CN110398942A - 一种用于工业生产过程控制的参数辨识方法 - Google Patents
一种用于工业生产过程控制的参数辨识方法 Download PDFInfo
- Publication number
- CN110398942A CN110398942A CN201910587437.2A CN201910587437A CN110398942A CN 110398942 A CN110398942 A CN 110398942A CN 201910587437 A CN201910587437 A CN 201910587437A CN 110398942 A CN110398942 A CN 110398942A
- Authority
- CN
- China
- Prior art keywords
- vector
- parameter
- industrial processes
- identification method
- estimation
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明提供一种用于工业生产过程控制的参数辨识方法,其可以提高识别结果的准确率,减少计算量和计算耗时,进而降低整个识别过程的资源消耗。其包括:S1通过现有的数据通信与采集技术获取系统控制参数,共获取L组;S2根据步骤S1中获取的L组数据,针对信息向量构建矩阵向量;S3根据步骤S1中获取的L组数据,针对系统的输出,构建输出数据向量矩阵;S4根据步骤S2中构建的矩阵向量,构建信息向量的向量矩阵;S5选择步长;S6利用传统梯度迭代法得到参数向量估计;S7通过Aitken加速方法计算参数估计向量中的每一个元素,得到新的参数向量估计;S8比较相邻的参数向量估计,当二者的差的绝对值小于预先设置的阈值时,则获得系统控制参数的参数估计。
Description
技术领域
本发明涉及参数辨识技术领域,具体为一种用于工业生产过程控制的参数辨识方法。
背景技术
现代的工业生产过程,如化工装置、锅炉设备、核反应堆、无人驾驶设备生产等工业生产过程是由很多复杂装置、系统结合在一起完成的,这些复杂装置构成了工业生产的复杂的过程模型。实现生产中,为了控制生产质量,必须对这些复杂的过程进行精准控制和未来状态进行预测。能够进行精准控制过程和预测的前提条件,是这些复杂过程的模型参数必须已知。因此参数辨识已成为工业过程控制领域的研究重点。现有技术中,传统的针对工业过程的建模方法是通过梯度迭代方法(Standard Gradient Descent,SGD)进行参数辨识;然而,该方法存在如下问题:
(1)每一步需要计算步长,而复杂工业过程模型参数维数都是较多的,较多的参数维数会导致计算步长时产生很大的计算量,进而导致整个生产过程资源消耗过大;
(2)步长必须要满足一定的范围,如超出这个范围,则算法就会发散,导致无法得到准确的识别结果;
(3)算法的收敛速度较慢,即只能达到线性收敛,导致计算时间过长,进而导致整个生产控制过程资源消耗过大。
发明内容
为了解决现有技术中的工业系统控制的参数辨识方法中对步长的范围有限制,导致识别结果准确率不高,对步长的计算量大、算法本身收敛速度慢,进而导致参数辨识过程消耗资源过大的问题,本发明提供一种用于工业生产过程控制的参数辨识方法,其可以提高识别结果的准确率,减少计算量和计算耗时,进而降低整个识别过程的资源消耗。
本发明的技术方案是这样的:一种用于工业生产过程控制的参数辨识方法,其包括以下步骤:
S1:通过现有的数据通信与采集技术获取系统控制参数,共获取L组;
u(1),L,u(L),y(1),L,y(L)
其中:u(t)是系统的输入,y(t)是系统的输出;
其特征在于,其还包括下面的步骤:
S2:根据步骤S1中获取的L组数据,针对信息向量构建为向量:
S3:根据步骤S1中获取的L组数据,针对系统的输出y(t),构建输出数据向量矩阵:
Y(L)=[y(1),L,y(L)]T;
S4:根据步骤S2中构建的向量,构建所述信息向量的向量矩阵:
S5:选择步长αk,其中:αk>0;
S6:利用传统梯度迭代法得到参数向量估计
S7:通过Aitken加速方法计算参数估计向量中的每一个元素,得到新的参数向量估计
S8:比较和如果则获得参数估计
否则使k增加1,并重复步骤S6~S8,
其中,δ为事先设置的阈值,为正常数。
其进一步特征在于:
步骤S1中,u(t)和y(t)均服从均值为零,方差为σ的高斯分布;
步骤S1中,在进行后续的计算之前,还需对u(t)和y(t)进行初始化操作:
u(t)=0,y(t)=0,t≤0
步骤S1中,还需要在进行后续计算之前对k进行初始化,设置k=1;
步骤S2中所述信息向量的表达式为:
其中:
n为系统的阶数,
T为矩阵的转置;
步骤S5中的步长αk在传统梯度算法中满足:
步骤S6中得到参数向量估计的表达式为:
步骤S6中得到的参数向量估计可以表达为:
步骤S7中,Aitken加速方法的公式为:
步骤S7中得到的新的参数向量估计为:
本发明的技术方案中,在利用传统梯度迭代法得到参数向量估计后,再通过Aitken加速方法重新估算参数向量得到新的参数向量估计将Aitken加速方法应用到传统梯度迭代算法中,取消对步长的限制条件,本发明的方案中,对步长是鲁棒的,即取任何大于零的步长,本发明的中应用的算法都是收敛的;同时本发明的技术方案是在传统的梯度迭代算法步长范围内选择步长,将传统的梯度迭代线性收敛,提升到至少二阶收敛,速度大大提高。通过本发明的技术方案估计系统参数,无需每一步都计算步长,即每一步可以使用固定的步长,减少计算量和计算耗时。
附图说明
图1在大步长的情况下,本发明的算法与传统的梯度迭代算法的估计参数误差值的对比图;
图2在符合传统梯度迭代的步长的情况下,本发明的算法与传统的梯度迭代算法的估计参数误差值的对比图;
图3在小步长的情况下,本发明的算法与传统的梯度迭代算法的估计参数误差值的对比图。
具体实施方式
传统梯度迭代算法的收敛速度密切依赖于步长αk,如αk过小,则导致参数收敛速度慢,若αk很大,则导致算法发散,且计算步长αk时计算量较大;因而本专利是针对一般的时间序列模型提出一种新型快速鲁棒梯度迭代算法。
构建如下的时间序列模型:
A(z)y(t)=B(z)u(t)+v(t) (1)
其中:
u(t)是系统的输入,y(t)是系统的输出,v(t)分别是系统的噪声,且服从均值为零,方差为σ的高斯分布,A(z)和B(z)分别是模型多项式,且可以表示为:
A(z)=1+a1z-1+L+anz-n
B(z)=b1z-1+b2z-2+L+bnz-n
其中:z是后移算子(z-1y(t)=y(t-1))。
收集L组输入输出和噪声数据,并定义:
Y(L)=[y(1),y(2),L,y(L)]T∈RL
V(L)=[v(1),v(2),L,v(L)]T∈RL
可以得到:
Y(L)=Φ(L)θ+V(L);
利用传统梯度迭代法得到参数向量估计
其中:
αk为步长;
在传统的梯度算法中,步长αk满足条件:
参数向量估计可以表达为:
通过Aitken加速方法计算参数估计向量中的每一个元素:
得到新的参数向量估计
至此,得到控制系统参数的新的向量估计的表达式。
下面来证明,公式(4)的收敛性。由公式(2)可知,可以假设一个迭代函数:
而由Aitken得到的新的迭代函数为:
其中:
参数估计向量每一个元素利用上式更新后,对公式(4)求趋于真值θ的导数的极限,即:
由公式(6)可知,公式(4)所构成的迭代公式是迭代公式是收敛的,同时由公式(5)式可知,公式(4)所构成的迭代公式至少是二阶收敛的,而传统的梯度迭代公式是线性收敛的,即本专利所提出的方法加快了传统梯度迭代算法的收敛速度。
参照附图的图1~3。在附图1~3中,纵坐标为估计参数和真实参数之间的误差,横坐标是指迭代的次数;SGD为通过传统梯度迭代算法获得的参数估计,AA-SGD(Accelerating Aitken Standard Gradient Descent,AA-SGD)为通过本发明的技术方案获得的参数估计。
由附图1可知,当步长选择很大,即超出了固定范围,
通过SGD获得的估计参数和真实参数之间的误差已经发散,但是本发明技术方案获得的估计参数和真实参数之间的误差是收敛的,即通过本方案获得的参数估计不会随着步长的增加而导致误差变大。
由附图2可知,当选择的步长在规定范围内时:
两种方法都收敛,但是通过AA-SGD算法获得的估计参数和真实参数之间的误差的收敛速度较快,即通过本方案进行参数估计的时候,随着迭代次数的增加,误差会很快变小。
图3可以看出,当步长很小时:
通过SGD方法获得的估计参数和真实参数之间的误差收敛速度很慢,通过AA-SGD算法获得的估计参数和真实参数之间的误差的收敛速读明显提高了速度,即通过本方案进行参数估计的时候,随着迭代次数的增加,误差会很快的变小。
下面的表一是对不同的步长,通过AA-SGD、SGD两种算法进行参数估计时,收敛速度和收敛性比较:
表一:AA-SGD、SGD两种算法收敛速度和收敛性比较
由表一的内容,当步长αk取值不同区间的时候,通过AA-SGD算法进行参数估计时,算法都是收敛的,且其至少是二阶收敛,即通过AA-SCG方法进行参数估计的计算速度与SGD方法相比显然速度更快。
综上,本发明提出的一种用于工业生产过程控制的参数辨识方法应用于系统辨识应用领域,可以提高参数辨识的精度和计算速度,并因为不需要每一次都计算步长,所以降低了系统的计算量,进而降低了系统的资源损耗。
Claims (10)
1.一种用于工业生产过程控制的参数辨识方法,其包括以下步骤:
S1:通过现有的数据通信与采集技术获取系统控制参数,共获取L组;
u(1),L,u(L),y(1),L,y(L)
其中:u(t)是系统的输入,y(t)是系统的输出;
其特征在于,其还包括下面的步骤:
S2:根据步骤S1中获取的L组数据,针对信息向量构建为向量:
S3:根据步骤S1中获取的L组数据,针对系统的输出y(t),构建输出数据向量矩阵:
Y(L)=[y(1),L,y(L)]T;
S4:根据步骤S2中构建的向量,构建所述信息向量的向量矩阵:
S5:选择步长αk,其中:αk>0;
S6:利用传统梯度迭代法得到参数向量估计
S7:通过Aitken加速方法计算参数估计向量中的每一个元素,得到新的参数向量估计
S8:比较和如果则获得参数估计
否则使k增加1,并重复步骤S6~S8,
其中,δ为事先设置的阈值,为正常数。
2.根据权利要求1所述一种用于工业生产过程控制的参数辨识方法,其特征在于:步骤S1中,u(t)和y(t)均服从均值为零,方差为σ的高斯分布。
3.根据权利要求2所述一种用于工业生产过程控制的参数辨识方法,其特征在于:步骤S1中,在进行后续的计算之前,还需对u(t)和y(t)进行初始化操作:
u(t)=0,y(t)=0,t≤0。
4.根据权利要求3所述一种用于工业生产过程控制的参数辨识方法,其特征在于:步骤S1中,还需要在进行后续计算之前对k进行初始化,设置k=1。
5.根据权利要求4所述一种用于工业生产过程控制的参数辨识方法,其特征在于:步骤S2中所述信息向量的表达式为:
其中:
n为系统的阶数,
T为矩阵的转置。
6.根据权利要求5所述一种用于工业生产过程控制的参数辨识方法,其特征在于:步骤S5中的步长αk在传统梯度算法中满足:
7.根据权利要求6所述一种用于工业生产过程控制的参数辨识方法,其特征在于:步骤S6中得到参数向量估计的表达式为:
8.根据权利要求7所述一种用于工业生产过程控制的参数辨识方法,其特征在于:步骤S6中得到的参数向量估计可以表达为:
9.根据权利要求8所述一种用于工业生产过程控制的参数辨识方法,其特征在于:步骤S7中,Aitken加速方法的公式为:
10.根据权利要求9所述一种用于工业生产过程控制的参数辨识方法,其特征在于:步骤S7中得到的新的参数向量估计为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910587437.2A CN110398942B (zh) | 2019-07-02 | 2019-07-02 | 一种用于工业生产过程控制的参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910587437.2A CN110398942B (zh) | 2019-07-02 | 2019-07-02 | 一种用于工业生产过程控制的参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110398942A true CN110398942A (zh) | 2019-11-01 |
CN110398942B CN110398942B (zh) | 2021-09-07 |
Family
ID=68322694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910587437.2A Active CN110398942B (zh) | 2019-07-02 | 2019-07-02 | 一种用于工业生产过程控制的参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110398942B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111025898A (zh) * | 2019-11-07 | 2020-04-17 | 江南大学 | 一种用于流程工业大规模过程控制的降维辨识方法 |
CN112180801A (zh) * | 2020-10-13 | 2021-01-05 | 郑州大学 | 一种过程控制系统的控制方法 |
CN112989275A (zh) * | 2021-03-10 | 2021-06-18 | 江南大学 | 一种用于网络大规模控制系统的多方向方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012050311A (ja) * | 2010-07-26 | 2012-03-08 | Tokyo Electric Power Co Inc:The | 励磁突入電流現象特定方法 |
CN102469597A (zh) * | 2010-11-17 | 2012-05-23 | 株式会社Ntt都科摩 | 利用迭代资源权重的更新,向通信系统中的节点分配资源的设备和方法 |
CN105897189A (zh) * | 2016-03-31 | 2016-08-24 | 电子科技大学 | 一种查找表数字预失真器结构及方法 |
CN107797106A (zh) * | 2017-05-08 | 2018-03-13 | 南京航空航天大学 | 一种加速em未知杂波估计的phd多目标跟踪平滑滤波方法 |
CN109412984A (zh) * | 2018-11-15 | 2019-03-01 | 中国电子科技集团公司第三十八研究所 | 一种基于Aitken加速法的多天线场景下盲信噪比估算方法 |
-
2019
- 2019-07-02 CN CN201910587437.2A patent/CN110398942B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012050311A (ja) * | 2010-07-26 | 2012-03-08 | Tokyo Electric Power Co Inc:The | 励磁突入電流現象特定方法 |
CN102469597A (zh) * | 2010-11-17 | 2012-05-23 | 株式会社Ntt都科摩 | 利用迭代资源权重的更新,向通信系统中的节点分配资源的设备和方法 |
CN105897189A (zh) * | 2016-03-31 | 2016-08-24 | 电子科技大学 | 一种查找表数字预失真器结构及方法 |
CN107797106A (zh) * | 2017-05-08 | 2018-03-13 | 南京航空航天大学 | 一种加速em未知杂波估计的phd多目标跟踪平滑滤波方法 |
CN109412984A (zh) * | 2018-11-15 | 2019-03-01 | 中国电子科技集团公司第三十八研究所 | 一种基于Aitken加速法的多天线场景下盲信噪比估算方法 |
Non-Patent Citations (1)
Title |
---|
JING CHEN, YONG ZHANG, QUANMIN ZHU, YANJUN LIU: "Aitken based modified Kalman filtering stochastic gradient algorithm for dual-rate nonlinear models", 《JOURNAL OF THE FRANKLIN INSTITUTE》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111025898A (zh) * | 2019-11-07 | 2020-04-17 | 江南大学 | 一种用于流程工业大规模过程控制的降维辨识方法 |
CN111025898B (zh) * | 2019-11-07 | 2021-08-24 | 江南大学 | 一种用于流程工业大规模过程控制的降维辨识方法 |
CN112180801A (zh) * | 2020-10-13 | 2021-01-05 | 郑州大学 | 一种过程控制系统的控制方法 |
CN112180801B (zh) * | 2020-10-13 | 2021-07-09 | 郑州大学 | 一种过程控制系统的控制方法 |
CN112989275A (zh) * | 2021-03-10 | 2021-06-18 | 江南大学 | 一种用于网络大规模控制系统的多方向方法 |
CN112989275B (zh) * | 2021-03-10 | 2022-03-25 | 江南大学 | 一种用于网络大规模控制系统的多方向方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110398942B (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110398942A (zh) | 一种用于工业生产过程控制的参数辨识方法 | |
CN109297689B (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
CN111027732B (zh) | 一种多风电场出力场景的生成方法及系统 | |
CN108960329B (zh) | 一种包含缺失数据的化工过程故障检测方法 | |
CN112115419A (zh) | 系统状态估计方法、系统状态估计装置 | |
Schneider et al. | Convergence and stability of a constrained partition-based moving horizon estimator | |
CN111178261B (zh) | 一种基于视频编码技术的人脸检测加速方法 | |
CN110826021A (zh) | 一种非线性工业过程鲁棒辨识和输出估计方法 | |
CN105678774A (zh) | 一种基于主成分分析的图像噪声水平估计方法 | |
Heravi et al. | Long term trajectory prediction of moving objects using gaussian process | |
CN109542070B (zh) | 一种基于双目标优化算法的动态过程监测方法 | |
Huang et al. | A bank of maximum a posteriori estimators for single-sensor range-only target tracking | |
CN112214006A (zh) | 考虑两维动态特性的间歇过程故障检测方法及系统 | |
CN107562778A (zh) | 一种基于偏离特征的离群点挖掘方法 | |
CN109407616B (zh) | 一种基于测量数据实现实时轨迹补偿的方法 | |
CN116667816A (zh) | 基于神经网络的高精度非线性卡尔曼滤波器设计方法 | |
CN110610140A (zh) | 人脸识别模型的训练方法、装置、设备及可读存储介质 | |
CN114567288B (zh) | 基于变分贝叶斯的分布协同非线性系统状态估计方法 | |
CN110262457B (zh) | 一种基于张量主元分析的不等长批次数据实时监测方法 | |
CN114136538A (zh) | 一种基于随机变分贝叶斯学习的压力传感器标定装置温度建模方法 | |
CN109884893B (zh) | 一种多工序变量间动态时滞估计方法 | |
CN107609678B (zh) | 一种考虑矩信息不确定性的同型并行机生产调度方法 | |
Abdurakhmanova et al. | Algorithms to Synthesis for Adaptive Sub-Optimal Control of Dynamic Objects Based on Regular Methods | |
CN104570759A (zh) | 控制系统中点定位问题的快速二叉树法 | |
CN112286169B (zh) | 一种工业机器人故障检测方法 |
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 |