论文部分内容阅读
随着信息采集、存储和处理技术的不断发展,生产企业每天都会产生和存储着大量数据,如何将这些海量数据进行有效利用,转化为有用的信息和知识,实现对生产过程的建模、控制、优化和决策已经成为企业迫切需要解决的问题,因此,数据驱动的智能建模受到了越来越广泛的关注。在数据驱动建模中,系统实际输出和模型输出之间的差为模型误差,模型误差的大小由模型的可调参数控制,其值越小表示模型精度越高。传统的基于数据的建模方法广泛采用均方差（Mean Square Error,MSE）、均方根误差（Root Mean Square Error,RMSE）准则,难以刻画具有随机特性的建模误差的所有统计信息,而且没有考虑数据点之间的分布状态,对于随机变量来说,只有概率密度函数（Probability Distribution Function,PDF）才能包含其所有统计信息,为此引入PDF对建模误差进行全面刻画和评价。另外,以MSE或RMSE作为指标的常规建模方法假设随机干扰为高斯过程,没有考虑干扰为非高斯过程的情况。因此这类方法用于具有非高斯随机干扰的过程建模时,难以获得满意的性能。目前,小波神经网络（Wa velet Neural Network,WNN）被广泛应用于解决实际工程的建模、回归与分类。小波神经网络普遍存在泛化能力不强、模型精度不高等问题。针对以上问题,本文依托国家自然科学基金重大研究项目“大型高炉高性能运行控制方法及其实现技术”（61290323）,以柳钢2号高炉为研究对象,针对非线性系统,开展基于建模误差PDF形状优化的小波神经网络建模研究,本文具体工作如下:（1）基于常规MSE、RMSE等性能指标难以刻画具有随机特性的建模误差的所有统计信息的问题,引入PDF对建模误差进行全面刻画和评价。在此基础上,基于具有较强非线性逼近和自适应能力的小波神经网络,提出一种面向建模误差PDF形状优化的小波神经网络建模新方法:首先,根据小波神经网络建模输出与实际过程输出的误差序列,采用核密度估计技术对小波神经网络建模误差PDF进行估计;然后,以估计的建模误差PDF与建模误差目标PDF之间的偏差平方积分为优化性能指标,采用梯度下降方法优化小波神经网络模型参数集,使得最终建模误差PDF逼近目标PDF。最后,仿真算例表明:对于无干扰和具有非高斯干扰的系统,相对于常规基于MSE准则的小波神经网络建模,所提方法具有更高的建模精度和更好的泛化性能,尤其是所提方法的建模误差和估计误差PDF形状分布合理,接近于设定的理想误差PDF形状。（2）对于有强非线性和随机性的复杂系统,单纯利用梯度下降法优化目标函数容易产生震荡效应和陷入局部最小,为了解决这一问题,引入遗传算法（Genetic Algorithm,GA）,遗传算法是一种通过模拟自然进化过程搜索最优解的方法,它在全局中寻找最优点,不会陷入局部最小,遗产算法简单通用而且具有并行处理的能力,还有鲁棒性强的特点。利用遗传算法初始化小波神经网络的建模参数,可以弥补小波神经网络前期搜索不足的缺点,进一步来提高建模精度。由此提出了一种基于建模误差PDF形状优化的遗传算法-梯度下降-小波神经网络（Genetic Algorithm-Gradient Descent-Wavelet Neural Network,GA-GD-WNN）建模算法,该算法流程大致分为两步,先利用GA对小波神经网络建模参数进行初始化处理,再在处理后的建模参数基础上利用梯度下降法对WNN建模参数进行优化,使得建模误差PDF逼近理想误差PDF。仿真实验表明,提出的基于建模误差PDF形状优化的GA-GD-WNN建模方法相比于基于建模误差PDF形状优化的WNN建模方法具有更好的建模精度和泛化能力,建模误差PDF形状更优,模型误差的分布更合理。（3）致力于解决实际工程问题,利用本文所提出的两种建模方法对高炉十字测温装置中心点温度建立估计模型,提供十字测温中心温度估计值,为操作员掌握高炉炉顶煤气流分布与变化,进行高炉相关操作制度调整提供可靠依据。工业试验和比较分析表明:引入遗传算法,可以对十字测温装置中心温度点进行准确和稳定估计,模型精度更高,泛化能力更强,而且模型估计误差PDF形状分布更为合理,接近于高而窄的理想高斯PDF形状。