[0029] 本申请提供一种基于RBF与ADDHP的天然气吸收塔脱硫过程控制方法，发明原理框图如图1所示。参考现有技术手段，本申请提供的技术方案，具有的技术效果或优点是：该方法采用智能算法用于天然气吸收塔脱硫过程控制，具有较高的控制精度，能够降低控制系统响应时间，能够实时自动调整控制参数，提高控制系统稳定性，真正达到实时控制的目的。
[0030] 为了更好的理解上述技术方案，下面将结合说明书附图2-7以及具体的实施方式，对上述技术方案进行详细的说明。
[0031] 首先进入步骤1：选取酸性天然气处理量和吸收酸性气体所用的醇胺溶液循环量两个参数构成控制信号u(k)＝[u1，u2]。
[0032] 步骤2：运用BP神经网络，分别以input1～inputn和x1～xn作为输入输出样本进行训练、检验，从而建立吸收塔脱硫过程模型。其中，input＝[x1，x2，u1，u2]，x＝[x1，x2]，n表示样本数量，u1，u2分别表示单位时间内原料天然气处理量和醇胺溶液循环量，x1，x2分别表示天然气净化气中H2S含量(mg/m3)和CO2含量(％)。
[0033] 在本实施例中，建立如图2所示的吸收塔脱硫过程模型，输入层神经元个数为4，输出层神经元个数为2；根据经验，隐含层节点选择为 (x为输入层节点，y为输出层节点，a＝1,2,…9)，通过依次试验选择建模测试精度最高的隐含层节点为10；隐含层传递函数为tansig函数，输出层传递函数为purelin函数；期望误差最小值为0.0001，修正权值的学习效率为0.05。建模样本数据为普光气田实际生产数据，共计500组，随机选取80％的样本数据用作模型训练，剩余20％的样本用作模型测试。
[0034] 设吸收塔脱硫过程模型输入为P，输入神经元个数为r,隐含层神经元个数为s1,对应的激活函数为h1，隐含层输出为a1；输出层神经元个数为s2，对应的激活函数为h2，输出为a2,目标矢量为T。
[0035] 步骤2中建立天然气吸收塔脱硫过程模型具体包括如下步骤：
[0036] 步骤2-1：初始化，设迭代次数g初值为0，同时赋给W1，W2，B1，B2一个(0,1)区间的随机值；
[0037] 步骤2-2：随机输入样本Pj；
[0038] 步骤2-3：对输入样本Pj，前向计算BP神经网络每层神经元的输入和输出；
[0039] 隐含层第i个神经元的输出为：
[0040]
[0041] 输出层第s个神经元的输出为：
[0042]
[0043] 步骤2-4：根据期望输出T和实际输出a2(g)，计算误差E(g)；
[0044] 定义误差函数为：
[0045]
[0046] 步骤2-5：判断误差E(g)是否满足要求，如不满足，则进入步骤2-6，如满足，则进入步骤2-8；
[0047] 步骤2-6：判断迭代次数g+1是否大于最大迭代次数，如大于，则进入步骤2-8，否则，进入步骤2-7；
[0048] 步骤2-7：计算权值修正量ΔW，并修正权值。
[0049] ①输出层权值变化
[0050] 对从第i个输入到第k个输出的权值，有：
[0051]
[0052] 其中，δki＝(tk-a2k)·h2′＝ek·h2′，ek＝tk-a2k。
[0053]
[0054] ②隐含层权值变化
[0055] 对从第j个输入到第i个输出的权值，有：
[0056]
[0057] 其中，
[0058] δij＝ei·h1′， δki＝ek·h2′，ek＝tk-a2k
[0059] 同理可得：
[0060] Δb1i＝η·δij
[0061] 式中，η为学习效率；令g＝g+1，跳转至步骤3；
[0062] 步骤2-8：判断是否完成所有的训练样本，如果是，则完成建模，否则，继续跳转至步骤2-2；
[0063] 通过上述过程，可得到BP神经网络预测效果如图3，5所示，对应的预测误差如图4，6所示。通过分析图3-6可知，BP神经网络训练建立天然气吸收塔脱硫过程模型具有较高的精度，能够精确预测系统的输出，为天然气脱硫过程控制方法的研究奠定基础。
[0064] 步骤3：设定理想控制目标值 运用RBF神经更新ADDHP控制方法中评价网络和执行网络权值，并分别通过执行网络和评价网络获得控制信号u(k)＝[u1，u2]和性能指标函数对系统状态的偏导 建立RBF-ADDHP的天然气吸收塔脱硫过程
控制方法，其控制结构如图7所示：Action-RBF为执行网络，输入输出分别为系统状态x(k)和控制信号u(k)；Controlled Object为模型网络，输入为系统状态x(k)和控制信号u(k)，输出为系统下一时刻状态x(k+1)；Critic-RBF为评价网络，输入为x(k+1)和u(k+1)，输出为性能指标函数对系统状态的偏导 评价网络和执行网络的训练分别
以控制误差E(k)和函数 最小化为目标，虚线表示网络权值调整路径。
[0065] 在本实施例中，控制误差计算公式为：
[0066]
[0067] 式中，函数U(k)为效用函数。
[0068] 在本实施例中，执行网络和评价网络的训练过程如下：
[0069] (1)执行网络训练：
[0070] 执行网络由RBF神经网络设计，设置 为执行网络输入矢量，m1为执行网络输入变量个数，a＝[1，2，…n1]，n1为执行网络训练次数。
[0071] 为第n1次训练隐层M与输出I之间的权值矢量，u(l)＝[ua1(l)，ua2(l)，…，uap(l)]为第n1次训练执行网络的实际输出。其中，l表示每次训练的迭代次数。
[0072] (2)评价网络训练：
[0073] 评价网络同样由RBF神经网络设计完成，其训练过程与执行网络相同。设置为评价网络输入矢量，m2表示评价网络输入变量个数，c＝[1，2，…n1]，n1为评价网络训练次数。
[0074] 为第n1次训练隐层M与输出I之间的权值矢量，J(l)为第n1次训练评价网络的实际输出。
[0075] 作为进一步说明，执行网络和评价网络的训练过程相似且同时进行，具体包括以下过程：
[0076] ①初始化，设迭代次数n1初值为0，赋给WMI(0)一个(0，1)区间的随机值；
[0077] ②输入Xa/Xc；
[0078] ③对输入Xa/Xc，前向计算RBF神经网络每层神经元的输入信号和输出信号；
[0079] ④根据控制误差计算公式计算误差E(k)；
[0080] ⑤判断控制误差E(k)是否满足控制要求，如不满足，则进入⑥，如满足，则进入⑨；
[0081] ⑥判断迭代次数n1+1是否大于最大迭代次数，如大于，则进入⑨，否则，进入⑦；
[0082] ⑦对输入Xa/Xc反向计算每层神经元的局部梯度δ；
[0083] ⑧计算权值修正量ΔW，并修正权值，计算公式为：ΔWij＝η·δij·Aj，Wij(n1+1)＝Wij(n1)+ΔWij(n1)式中，η为学习效率；令n1＝n1+1，跳转至③；
[0084] ⑨训练完成。
[0085] (3)计算执行网络输出：
[0086] 执行网络隐含层输出为：
[0087]
[0088] 其中， 为期望的控制目标，作为执行网络隐含层神经元的中心，b1为Xat与之间的偏差。
[0089] 执行网络输出层输出为：u(k)＝Wa*Aj，即为所求控制信号，其中，Wa为执行网络权值。
[0090] (4)计算评价网络输出：
[0091] 评价网络隐含层输出为：
[0092]
[0093] 其中， 表示评价网络隐含层神经元的中心，根据训练经验设定，b2为Xcs与之间的偏差。
[0094] 评价网络输出层输出为：
[0095]
[0096] 其中，J(k+1)＝Wc*Cj，Wc为评价网络权值。
[0097] 步骤4：将步骤3所得控制信号u(k)＝[u1，u2]和当前时刻系统状态x(k)＝[x1，x2]作为吸收塔脱硫过程模型输入，从而得到系统输出x(k+1)。
[0098] 步骤5：计算控制误差E(k)，若小于期望误差，结束训练，否则返回步骤3。
[0099] 本发明提供了一种基于RBF与ADDHP的天然气吸收塔脱硫过程控制方法。首先，利用BP神经网络训练吸收塔脱硫实际生产数据，建立天然气吸收塔脱硫过程模型，从而绕开了脱硫过程机理上的细节性问题，解决了因脱硫过程复杂而导致的建模困难的问题，为天然气脱硫过程控制方法的研究奠定基础。然后，以建立的模型为被控对象进行实验研究，采用ADDHP方法对吸收塔脱硫过程进行控制并采用RBF神经网络更新优化ADDHP评价网络和执行网络权值，建立基于RBF-ADDHP的天然气吸收塔脱硫过程控制方法。该方法摆脱了长期以来对专家经验的过度依赖，解决了现有吸收塔脱硫过程控制技术存在的控制精度低，时滞大，控制系统不稳定等问题，真正达到了脱硫过程实时精确控制的目的，也为解决类似工业控制问题提供了一种新的思路，体现了人工智能算法在工业中的强大功能。
[0100] 应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。
