CN107544286A - 一种蒸发工序中的系统辨识方法 - Google Patents
一种蒸发工序中的系统辨识方法 Download PDFInfo
- Publication number
- CN107544286A CN107544286A CN201710760302.2A CN201710760302A CN107544286A CN 107544286 A CN107544286 A CN 107544286A CN 201710760302 A CN201710760302 A CN 201710760302A CN 107544286 A CN107544286 A CN 107544286A
- Authority
- CN
- China
- Prior art keywords
- dim
- data
- group
- dimension
- matrix
- 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.)
- Withdrawn
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及一种蒸发工序中的系统辨识方法,本发明方法使用数据驱动的方法进行系统辨识,充分利用生产过程中积累的大量历史数据,使用机器学习技术精确建立各个变量之间的统计规律,不仅辨识误差小,而且免去了复杂的机理建模过程,同时免去了在线实验的过程。本发明使用历史数据进行离线训练,不需要进行在线实验,建模方法通用,建模过程简单,系统辨识的精确度高。
Description
技术领域
本发明涉及系统辨识技术领域,尤其涉及一种蒸发工序中的系统辨识方法。
背景技术
在流程型制造业中,系统辨识是一项关键的技术,它是实现预测控制,优化控制以及在线软测量的基础。现有的系统辨识方法大多基于机理模型,这种方法适用于简单、低时延的系统。但是蒸发工序是一个复杂、高时延的系统,特别是实际生产环境中普遍使用的多效蒸发工序。如果使用机理模型对蒸发工序进行系统辨识,一方面由于机理复杂,对建模人员的理论水平要求很高,而且为了降低模型的复杂度,不得不对一些过程进行近似处理,导致计算的结果与实际误差较大;另一方面为了确定机理模型在实际生产环境中的各个参数,需要逐一进行在线实验,不仅过程繁琐,而且会对正常生产造成影响。
发明内容
本发明为克服上述的不足之处,目的在于提供一种蒸发工序中的系统辨识方法,本发明方法使用数据驱动的方法进行系统辨识,充分利用生产过程中积累的大量历史数据,使用机器学习技术精确建立各个变量之间的统计规律,不仅辨识误差小,而且免去了复杂的机理建模过程,同时免去了在线实验的过程。
本发明是通过以下技术方案达到上述目的:一种蒸发工序中的系统辨识方法,包括如下步骤:
(1)将与蒸发工序相关的数据点位分别划分至输入组、观察组、输出组三个组别;
(2)通过数据采集程序,以预设时间间隔分别从输入组、观察组、输出组的数据点位采集实时数据,并对每次采集的数据打上时间戳,直至采集的数据量达到预设的目标量;
(3)对采集得到的数据内的无效数据进行数据清洗,并对清洗后的数据进行预处理,并将预处理后的数据按照比例分为训练数据和验证数据,其中,比例是预设的;
(4)构建蒸发工序的状态方程,并构建循环神经网络,循环神经网络中神经元的计算公式由状态方程描述;
(5)根据状态方程代入训练数据,采用参数矩阵表示状态方程输出值与输出组实际值之间的偏差,使用梯度下降算法计算得到偏差最小的参数矩阵的值;
(6)利用验证数据计算验证状态方程的相对误差是否满足实际生产环境中系统辨识的要求,若满足则结束;否则调整循环神经网络的超参,并重复执行步骤(5),直到得到满足要求的结果后结束。
作为优选,所述的输入组、观察组、输出组的定义如下:
(a)所述的输入组为被控制对象的输入物理量,可以被控制器改变,从而影响被控制对象的状态;
(b)所述的观察组为可以影响被控制对象的状态,但是不能被控制器改变的物理量,是被控制对象偏离稳态、发生波动的主要来源;
(c)所述的输出组为被控制对象在控制器作用下的输出物理量,是控制目标的实际反馈值。
作为优选,所述的预设时间间隔优选为一秒。
作为优选,所述对清洗后的数据进行预处理的方法为通过均值滤波过滤噪声并改变数据的时间粒度,再通过限幅滤波过滤数据中的高频分量。
作为优选,所述蒸发工序的状态方程如下:
X_dot=U*W1_U+V*W1_V+X*W1_X+B1
Y=X_dot*W2+B2
其中,X为状态向量,X_dot为下一次迭代状态向量,状态向量用来抽象表示整个系统,假设系统状态的自由度为X_dim,矩阵X和X_dot的维度为1*X_dim;U为输入向量,假设输入组中数据点位个数为U_dim,矩阵U的维度1*U_dim;V为观察向量,假设观察组中数据点位个数为V_dim,矩阵V的维度1*V_dim;Y为输出向量,假设输出组中数据点位个数为Y_dim,矩阵Y的维度1*Y_dim;W1_U为参数矩阵,维度为U_dim*X_dim;W1_V为参数矩阵,维度为V_dim*X_dim;W1_X为参数矩阵,维度为X_dim*X_dim;W2为参数矩阵,维度为X_dim*Y_dim;B1为参数矩阵,维度为1*X_dim;B2为参数矩阵,维度为1*Y_dim。
本发明的有益效果在于:本发明使用历史数据进行离线训练,不需要进行在线实验,建模方法通用,建模过程简单,系统辨识的精确度高。
附图说明
图1是本发明方法的流程示意图;
图2是本发明所述的循环神经网络示意图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述,但本发明的保护范围并不仅限于此:
实施例:在本实施例中,将本发明方法应用于某大型有色金属制造厂的蒸发工序,该工序采用六效逆流蒸发工艺;如图1所示,一种蒸发工序中的系统辨识方法,包括如下步骤:
(1)通过现场调研,将与蒸发工序相关的数据点位分别划分至输入组、观察组、输出组三个组别;
在本实施例中,输入组的数据点位为:新蒸汽流量、蒸发原液流量。观察组的数据点位为新蒸汽温度、蒸发原液浓度、蒸发原液温度、一至六效蒸发器液位。输出组的数据点位为出料浓度。
(2)通过数据采集程序每隔一秒采集一次输入组、观察组、输出组的数据点位的实时数据,并对每次采集的数据打上时间戳,直至采集的数据量达到预设的目标量;
(3)对采集得到的40天的历史数据进行处理:对其中的无效数据进行数据清洗,并对清洗后的数据进行预处理(以分钟为单位对数据进行均值滤波,将数据的时间粒度由秒转换成分钟,然后再对数据进行限幅滤波,进一步过滤数据中的高频分量),并将预处理后的数据按照比例分为训练数据和验证数据,在本实施例中,将30天的数据作为训练数据,10天的数据作为验证数据;
(4)构建蒸发工序的状态方程,并构建如图2所示的循环神经网络,循环神经网络中神经元的计算公式由状态方程描述,循环神经网络是总体的数据驱动模型的结构,而状态方程是一个神经元的计算公式;
其中,蒸发工序的状态方程如下:
X_dot=U*W1_U+V*W1_V+X*W1_X+B1
Y=X_dot*W2+B2
其中,X为状态向量,X_dot为下一次迭代状态向量,状态向量用来抽象表示整个系统,假设系统状态的自由度为X_dim,矩阵X和X_dot的维度为1*X_dim;U为输入向量,假设输入组中数据点位个数为U_dim,矩阵U的维度1*U_dim;V为观察向量,假设观察组中数据点位个数为V_dim,矩阵V的维度1*V_dim;Y为输出向量,假设输出组中数据点位个数为Y_dim,矩阵Y的维度1*Y_dim;W1_U为参数矩阵,维度为U_dim*X_dim;W1_V为参数矩阵,维度为V_dim*X_dim;W1_X为参数矩阵,维度为X_dim*X_dim;W2为参数矩阵,维度为X_dim*Y_dim;B1为参数矩阵,维度为1*X_dim;B2为参数矩阵,维度为1*Y_dim。
(5)根据状态方程代入相应的训练数据,采用参数矩阵表示状态方程输出值与输出组实际值之间的偏差,使用梯度下降算法计算出使偏差最小的参数矩阵的值;
(6)利用验证数据计算验证状态方程的相对误差是否满足实际生产环境中系统辨识的要求,若满足则结束;否则调整循环神经网络的超参,并重复执行步骤(5),直到得到满足要求的结果后结束。
在本实施例中,状态方程输出值与输出组实际值的相对误差可以达到0.3%以内。
以上的所述乃是本发明的具体实施例及所运用的技术原理,若依本发明的构想所作的改变,其所产生的功能作用仍未超出说明书及附图所涵盖的精神时,仍应属本发明的保护范围。
Claims (5)
1.一种蒸发工序中的系统辨识方法,其特征在于,包括如下步骤:
(1)将与蒸发工序相关的数据点位分别划分至输入组、观察组、输出组三个组别;
(2)通过数据采集程序,以预设时间间隔分别从输入组、观察组、输出组的数据点位采集实时数据,并对每次采集的数据打上时间戳,直至采集的数据量达到预设的目标量;
(3)对采集得到的数据内的无效数据进行数据清洗,并对清洗后的数据进行预处理,并将预处理后的数据按照比例分为训练数据和验证数据,其中,比例是预设的;
(4)构建蒸发工序的状态方程,并构建循环神经网络,循环神经网络中神经元的计算公式由状态方程描述;
(5)根据状态方程代入训练数据,采用参数矩阵表示状态方程输出值与输出组实际值之间的偏差,使用梯度下降算法计算得到偏差最小的参数矩阵的值;
(6)利用验证数据计算验证状态方程的相对误差是否满足实际生产环境中系统辨识的要求,若满足则结束;否则调整循环神经网络的超参,并重复执行步骤(5),直到得到满足要求的结果后结束。
2.根据权利要求1所述的一种蒸发工序中的系统辨识方法,其特征在于:所述的输入组、观察组、输出组的定义如下:
(a)所述的输入组为被控制对象的输入物理量,可以被控制器改变,从而影响被控制对象的状态;
(b)所述的观察组为可以影响被控制对象的状态,但是不能被控制器改变的物理量,是被控制对象偏离稳态、发生波动的主要来源;
(c)所述的输出组为被控制对象在控制器作用下的输出物理量,是控制目标的实际反馈值。
3.根据权利要求1所述的一种蒸发工序中的系统辨识方法,其特征在于:所述的预设时间间隔优选为一秒。
4.根据权利要求1所述的一种蒸发工序中的系统辨识方法,其特征在于:所述对清洗后的数据进行预处理的方法为通过均值滤波过滤噪声并改变数据的时间粒度,再通过限幅滤波过滤数据中的高频分量。
5.根据权利要求1所述的一种蒸发工序中的系统辨识方法,其特征在于:所述蒸发工序的状态方程如下:
X_dot=U*W1_U+V*W1_V+X*W1_X+B1
Y=X_dot*W2+B2
其中,X为状态向量,X_dot为下一次迭代状态向量,状态向量用来抽象表示整个系统,假设系统状态的自由度为X_dim,矩阵X和X_dot的维度为1*X_dim;U为输入向量,假设输入组中数据点位个数为U_dim,矩阵U的维度1*U_dim;V为观察向量,假设观察组中数据点位个数为V_dim,矩阵V的维度1*V_dim;Y为输出向量,假设输出组中数据点位个数为Y_dim,矩阵Y的维度1*Y_dim;W1_U为参数矩阵,维度为U_dim*X_dim;W1_V为参数矩阵,维度为V_dim*X_dim;W1_X为参数矩阵,维度为X_dim*X_dim;W2为参数矩阵,维度为X_dim*Y_dim;B1为参数矩阵,维度为1*X_dim;B2为参数矩阵,维度为1*Y_dim。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710760302.2A CN107544286A (zh) | 2017-08-30 | 2017-08-30 | 一种蒸发工序中的系统辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710760302.2A CN107544286A (zh) | 2017-08-30 | 2017-08-30 | 一种蒸发工序中的系统辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107544286A true CN107544286A (zh) | 2018-01-05 |
Family
ID=60959252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710760302.2A Withdrawn CN107544286A (zh) | 2017-08-30 | 2017-08-30 | 一种蒸发工序中的系统辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107544286A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108646695A (zh) * | 2018-07-12 | 2018-10-12 | 杭州数亦有道科技有限公司 | 一种用于蒸发工序的智能控制方法 |
CN110255303A (zh) * | 2019-06-13 | 2019-09-20 | 天津大学 | 一种电梯等待楼层优化方法 |
CN113391575A (zh) * | 2020-03-13 | 2021-09-14 | 新疆金风科技股份有限公司 | 风力发电机组的变桨执行机构在线状态辨识方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6363289B1 (en) * | 1996-09-23 | 2002-03-26 | Pavilion Technologies, Inc. | Residual activation neural network |
CN101493677A (zh) * | 2008-06-30 | 2009-07-29 | 李华嵩 | 一种神经网络的系统控制器结构及系统辨识结构 |
CN101598927A (zh) * | 2009-05-15 | 2009-12-09 | 广东工业大学 | 一种基于神经网络的纯碱碳化工艺控制系统及其控制方法 |
CN101670184A (zh) * | 2009-10-13 | 2010-03-17 | 北京和隆优化控制技术有限公司 | 蒸发装置产量、质量、能耗多目标协调优化控制系统 |
CN101673096A (zh) * | 2009-10-26 | 2010-03-17 | 浙江大学 | 一种丹参注射液生产浓缩过程密度的软测量方法 |
-
2017
- 2017-08-30 CN CN201710760302.2A patent/CN107544286A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6363289B1 (en) * | 1996-09-23 | 2002-03-26 | Pavilion Technologies, Inc. | Residual activation neural network |
CN101493677A (zh) * | 2008-06-30 | 2009-07-29 | 李华嵩 | 一种神经网络的系统控制器结构及系统辨识结构 |
CN101598927A (zh) * | 2009-05-15 | 2009-12-09 | 广东工业大学 | 一种基于神经网络的纯碱碳化工艺控制系统及其控制方法 |
CN101670184A (zh) * | 2009-10-13 | 2010-03-17 | 北京和隆优化控制技术有限公司 | 蒸发装置产量、质量、能耗多目标协调优化控制系统 |
CN101673096A (zh) * | 2009-10-26 | 2010-03-17 | 浙江大学 | 一种丹参注射液生产浓缩过程密度的软测量方法 |
Non-Patent Citations (2)
Title |
---|
李慧,陈灿: "一种多变量系统辨识法及其在蒸发过程的应用", 《计算机工程与应用》 * |
院潘丰,林金星: "基于神经网络的柠檬酸蒸发过程软测量研究", 《2005年全国发酵有机酸科技交流会》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108646695A (zh) * | 2018-07-12 | 2018-10-12 | 杭州数亦有道科技有限公司 | 一种用于蒸发工序的智能控制方法 |
CN110255303A (zh) * | 2019-06-13 | 2019-09-20 | 天津大学 | 一种电梯等待楼层优化方法 |
CN113391575A (zh) * | 2020-03-13 | 2021-09-14 | 新疆金风科技股份有限公司 | 风力发电机组的变桨执行机构在线状态辨识方法及装置 |
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 | |
Belbeisi et al. | Effect of Oxygen Consumption of Thylakoid Membranes (Chloroplasts) From Spinach after Inhibition Using JNN | |
CN110738360A (zh) | 一种设备剩余寿命预测方法及系统 | |
CN107544286A (zh) | 一种蒸发工序中的系统辨识方法 | |
CN109992921B (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及系统 | |
CN100507460C (zh) | 基于脉冲响应模板和参数优化的动态软测量建模方法 | |
CN108760829A (zh) | 一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法 | |
CN1564971A (zh) | 受控过程中的偏差的根本原因诊断 | |
CN109407654A (zh) | 一种基于稀疏深度神经网络的工业数据非线性因果分析方法 | |
CN105930629B (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
CN104657586B (zh) | 基于异常工况检测的高含硫天然气净化工艺建模优化方法 | |
CN110245460B (zh) | 一种基于多阶段oica的间歇过程故障监测方法 | |
CN110232412A (zh) | 一种基于多模态深度学习的人体步态预测方法 | |
CN109623489B (zh) | 一种改进的机床健康状态评定方法及数控机床 | |
CN106663086A (zh) | 用于核回归模型的集体的设备和方法 | |
CN107782857A (zh) | 基于改进cs‑bpnn的食用菌发酵过程关键参量的软测量方法 | |
CN110007645A (zh) | 一种基于动力学及深度神经网络的进给系统混合建模方法 | |
CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN105550747A (zh) | 一种新型卷积神经网络的样本训练方法 | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN106706491B (zh) | 膜生物反应器-mbr出水透水率的智能检测方法 | |
CN108198268A (zh) | 一种生产设备数据标定方法 | |
Nikitin et al. | Mechatronic modules diagnosis by use of fuzzy sets | |
CN109696829A (zh) | 用来控制系统内的过程的方法和装置,特别是研磨装置内的研磨过程 | |
Pang et al. | Developing an Artificial Intelligence (AI) system to patch plywood defects in manufacture |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180105 |
|
WW01 | Invention patent application withdrawn after publication |