CN107451303B - 一种多变量过程模型辨识准确性评价方法 - Google Patents
一种多变量过程模型辨识准确性评价方法 Download PDFInfo
- Publication number
- CN107451303B CN107451303B CN201610369491.6A CN201610369491A CN107451303B CN 107451303 B CN107451303 B CN 107451303B CN 201610369491 A CN201610369491 A CN 201610369491A CN 107451303 B CN107451303 B CN 107451303B
- Authority
- CN
- China
- Prior art keywords
- model
- identification
- expected
- identification model
- gain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种多变量过程模型辨识准确性评价方法,包括:辨识模型总体准确性的评价子方法,通过计算相对最大误差百分数和相对均方差百分数两个指标来量化辨识模型总体准确程度;辨识模型特征参数准确性的评价子方法,通过计算辨识模型与期望模型的增益比、辨识模型与期望模型的惯性时间比、辨识模型与期望模型的迟延时间比和辨识模型与期望模型的增益积来量化辨识模型参数的准确程度。与现有技术相比,本发明具有物理意义明确、计算容易、辨识准确度高等优点。
Description
技术领域
本发明涉及控制科学与工程学科的建模仿真技术领域,尤其是涉及一种多变量过程模型辨识准确性评价方法。
背景技术
任何系统的控制与优化均离不开系统数学模型。数学模型是揭示系统内部存在规律,用来表征系统的数学表达式。在对实际的控制问题或优化问题进行分析研究时,首先需要建立系统的数学模型,再运用控制理论或优化理论进行分析,进而解决实际问题。所以说数学模型是沟通实际问题与控制理论之间联系的桥梁。数学模型对系统的特征表达越准确,则对系统的控制或优化效果就会越好。
建立数学模型的方法主要有两大类,一是机理建模法,二是系统辨识法。机理建模法是在掌握系统内部规律的基础上,根据力学、电学等定理建立系统输入输出关系。系统辨识法是把系统看成一个“黑箱”,不直接探求系统的内部规律,而是根据测量系统输入输出数据,运用一定的辨识方法来获取系统输入输出关系。当系统内在规律明确,可直接通过机理建模获取系统的数学模型;当对系统内部规律认识不足,或当系统结构较为复杂,影响因素众多,采用系统辨识进行建模更为方便。
随着被控系统的复杂性日益提高,被控系统的模型建立也越来越复杂,特别是在多变量过程控制中,系统的动态环境中影响因素多,都给建模带来一定的难度。建立的数学模型能否反映系统的真实规律,且与真实系统的逼近程度如何,需要按着一定的技术标准进行评价。目前,针对多变量模型的辨识精度尚无公认的评价标准的问题,本发明旨在提供一种科学的过程模型的辨识准确性评价的标准技术方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种多变量过程模型辨识准确性评价方法。
本发明的目的可以通过以下技术方案来实现:
一种多变量过程模型辨识准确性评价方法,包括:
辨识模型总体准确性的评价子方法,通过计算相对最大误差百分数和相对均方差百分数两个指标来量化辨识模型总体准确程度;
辨识模型特征参数准确性的评价子方法,通过计算辨识模型与期望模型的增益比、辨识模型与期望模型的惯性时间比、辨识模型与期望模型的迟延时间比和辨识模型与期望模型的增益积来量化辨识模型参数的准确程度。
所述的相对最大误差百分数J1是用来衡量辨识模型的最大瞬态误差的大小,该数值越小,说明辨识模型的最大动态误差越小;
所述的相对均方差百分数J2是用来表征实际过程与辨识模型的总体贴合度,该数值越小,说明两者贴合得越紧密,辨识模型的准确性越高。
所述的相对最大误差百分数J1和相对均方差百分数J2具体计算如下:
式(1)和式(2)中,yj(k)是被辨识的多变量过程的第j个输出变量的辨识响应的第k次检测值,ymj(k)是被辨识过程的数学模型在同输入下的第j个输出变量的辨识响应的第k次检测值,其中k=1、2…N,其中N为检测次数。
所述的辨识模型与期望模型的增益比P1、辨识模型与期望模型的惯性时间比P2、辨识模型与期望模型的迟延时间比P3的数值均是越接近于1越说明模型辨识特征参数准确性越高;所述的辨识模型与期望模型的增益积P4的数值是大于零为好,所述的辨识模型与期望模型的增益积P4的数值小于零,则说明辨识模型增益与期望模型增益的符号相反,存在着方向性偏差。
所述的辨识模型与期望模型的增益比P1、辨识模型与期望模型的惯性时间比P2、辨识模型与期望模型的迟延时间比P3和辨识模型与期望模型的增益积P4具体计算过程如下:
辨识模型与期望模型的增益积:P4ij=KmijKqij (6)
式(3)至式(6)中,Kmij、Tmij、τmij分别为被辨识过程的第i个输入对第j个输出的辨识模型或传递函数的增益、惯性时间、迟延时间;Kqij、Tqij、τqij分别为被辨识过程的第i个输入对第j个输出的期望模型或传递函数的增益、惯性时间、迟延时间。
期望模型被定义为被辨识过程的最准确的数学模型。在仿真试验研究中,期望模型就是预设的数学模型。而在实际过程辨识时,由于真实的准确模型很难获得,期望模型将来自机理建模或类似过程的辨识模型,它具有相对的最高的准确性。
与现有技术相比,本发明依据于有效的过程输入输出辨识数据、辨识模型在同输入下的响应数据,以及期望模型特征参数,因此本发明所提出的评价指标具有物理意义明确、计算容易、辨识准确度高等优点,同时本发明方法也是科学公正的。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
针对某已知二输入一输出的被辨识过程,假设其期望模型(即准确模型)为:
则有期望模型的特征参数:
Kq11=2
Kq21=895
Tq11=200
Tq21=2+45+230-90=230
当通过辨识试验获取800点过程输出响应{y1(k),k=1,2,…,800}、输入数据{u1(k),k=1,2,…,800}和输入数据{u2(k),k=1,2,…,800},并通过粒子群(PSO)辨识程序得到的辨识模型为:
则有辨识模型的特征参数:
Km11=2.191
Km21=951.1
Tm11=232.9
Tm21=1.995+45.79+259.3-97.11=209.975
根据所提出的辨识模型准确性评价指标计算公式,可以得到:
P411=Km11Kq11=2×2.191>0
P421=Km21Kq21=951.1×895>0
分析已得的辨识模型准确性评价指标数据可以看出:该辨识模型的总体准确性很好(相对最大误差百分数J1和相对均方差百分数J2均小于0.01%);各特性参数的准确性也很高(辨识模型与期望模型的增益比P1和辨识模型与期望模型的惯性时间比都接近1),并且其辨识出的增益参数没有方向性偏差(辨识模型与期望模型的增益积P4大于零)。由于,被辨识过程没有迟延,故不用计算和分析辨识模型与期望模型的迟延时间比P3。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (1)
1.一种多变量过程模型辨识准确性评价方法,其特征在于,包括:
辨识模型总体准确性的评价子方法,通过计算相对最大误差百分数J1和相对均方差百分数J2两个指标来量化辨识模型总体准确程度;
辨识模型特征参数准确性的评价子方法,通过计算辨识模型与期望模型的增益比P1、辨识模型与期望模型的惯性时间比P2、辨识模型与期望模型的迟延时间比P3和辨识模型与期望模型的增益积P4来量化辨识模型参数的准确程度;
所述的相对最大误差百分数J1是用来衡量辨识模型的最大瞬态误差的大小,该数值越小,说明辨识模型的最大动态误差越小;
所述的相对均方差百分数J2是用来表征实际过程与辨识模型的总体贴合度,该数值越小,说明两者贴合得越紧密,辨识模型的准确性越高;
所述的辨识模型与期望模型的增益比P1、辨识模型与期望模型的惯性时间比P2、辨识模型与期望模型的迟延时间比P3的数值均是越接近于1越说明模型辨识特征参数准确性越高;所述的辨识模型与期望模型的增益积P4的数值是大于零为好,所述的辨识模型与期望模型的增益积P4的数值小于零,则说明辨识模型增益与期望模型增益的符号相反,存在着方向性偏差;
所述的相对最大误差百分数J1和相对均方差百分数J2具体计算如下:
式(1)和式(2)中,yj(k)是被辨识的多变量过程的第j个输出变量的辨识响应的第k次检测值,ymj(k)是被辨识过程的数学模型在同输入下的第j个输出变量的辨识响应的第k次检测值,其中k=1、2…N,其中N为检测次数;
所述的辨识模型与期望模型的增益比P1、辨识模型与期望模型的惯性时间比P2、辨识模型与期望模型的迟延时间比P3和辨识模型与期望模型的增益积P4具体计算过程如下:
辨识模型与期望模型的增益积:P4=KmijKqij (6)
式(3)至式(6)中,Kmij、Tmij、τmij分别为被辨识过程的第i个输入对第j个输出的辨识模型或传递函数的增益、惯性时间、迟延时间;Kqij、Tqij、τqij分别为被辨识过程的第i个输入对第j个输出的期望模型或传递函数的增益、惯性时间、迟延时间;
期望模型被定义为被辨识过程的最准确的数学模型,在仿真试验研究中,期望模型就是预设的数学模型,而在实际过程辨识时,期望模型将来自机理建模,具有相对的最高的准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610369491.6A CN107451303B (zh) | 2016-05-30 | 2016-05-30 | 一种多变量过程模型辨识准确性评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610369491.6A CN107451303B (zh) | 2016-05-30 | 2016-05-30 | 一种多变量过程模型辨识准确性评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107451303A CN107451303A (zh) | 2017-12-08 |
CN107451303B true CN107451303B (zh) | 2021-02-05 |
Family
ID=60484831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610369491.6A Active CN107451303B (zh) | 2016-05-30 | 2016-05-30 | 一种多变量过程模型辨识准确性评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451303B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789598A (zh) * | 2010-03-05 | 2010-07-28 | 湖北省电力试验研究院 | 一种电力系统负荷的建模方法 |
CN104462022A (zh) * | 2014-12-12 | 2015-03-25 | 中国航天空气动力技术研究院 | 飞行器动力学系统参数可辨识性分析方法 |
CN104899658A (zh) * | 2015-06-12 | 2015-09-09 | 哈尔滨工业大学 | 基于时间序列预测模型适用性量化的预测模型选择方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9495641B2 (en) * | 2012-08-31 | 2016-11-15 | Nutomian, Inc. | Systems and method for data set submission, searching, and retrieval |
-
2016
- 2016-05-30 CN CN201610369491.6A patent/CN107451303B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789598A (zh) * | 2010-03-05 | 2010-07-28 | 湖北省电力试验研究院 | 一种电力系统负荷的建模方法 |
CN104462022A (zh) * | 2014-12-12 | 2015-03-25 | 中国航天空气动力技术研究院 | 飞行器动力学系统参数可辨识性分析方法 |
CN104899658A (zh) * | 2015-06-12 | 2015-09-09 | 哈尔滨工业大学 | 基于时间序列预测模型适用性量化的预测模型选择方法 |
Non-Patent Citations (1)
Title |
---|
1000MW超超临界机组建模理论与方法的研究;袁世通;<<中国博士学位论文全文数据库 工程科技II辑>>;20160115;正文第2、60-77页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107451303A (zh) | 2017-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104537415B (zh) | 一种基于压缩感知和dros‑elm的非线性过程工业故障预测及识别方法 | |
CN105260786B (zh) | 一种电力推进系统仿真可信度评估模型综合优化方法 | |
CN104820771B (zh) | 一种航天工程制造成熟度等级确定方法 | |
CN106021685B (zh) | 一种考虑测量误差的退化可靠性分析方法 | |
CN103853927B (zh) | 基于聚类全局优化算法预测材料力学行为的方法 | |
CN110837921A (zh) | 基于梯度提升决策树混合模型的房地产价格预测研究方法 | |
CN113836634B (zh) | 一种大差异性气动数据的深度神经网络建模方法 | |
CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
Xiao et al. | The chaotic characteristic of the carbon-monoxide utilization ratio in the blast furnace | |
Leng et al. | Short-term forecasting model of traffic flow based on GRNN | |
CN114583767B (zh) | 一种数据驱动的风电场调频响应特性建模方法及系统 | |
CN106483851B (zh) | 基于Lyapunov函数分析的时滞稳定判据保守性评估方法 | |
CN106021880B (zh) | 基于bp神经网络的导管架平台结构响应计算方法 | |
CN110889207A (zh) | 一种基于深度学习的体系组合模型可信度智能评估方法 | |
Feng et al. | Nonlinear non-Gaussian estimation using maximum correntropy square root cubature information filtering | |
CN107451303B (zh) | 一种多变量过程模型辨识准确性评价方法 | |
Ballı et al. | An application of artificial neural networks for prediction and comparison with statistical methods | |
CN117521518A (zh) | 一种基于机器学习的镁合金热处理工艺优化方法 | |
CN112949944A (zh) | 一种基于时空特征的地下水位智能预测方法及系统 | |
CN104573732A (zh) | 一种目标光谱匹配方法 | |
CN116108745A (zh) | 水环境模型多参数率定方法、终端设备及存储介质 | |
CN115728290A (zh) | 一种土壤中铬元素的检测方法、系统、设备及存储介质 | |
CN105354412A (zh) | 基于投影寻踪和z型函数的海上军事活动海洋环境影响评估方法 | |
CN105301961A (zh) | 一种基于rbf神经网络的大口径转台系统模型辨识方法 | |
Shuang et al. | The research of loading model of eddy current dynamometer based on DRNN with double hidden layers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 200437 room 801, building 9, 171 Handan Road, Hongkou District, Shanghai Applicant after: Shanghai Minghua Power Technology Co.,Ltd. Applicant after: SHANGHAI University OF ELECTRIC POWER Address before: 200437 room 801, building 9, 171 Handan Road, Hongkou District, Shanghai Applicant before: SHANGHAI MINGHUA ELECTRIC POWER TECHNOLOGY AND ENGINEERING Co.,Ltd. Applicant before: SHANGHAI University OF ELECTRIC POWER |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |