CN110244557A - 一种工业过程多阶惯性闭环系统的闭环建模方法 - Google Patents
一种工业过程多阶惯性闭环系统的闭环建模方法 Download PDFInfo
- Publication number
- CN110244557A CN110244557A CN201910364806.1A CN201910364806A CN110244557A CN 110244557 A CN110244557 A CN 110244557A CN 201910364806 A CN201910364806 A CN 201910364806A CN 110244557 A CN110244557 A CN 110244557A
- Authority
- CN
- China
- Prior art keywords
- closed
- loop system
- deep learning
- inertia
- model
- 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
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种工业过程多阶惯性闭环系统的闭环建模方法。本发明的闭环建模方法包括:首先,在多阶惯性闭环系统的控制量上加入正、反向阶跃扰动,采用基于多种惯性滤波的深度学习全连接神经网络训练后获得第一个DNN模型;再在多阶惯性闭环系统的设定值上加入正、反向阶跃扰动,将第一个DNN模型的输出数据与被控对象输出数据作为深度学习随机失活神经网络的输入进行训练,训练好后获得第二个DNN模型,两个DNN模型组成闭环系统模型,以有效辨识出被控对象模型的特性。本发明基于两个DNN模型,在建模过程中只需采用较简单的正反向阶跃激励信号,可以简便、准确的辨识出被控对象模型,有效提高了该类闭环系统的控制品质。
Description
技术领域
本发明涉及工业过程控制系统,具体地说是一种工业过程多阶惯性闭环系统的闭环建模方法。
背景技术
工业过程中常有的一类被控对象是多阶惯性闭环系统,该系统存在着大迟延大惯性特性,为了获得良好的控制性能,经常需要闭环辨识对象特性。
目前辨识多阶惯性闭环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,提供一种工业过程多阶惯性闭环系统的闭环建模方法,以简便、准确的辨识出被控对象模型,有效提高该类闭环系统的控制品质。
为此,本发明采用如下的技术方案:一种工业过程多阶惯性闭环系统的闭环建模方法,其包括:
首先,在多阶惯性闭环系统的控制量上加入正、反向阶跃扰动,采用基于多种惯性滤波的深度学习全连接神经网络训练后获得第一个DNN模型;再在多阶惯性闭环系统的设定值上加入正、反向阶跃扰动,将第一个DNN模型的输出数据与被控对象输出数据作为深度学习随机失活神经网络的输入进行训练,训练好后获得第二个DNN模型,两个DNN模型组成闭环系统模型,以有效辨识出被控对象模型的特性。
进一步的,所述深度学习全连接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,设置神经元层数及学习速率;采用回归算法进行深度学习神经网络训练及准确率测算,得到深度学习全连接神经网络。
进一步的,基于深度学习全连接神经网络,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,形成第一个DNN模型。
进一步的,所述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,为验证闭环系统模型的有效性,将正弦波信号加入多阶惯性闭环系统设定值,对比被控对象模型输出和闭环系统模型输出数据重合度,验证辨识准确性。
本发明具有以下有益效果:本发明基于两个DNN模型,在建模过程中只需采用较简单的正反向阶跃激励信号,可以简便、准确的辨识出被控对象模型,有效提高了该类闭环系统的控制品质。本发明对于深度学习网络在模型闭环辨识中的应用具有重要的实践意义。
附图说明
图1为本发明多阶惯性闭环系统结构图(sp2为设定值,C为控制器,sp1为加在控制量上的扰动信号,G为被控对象);
图2为本发明闭环系统用深度学习全连接神经网络训练的闭环控制回路图(C为控制器,SP1为控制量上加入的正、反向阶跃扰动,G为被控对象,A为被控对象G的输入数据集,B为被控对象G的输出数据集);
图3为本发明深度学习全连接神经网络训练图(G为被控对象,A为被控对象G的输入数据集,B为被控对象G的输出数据集,M为深度学习全连接神经网络的输出数据集,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4为本发明闭环控制系统用深度学习全连接神经网络和深度学习随机失活神经网络训练的闭环控制回路图(C为控制器,SP2为设定值上加入的正、反向阶跃扰动,G为被控对象,A为被控对象G的输入数据集,B为被控对象G的输出数据集);
图5为本发明深度学习全连接神经网络和深度学习随机失活神经网络训练图(G为被控对象,A为被控对象G的输入数据集,B为被控对象G的输出数据集,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,J为第一个DNN模型的输出数据集,M为经深度学习随机失活神经网络输出的数据集);
图6为本发明深度学习全连接神经网络输出与对象输出对比图(A1为实际对象输出,B1为深度学习全连接神经网络网络输出);
图7为本发明闭环系统模型输出与对象输出对比图(A2为实际对象输出,B2为闭环系统模型输出);
图8为本发明闭环系统模型验证输出与对象输出对比图(A3为实际对象输出,B3为闭环系统模型输出)。
具体实施方式
下面结合说明书附图和具体实施方式对本发明作进一步说明。
实施例
针对工业过程中多阶惯性闭环系统,如图1所示,本实施例提出一种基于两个DNN模型的闭环建模方法,训练数据均为闭环系统对象输入、输出数据,一个为深度学习全连接神经网络,另一个为深度学习随机失活神经网络。首先,在闭环系统的控制量上加入正、反向阶跃扰动,采用基于多种惯性滤波的深度学习全连接神经网络,训练后获得第一个DNN模型;再在闭环系统的设定值上加入正、反向阶跃扰动,将第一个DNN模型的输出数据与被控对象输出数据作为深度学习随机失活神经网络的输入进行训练,训练好后获得第二个DNN模型,两个DNN模型组成闭环系统模型,可以有效辨识出被控对象模型的特性。
根据图2,SP1为闭环系统的控制量上加入的正、反向阶跃扰动。深度学习全连接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,设置神经元层数及学习速率,采用回归算法进行深度学习神经网络训练及准确率测算,得到深度学习全连接神经网络。如图3所示,深度学习全连接神经网络的输入端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作为滤波环节,滤波后得D、E、F、H、K共五组数据集,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全连接神经网络,经过训练后,获得的第一个DNN模型,输出数据集M准确表达了数据集B的特征。
根据图4,SP2为闭环系统的设定值上加入的正、反向阶跃扰动。如图5所示,深度学习随机失活神经网络在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,其它与第一个DNN模型的设计相同,将第一个DNN模型的输出数据集J与被控对象输出数据集B作为深度学习随机失活神经网络的输入进行训练,训练完成后,两个DNN模型组成了闭环系统模型。
所述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。
为验证闭环系统模型的有效性,将正弦波信号加入多阶惯性闭环系统设定值,对比被控对象模型输出和闭环系统模型输出数据重合度,验证辨识准确性。
试验验证
对象模型采用在图1中,C为控制器,G为对象模型,sp1为控制量内扰,sp2为设定值扰动,控制器C采用PI算法,比例为系数为1,积分系数为0.01,首先将设定值扰动sp2设定为0,加入控制量内部连续阶跃扰动sp1,在第0秒、800秒、1600秒和2400秒分别做1、-1、1和-1的阶跃扰动,按照图3所示的方式进行3000步的仿真,获得一组输入数据集D、E、F、H、K,模型G(s)的一组输出数据集B。
设置深度学习全连接神经网络为两个隐含层,第一层为6个神经元,第二层为14个神经元,选用ReLU作为传输函数,学习速率设置为0.02,迭代次数为100代。将数据集D、E、F、H、K和B输入到深度学习全连接神经网络进行训练,训练完成后获得第一个DNN模型。将数据集D、E、F、H、K输入到第一个DNN模型中后输出数据集M,M和B的对比曲线如图6所示。
其次,将设定值扰动sp1设定为0,加入设定值连续阶跃扰动sp2,在第0秒、800秒、1600秒和2400秒分别做1、-1、1和-1的阶跃扰动,按照图3所示的方式进行3000步的仿真,获得一组输入数据集D、E、F、H、K,模型G(s)的一组输出数据集B,数据集D、E、F、H、K经过第一个DNN模型后获得数据集J。
建立图5中所示深度学习随机失活神经网络,输入数据集为B和J,训练过程中深度学习随机失活神经网络每个隐藏层的神经元以2%的概率从网络中随机被忽略,其它与第一个DNN模型的设计相同,训练完成后最终获得基于两个DNN网络的闭环系统模型。将数据集D、E、F、H、K输入到闭环系统模型后输出数据集M,M和B的对比曲线如图7所示。
为验证训练好的闭环系统模型的有效性,将设定值sp2信号变成正弦波,输入至图4中的设定值,sp1设置为0,对象模型G(s)获得输出数据B,输入至闭环系统模型获得输出数据M,M和B的对比曲线如图8所示。
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 (6)
1.一种工业过程多阶惯性闭环系统的闭环建模方法,其特征在于,包括:
首先,在多阶惯性闭环系统的控制量上加入正、反向阶跃扰动,采用基于多种惯性滤波的深度学习全连接神经网络训练后获得第一个DNN模型;再在多阶惯性闭环系统的设定值上加入正、反向阶跃扰动,将第一个DNN模型的输出数据与被控对象输出数据作为深度学习随机失活神经网络的输入进行训练,训练好后获得第二个DNN模型,两个DNN模型组成闭环系统模型,以有效辨识出被控对象模型的特性。
2.根据权利要求1所述的一种工业过程多阶惯性闭环系统的闭环建模方法,其特征在于,所述深度学习全连接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,设置神经元层数及学习速率;采用回归算法进行深度学习神经网络训练及准确率测算,得到深度学习全连接神经网络。
3.根据权利要求2所述的一种工业过程多阶惯性闭环系统的闭环建模方法,其特征在于,基于深度学习全连接神经网络,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,形成第一个DNN模型。
4.根据权利要求1-3任一项所述的一种工业过程多阶惯性闭环系统的闭环建模方法,其特征在于,所述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。
5.根据权利要求4所述的一种工业过程多阶惯性闭环系统的闭环建模方法,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。
6.根据权利要求1-3任一项所述的一种工业过程多阶惯性闭环系统的闭环建模方法,其特征在于,为验证闭环系统模型的有效性,将正弦波信号加入多阶惯性闭环系统设定值,对比被控对象模型输出和闭环系统模型输出数据重合度,验证辨识准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910364806.1A CN110244557B (zh) | 2019-04-30 | 2019-04-30 | 一种工业过程多阶惯性闭环系统的闭环建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910364806.1A CN110244557B (zh) | 2019-04-30 | 2019-04-30 | 一种工业过程多阶惯性闭环系统的闭环建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110244557A true CN110244557A (zh) | 2019-09-17 |
CN110244557B CN110244557B (zh) | 2022-03-15 |
Family
ID=67883624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910364806.1A Active CN110244557B (zh) | 2019-04-30 | 2019-04-30 | 一种工业过程多阶惯性闭环系统的闭环建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110244557B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112198789A (zh) * | 2020-09-11 | 2021-01-08 | 匙慧(北京)科技有限公司 | 闭环系统中的对象辨识方法、电子设备和计算机可读存储介质 |
US20210201110A1 (en) * | 2019-12-31 | 2021-07-01 | Alibaba Group Holding Limited | Methods and systems for performing inference with a neural network |
CN113138556A (zh) * | 2021-06-22 | 2021-07-20 | 浙江中控技术股份有限公司 | 一种高精度闭环系统辨识方法 |
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 (5)
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 |
ES2299375A1 (es) * | 2006-10-17 | 2008-05-16 | Fundacion Cener-Ciemat | Identificacion de aerogeneradores en lazo cerrado. |
CN107121926A (zh) * | 2017-05-08 | 2017-09-01 | 广东产品质量监督检验研究院 | 一种基于深度学习的工业机器人可靠性建模方法 |
CN107133496A (zh) * | 2017-05-19 | 2017-09-05 | 浙江工业大学 | 基于流形学习与闭环深度卷积双网络模型的基因特征提取方法 |
US20180081348A1 (en) * | 2016-09-16 | 2018-03-22 | Honeywell Limited | Closed-loop model parameter identification techniques for industrial model-based process controllers |
-
2019
- 2019-04-30 CN CN201910364806.1A patent/CN110244557B/zh active Active
Patent Citations (5)
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 |
ES2299375A1 (es) * | 2006-10-17 | 2008-05-16 | Fundacion Cener-Ciemat | Identificacion de aerogeneradores en lazo cerrado. |
US20180081348A1 (en) * | 2016-09-16 | 2018-03-22 | Honeywell Limited | Closed-loop model parameter identification techniques for industrial model-based process controllers |
CN107121926A (zh) * | 2017-05-08 | 2017-09-01 | 广东产品质量监督检验研究院 | 一种基于深度学习的工业机器人可靠性建模方法 |
CN107133496A (zh) * | 2017-05-19 | 2017-09-05 | 浙江工业大学 | 基于流形学习与闭环深度卷积双网络模型的基因特征提取方法 |
Non-Patent Citations (2)
Title |
---|
SOHEIL KESHMIRI等: "Application of Deep Neural Network in Estimation of the Weld Bead Parameters", 《2015 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS (IROS)》 * |
李泉等: "超临界机组脱硝系统模型预测控制研究", 《浙江电力》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210201110A1 (en) * | 2019-12-31 | 2021-07-01 | Alibaba Group Holding Limited | Methods and systems for performing inference with a neural network |
CN112198789A (zh) * | 2020-09-11 | 2021-01-08 | 匙慧(北京)科技有限公司 | 闭环系统中的对象辨识方法、电子设备和计算机可读存储介质 |
CN113138556A (zh) * | 2021-06-22 | 2021-07-20 | 浙江中控技术股份有限公司 | 一种高精度闭环系统辨识方法 |
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 |
---|---|
CN110244557B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110244557A (zh) | 一种工业过程多阶惯性闭环系统的闭环建模方法 | |
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 | |
CN109543502A (zh) | 一种基于深度多尺度神经网络的语义分割方法 | |
CN106023154B (zh) | 基于双通道卷积神经网络的多时相sar图像变化检测方法 | |
CN102495919B (zh) | 一种生态系统碳交换影响因素提取方法及系统 | |
CN101478534B (zh) | 一种基于人工免疫原理的网络异常检测方法 | |
CN112560079B (zh) | 一种基于深度信念网络和迁移学习的隐匿虚假数据注入攻击方法 | |
CN107492121A (zh) | 一种单目深度视频的二维人体骨骼点定位方法 | |
CN112884059B (zh) | 一种融合先验知识的小样本雷达工作模式分类方法 | |
CN106778796A (zh) | 基于混合式协同训练的人体动作识别方法及系统 | |
CN111292195A (zh) | 风险账户的识别方法及装置 | |
CN114067368B (zh) | 基于深度卷积特征的电网危害鸟种分类识别方法 | |
CN102651088A (zh) | 基于A_Kohonen神经网络的恶意代码分类方法 | |
CN109146162A (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
CN109062962A (zh) | 一种融合天气信息的门控循环神经网络兴趣点推荐方法 | |
CN107423747A (zh) | 一种基于深度卷积网络的显著性目标检测方法 | |
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 | |
CN103745002A (zh) | 一种基于行为特征与内容特征融合的水军识别方法及系统 | |
CN105844334B (zh) | 一种基于径向基神经网络的温度插值方法 | |
CN107526294B (zh) | 一种热场温度-硅单晶直径非线性时滞系统智能辨识方法 | |
CN110289987A (zh) | 基于表征学习的多智能体系统网络抗攻击能力评估方法 | |
CN109977131A (zh) | 一种房型匹配系统 | |
CN103559510B (zh) | 一种利用相关主题模型识别社会群体行为的方法 | |
CN110726813B (zh) | 基于双层集成神经网络的电子鼻预测方法 | |
CN116738251A (zh) | 一种基于生成对抗网络的射频指纹识别训练数据生成方法 |
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 |