳态特性, 因此, 给定阶跃输入信号, 采66个点, 用作测试样本。

但由于焊接过程的强非线性, 系统建模并不容易, 本文针对焊接过程的非线性模型, 提出了一种SVM建模方法, 仿真表明该方法的有效性。

SVM建模时所选的设计参数: σ=2, ε=0.01, C=100。

从图2可以看出, 基于rbf核函数的辨识, 振荡比较严重; 从图3可以看出, 基于改进核函数的辨识, 动态性能明显改善, 系统可以很快趋于稳定。但是, 由于焊接过程的强非线性、强噪声、扰动, 图中超调部分未能完全拟合。

5结论

本文用SVM解决非线性未知焊接过程的建模问题, 给出了基于标准支持向量机的建模方法。在修改核函数的基础上, 得到了很好的辨识效果。实验表明SVM有很好的建模性能。

本文的创新点:针对激光弧焊接过程, 提出了基于支持向量机的建模方法, 而且改进了核函数, 辨识性能比较好。

摘要：针对激光焊接过程非线性系统建模困难的问题, 研究基于支持向量机的非线性系统回归建模方法。支持向量机由核函数与训练集完全刻画, 进一步提高支持向量机性能的关键是针对给定的系统设计恰当的核函数。用改进的核函数, 对具有典型非线性特性的焊接过程进行辨识。仿真结果验证了该方法的有效性。

关键词：支持向量机,核函数,非线性系统,焊接过程,辨识

参考文献

[1]张浩然, 韩正之.基于支持向量机的未知非线性系统辨识与控制[J].上海交通大学学报, 2003, 37 (6) .

[2]王国胜.核函数的性质及其构造方法[J].计算机科学, 2006, 33 (6) .

[3]Peiyong Duan, Yuming Zhang.CMAC Based Modeling and Closed LoopControl of HPDD Laser Welding System[J].Intelligent Control andAutomation, the Sixth World Congress on, 2006.

[4]王华忠, 俞进寿.核函数方法及其模型选择[J].江南大学学报, 2006, 5 (4) .

[5]Johan A, Suykens K.Nonlinear Modelling and Support Vector Machines[J].IEEE Instrumentation and Messurement, 2001:21-23.

[6]赵彤, 谭永红.迟滞非线性动态系统神经网络自适应控制[J].计算机仿真, 2004, 21:104-107.

非线性过程篇6

pH值的测量与控制在工业生产中非常普遍, 如采用生物法处理废气时, 由于pH值对溶液的性质、化学反应速度、生成物的成分、性质及微生物的生长和新陈代谢等, 均有很大影响, 为了保持微生物的活性, 最大限度地提高废气处理效率, 必须对生物滴滤池循环水的pH值根据测量的结果用中和剂处理。由于酸碱中和过程滴定曲线具有很强的非线性特性, 尤其是在中和点附近过程增益极高, 对干扰非常敏感, 再加上检测过程的纯滞后环节, 使得对pH值的控制极其困难。一些常规的控制方法[1,2]只是对广义对象的非线性特性采取了补偿措施, 当控制精度要求较高时, 很难取得令人满意的结果。文献[3]将基于自适应粒子群优化的非线性模型预测控制算法应用于pH值的控制, 在输入受限时取得了较好的控制效果。Norquay[4]提出了一种基于Wiener模型的控制方法, 将过程的非线性特性从对象中分离, 克服了控制回路的非线性, 取得了良好的效果, 但针对非线性系统还没有通用的辨识方法, 使其在实际应用中受到限制。

预测控制是直接从工业过程控制中产生的一类新型控制算法, 动态矩阵控制是其中应用较广的一种, 它对对象模型要求不高, 具有很好的鲁棒性。本文针对废气处理中滴滤池的酸碱中和过程, 建立了对象的Wiener模型, 提出了基于此模型的带有自校正参数辨识的非线性动态矩阵控制方法 (NDMC) , 在进行对象的参数辨识时采用最小二乘法来实施参数辨识, 以此提高模型失配时的鲁棒性。仿真实验证明这种方法具有良好的控制性能。

2 pH中和过程的机理模型

滴滤池的中和反应过程如图1所示, 由于微生物在分解有机气体时会产生酸性物质, 使得过程流 (滴滤液) 呈酸性, 为了保持滴滤液的pH值为7或偏碱性, 需要向中和反应池中加入碱液以中和滴滤液。

若过程流被某种强碱溶液 (NaOH) 所中和, 并假设过程流与碱液先经充分调匀后发生中和反应, 则由质量平衡关系得到[5]:

undefined

x2-x1=[OH-]-[H+]=10pH-14-10-pH=x

式中:F1——过程流流量;c1——过程流氢离子浓度;F2——中和流 (碱液) 流量;c2——中和流氢氧根离子浓度;V——反应池体积;x1, x2——未发生反应时中和池内的酸和碱的浓度 (分别用离解后的氢离子与氢氧根离子浓度来描述) 。

为方便起见, 假设液体在反应池的停留时间基本不变为:

undefined

则式 (1) 和式 (2) 等价于:

undefined

对于化学溶液的酸度和碱度, 通常可用pH值来表示, 可用数学表达式将其表示为:

undefined

式中:x——溶液中酸碱浓度之差;KW=[H+][OH-]——平衡常数, 在25 ℃时, 其值为10-14。此函数表示的变化曲线即为滴定曲线, 由此可见它是一条典型的非线性曲线。式 (3) ～式 (5) 即为pH中和过程的动态数学模型, 由此可认为广义对象的非线性是由式 (5) 引起的, 这样引入非线性对象的线性化变换, 将非线性特性分离, 从而可以构造过程对象的Wiener模型, 如图2所示。

若中和液流量F2远小于过程流流量F1, 且过程流流量F1恒定, 则式 (2) -式 (1) 得:

undefined

式中:F2——控制量;x——输出变量, 则可得传递函数为:

undefined

式 (3) ～式 (5) 分别对应图2中的动态线性环节和静态非线性环节。由此模型可以看出当把酸碱平衡浓度x而不是pH值作为被控输出时, 就可以把非线性预测控制问题转化为易于求解的线性预测控制, 由对象的动态模型可知, 此时能把过程的非线性特性从对象中分离。

3 非线性预测控制器的设计

由前述可知酸碱平衡浓度x与控制量F2为一一对应的线性关系, 这时模型的一步预测输出为:

undefined

式中:undefined——模型的线性映射关系;n, m——过程输出和输入在模型中的阶数。

通常预测控制都采用多步预测, 设预测步长为P, 在t时刻, 过程输出的多步模型预测可以表示为:

undefined

当i>k时, x (i) 为未知量, F2 (i) 为待求的控制量。

取酸碱平衡浓度x为被控输出, 这时考虑动态矩阵控制的优化性能指标:

undefined

式中:qi, rj——预测输出误差与控制量的加权系数;P——预测时域;M——控制时域, 一般有M≤P, 则认为k+M-1时刻后控制量不再改变;Ω——允许控制域, 它可以由过程的各种约束共同构成;xr (k+i) ——参考轨迹, 通常采用从现在时刻实际输出值出发的一阶指数函数形式:

undefined

式中:ω——输出设定值;T——采样时间;τ——参考轨迹时间常数。

这样动态矩阵控制的求解就转化为最优化问题, 实时地求出目前及将来时刻要采取的控制序列F2 (k) , F2 (k+1) , …, F2 (k+P-1) , 以满足约束条件并使J最小。当过程模型为线性, 系统无约束时, 可以得到解析表达式形式的解。在k时刻, 虽然已经求出了当前及未来时刻的最优控制量, 但需要实施的只是F2 (k) 。到了F2 (k+1) 时刻, 由于又获得了新的测量数据x (k+1) , 可以递推预测, 再次求解, 实施新的F2 (k+1) 。这样, 在每个采样时刻都重复动态矩阵控制算法一次, 求解此线性优化问题得到的DMC增量控制律为:

ΔF2 (k) =cT (ATQA+R) -1ATQ[xr (k) -xp0 (k) ] (7)

式中:ΔF2——M维控制增量;Q——预测误差权阵;R——控制权矩阵;A——预测模型的阶跃响应系数阵;M维行向量cT=[1 0 0…]表示取首元素的运算, 在k时刻, 虽然已经求出了当前及未来时刻的最优控制量, 但需要实施的只是F2 (k) ;xr——经一阶滤波器柔化后的跟踪轨迹;xp0 (k) ——k时刻模型的预测输出。

为了得到更好的控制效果, 动态矩阵控制采用闭环控制算法。在k时刻, 实际对象输出测量值x (k) 与预测模型输出x (k) 之间的误差为:

undefined

利用该误差对预测输出undefined进行反馈修正, 得到修正后的输出预测值xp0为:

xp0=Xpast+H·e (k) (8)

式中:e——建模误差;H——误差反馈系数阵;Xpast——k时刻以前施加在系统上的控制增量产生的模型输出。

xp=A·ΔF (k) +xp0 (k) (9)

将xp0代入式 (7) 即可得出当前的控制增量ΔF2。这样就在动态优化中排除了非线性关系 (5) 的影响, 控制器结构如图3所示。

图中Gm为中和过程的阶跃响应模型, NL-1所表示的非线性环节即式 (5) 描述的滴定方程的逆过程。以上所述的预测模型是动态矩阵控制的基础, 模型预测的准确性决定了控制的性能。

4 中和过程的参数辨识

对于酸碱中和过程来说, 由于存在各种过程干扰, 过程流中存在一定浓度的未知化学成分, 我们获得的对象模型只是真实对象的一个近似模型。当存在模型失配时, 预测控制算法在选择校正参数时就面临着抗干扰性和鲁棒性的矛盾, 尤其是对象带有强非线性特性时, 微小的误差就会使输出的pH值在中性点附近发生很大的波动。针对这个矛盾, 在预测控制的基础上引入自校正机制, 可以把抗干扰性和鲁棒性分别划分到基础预测层和自校正层处理[6]。通过自校正层在线辨识对象的阶跃响应系数, 使模型尽可能快地跟踪对象的变化, 并以此来修正控制律, 即根据实际对象的输入、输出数据对对象的参数进行辨识, 如图3中, 对对象的阶跃响应模型进行实时的参数辨识。这样DMC的控制参数选择就只须考虑抗干扰性。

把中和液流量F2看作控制量u, 取对象模型结构为:

pH (k) =u (k) ·θ+e (k) (10)

式中:θ=[a1…an]T——待辨识模型参数矩阵;e——模型误差。

这里为了方便地获取输入/输出数据样本集, 最初在F2加上一系列的伪随机信号, 得到输出数据, 以此作为参数辨识所用的k组输入/输出数据, 为了使模型拟合的残差平方和最小, 取目标函数J′ (k) 为:

undefined

要使J′最小, 需:

undefined

式中:λ——遗忘因子, 通常选为0.95≤λ≤0.995;U, pH——输入/输出矩阵, 且都是已知数据, 因此可得到最小二乘估计:

undefined

再由第k+1组观测数据得到最小二乘估计的迭代算式:

undefined

K (k+1) =P (k) u (k+1) [λ+uT (k+1) PNu (k+1) ]-1 (14)

其中:

undefined

P (k) =[uT (k) u (k) ]-1 (16)

在对象模型较为稳定时, DMC算法本身具有较好的鲁棒性, 为了减小计算量, 可以不必在整个过程中采取参数辨识策略, 只有当残差e过大时, 才进行以上辨识过程。

5 仿真实验结果

根据前述机理模型, 酸碱中和过程可用一阶系统来等价, 通过对系统的辨识, pH过程增益为K=2, 时间常数T=9, pH计检测传递函数为:G (s) =Kme-2s, 所以本文研究的滴滤池中和反应过程的传递函数可近似为:undefined。取预测时域长度P=20, 控制时域长度M=3。对于作用于对象的阶跃形式的扰动, 如图4所示, 算法总能使pH值回到原设定值, 在100 s时阶跃给定由7降到4时, 常规DMC和本文中的NDMC算法均能使输出快速地跟随给定值, 此时两种算法都显示了良好的鲁棒性。

但当过程流中存在扰动时, 如果此时加入未知浓度的酸液, 使pH值发生波动, DMC算法的控制效果很不理想。如图5所示, 在100 s时, 对象模型发生变化, 这时DMC算法的pH值输出出现剧烈的变化, 而采用NDMC算法, 在算法中加入对象模型参数的辨识后, 此时对象的输出结果明显得到改善, 可见本文算法较常规DMC有较好的鲁棒性。此时模型输出与实际对象输出之间的偏差变化如图6所示, 说明辨识结果是比较令人满意的。

6 结论

本文针对线性DMC在pH值控制中存在的缺陷, 提出了一种基于Wiener模型的非线性DMC方法。由于引入了对象模型的参数辨识, 可以将抗干扰性和鲁棒性分层优化, 尽可能地使预测模型失配度降低, 使得预测模型能够得到修正, 并以此来修改控制量, 克服了线性DMC对于强非线性系统的缺陷。实验表明该方法能够快速跟踪给定值的变化, 即使对象存在模型失配时, 也能取得比线性DMC更好的控制效果, 具有良好的抗干扰性和鲁棒性。

摘要：化工生产过程中常常涉及到pH值的控制, pH中和过程具有很强的非线性特性。通过对中和过程非线性特性的分析, 引入了对象的Wiener模型, 将中和过程的非线性特性分离。同时针对线性动态矩阵控制 (DMC) 存在的问题, 采用分层优化的策略, 提出了基于此模型的带有自校正参数辨识的非线性动态矩阵控制算法, 实现了pH值的高精度控制。该方法具有很强的稳定性和鲁棒性, 对于抑制过程流中存在的扰动, 取得了比线性预测控制更好的控制效果。

关键词：pH值控制,Wiener模型,动态矩阵控制,参数辨识

参考文献

[1]SALEHI S, SHAHROKHI M, NEJATI A.Adaptive NonlinearControl of pHNeutralization Processes Using Fuzzy Approxima-tors[J].Control Engineering Practice, 2009, 17 (11) :1329-1337.

[2]ELARAFI M, HISHAMS B.Modeling and Control of pH Neu-tralization Using Neural Network Predictive Controller[C]//In-ternational Conference on Control, Automation and Systems.2008:1196-1199.

[3]夏晓华, 刘波, 栾志业, 等.基于APSO的非线性预测控制及在pH中和反应中的应用[J].化工自动化及仪表, 2006, 33 (1) :24-27.

[4]NORQUAY S J, PALAZOGLU A.Model Predictive ControlBased on Wiener Models[J].Chemical Engineering Sci-ence, 1998, 53 (1) :75-84.

[5]王树青.工业过程控制工程[M].北京:化学工业出版社, 2002.

非线性过程篇7

对于汽油调合辛烷值模型,学者们已经提出了一些典型的建模方法。Zahed A H等基于实验方法来预测调合汽油辛烷值[2],此方法需要已知各组分油的辛烷值、流量,模型中参数需要通过实验数据进行回归分析得到; 李信等提出一种基于最小二乘支持向量机的方法对辛烷值进行预测建模[3]; 张希发等通过确定汽油辛烷值与烃族组成的定量关系来建立汽油调合模型[4]。对于调合优化问题,黄彩凤等采用机会约束规划进行求解[5],将优化问题中带不确定参数的约束以概率形式加以表示,从而将随机规划问题转化为相应的确定性规划问题进行求解。袁奇等将全局群搜索优化算法运用到汽油调合上[6],提高了优化过程的收敛速度和性能。Mendez C A等将汽油调合混合整数非线性规划问题转化为一系列的混合整数线性规划问题进行求解[7],以获得最优的组分油流量。

笔者将汽油调合过程分解为若干个短周期,在每一个短周期内用线性化模型来近似描述调合汽油辛烷值等质量指标,并基于该线性化模型,采用常规的线性规划算法以获得调合过程中的最优组分油流量比。在此基础上,针对汽油调合优化过程进行了较为深入的仿真实验研究,并就在线分析仪测量误差及原料价格发生变动等情况对动态优化过程的影响进行了分析。

1 汽油管道自动调合系统结构①

某炼油厂汽油管道调合工艺采用5 种组分油,分别为催化汽油、重整汽油、MTBE、石脑油和非芳,将它们按照一定的比例混合,可同时生产出符合国IV标准的93#、97#汽油或者国V标准的92#、95#汽油。组分油中的催化汽油、重整汽油和非芳均直接来自于各自相应的生产装置,无中间缓冲罐,同时流经一个管道,其进料全部参与调合。为方便对调合过程进行描述,以93#汽油为例,将此管道输送混合油等价为催化汽油,由此简化后的汽油调合系统如图1 所示。其中催化汽油为主组分油,低辛烷值的石脑油和高辛烷值的MTBE作为辅助组分油,其进料流量r2和r3按照一定的比例参与调合。将3 种组分油同时输入管道混合器,最终目标是在生产出质量指标合格的93#汽油的前提下,使调合利润达到最大化。流量的调节回路由流量变送器FT、流量控制器FC和控制阀组成,流量控制器设定值由比值控制器提供。比值控制器的输入为石脑油、MTBE与催化汽油流量比值的最优值u2*、u3*,输出为石脑油流量设定值( F2sp) 和MTBE流量设定值( F3sp) 。优化控制器依据当前产品质量与卡边值之间的偏差,实时计算最优流量比u2*和u3*,以生产出质量合格的调合汽油,并使调合利润最大化。

2 汽油在线调合优化问题的数学描述

汽油调合过程的优化目标是在满足调合汽油各项质量指标要求的前提下,使调合利润最大化,其目标函数可表示为:

式中c1、c2和c3———催化汽油、石脑油和MTBE的成本价格,元/吨;

cp———成品汽油的市场销售价格,元/吨;

r1、r2和r3———催化汽油、石脑油和MTBE的流量,m3/h。

由于c1、c2、c3和cp短期内保持不变,单位催化汽油所得的最大调合利润J为:

其中,u2为石脑油与催化汽油的流量比值,; u3为MTBE与催化汽油的流量比值,。

笔者假设催化汽油和石脑油的氧含量为0,MTBE中的芳烃含量为0。因而,质量指标约束可表示为:

其中,x11、x12、x13分别为催化汽油、石脑油和MTBE的辛烷值; x21、x22分别为催化汽油、石脑油的芳烃含量,% ; x33为MTBE的氧含量,% ; y1、y1min分别为调合汽油的辛烷值及其目标控制下限; y2、y2max分别为调合汽油的芳烃含量及其目标含量的上限,% ; y3、y3max分别为调合汽油的氧含量及其目标含量的上限,% 。

流量比值和流量比值变化量约束可表示为:

其中,u2max为石脑油与催化汽油流量比值控制上限; u3max为MTBE与催化汽油流量比值控制上限; Δu2max、Δu3max分别为石脑油、MTBE与催化汽油流量比值变化量上限。

3 调合模型的建立和问题求解

为了求解上述优化问题,需先建立调合汽油3种质量指标与组分油的质量指标和流量比值之间所对应的函数关系。

3.1调合模型的建立

调合汽油的芳烃含量和氧含量与组分油的质量指标和流量比值之间满足线性可加,即:

辛烷值的调合具有非线性效应,预测调合辛烷值的模型主要有Ethyl-70 模型、交互模型及神经网络模型等。其中交互模型[8]是很早就由Morris W E等提出且之后不断进行改进的经典模型,其曲线如图2 所示。

因为在汽油调合过程中,催化汽油为主组分油( 70% 以上) ,由图2 直线b可近似得到调合汽油辛烷值:

把上述情况推广应用到3 种组分油的混合过程中,同理可得调合汽油的辛烷值:

也即:

其中,z1、z2和z3分别为催化汽油、石脑油和MTBE的流量体积分数(%),;x12*和x13*分别为石脑油和MTBE的表观辛烷值。

3.2问题求解

通过在线分析仪可实时检测出该时刻调合汽油的辛烷值、芳烃含量和氧含量yim( k) ( i = 1,2,3) ,相互间满足以下关系:

若在下一时刻ui( k) ( i = 2,3) 变化为ui( k +1) ,假设各组分油的质量指标仅在一定范围内缓慢波动,则有:

以辛烷值为例,k + 1 时刻调合汽油的各项质量指标y1( k + 1) 可近似为:

在k + 1 时刻,调合汽油质量指标应满足约束,可得:

结合式( 12) 、( 15) 和( 16) 可得:

同理,对芳烃含量和氧含量的约束条件可转化为:

由式( 17) ~ ( 19) 可知,为求解上述约束条件,除调合汽油外,还需要利用在线分析仪对石脑油与MTBE的质量指标进行实时检测,以计算下一周期调合汽油的质量指标。

将上述各式化简后,短周期内的汽油调合优化问题可近似为:

也可转化为求解形如的线性规划问题。

4仿真研究

通过Matlab软件中的Simulink平台搭建汽油调合优化仿真模型,仿真结构框图如图3 所示。

调合过程对象模型以状态变量u2(k)和u3(k)为输入,得到当前时刻所对应的调合汽油辛烷值y1、芳烃含量y2和氧含量y3,受汽油组分管道混合过程及在线分析仪表测量特性等方面的影响,调合过程具有一定的纯滞后和一阶惯性特性,因而调合汽油在线分析仪所测得的yim可表示为,其中T、τ分别表示惯性时间和纯滞后时间。将调合汽油指标的测量值反馈输入到优化控制器,并将石脑油与MTBE的质量指标测量值一并作为输入,根据第3节所讨论的问题求解方法,求出流量比值变化量Δu2和Δu3,进而可得到下一时刻的流量比u2(k+1)和u3(k+1)。再将其作为调合过程对象模型的输入,重复上述过程,直到仿真过程结束。

4. 1 动态优化过程实验

对于单位催化汽油进料,假设初始的石脑油流量和MTBE流量均为0。设催化汽油、石脑油和MTBE研究法辛烷值的初始值分别为92、65 和115,初始芳烃含量分别为30% 、10% 和0% ,初始氧含量分别为0% 、0% 和18% 。研究法辛烷值的目标设定值为93. 2,芳烃含量不大于40% ,氧含量不大于2. 7% 。另外,假设93#成品油的价格为每吨8 000 元,催化汽油的价格为每吨7 300 元,石脑油的价格为每吨7 000 元,MTBE的价格为每吨8 300 元。动态环节中惯性时间常数T = 2min,滞后时间 τ = 5min。

动态优化过程如图4 所示,其中图4b为石脑油流量比值的变化曲线,图4c为MTBE的流量比值变化曲线,所对应的单位催化汽油的调合利润变化曲线如图4d所示。

在0 ~ 200min时间段,3 种组分油质量指标均无变化。初始状态下,调合汽油的辛烷值为92. 0,低于设定值,因此高辛烷值MTBE的加入比率应多于石脑油,又受到调合汽油氧含量的限制,MTBE的加入比率应该适量。在200min处,不可测的催化汽油质量指标发生了阶跃变化,其辛烷值由92. 0 变化到91. 0,此时调合汽油的对应辛烷值下降。为使辛烷值回到设定值,系统自动减少石脑油的加入量,同时,为了避免氧含量超标,MTBE的加入量也随之下降。在300min处为石脑油的辛烷值由65 阶跃变化到67,其芳烃含量由10% 阶跃变化到15% 。

4. 2 在线分析仪表测量误差对优化结果的影响

在线分析仪监控整个调合过程成品油的辛烷值、芳烃含量及氧含量等质量指标的变化,将所测的质量指标作为反馈输入至优化控制器,从而实现组分流量比值的在线调整。以辛烷值为例,若在线分析仪存在测量误差,比实际值偏大0. 1 个辛烷值。重复4. 1 节的实验,可得到调合汽油辛烷值动态优化曲线如图5 实线所示。可以看出,动态过程稳定后的实际辛烷值比设定值偏小0. 1,可见结合在线分析技术的汽油调合优化对分析仪表的精度有较高的要求。

4. 3 原料市场价格变动对动态优化过程的影响

假设在下一个批次调合前,MTBE的价格从原来的每吨8 300 元变为每吨9 300 元,按照4. 1中的实验方法重新进行实验。实验结果如图6 所示,其中图6b为石脑油流量比值变化曲线,图6c为MTBE的流量比值变化曲线,图6d为所得调合利润变化曲线。

由图6 可见,当原油的市场价格发生变动时,汽油调合动态优化过程也会相应的发生变化。

5 结束语

将汽油调合过程分解成若干个短周期,对每一段短周期内汽油辛烷值等质量指标进行线性化处理,提出了一种新的汽油调合过程动态优化控制方法。仿真实验结果表明,在分析仪测量精度达到要求的前提下,可以实现组分油流量比值自动调整优化,从而使成品油的质量指标卡边,并得到最大的调合利润。即使在组分油的质量指标和原料价格发生变动的情况下,优化控制器仍能够进行快速有效的优化控制。笔者所采用的模型结构简单,同时优化算法采用常用的线性规划,该方法可广泛应用于炼油生产与调合过程。

摘要：针对现有的调合模型复杂且参数难以获取、优化算法繁琐的缺陷,引入动态优化思想,将汽油调合优化过程分解成若干个短周期,对每一段短周期内汽油辛烷值等质量指标进行线性化处理,建立了一种汽油调合线性动态模型。结合实际工艺背景,对汽油调合优化目标函数和约束条件进行了数学描述,并将其转换成简单的线性规划问题。与此同时,运用在线分析技术获取调合过程当前工况下的调合汽油和组分油的质量指标,用于实时更新优化模型。仿真结果表明:基于线性化模型的汽油调合过程动态优化方案在在线分析仪精度达到要求的情况下,能很快、精确地跟踪质量指标目标设定值,实现调合汽油质量指标的卡边控制,并提高调合利润。

关键词：汽油调合,实时优化,在线分析

参考文献

[1]Li J,Karimi I A,Sarinivasan R.Recipe Determination and Scheduling of Gasoline Blending Operations[J].AICHE Journal,2010,56(2):441~465.

[2]Zahed A H,Mullah S A,Bashir M D,et al.Predict Octane Number for Gasoline Blends[J].Hydrocarbon Processing,1993,(5):85~87.

[3]李信,李少远,黄彩凤.最小二乘支持向量机在汽油调合建模中的应用研究[J].化工自动化及仪表,2006,33(3):14~16.

[4]张希发,任连岭,刘长法,等.基于烃族组成的汽油调合优化模型研究[J].石油炼制与化工,2012,43(6):93~97.

[5]黄彩凤,李信,李少远.基于Ethyl RT-70模型的汽油调合优化[J].控制工程,2007,14(3):256~259.

[6]袁奇,程辉,钟伟民,等.全局群搜索优化算法及其在汽油调合中的应用[J].化工学报,2013,64(12):4427~4433.

[7]Mendez C A,Grossmam I E,Harjunkoski I,et al.A Simultaneous Optimization Approach for Off-line Blending and Scheduling of Oil-refinery Operations[J].Comp Chem Eng,2006,30(4):614~634.