專利名稱：基于脈沖響應(yīng)模板和參數(shù)優(yōu)化的動(dòng)態(tài)軟測(cè)量建模方法
技術(shù)領(lǐng)域：
本發(fā)明涉及生產(chǎn)過(guò)程中一種基于脈沖響應(yīng)模板和優(yōu)化方法的動(dòng)態(tài)軟測(cè)量方法。該方法適合于生產(chǎn)過(guò)程的通用軟測(cè)量建模。
背景技術(shù)：
隨著生產(chǎn)技術(shù)的發(fā)展和生產(chǎn)過(guò)程的日益復(fù)雜，為確保生產(chǎn)裝置安全、保證產(chǎn)品質(zhì)量，推動(dòng)產(chǎn)品質(zhì)量的直接閉環(huán)控制、質(zhì)量約束和安全約束控制的廣泛應(yīng)用，對(duì)產(chǎn)品質(zhì)量指標(biāo)等目前還不可視的生產(chǎn)裝置重要過(guò)程變量提出了對(duì)某些重要難測(cè)過(guò)程變量的實(shí)時(shí)測(cè)量或估計(jì)要求。由于技術(shù)或經(jīng)濟(jì)上的原因，很難通過(guò)在線過(guò)程儀表進(jìn)行測(cè)量，因此，軟測(cè)量及其應(yīng)用技術(shù)是解決這些難測(cè)過(guò)程變量實(shí)時(shí)測(cè)量的關(guān)鍵。
軟測(cè)量或軟儀表方法，是對(duì)一些難測(cè)的重要變量，選擇另外一些容易測(cè)量的變量，通過(guò)構(gòu)成某種數(shù)學(xué)關(guān)系用計(jì)算機(jī)軟件來(lái)推斷和估計(jì)，以用來(lái)代替在線過(guò)程儀表功能。按建模方法的不同，軟測(cè)量方法可以分為兩類一類稱為基于工藝機(jī)理建模的方法。通常在對(duì)工藝機(jī)理較為清晰的應(yīng)用場(chǎng)合，由于工程背景明確，與一般工藝設(shè)計(jì)和計(jì)算關(guān)系密切，相應(yīng)的軟測(cè)量模型較為簡(jiǎn)單。由于不同生產(chǎn)過(guò)程工藝機(jī)理不同，很難形成通用的軟測(cè)量技術(shù)，建模代價(jià)較高。另一類是基于實(shí)驗(yàn)建模方法。該類方法是形成通用軟測(cè)量技術(shù)的重要途徑，獲得了更為廣泛的研究和應(yīng)用。其中，在生產(chǎn)過(guò)程獲得廣泛應(yīng)用的主要有兩種方法一種是基于回歸分析方法。例如多線性回歸(MLR)、基于主元分析的主元回歸法((PCA-PCR)或偏最小二乘法(PLS)等；另一種是基于神經(jīng)網(wǎng)絡(luò)的方法。例如多層前向網(wǎng)絡(luò)(MFN)、徑向基網(wǎng)絡(luò)(RBF)、延遲動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)、動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)等。
目前廣泛應(yīng)用的基于實(shí)驗(yàn)建模的軟測(cè)量方法基本上是靜態(tài)軟測(cè)量方法。這是由于工業(yè)傳感器技術(shù)或成本等方面的原因，輸出變量常常是離線采樣數(shù)據(jù)(通常，在一個(gè)過(guò)渡過(guò)程很可能只能得到有限幾個(gè)數(shù)據(jù)，甚至一個(gè))，采樣頻度很難滿足軟測(cè)量模型的動(dòng)態(tài)建模。由于靜態(tài)軟側(cè)量模型學(xué)習(xí)和在線計(jì)算，都要求輸人、輸出變量平穩(wěn)，這對(duì)于輸人變化對(duì)產(chǎn)品質(zhì)量這樣一個(gè)存在大延遲和容量滯后的過(guò)程，要求在采樣前很長(zhǎng)的過(guò)渡過(guò)程周期內(nèi)都保持平穩(wěn)是不現(xiàn)實(shí)的，因此靜態(tài)軟測(cè)量方法得到的估計(jì)精度很難滿足生產(chǎn)的要求。
目前使用的動(dòng)態(tài)軟測(cè)量模型主要采用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，通過(guò)在網(wǎng)絡(luò)兩端加上時(shí)間延遲單元引入輸入與輸出的動(dòng)態(tài)過(guò)程信息，形式上轉(zhuǎn)化為靜態(tài)神經(jīng)網(wǎng)絡(luò)。同樣由于稀疏離線采樣，網(wǎng)絡(luò)模型中所需的輸出時(shí)延信號(hào)是無(wú)法獲取的，即使不考慮輸出時(shí)延，面對(duì)一個(gè)多變量系統(tǒng)，大量的輸入時(shí)延將使得構(gòu)造的網(wǎng)絡(luò)極其復(fù)雜，訓(xùn)練模型的時(shí)間會(huì)很長(zhǎng)，同時(shí)也難以保證訓(xùn)練精度及其泛化性能。因此上述動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型很難在線使用。
文獻(xiàn)[馬勇，黃德先，金以慧.動(dòng)態(tài)軟測(cè)量建模方法初探.化工學(xué)報(bào)，2005，(56)81516-1519]對(duì)基于卷積模型的動(dòng)態(tài)軟測(cè)量方法進(jìn)行了嘗試性的研究。由于該方法在仿模預(yù)處理單元中所給出估計(jì)的脈沖響應(yīng)曲線過(guò)于簡(jiǎn)單，使得其與實(shí)際情況偏差甚遠(yuǎn)，后期又通過(guò)大量的學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行補(bǔ)償校正，因此該方法不僅訓(xùn)練非常復(fù)雜，而且在不同的生產(chǎn)過(guò)程中很難形成一種滿足通用的應(yīng)用方法。

發(fā)明內(nèi)容
本發(fā)明的目的提出一種通用的基于脈沖響應(yīng)模板和參數(shù)優(yōu)化的動(dòng)態(tài)軟測(cè)量建模方法，解決對(duì)生產(chǎn)過(guò)程中重要難測(cè)變量的在線實(shí)時(shí)測(cè)量，克服了現(xiàn)有軟測(cè)量方法在上述背景下無(wú)法或很難推廣使用的問(wèn)題。
本發(fā)明的特征在于，該方法是在計(jì)算機(jī)中依次按以下步驟進(jìn)行步驟(1)、初始化在生產(chǎn)過(guò)程工藝機(jī)理分析或?qū)嶋H經(jīng)驗(yàn)的基礎(chǔ)上構(gòu)建一個(gè)難測(cè)主導(dǎo)變量o和n個(gè)易測(cè)輔助變量u1，u2，...，un構(gòu)成的n個(gè)獨(dú)立子系統(tǒng)，n≥1，該各個(gè)子系統(tǒng)的結(jié)構(gòu)類型為下述兩個(gè)結(jié)構(gòu)類型之中的任何一種一階慣性環(huán)節(jié)加純延遲G(s)=Ke-τsTs+1]]>二階慣性環(huán)節(jié)加純延遲G(s)=kpe-τ1s(T1s+1)(T2s+1)]]>其中，K，Kp為比例系數(shù)，T，T1，T2為時(shí)間常數(shù)，τ，τ1為純時(shí)延常數(shù)，K，Kp，T，T1，T2，τ，τ1均為待估的模型參數(shù)，每個(gè)模型參數(shù)的估計(jì)區(qū)間在生產(chǎn)過(guò)程工藝機(jī)理分析或?qū)嶋H經(jīng)驗(yàn)的基礎(chǔ)上給定；步驟(2)、從在線采集的數(shù)據(jù)庫(kù)以及離線化驗(yàn)數(shù)據(jù)庫(kù)中分析搜集相關(guān)的易測(cè)輔助變量u1，u2，...，un與難測(cè)主導(dǎo)變量o構(gòu)成M組數(shù)據(jù)樣本用于動(dòng)態(tài)軟測(cè)量模型的訓(xùn)練，并按采樣時(shí)間遞增的順序形成下述相應(yīng)的時(shí)間序列 o(Pj)，j＝1，...，M其中，左邊表示系統(tǒng)輸入，右邊表示系統(tǒng)輸出，M為總的采樣次數(shù)，代表樣本數(shù)，第j組數(shù)據(jù)樣本[u1(Q1j)，...，u1(Pj)；u2(Q2j)，...，u2(Pj)；...；un(Qnj)，...，un(Pj)]o(Pj)，Q1j，...，Pj表示易測(cè)輔助變量u1的第j個(gè)樣本的采樣時(shí)刻，Q1j與Pj之間形成等差數(shù)列，u1(Q1j)，...，u1(Pj)包含L1個(gè)采樣數(shù)據(jù)并作為第1個(gè)子系統(tǒng)的輸入；Q2j，...，Pj表示易測(cè)輔助變量u2的第j個(gè)樣本的采樣時(shí)刻，Q2j與Pj之間形成等差數(shù)列，u2(Q2j)，...，u2(Pj)包含L2個(gè)采樣數(shù)據(jù)并作為第j個(gè)子系統(tǒng)的輸入；依此類推，Qnj，...，Pj表示易測(cè)輔助變量un的第j個(gè)樣本的采樣時(shí)刻，Qnj與Pj之間形成等差數(shù)列，un(Qnj)，...，un(Pj)包含Ln個(gè)采樣數(shù)據(jù)并作為第n個(gè)子系統(tǒng)的輸入；Pj表示難測(cè)主導(dǎo)變量o的第j個(gè)樣本的采樣時(shí)刻，o(Pj)為Pj時(shí)刻的采樣值并作為總系統(tǒng)的輸出，用us(Qsj)，...，us(Pj)表示第s個(gè)子系統(tǒng)的輸入，s∈[1，n]，該子系統(tǒng)的Ls個(gè)采樣數(shù)據(jù)的采樣總時(shí)間不短于易測(cè)輔助變量us與難測(cè)主導(dǎo)變量o之間的一個(gè)動(dòng)態(tài)過(guò)渡過(guò)程時(shí)間；步驟(3)、對(duì)步驟(2)得到的樣本數(shù)據(jù)進(jìn)行壞點(diǎn)剔除以及標(biāo)準(zhǔn)化處理，其步驟如下步驟(3.1)、用相鄰點(diǎn)絕對(duì)誤差閾值法剔除壞點(diǎn)從樣本的第二個(gè)點(diǎn)開始，依次計(jì)算各點(diǎn)與相鄰點(diǎn)的絕對(duì)差，若該差值超過(guò)某個(gè)設(shè)定的閾值，則剔除該點(diǎn)，并用被剔除點(diǎn)位置前后兩個(gè)樣本點(diǎn)的平均值代替；步驟(3.2)、按下式對(duì)步驟(3.1)得到的樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理xo＝(x-mx)/σx，其中，x為相應(yīng)樣本原始數(shù)據(jù)，xo為相應(yīng)樣本對(duì)應(yīng)的標(biāo)準(zhǔn)化數(shù)據(jù)，mx、σx分別為該組數(shù)據(jù)樣本的算術(shù)平均值和標(biāo)準(zhǔn)差；步驟(4)、對(duì)步驟(3)得到的各組數(shù)據(jù)樣本，基于脈沖響應(yīng)原理對(duì)每個(gè)子系統(tǒng)的M組數(shù)據(jù)樣本建立卷積模型，再把各個(gè)子系統(tǒng)的卷積模型求和，得到一個(gè)全系統(tǒng)的脈沖響應(yīng)模型D1D1:o(Pj)=Σs=1n{Σi=0Lshs(i)us(Pj-i)},j=1,...,M,]]>其中，n為子系統(tǒng)的總數(shù)，Ls為第s個(gè)子系統(tǒng)的脈沖響應(yīng)的長(zhǎng)度參數(shù)，
hs(i)為待估的第s個(gè)子系統(tǒng)度的脈沖響應(yīng)參數(shù)；步驟(5)、根據(jù)步驟(1)給出的各子系統(tǒng)的結(jié)構(gòu)類型，用Ψ(Ωs)產(chǎn)生一組對(duì)應(yīng)的脈沖響應(yīng)D2及其中的參數(shù)范圍D3D2hs(i)＝Ψ(Ωs)，s＝1，...，n，i＝1，2，...，Ls其中，Ωs為代表子系統(tǒng)結(jié)構(gòu)類型的模板參數(shù)K，或Kp，或T，或T1，或T2，或τ，或τ1，Ψ(·)為脈沖響應(yīng)函數(shù)，D3Ωs-∏low≤Ωs≤Ωs+∏upp，其中，∏low為最小閾值，∏low＞0，設(shè)定值，∏upp為最大閾值，∏upp＞0，設(shè)定值，Ls由香農(nóng)采樣確定，其取值范圍D4為D4Ls-a≤Ls≤Ls+b，s＝1，...，n；20≤a≤50；30≤b≤60；步驟(6)、利用差分進(jìn)化算法與改進(jìn)差分進(jìn)化算法搜索最佳模板參數(shù)，實(shí)現(xiàn)動(dòng)態(tài)軟測(cè)量模型優(yōu)化求解，其步驟如下步驟(6.1)、優(yōu)化目標(biāo)函數(shù)D5表示為D5:max:J=1/Σj=1M(y(Pj)-o(Pj))2,]]>其中，y(Pj)=Σs=1n{Σi=0Lshs‾(i)us(Pj-i)},j=1,...,M,]]>表示優(yōu)化算法計(jì)算的輸出，hs‾(i)=Ψ(Ωs‾),]]> 為優(yōu)化算法給出的子系統(tǒng)結(jié)構(gòu)類型的模板參數(shù)，模板參數(shù)指的是用D3優(yōu)化時(shí)用的模型參數(shù)，o(Pj)為對(duì)應(yīng)的真實(shí)模型輸出，由步驟(2)得到；步驟(6.2)、按以下步驟進(jìn)行優(yōu)化計(jì)算步驟(6.2.1)、初始化設(shè)定用NP表示種群規(guī)模，30≤NP≤60，maxiter表示最大迭代步數(shù)，300≤maxiter≤1500，ε表示優(yōu)化算法精度值，0.01≤ε≤0.1，D3表示優(yōu)化參數(shù)矢量約束范圍，F(xiàn)表示差分進(jìn)化算法中縮放比例，F(xiàn)＝1，C表示交叉率，C＝0.5，F(xiàn)Fmin、FFmax表示改進(jìn)差分進(jìn)化算法中最小縮放比例以及最大縮放比例，F(xiàn)Fmin＝0.1，F(xiàn)Fmax＝1.8，CCmin、CCmax表示改進(jìn)差分進(jìn)化算法中最小交叉率以及最大交叉率，CCmin＝0.1，CCmax＝0.8，根據(jù)步驟(5)設(shè)定Ls初值為L(zhǎng)s-a，Ls的取值上限Lsmax為L(zhǎng)s+b，QQ為L(zhǎng)s的遞增步長(zhǎng)，為5到10之間的一個(gè)整數(shù)；步驟(6.2.2)、群體即種群規(guī)模初始化n個(gè)子系統(tǒng)中的模板參數(shù)的總數(shù)構(gòu)成一個(gè)v維的個(gè)體矢量，初始種群規(guī)模由NP個(gè)v維的個(gè)體矢量組成，其中第k個(gè)個(gè)體矢量Xk是記為{xk1,xk2,...,xkv}=]]> 的數(shù)據(jù)，其中，v為一個(gè)個(gè)體矢量的維數(shù)，即模板參數(shù)的總數(shù)，K，T，τ，Kp，T1，T2，τ1的上標(biāo)表示子系統(tǒng)序號(hào)，若子系統(tǒng)為一階系統(tǒng)時(shí)，子系統(tǒng)的模型參數(shù)為K，T，τ，若子系統(tǒng)為二階系統(tǒng)時(shí)，子系統(tǒng)的模型參數(shù)為Kp，T1，T2，τ1，迭代步數(shù)iter＝0，根據(jù)下式生成初始群體xkriter=xkrmin+rand(0,1)×(xkrmax-xkrmin);,]]>其中，xkrmin代表第k個(gè)個(gè)體矢量的第r個(gè)分量所對(duì)應(yīng)模板參數(shù)的最小值，xkrmax為其最大值，xkriter表示第iter步時(shí)第k個(gè)個(gè)體矢量的第r個(gè)分量的計(jì)算值，rand(0，1)表示0與1之間的隨機(jī)數(shù)；步驟(6.2.3)、按步驟(6.1)中的D5式計(jì)算每個(gè)個(gè)體的適應(yīng)度值，其中第k個(gè)個(gè)體Xk的適應(yīng)度值Jkiter，確定種群中最大的適應(yīng)度值Jmaxiter=max(Jkiter),k=1,...,NP,]]>并記錄最大的適應(yīng)度值個(gè)體為gBest；步驟(6.2.4)、判斷Jmaxiter是否滿足精度要求，或者是否達(dá)到最大迭代步數(shù)，若條件Jmaxiter>ϵ]]>或iter＞maxiter滿足，則輸出個(gè)體gBest，并執(zhí)行步驟(6.2.10)；否則，執(zhí)行步驟(6.2.5)；
步驟(6.2.5)、根據(jù)下式對(duì)種群中的每個(gè)個(gè)體執(zhí)行變異操作Xk*=Xaliter+F×(Xa2iter-Xa3iter),]]>其中，Xk*表示k第個(gè)個(gè)體的變異操作結(jié)果，a1，a2，a3是與k不相同的自然數(shù)，1≤a1，a2，a3≤NP，差分進(jìn)化算法中F＝1，在改進(jìn)差分進(jìn)化算法中F＝FFmax-[(FFmax-FFmin)×iter]/maxiter；步驟(6.2.6)、根據(jù)下式對(duì)種群中的每個(gè)個(gè)體的每維分量執(zhí)行交叉操作，其中第k個(gè)個(gè)體的第r維分量的交叉操作為 其中，xkr*表示步驟(6.2.5)中第k個(gè)個(gè)體的變異操作結(jié)果的第r維分量，xkrΔ表示第k個(gè)個(gè)體的第r維分量的交叉操作結(jié)果，差分進(jìn)化算法中C＝0.5，在改進(jìn)差分進(jìn)化算法中，C＝CCmin+[(CCmax-CCmin)×iter]/maxiter；步驟(6.2.7)、根據(jù)下式對(duì)步驟(6.2.6)中的每個(gè)新生個(gè)體的模板參數(shù)的每個(gè)分量進(jìn)行邊界處理，其中第k個(gè)個(gè)體的第r維分量的邊界處理為若xkrΔ>xkrmax]]>則xkrΔ=xkrmin+2.0×pq×(xkrmax-xkrmin)]]>若xkrΔ<xkrmin,]]>則xkrΔ=xkrmin+2.0×qp×(xkrmax-xkrmin)]]>其中，p=xkrΔ-xkrmax,]]>q=xkrΔ-xkrmin;]]>步驟(6.2.8)、根據(jù)下式選擇下一次迭代中要保留的個(gè)體，其中第k個(gè)個(gè)體為 其中，XkΔ表示步驟(6.2.7)中得到的第k個(gè)個(gè)體，Xkiter表示第iter次迭代的第k個(gè)個(gè)體，JkΔ表示第k個(gè)個(gè)體XkΔ的適應(yīng)度值；步驟(6.2.9)、iter＝iter+1，迭代步數(shù)加1，返回到步驟(6.2.3)，繼續(xù)執(zhí)行下一次迭代操作；步驟(6.2.10)、如果優(yōu)化結(jié)果不滿足精度要求，則增加Ls的值Ls＝Ls+QQ，如果Ls大于Lsmax，執(zhí)行步驟(6.2.11)，否則回到步驟(6.2.2)；步驟(6.2.11)根據(jù)最終的模板參數(shù)優(yōu)化結(jié)果，利用D2式生成動(dòng)態(tài)軟測(cè)量模型中每個(gè)子系統(tǒng)的脈沖響應(yīng)參數(shù)；步驟(7)、根據(jù)步驟(6)中得到的脈沖響應(yīng)參數(shù)，建立如下動(dòng)態(tài)軟測(cè)量模型進(jìn)行在線應(yīng)用估計(jì)，第t時(shí)刻的輸出估計(jì)值為D6:y(t)=Σs=1n{Σi=0Lshs(i)us(t-i)}.]]>子系統(tǒng)結(jié)構(gòu)類型為一階系統(tǒng)時(shí)，D2與D3分別表示為D2:hs(i)=KsTsexp(-1Ts(i-τs)),i=τs,...,Ls;s∈[1,n]hs(i)=0,i<τs,]]>D3:ξs1min≤Ts≤ξs1max,ξs2min≤Ks≤ξs2max,ξs3min≤τs≤ξs3max,s∈[1,n],]]>其中，Ts，Ks，τs為第s個(gè)子系統(tǒng)結(jié)構(gòu)類型的模板參數(shù)，分別表示時(shí)間常數(shù)、比例系數(shù)、純時(shí)延常數(shù)。模板參數(shù)范圍通常為ξs1min=(0.01~0.1)T1s;ξs1max=(5~8)T1s;ξs2min=(0.05~0.15)Ks,ξs2max=(6~10)KS,]]>ξs3min=(0.01~0.1)τs,ξs3max=(2~5)τs,]]>其中，ζs1min，ζs1max分別表示第s個(gè)子系統(tǒng)的時(shí)間常數(shù)的最小以及最大值，ζs2min，ζs2max分別表示第s個(gè)子系統(tǒng)的比例系數(shù)的最小以及最大值，ζs3min，ζs3max分別表示第s個(gè)子系統(tǒng)的純時(shí)延常數(shù)的最小以及最大值。
子系統(tǒng)結(jié)構(gòu)類型為二階系統(tǒng)時(shí)，D2與D3分別表示為D2:hs(i)=KpsT1s-T2s{exp(-1T1s(i-τ1s))-exp(-1T2s(i-τ1s))},i=τ1s+1,...Ls;s∈[1,n]hs(i)=0,i≤τ1s,]]>D3:ξs1min≤T1s≤ξs1max,ξs2min≤T2s≤ξs2max,ξs3max≤Kps≤ξs3max,ξs4min≤τ1s≤ξs4max,s∈[1,n]]]>其中，T1s，T2s，Kps，τ1s為第s個(gè)子系統(tǒng)結(jié)構(gòu)類型的模板參數(shù)，分別表示時(shí)間常數(shù)1、時(shí)間常數(shù)2、比例系數(shù)、純時(shí)延常數(shù)。其中模板參數(shù)范圍通常為ξs1min=(0.01~0.1)T1s,ξs1max=(5~8)T1s;ξs2min=(0.01~0.1)T2s,ξs2max=(5~8)T2s;]]>
ξs3min=(0.05~0.15)Kps,ξs3max=(6~10)Kps;ξs4min=(0.01~0.1)τ1s,ξs4max=(2~5)τ1s,]]>其中，ξs1min，ξs1max分別表示第s個(gè)子系統(tǒng)的時(shí)間常數(shù)1的最小以及最大值，ξs2min，ξs2max分別表示第s個(gè)子系統(tǒng)的的時(shí)間常數(shù)2的最小以及最大值，ξs3min，ξs3max分別表示第s個(gè)子系統(tǒng)的的比例系數(shù)的最小以及最大值，ξs4min，ξs4max分別表示第s個(gè)子系統(tǒng)的純時(shí)延常數(shù)的最小以及最大值。
本發(fā)明涉及基于脈沖響應(yīng)模板和參數(shù)優(yōu)化的動(dòng)態(tài)軟測(cè)量建模方法，其優(yōu)點(diǎn)在于1)該方法是一種動(dòng)態(tài)軟測(cè)量方法，適應(yīng)動(dòng)態(tài)變化生產(chǎn)過(guò)程下的軟測(cè)量建模和應(yīng)用的需求，可以比靜態(tài)軟測(cè)量方法應(yīng)用在動(dòng)態(tài)生產(chǎn)過(guò)程的估計(jì)精度有明顯改進(jìn)。
2)該方法對(duì)難測(cè)主導(dǎo)變量的采樣無(wú)特殊限制(例如無(wú)需采樣周期很短、等周期采樣或大量的采樣樣本等)，這樣才能適用于難測(cè)主導(dǎo)變量往往是人工取樣化驗(yàn)情況下的動(dòng)態(tài)軟測(cè)量建模，對(duì)易測(cè)輔助變量也僅需要相對(duì)于難測(cè)主導(dǎo)變量采樣時(shí)及前一個(gè)過(guò)渡過(guò)程內(nèi)的相應(yīng)采樣數(shù)據(jù)，解決了現(xiàn)有的以神經(jīng)網(wǎng)絡(luò)模型為代表的的基于實(shí)驗(yàn)?zāi)Ｐ偷膭?dòng)態(tài)軟測(cè)量方法只能用于連續(xù)等周期采樣的問(wèn)題。
3)該方法由于利用了脈沖響應(yīng)模板和優(yōu)化方法，使得脈沖響應(yīng)參數(shù)辨識(shí)限定在指定的可以根據(jù)機(jī)理分析和經(jīng)驗(yàn)確定的模板類和模板參數(shù)約束范圍內(nèi)，有效改進(jìn)了具有噪聲情況下模型的過(guò)學(xué)習(xí)導(dǎo)致的泛化性及魯棒性差的問(wèn)題和降低了模型學(xué)習(xí)時(shí)間，尤其對(duì)于多變量系統(tǒng)，大量脈沖響應(yīng)參數(shù)的模型參數(shù)學(xué)習(xí)轉(zhuǎn)化為對(duì)有限個(gè)模板參數(shù)學(xué)習(xí)，極大減少了學(xué)習(xí)參數(shù)以節(jié)省學(xué)習(xí)時(shí)間。


圖1.生產(chǎn)過(guò)程系統(tǒng)的軟測(cè)量采樣原理圖，其中易測(cè)輔助變量在線采樣，采樣周期應(yīng)滿足分鐘級(jí)，通常為1分鐘；難測(cè)主導(dǎo)變量離線采樣， 采樣周期可較長(zhǎng)，通常為小時(shí)級(jí)，例如6～8小時(shí)。
圖2.基于脈沖響應(yīng)模板和參數(shù)優(yōu)化的動(dòng)態(tài)軟測(cè)量建模方法原理圖。
圖3.基于脈沖響應(yīng)模板和參數(shù)優(yōu)化的動(dòng)態(tài)軟測(cè)量建模方法主程序圖。
圖4.仿真實(shí)例測(cè)試結(jié)果比較。上圖為脈沖響應(yīng)參數(shù)估計(jì)與真實(shí)值的比較；下圖為難測(cè)變量估計(jì)與真實(shí)值的比較。
具體實(shí)施例方式
下面結(jié)合一個(gè)仿真實(shí)例對(duì)本發(fā)明做進(jìn)一步說(shuō)明。
為接近實(shí)際生產(chǎn)過(guò)程，選定2輸入一單輸出生成包含兩個(gè)子系統(tǒng)的過(guò)程系統(tǒng)，子系統(tǒng)為為二階慣性加滯后環(huán)節(jié)，各子系統(tǒng)的模型參數(shù)為Ω1={Kp1,T11,T21,τ11}={120,15,12,2},Ω2={KP2,T12,T22,τ12}={30,5,10,5};]]>用Matlab仿真軟件模擬訓(xùn)練數(shù)據(jù)樣本兩個(gè)易測(cè)輔助變量的輸入類型均為隨機(jī)均勻分布，模擬采樣周期為一分鐘，分別產(chǎn)生兩組48000個(gè)點(diǎn)的序列(模擬400小時(shí)的采樣數(shù)據(jù))，基于上述給定的子系統(tǒng)的模型參數(shù)，利用兩組輸入產(chǎn)生兩組對(duì)應(yīng)的過(guò)程子系統(tǒng)輸出序列，并將對(duì)應(yīng)序列點(diǎn)進(jìn)行求和同時(shí)外加20％的隨機(jī)噪聲，得到48000個(gè)點(diǎn)的系統(tǒng)總輸出序列；對(duì)總輸出序列進(jìn)行稀疏采樣，采樣周期為P＝480分鐘(8小時(shí))，產(chǎn)生M＝100個(gè)點(diǎn)作為模型輸出o(Pj)，用于模擬離線采樣數(shù)據(jù)；簡(jiǎn)單起見，規(guī)定兩個(gè)子系統(tǒng)的脈沖響應(yīng)長(zhǎng)度初值L1＝L2＝100，對(duì)應(yīng)的上限值為L(zhǎng)1max,L2max=200;]]>根據(jù)說(shuō)明書中步驟(2)產(chǎn)生所需的訓(xùn)練樣本數(shù)據(jù)。
脈沖響應(yīng)模板轉(zhuǎn)化函數(shù)為Ξhs(i)=KpsT1s-T2s{exp(-1T1s(i-τ1s))-exp(-1T2s(i-τ1s))},i=τ1s+1,...,Ls;s∈[1,2]hs(i)=0,i≤τ1s,]]>其中，模板參數(shù)為xs1min≤T1s≤xs1max,xs2max≤T2s≤xs2max,xs3min≤Kps≤xs3max,xs4min≤τ1s≤xs4max,s∈[1,2]]]>模板參數(shù)范圍為Θ:xs1min=0.01T1s,xs1max=8T1s;xs2min=0.01T2S,xs2max=8T2s;xs3min=0.05Kps,xs3max=10Kps;xs4min=0.01τ1s,xs4max=5τ1s]]>差分進(jìn)化算法與改進(jìn)差分進(jìn)化算法的參數(shù)設(shè)置種群規(guī)模NP＝30；最大迭代步數(shù)maxiter＝500；目標(biāo)函數(shù)值ε＝0.05；優(yōu)化參數(shù)矢量約束范圍為Θ。差分進(jìn)化算法中縮放比例F＝1.0，交叉率C＝0.5；改進(jìn)差分進(jìn)化算法中縮放比例FFmin＝0.1，F(xiàn)Fmax＝1.8，交叉率CCmin＝0.1，CCmax＝0.8。
訓(xùn)練步驟如下步驟A1、初始化設(shè)定差分進(jìn)化算法與改進(jìn)差分進(jìn)化算法的參數(shù)設(shè)置種群規(guī)模NP＝30；最大迭代步數(shù)maxiter＝500；優(yōu)化算法精度值ε＝0.05；優(yōu)化參數(shù)矢量約束范圍為Θ。差分進(jìn)化算法中縮放比例F＝1.0，交叉率C＝0.5；改進(jìn)差分進(jìn)化算法中縮放比例FFmin＝0.1，F(xiàn)Fmax＝1.8，交叉率CCmin＝0.1，CCmax＝0.8；初值L1＝L2＝100，對(duì)應(yīng)的上限值為L(zhǎng)1max,L2max=200,]]>QQ為L(zhǎng)1，L2的遞增步長(zhǎng)，QQ＝10；步驟A2、群體即種群規(guī)模初始化2個(gè)子系統(tǒng)中的模板參數(shù)的總數(shù)構(gòu)成一個(gè)8維的個(gè)體矢量，初始種群規(guī)模由30個(gè)8維的個(gè)體矢量組成，其中第k個(gè)個(gè)體矢量Xk是記為 的數(shù)據(jù)，迭代步數(shù)iter＝0根據(jù)Θ生成初始群體xkriter=xkrmin+rand(0,1)×(xkrmax-xkrmin);,]]>其中，xkrmin代表第k個(gè)個(gè)體矢量的第r個(gè)分量所對(duì)應(yīng)模板參數(shù)的最小值，xkrmax為其最大值，xkriter表示第iter步時(shí)第k個(gè)個(gè)體矢量的第r個(gè)模板參數(shù)的計(jì)算值；步驟A3、按說(shuō)明書步驟(6.1)中D5式計(jì)算每個(gè)個(gè)體的適應(yīng)度值，其中第k個(gè)個(gè)體Xk的適應(yīng)度值Jkiter，確定種群中最大的適應(yīng)度值Jmaxiter=max(Jkiter),k=1,...,30,]]>并記錄最大的適應(yīng)度值個(gè)體為gBest；步驟A4、判斷Jmaxiter是否滿足精度要求，或者是否達(dá)到最大迭代步數(shù)，若條件Jmaxiter>ϵ]]>或iter＞maxiter滿足，則輸出個(gè)體gBest，并執(zhí)行步驟A10；否則，執(zhí)行步驟A5；步驟A5、根據(jù)下式對(duì)種群中的每個(gè)個(gè)體執(zhí)行變異操作Xk*=Xaliter+F×(Xa2iter-Xa3iter),]]>其中，Xk*表示k第個(gè)個(gè)體的變異操作結(jié)果，a1，a2，a3是與k不相同的自然數(shù)，1≤a1，a2，a3≤30，在改進(jìn)差分進(jìn)化算法中F＝1.8-(1.7×iter)/500；步驟A6、根據(jù)下式對(duì)種群中的每個(gè)個(gè)體的每維分量執(zhí)行交叉操作，其中第k個(gè)個(gè)體的第r維分量的交叉操作為 其中，xkr*表示步驟A5中第k個(gè)個(gè)體的變異操作結(jié)果的第r維分量，xkrΔ表示第k個(gè)個(gè)體的第r維分量的交叉操作結(jié)果，在改進(jìn)差分進(jìn)化算法中，C＝0.1+(0.7×iter)/500；步驟A7、根據(jù)下式對(duì)步驟A6中的每個(gè)新生個(gè)體的模板參數(shù)的每個(gè)分量進(jìn)行邊界處理，其中第k個(gè)個(gè)體的第r維分量的邊界處理為若xkrΔ>xkrmax]]>則xkrΔ=kkrmin+2.0×pq×(xkrmax-xkrmin)]]>若xkrΔ<xkrmin,]]>則xkrΔ=xkrmin+2.0×qp×(xkrmax-xkrmin)]]>其中，p=xkrΔ-xkrmax,q=xkrΔ-xkrmin;]]>步驟A8、根據(jù)下式選擇下一次迭代中要保留的個(gè)體，其中第k個(gè)個(gè)體為 其中，XkΔ表示步驟A7中得到的第k個(gè)個(gè)體，Xkiter表示第iter次迭代的第k個(gè)個(gè)體，JkΔ表示第k個(gè)個(gè)體XkΔ的適應(yīng)度值；步驟A9、iter＝iter+1，迭代步數(shù)加1，返回到步驟A3，繼續(xù)執(zhí)行下一次迭代操作；步驟A10、如果優(yōu)化結(jié)果不滿足精度要求，則增加L1，L2的值L1＝L1+10，L2＝L2+10，如果L1，或L2大于200，執(zhí)行步驟A11，否則回到步驟A2；步驟A11根據(jù)最終的模板參數(shù)優(yōu)化結(jié)果，利用Ξ式生成動(dòng)態(tài)軟測(cè)量模型中每個(gè)子系統(tǒng)的脈沖響應(yīng)參數(shù)；在本例中當(dāng)L1＝L2＝150時(shí)，模型訓(xùn)練精度最高。重新隨機(jī)生成200組數(shù)據(jù)樣本，進(jìn)行估計(jì)精度與泛化性能測(cè)試。
測(cè)試動(dòng)態(tài)軟測(cè)量模型為y(k)=Σs=12{Σi=0150hs(i)us(k-i)}]]>誤差衡量指標(biāo)為均方誤差衡量MSE=1200Σi=1200[o(i)-y(i)]2]]>其中y(i)，o(i)分別表示模型估計(jì)值以及真實(shí)輸出值。
當(dāng)噪聲為20％時(shí)，仿真實(shí)例測(cè)試結(jié)果如圖4所示。上圖為脈沖響應(yīng)參數(shù)估計(jì)與真實(shí)值的比較。下圖為難測(cè)變量估計(jì)與真實(shí)值的比較，其中，基于脈沖響應(yīng)模板與改進(jìn)差分進(jìn)化優(yōu)化方法的動(dòng)態(tài)軟測(cè)量方法(MDE-IRP-DSSM)的測(cè)試MSE為1.4725；基于脈沖響應(yīng)模板與差分進(jìn)化優(yōu)化方法的動(dòng)態(tài)軟測(cè)量方法(DE-IRP-DSSM)的測(cè)試MSE為1.6100。從測(cè)試結(jié)果來(lái)看，本發(fā)明方法在大噪聲環(huán)境下估計(jì)精度較高，可以滿足生產(chǎn)過(guò)程的要求。
權(quán)利要求
1.基于脈沖響應(yīng)模板和參數(shù)優(yōu)化的動(dòng)態(tài)軟測(cè)量建模方法，其特征在于，該方法是在計(jì)算機(jī)中依次按以下步驟進(jìn)行步驟(1)、初始化在生產(chǎn)過(guò)程工藝機(jī)理分析或?qū)嶋H經(jīng)驗(yàn)的基礎(chǔ)上構(gòu)建一個(gè)難測(cè)主導(dǎo)變量o和n個(gè)易測(cè)輔助變量u1，u2，...，un構(gòu)成的n個(gè)獨(dú)立子系統(tǒng)，n≥1，該各個(gè)子系統(tǒng)的結(jié)構(gòu)類型為下述兩個(gè)結(jié)構(gòu)類型之中的任何一種一階慣性環(huán)節(jié)加純延遲G(s)=Ke-τsTs+1]]>二階慣性環(huán)節(jié)加純延遲G(s)=Kpe-τ1s(T1s+1)(T2s+1)]]>其中，K，Kp為比例系數(shù)，T，T1，T2為時(shí)間常數(shù)，τ，τ1為純時(shí)延常數(shù)，K，Kp，T，T1，T2，τ，τ1均為待估的模型參數(shù)，每個(gè)模型參數(shù)的估計(jì)區(qū)間在生產(chǎn)過(guò)程工藝機(jī)理分析或?qū)嶋H經(jīng)驗(yàn)的基礎(chǔ)上給定；步驟(2)、從在線采集的數(shù)據(jù)庫(kù)以及離線化驗(yàn)數(shù)據(jù)庫(kù)中分析搜集相關(guān)的易測(cè)輔助變量u1，u2，...，un與難測(cè)主導(dǎo)變量o構(gòu)成M組數(shù)據(jù)樣本用于動(dòng)態(tài)軟測(cè)量模型的訓(xùn)練，并按采樣時(shí)間遞增的順序形成下述相應(yīng)的時(shí)間序列[u1(Q1j)，...，u1(Pj)；u2(Q2j)，...，u2(Pj)；...；un(Qnj)，...，un(Pj)]o(Pj)，j＝1，...，M其中， 左邊表示系統(tǒng)輸入，右邊表示系統(tǒng)輸出，M為總的采樣次數(shù)，代表樣本數(shù)，第j組數(shù)據(jù)樣本[u1(Q1j)，...u1(Pj)；u2(Q2j)，...u2(Pj)；...；un(Qnj)，...，un(Pj)]o(Pj)，Q1j，...，Pj表示易測(cè)輔助變量u1的第j個(gè)樣本的采樣時(shí)刻，Q1j與Pj之間形成等差數(shù)列，u1(Q1j)，...，u1(Pj)包含L1個(gè)采樣數(shù)據(jù)并作為第1個(gè)子系統(tǒng)的輸入；Q2j，...Pj表示易測(cè)輔助變量u2的第j個(gè)樣本的采樣時(shí)刻，Q2j與Pj之間形成等差數(shù)列，u2(Q2j)，...，u2(Pj)包含L2個(gè)采樣數(shù)據(jù)并作為第j個(gè)子系統(tǒng)的輸入；依此類推，Qnj，...，Pj表示易測(cè)輔助變量u的第j個(gè)樣本的采樣時(shí)刻，Qnj與Pj之間形成等差數(shù)列，un(Qnj)，...，un(Pj)包含Ln個(gè)采樣數(shù)據(jù)并作為第n個(gè)子系統(tǒng)的輸入；Pj表示難測(cè)主導(dǎo)變量o的第j個(gè)樣本的采樣時(shí)刻，o(Pj)為Pj時(shí)刻的采樣值并作為總系統(tǒng)的輸出，用us(Qsj)，...，us(Pj)表示第s個(gè)子系統(tǒng)的輸入，s∈[1，n]，該子系統(tǒng)的Ls個(gè)采樣數(shù)據(jù)的采樣總時(shí)間不短于易測(cè)輔助變量us與難測(cè)主導(dǎo)變量o之間的一個(gè)動(dòng)態(tài)過(guò)渡過(guò)程時(shí)間；步驟(3)、對(duì)步驟(2)得到的樣本數(shù)據(jù)進(jìn)行壞點(diǎn)剔除以及標(biāo)準(zhǔn)化處理，其步驟如下步驟(3.1)、用相鄰點(diǎn)絕對(duì)誤差閾值法剔除壞點(diǎn)從樣本的第二個(gè)點(diǎn)開始，依次計(jì)算各點(diǎn)與相鄰點(diǎn)的絕對(duì)差，若該差值超過(guò)某個(gè)設(shè)定的閾值，則剔除該點(diǎn)，并用被剔除點(diǎn)位置前后兩個(gè)樣本點(diǎn)的平均值代替；步驟(3.2)、按下式對(duì)步驟(3.1)得到的樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理xo＝(x-mx)/σx，其中，x為相應(yīng)樣本原始數(shù)據(jù)，Xo為相應(yīng)樣本對(duì)應(yīng)的標(biāo)準(zhǔn)化數(shù)據(jù)，mx、σx分別為該組數(shù)據(jù)樣本的算術(shù)平均值和標(biāo)準(zhǔn)差；步驟(4)、對(duì)步驟(3)得到的各組數(shù)據(jù)樣本，基于脈沖響應(yīng)原理對(duì)每個(gè)子系統(tǒng)的M組數(shù)據(jù)樣本建立卷積模型，再把各個(gè)子系統(tǒng)的卷積模型求和，得到一個(gè)全系統(tǒng)的脈沖響應(yīng)模型D1D1:o(Pj)=Σs=1n{Σi=0Lshs(i)us(Pj-i)},j=1,...,M,]]>其中，n為子系統(tǒng)的總數(shù)，Ls為第s個(gè)子系統(tǒng)的脈沖響應(yīng)的長(zhǎng)度參數(shù)，hs(i)為待估的第s個(gè)子系統(tǒng)度的脈沖響應(yīng)參數(shù)；步驟(5)、根據(jù)步驟(1)給出的各子系統(tǒng)的結(jié)構(gòu)類型，用Ψ(Ωs)產(chǎn)生一組對(duì)應(yīng)的脈沖響應(yīng)D2及其中的參數(shù)范圍D3D2hs(i)＝Ψ(Ωs)，s＝1，...，n，i＝1，2，...，Ls其中，Ωs為代表子系統(tǒng)結(jié)構(gòu)類型的模板參數(shù)K，或Kp，或T，或T1，或T2，或τ，或τ1，Ψ(·)為脈沖響應(yīng)函數(shù)，D3Ωs-∏low≤Ωs≤Ωs+∏upp，其中，∏low為最小閾值，∏low＞0，設(shè)定值，∏upp為最大閩值，∏upp＞0，設(shè)定值，Ls由香農(nóng)采樣確定，其取值范圍D4為D4Ls-a≤Ls≤Ls+b，s＝1，...，n；20≤a≤50；30≤b≤60；步驟(6)、利用差分進(jìn)化算法與改進(jìn)差分進(jìn)化算法搜索最佳模板參數(shù)，實(shí)現(xiàn)動(dòng)態(tài)軟測(cè)量模型優(yōu)化求解，其步驟如下步驟(6.1)、優(yōu)化目標(biāo)函數(shù)D5表示為D5:max:J=1/Σj=1M(y(Pj)-o(Pj))2,]]>其中，y(Pj)=Σs=1n{Σi=0Lshs‾(i)us(Pj-i)},j=1,...,M,]]>表示優(yōu)化算法計(jì)算的輸出，hs‾(i)=Ψ(Ωs‾),Ωs‾]]>為優(yōu)化算法給出的子系統(tǒng)結(jié)構(gòu)類型的模板參數(shù)，模板參數(shù)指的是用D3優(yōu)化時(shí)用的模型參數(shù)，o(Pj)為對(duì)應(yīng)的真實(shí)模型輸出，由步驟(2)得到；步驟(6.2)、按以下步驟進(jìn)行優(yōu)化計(jì)算步驟(6.2.1)、初始化設(shè)定用NP表示種群規(guī)模，30≤NP≤60，maxiter表示最大迭代步數(shù)，300≤maxiter≤1500，ε表示優(yōu)化算法精度值，0.01≤ε≤0.1，D3表示優(yōu)化參數(shù)矢量約束范圍，F(xiàn)表示差分進(jìn)化算法中縮放比例，F(xiàn)＝1，C表示交叉率，C＝0.5，F(xiàn)Fmin、FFmax表示改進(jìn)差分進(jìn)化算法中最小縮放比例以及最大縮放比例，F(xiàn)Fmin＝0.1，F(xiàn)Fmax＝1.8，CCmin、CCmax表示改進(jìn)差分進(jìn)化算法中最小交叉率以及最大交叉率，CCmin＝0.1，CCmax＝0.8，根據(jù)步驟(5)設(shè)定Ls初值為L(zhǎng)s-a，Ls的取值上限Lsmax為L(zhǎng)s+b，QQ為L(zhǎng)s的遞增步長(zhǎng)，為5到10之間的一個(gè)整數(shù)；步驟(6.2.2)、群體即種群規(guī)模初始化n個(gè)子系統(tǒng)中的模板參數(shù)的總數(shù)構(gòu)成一個(gè)v維的個(gè)體矢量，初始種群規(guī)模由NP個(gè)v維的個(gè)體矢量組成，其中第k個(gè)個(gè)體矢量Xk是記為{xk1,xk2,...,xkv}=]]> 的數(shù)據(jù)，其中，v為一個(gè)個(gè)體矢量的維數(shù)，即模板參數(shù)的總數(shù)，K，T，τ，Kp，T1，T2，τ1的上標(biāo)表示子系統(tǒng)序號(hào)，若子系統(tǒng)為一階系統(tǒng)時(shí)，子系統(tǒng)的模型參數(shù)為K，T，τ，若子系統(tǒng)為二階系統(tǒng)時(shí)，子系統(tǒng)的模型參數(shù)為Kp，T1，T2，τ1，迭代步數(shù)iter＝0，根據(jù)下式生成初始群體xkriter=xkrmin+rand(0,1)×(xkrmax-xkrmin);,]]>其中，xkrmin代表第k個(gè)個(gè)體矢量的第r個(gè)分量所對(duì)應(yīng)模板參數(shù)的最小值，xkrmax為其最大值，xkriter表示第iter步時(shí)第k個(gè)個(gè)體矢量的第r個(gè)分量的計(jì)算值，rand(0，1)表示0與1之間的隨機(jī)數(shù)；步驟(6.2.3)、按步驟(6.1)中的D5式計(jì)算每個(gè)個(gè)體的適應(yīng)度值，其中第k個(gè)個(gè)體Xk的適應(yīng)度值Jkiter，確定種群中最大的適應(yīng)度值Jmaxiter=max(Jkiter),k=1,...,NP,]]>并記錄最大的適應(yīng)度值個(gè)體為gBest；步驟(6.2.4)、判斷Jmaxiter是否滿足精度要求，或者是否達(dá)到最大迭代步數(shù)，若條件Jmaxiter>ϵ]]>或iter＞maxiter滿足，則輸出個(gè)體gBest，并執(zhí)行步驟(6.2.10)；否則，執(zhí)行步驟(6.2.5)；步驟(6.2.5)、根據(jù)下式對(duì)種群中的每個(gè)個(gè)體執(zhí)行變異操作Xk*=Xa1iter+F×(Xa2iter-Xa3iter),]]>其中，Xk*表示k第個(gè)個(gè)體的變異操作結(jié)果，a1，a2，a3是與k不相同的自然數(shù)，1≤a1，a2，a3≤NP，差分進(jìn)化算法中F＝1，在改進(jìn)差分進(jìn)化算法中F＝FFmax-[(FFmax-FFmin)×iter]/maxiter；步驟(6.2.6)、根據(jù)下式對(duì)種群中的每個(gè)個(gè)體的每維分量執(zhí)行交叉操作，其中第k個(gè)個(gè)體的第r維分量的交叉操作為 其中，skr*表示步驟(6.2.5)中第k個(gè)個(gè)體的變異操作結(jié)果的第r維分量，xkrΔ表示第k個(gè)個(gè)體的第r維分量的交叉操作結(jié)果，差分進(jìn)化算法中C＝0.5，在改進(jìn)差分進(jìn)化算法中，C＝CCmin+[(CCmax-CCmin)×iter]/maxiter；步驟(6.2.7)、根據(jù)下式對(duì)步驟(6.2.6)中的每個(gè)新生個(gè)體的模板參數(shù)的每個(gè)分量進(jìn)行邊界處理，其中第k個(gè)個(gè)體的第r維分量的邊界處理為若xkrΔ>xkrmax]]>則xkrΔ=xkrmin+2.0×pq×(xkrmax-xkrmin),]]>若xkrΔ<=xkrmin]]>則xkrΔ=xkrmin+2.0×pq×(xkrmax-xkrmin),]]>其中，p=xkrΔ-xkrmin,q=xkrΔ-xkrmin;]]>步驟(6.2.8)、根據(jù)下式選擇下一次迭代中要保留的個(gè)體，其中第k個(gè)個(gè)體為 其中，XkΔ表示步驟(6.2.7)中得到的第k個(gè)個(gè)體，Xkiter表示第iter次迭代的第k個(gè)個(gè)體，JkΔ表示第k個(gè)個(gè)體XkΔ的適應(yīng)度值；步驟(6.2.9)、iter＝iter+1，迭代步數(shù)加1，返回到步驟(6.2.3)，繼續(xù)執(zhí)行下一次迭代操作；步驟(6.2.10)、如果優(yōu)化結(jié)果不滿足精度要求，則增加Ls的值Ls＝Ls+QQ，如果Ls大于Lsmax，執(zhí)行步驟(6.2.11)，否則回到步驟(6.2.2)；步驟(6.2.11)根據(jù)最終的模板參數(shù)優(yōu)化結(jié)果，利用D2式生成動(dòng)態(tài)軟測(cè)量模型中每個(gè)子系統(tǒng)的脈沖響應(yīng)參數(shù)；步驟(7)、根據(jù)步驟(6)中得到的脈沖響應(yīng)參數(shù)，建立如下動(dòng)態(tài)軟測(cè)量模型進(jìn)行在線應(yīng)用估計(jì)，第t時(shí)刻的輸出估計(jì)值為D6:y(t)=Σs=1n{Σi=0Lshs(i)us(t-i)}.]]>
2.根據(jù)權(quán)利要求1所述的基于脈沖響應(yīng)模板和參數(shù)優(yōu)化的動(dòng)態(tài)軟測(cè)量建模方法，其特征在于，子系統(tǒng)結(jié)構(gòu)類型為一階系統(tǒng)時(shí)，D2與D3分別表示為D2:hs(i)=KsTsexp(-1Ts(i-τs)),i=τs,...,Ls;s∈[1,n]hs(i)=0,i<τs,]]>D3:ξs1min≤Ts≤ξs1max,ξs2min≤Ks≤ξs2max,ξs3min≤τs≤ξs3max,s∈[1,n],]]>其中，Ts，Ks，τs為第s個(gè)子系統(tǒng)結(jié)構(gòu)類型的模板參數(shù)，分別表示時(shí)間常數(shù)、比例系數(shù)、純時(shí)延常數(shù)。模板參數(shù)范圍通常為ξs1min=(0.01~0.1)T1s;ξs1max=(5~8)T1s;ξs2min=(0.05~0.15)Ks,ξs2max=(6~10)Ks,]]>ξs3min=(0.01~0.1)τs,ξs3max=(2~5)τs,]]>其中，ζs1min，ζs1max分別表示第s個(gè)子系統(tǒng)的時(shí)間常數(shù)的最小以及最大值，ζs2min，ζs2max分別表示第s個(gè)子系統(tǒng)的比例系數(shù)的最小以及最大值，ζs3min，ζs3max分別表示第s個(gè)子系統(tǒng)的純時(shí)延常數(shù)的最小以及最大值。子系統(tǒng)結(jié)構(gòu)類型為二階系統(tǒng)時(shí)，D2與D3分別表示為D2:hs(i)=KpsT1s-T2s{exp(-1T1s(i-τ1s))-exp(-1T2s(i-τ1s))},i=τ1s+1,...,Ls;s∈[1,n],hs(i)=0,i≤τ1s]]>D3:ξs1min≤T1s≤ξs1max,ξs2min≤T2s≤ξs2max,ξs3min≤Kps≤ξs3max,ξs4min≤τ1s≤ξs4maxs∈[1,n]]]>其中，T1s，T2s，Kps，τ1s為第s個(gè)子系統(tǒng)結(jié)構(gòu)類型的模板參數(shù)，分別表示時(shí)間常數(shù)1、時(shí)間常數(shù)2、比例系數(shù)、純時(shí)延常數(shù)。其中模板參數(shù)范圍通常為ξs1min=(0.01~0.1)T1s;ξs1max=(5~8)T1s;ξs2min=(0.01~0.1)T2s,ξs2max=(5~8)T2s;]]>ξs3min=(0.05~0.15)Kps;ξs3max=(6~10)Kps;ξs4min=(0.01~0.1)τ1s,ξs4max=(2~5)τ1s,]]>其中，ξs1min，ξs1max分別表示第s個(gè)子系統(tǒng)的時(shí)間常數(shù)1的最小以及最大值，ξs2min，ξs2max分別表示第s個(gè)子系統(tǒng)的的時(shí)間常數(shù)2的最小以及最大值，ξs3min，ξs3max分別表示第s個(gè)子系統(tǒng)的的比例系數(shù)的最小以及最大值，ξs4min，ξs4max分別表示第s個(gè)子系統(tǒng)的純時(shí)延常數(shù)的最小以及最大值。
全文摘要
本發(fā)明屬于生產(chǎn)過(guò)程軟測(cè)量技術(shù)領(lǐng)域。其特征是，基于脈沖響應(yīng)原理建立卷積模型，脈沖響應(yīng)參數(shù)作為主要的辨識(shí)對(duì)象，在生產(chǎn)過(guò)程機(jī)理分析或?qū)嶋H經(jīng)驗(yàn)的基礎(chǔ)上產(chǎn)生一組脈沖響應(yīng)模板以及模板參數(shù)約束范圍，使用優(yōu)化方法辨識(shí)脈沖響應(yīng)模板參數(shù)，完成動(dòng)態(tài)軟測(cè)量模型參數(shù)的優(yōu)化求解。本發(fā)明的優(yōu)點(diǎn)1)適應(yīng)動(dòng)態(tài)變化生產(chǎn)過(guò)程下的軟測(cè)量建模和應(yīng)用的需求。2)適用于難測(cè)主導(dǎo)變量往往是人工取樣化驗(yàn)情況下的動(dòng)態(tài)軟測(cè)量建模，對(duì)易測(cè)輔助變量也僅需要相對(duì)于難測(cè)主導(dǎo)變量采樣時(shí)及前一個(gè)過(guò)渡過(guò)程內(nèi)的相應(yīng)采樣數(shù)據(jù)，解決了現(xiàn)有的以神經(jīng)網(wǎng)絡(luò)模型為代表的基于實(shí)驗(yàn)?zāi)Ｐ偷膭?dòng)態(tài)軟測(cè)量方法只能用于連續(xù)等周期采樣的問(wèn)題。3)使得脈沖響應(yīng)參數(shù)辨識(shí)僅限定在指定的可以根據(jù)機(jī)理分析和經(jīng)驗(yàn)確定的模板類和模板參數(shù)約束范圍內(nèi)，極大減少了學(xué)習(xí)參數(shù)以節(jié)省學(xué)習(xí)時(shí)間。
文檔編號(hào)G06N3/00GK101050971SQ20071009907
公開日2007年10月10日 申請(qǐng)日期2007年5月11日 優(yōu)先權(quán)日2007年5月11日
發(fā)明者黃德先, 楊慶, 呂文祥, 金以慧 申請(qǐng)人:清華大學(xué)