CN110222711A - 一种基于深度学习的工业过程多阶惯性系统开环辨识方法 - Google Patents

一种基于深度学习的工业过程多阶惯性系统开环辨识方法 Download PDF

Info

Publication number
CN110222711A
CN110222711A CN201910363068.9A CN201910363068A CN110222711A CN 110222711 A CN110222711 A CN 110222711A CN 201910363068 A CN201910363068 A CN 201910363068A CN 110222711 A CN110222711 A CN 110222711A
Authority
CN
China
Prior art keywords
deep learning
open loop
seconds
object model
inertia
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.)
Granted
Application number
CN201910363068.9A
Other languages
English (en)
Other versions
CN110222711B (zh
Inventor
尹峰
苏烨
李泉
蔡钧宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
YINENG ELECTRIC TECHNOLOGY Co Ltd HANGZHOU
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
YINENG ELECTRIC TECHNOLOGY Co Ltd HANGZHOU
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by YINENG ELECTRIC TECHNOLOGY Co Ltd HANGZHOU, State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical YINENG ELECTRIC TECHNOLOGY Co Ltd HANGZHOU
Priority to CN201910363068.9A priority Critical patent/CN110222711B/zh
Publication of CN110222711A publication Critical patent/CN110222711A/zh
Application granted granted Critical
Publication of CN110222711B publication Critical patent/CN110222711B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于深度学习的工业过程多阶惯性系统开环辨识方法。本发明基于深度学习随机失活神经网络，在该网络的输入端设置惯性时间常数为30秒和60秒的一阶惯性滤波环节及惯性时间常数为30秒、60秒和160秒的二阶惯性滤波环节后，形成一个基于深度学习的开环对象辨识器；在辨识开环对象模型时，在开环对象模型的输入端加入正向和反向的阶跃输入，开环对象模型输出相应数据，然后将输入数据和输出数据同时输入开环对象辨识器，深度学习随机失活神经网络经过离线训练后，有效辨识出开环对象模型的特性。本发明能简便、准确的辨识出多阶惯性系统开环对象模型，有效提高了该类系统的控制品质。

Description

一种基于深度学习的工业过程多阶惯性系统开环辨识方法
技术领域
本发明涉及工业过程控制领域，具体地说是一种基于深度学习的工业过程多阶惯性系统开环辨识方法。
背景技术
工业过程中常有的一类被控对象是多阶惯性系统，该多阶惯性系统存在着大迟延大惯性特性，为了获得良好的控制性能，经常需要辨识对象模型特性。
目前辨识多阶惯性系统的对象模型特性通常采用常规的最小二乘辨识算法，而常规的最小二乘辨识算法需要加入较复杂的激励信号，辨识出的对象模型准确性不高。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在的缺陷，提供一种基于深度学习的工业过程多阶惯性系统开环辨识方法，以简便、准确的辨识出多阶惯性系统开环对象模型，以有效提高该类系统的控制品质。
为此，本发明采用如下的技术方案：一种基于深度学习的工业过程多阶惯性系统开环辨识方法，其包括：
基于深度学习随机失活神经网络，在该网络的输入端设置惯性时间常数为30秒和60秒的一阶惯性滤波环节及惯性时间常数为30秒、60秒和160秒的二阶惯性滤波环节后，形成一个基于深度学习的开环对象辨识器；
在辨识开环对象模型时，在开环对象模型的输入端加入正向和反向的阶跃输入，开环对象模型输出相应数据，然后将输入数据和输出数据同时输入开环对象辨识器，深度学习随机失活神经网络(DNN网络)经过离线训练后，有效辨识出开环对象模型的特性。
针对单入单出的多阶惯性系统对象，其输入信号在经过DNN网络时，需要先分别经过一阶和二阶惯性环节，本发明设置了惯性时间常数分别为30秒和60秒的两个一阶惯性环节和惯性时间常数分别为30秒、60秒、160秒的三个二阶惯性环节，共五组输入数据，再加上对象输出数据共六组数据同时输入深度学习DNN网络，经过训练后，获得的辨识器模型能够较好反映出实际对象模型特性。
进一步的，深度学习随机失活神经网络的形成过程如下：
首先，将输入数据标准化到给定最大值和最小值之间；其次，进行训练数据集和测试数据集分类，选用ReLU激活函数，设置神经元层数、学习速率及随机失活率；采用回归算法进行深度学习神经网络训练及准确率测算，得到深度学习随机失活神经网络。
进一步的，所述的深度学习随机失活神经网络，训练过程中每个隐藏层的神经元以2％的概率从网络中随机被忽略，网络被设置成多变量输入的形式。
进一步的，为验证开环对象辨识器的有效性，将正弦波信号分别加入开环对象模型和开环对象辨识器输入，对比开环对象模型输出和开环对象辨识器输出数据重合度，用以验证辨识准确性。
本发明具有以下有益效果：本发明为一种基于深度学习的开环辨识方法，其采用人工智能算法，设计了一种适用于多阶惯性系统的智能辨识器，同时激励信号也较为简单，只需加入正反向的阶跃信号，经过网络训练后便可简便、准确的辨识出开环对象模型。该方法对于深度学习网络在模型辨识中的应用具有重要的实践意义。
附图说明
图1为本发明深度学习随机失活神经网络原理图；
图2为本发明开环对象辨识器的原理图(图中G为传递函数对象模型，A为输入阶跃正反向激励信号数据集，B为模型输出数据集，C为开环对象辨识器输出数据集，D为A经过惯性时间为30秒的一阶惯性环节产生的数据集，E为A经过惯性时间为60秒的一阶惯性环节产生的数据集，F为A经过惯性时间为30秒的二阶惯性环节产生的数据集，H为A经过惯性时间为60秒的二阶惯性环节产生的数据集，K为A经过惯性时间为160秒的二阶惯性环节产生的数据集)；
图3为本发明开环对象辨识器对模型的辨识图。(图中，A1为对象模型G的输出；B1为开环对象辨识器输出)；
图4为本发明开环对象辨识器对模型G的辨识验证图。(图中，A2为正弦波激励模型G输出；B2为正弦波激励开环对象辨识器输出)。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。
一、一种基于深度学习的工业过程多阶惯性系统开环辨识方法
本发明基于一类多阶惯性系统，提出一种基于深度学习的开环辨识方法，该方法可以简便、准确的辨识出惯性系统开环对象模型。本发明所提出的辨识方法基于深度学习随机失活神经网络，即DNN网络，在该网络的输入端设置惯性时间常数为30秒和60秒的一阶及惯性时间常数为30秒、60秒和160秒的二阶惯性滤波环节后，形成了一个基于深度学习的开环对象辨识器；深度学习DNN网络经过离线训练后，可以有效辨识出对象模型的特性。
如图1所示的深度学习随机失活神经网络：首先，将输入数据标准化到给定最大值和最小值之间；其次，进行训练数据集和测试数据集分类，选用ReLU激活函数，设置神经元层数、学习速率及随机失活率等；采用回归算法进行神经网络训练及进行准确率测算；得到训练好的深度学习随机失活神经网络。训练过程中每个隐藏层的神经元以2％的概率从网络中随机被忽略，网络被设置成多变量输入的形式。
根据图2，针对单入单出的多阶惯性系统对象模型G，其输入信号为数据集A，输出信号为数据集B。数据集A在经过DNN网络时，需要先分别经过一阶和二阶惯性环节，本发明设置了惯性时间常数分别为30秒和60秒的两个一阶惯性环节和惯性时间常数分别为30秒、60秒、160秒的三个二阶惯性环节，共D、E、F、H、K五组数据集，再加上对象输出数据集B共六组数据集同时输入深度学习随机失活神经网络，经过训练后，输出数据集C准确表达了数据集B的特征，获得的辨识器模型能够较好反映出实际对象模型特性。二、试验验证
对象模型采用首先通过正反向阶跃激励信号数据和对象模型输出数据训练深度学习辨识器模型，再将正弦波激励信号分别输入深度学习辨识器模型和实际对象模型，验证辨识器模型能否准确表达对象模型输出。
输入信号数据集为正向阶跃1、800秒后反向阶跃-1、1300后正向阶跃1、2200秒后反向阶跃-1，模型G输出信号数据集为图3中A1所示，模型G的输入数据集和输出数据集输入到深度学习辨识器后，经过网络训练，获得的辨识器输出数据集为图3中B1所示，采用均方差(MSE)度量方法(即对象输出和辨识器输出之间误差平方的平均值)，获得的MSE值为0.0003，准确表达了输出数据的特征。
输入幅值为1，周期为628秒的正弦波信号数据集，模型G输出信号数据集为图4中A2所示，正弦波信号输入深度学习辨识器后获得的输出数据集为图4中B2所示，采用均方差(MSE)度量方法(即对象输出和辨识器输出之间误差平方的平均值)，获得的MSE值为0.0012，较好反映出实际对象模型特性。
以上所述仅为本发明示意性的具体实施方式，并非用以限定本发明的范围。任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所作出的等同变化与修改，均应属于本发明保护的范围。

Claims (4)

1.一种基于深度学习的工业过程多阶惯性系统开环辨识方法，其特征在于，包括：
基于深度学习随机失活神经网络，在该网络的输入端设置惯性时间常数为30秒和60秒的一阶惯性滤波环节及惯性时间常数为30秒、60秒和160秒的二阶惯性滤波环节后，形成一个基于深度学习的开环对象辨识器；
在辨识开环对象模型时，在开环对象模型的输入端加入正向和反向的阶跃输入，开环对象模型输出相应数据，然后将输入数据和输出数据同时输入开环对象辨识器，深度学习随机失活神经网络经过离线训练后，有效辨识出开环对象模型的特性。
2.根据权利要求1所述的一种基于深度学习的工业过程多阶惯性系统开环辨识方法，其特征在于，深度学习随机失活神经网络的形成过程如下：
首先，将输入数据标准化到给定最大值和最小值之间；其次，进行训练数据集和测试数据集分类，选用ReLU激活函数，设置神经元层数、学习速率及随机失活率；采用回归算法进行深度学习神经网络训练及准确率测算，得到深度学习随机失活神经网络。
3.根据权利要求2所述的一种基于深度学习的工业过程多阶惯性系统开环辨识方法，其特征在于，所述的深度学习随机失活神经网络，训练过程中每个隐藏层的神经元以2％的概率从网络中随机被忽略，网络被设置成多变量输入的形式。
4.根据权利要求1、2或3所述的一种基于深度学习的工业过程多阶惯性系统开环辨识方法，其特征在于，为验证开环对象辨识器的有效性，将正弦波信号分别加入开环对象模型和开环对象辨识器输入，对比开环对象模型输出和开环对象辨识器输出数据重合度，用以验证辨识准确性。
CN201910363068.9A 2019-04-30 2019-04-30 一种基于深度学习的工业过程多阶惯性系统开环辨识方法 Active CN110222711B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910363068.9A CN110222711B (zh) 2019-04-30 2019-04-30 一种基于深度学习的工业过程多阶惯性系统开环辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910363068.9A CN110222711B (zh) 2019-04-30 2019-04-30 一种基于深度学习的工业过程多阶惯性系统开环辨识方法

Publications (2)

Publication Number Publication Date
CN110222711A true CN110222711A (zh) 2019-09-10
CN110222711B CN110222711B (zh) 2021-06-18

Family

ID=67820488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910363068.9A Active CN110222711B (zh) 2019-04-30 2019-04-30 一种基于深度学习的工业过程多阶惯性系统开环辨识方法

Country Status (1)

Country Link
CN (1) CN110222711B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114237043A (zh) * 2021-11-29 2022-03-25 东南大学溧阳研究院 基于深度学习的燃气轮机设备传递函数闭环辨识方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1487268A (zh) * 2003-08-12 2004-04-07 上海交通大学 基于阶跃响应测试的多变量系统结构化闭环辨识方法
CN1605959A (zh) * 2004-11-04 2005-04-13 浙江大学 槽式反应器基于支持向量机的非线性模型预测控制方法
CN102298328A (zh) * 2011-07-13 2011-12-28 上海电力建设启动调整试验所 基于二进制蚁群算法的自适应pid控制器优化设计与整定方法
CN103294030A (zh) * 2013-05-16 2013-09-11 国家电网公司 一种dcs控制方法及smith控制器
CN106569517A (zh) * 2016-10-28 2017-04-19 中国科学院自动化研究所 焦化废气脱硫过程优化控制方法
CN106569406A (zh) * 2016-11-07 2017-04-19 华侨大学 基于尺度变换的有刷直流电机模型参数快速辨识方法
CN107272412A (zh) * 2017-07-13 2017-10-20 中国航天空气动力技术研究院 一种暂冲式风洞流场控制的辩识方法
CN107798199A (zh) * 2017-11-09 2018-03-13 华中科技大学 一种水电机组参数闭环辨识方法
CN108228531A (zh) * 2018-02-06 2018-06-29 东南大学 一种结合阶跃与正弦激励的二阶系统辨识方法
CN109597316A (zh) * 2018-11-28 2019-04-09 上海电力学院 一种基于阶跃响应特征的闭环辨识模型结构确定方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1487268A (zh) * 2003-08-12 2004-04-07 上海交通大学 基于阶跃响应测试的多变量系统结构化闭环辨识方法
CN1605959A (zh) * 2004-11-04 2005-04-13 浙江大学 槽式反应器基于支持向量机的非线性模型预测控制方法
CN102298328A (zh) * 2011-07-13 2011-12-28 上海电力建设启动调整试验所 基于二进制蚁群算法的自适应pid控制器优化设计与整定方法
CN103294030A (zh) * 2013-05-16 2013-09-11 国家电网公司 一种dcs控制方法及smith控制器
CN106569517A (zh) * 2016-10-28 2017-04-19 中国科学院自动化研究所 焦化废气脱硫过程优化控制方法
CN106569406A (zh) * 2016-11-07 2017-04-19 华侨大学 基于尺度变换的有刷直流电机模型参数快速辨识方法
CN107272412A (zh) * 2017-07-13 2017-10-20 中国航天空气动力技术研究院 一种暂冲式风洞流场控制的辩识方法
CN107798199A (zh) * 2017-11-09 2018-03-13 华中科技大学 一种水电机组参数闭环辨识方法
CN108228531A (zh) * 2018-02-06 2018-06-29 东南大学 一种结合阶跃与正弦激励的二阶系统辨识方法
CN109597316A (zh) * 2018-11-28 2019-04-09 上海电力学院 一种基于阶跃响应特征的闭环辨识模型结构确定方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
WEN YU等: "Some new results on system identification with dynamic neural networks", 《 IEEE TRANSACTIONS ON NEURAL NETWORKS 》 *
付家兴: "基于智能优化算法的热工大惯性对象模型辨识研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
曾繁友: "基于阶跃响应和开闭环转换的系统辨识研究及其应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
李攀峰 等: "基于径向基函数神经网络的热工过程模型辨识", 《重庆大学学报》 *
胡姣: "双容水箱系统的辨识与滑模变结构控制", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114237043A (zh) * 2021-11-29 2022-03-25 东南大学溧阳研究院 基于深度学习的燃气轮机设备传递函数闭环辨识方法
CN114237043B (zh) * 2021-11-29 2024-04-16 东南大学溧阳研究院 基于深度学习的燃气轮机设备传递函数闭环辨识方法

Also Published As

Publication number Publication date
CN110222711B (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN110322423B (zh) 一种基于图像融合的多模态图像目标检测方法
CN101746269B (zh) 基于软计算的疲劳驾驶融合检测方法
CN107463966B (zh) 基于双深度神经网络的雷达一维距离像目标识别方法
CN109190665A (zh) 一种基于半监督生成对抗网络的通用图像分类方法和装置
CN103166830B (zh) 一种智能选择训练样本的垃圾邮件过滤系统和方法
CN107169610A (zh) 水产养殖溶解氧预测方法及装置
CN107607954B (zh) 一种基于t-s模型的fnn降水粒子相态识别方法
CN110244557A (zh) 一种工业过程多阶惯性闭环系统的闭环建模方法
CN108615071A (zh) 模型测试的方法及装置
CN107368858B (zh) 一种智能环境运载机器人识别楼层的参数化测量多模型智能融合方法
CN109243494A (zh) 基于多重注意力机制长短时记忆网络的儿童情感识别方法
CN106453488A (zh) 一种基于量子通信的农产品生产环境监测方法与系统
CN110866448A (zh) 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法
CN109886403A (zh) 一种基于神经网络模型的工业数据生成方法
CN109002836A (zh) 基于组合式信号源的神经模糊Wiener-Hammerstein模型辨识方法
CN113901977A (zh) 一种基于深度学习的电力用户窃电识别方法及系统
CN109190521A (zh) 一种基于知识提纯的人脸识别模型的构建方法及应用
CN113779873A (zh) 一种tdecq测量模型的构建方法及应用
CN110020868A (zh) 基于线上交易特征的反欺诈模块决策融合方法
CN109462564A (zh) 基于深度神经网络的水下通信调制方式识别方法及系统
Cao et al. Currency recognition modeling research based on BP neural network improved by gene algorithm
CN110222711A (zh) 一种基于深度学习的工业过程多阶惯性系统开环辨识方法
CN110174841A (zh) 基于参数优化的工业过程大滞后惯性系统平行控制方法
CN108334957A (zh) 电网一次设备运维检修成本预测方法及系统
CN109975634A (zh) 一种基于原子稀疏分解的变压器绕组故障诊断方法

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
GR01 Patent grant
GR01 Patent grant