[發明專利]一種工業過程主元分析與神經網絡優化建模方法

在審

• 申請號: 201810105094.7
• 申請日: 2018-02-02
• 公開（公告）號: CN108319139A
• 公開（公告）日: 2018-07-24
• 發明（設計）人: 張日東;陶吉利;侯平智
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 杭州奧創知識產權代理有限公司 33272
• 代理人: 王佳健

本發明公開了一種工業過程主元分析與神經網絡優化建模方法。本發明首先使用主成分分析中的隨機變量準測函數來選擇變量，然后使用非支配排序遺傳算法解決神經網絡建模問題。最后將本發明所提出的方法與實際的工業過程即焦爐爐內壓力控制相結合，結果顯示本發明所提出的方法具有較高的數據提取精度。本發明的技術方案是通過數據采集、變量選擇、模型建立、迭代控制、優化等手段，確立了一種工業過程主元分析與神經網絡優化建模方法，提高了數據提取精度，增強了監測性能。

技術領域

本發明屬于自動化技術領域，涉及一種工業過程主元分析與神經網絡優化建模方法。

背景技術

在過程工業中，我們往往想提取具有相關關系的最少的過程變量，這樣，用于提高產品質量的建模，控制和監測過程都會變得更加容易。通過使用過程變量的子集而非整個過程數據，可以降低模型的復雜性，更好地捕捉工業過程的性質。但是隨著工業過程的發展，建模變得越來越復雜，基于線性模型的數據特征提取難以獲得令人滿意的精度，需要有更先進的非線性特征提取算法。

人工神經網絡是目前比較先進的一種非線性特征提取方法，可以描述復雜的非線性工業過程。主成分分析是目前應用最廣范的特征提取方法，但是主成分通常是所有變量的線性組合，這使對結果解釋和變量分析非常困難。目前已經有學者提出了如啟發式算法，模擬退火算法，隨機逼近算法，遺傳算法等來進行變量子集的選擇。雖然這些方法在變量選擇上很有效果，但它們并沒有被包含在系統建模中。而神經網絡算法中的變量選擇又只考慮了建模精度。

發明內容

本發明的目的是針對目前工業過程中存在的過程數據的非線性特征難以精確提取的問題，提出了一種新型的建模方法。本發明的核心在于將主成分分析中的變量選擇與神經網絡相結合建立了一個非線性系統模型。由于本發明要考慮兩個目標，即有效過程變量選擇和建模精度，因此需要采用多目標進化算法。

本發明首先使用主成分分析中的隨機變量準測函數來選擇變量，然后使用非支配排序遺傳算法解決神經網絡建模問題。最后將本發明所提出的方法與實際的工業過程即焦爐爐內壓力控制相結合，結果顯示本發明所提出的方法具有較高的數據提取精度。

本發明的技術方案是通過數據采集、變量選擇、模型建立、迭代控制、優化等手段，確立了一種工業過程主元分析與神經網絡優化建模方法，提高了數據提取精度，增強了監測性能。

本發明方法的步驟包括：

步驟1.設計基于主成分分析的徑向基函數神經網絡模型。具體是：

1.1確定選擇進行主成分分析的變量的隨機變量準則，給定子集P的最優解相當于最大化隨機變量準則。

式中，S表示工業過程數據矩陣X的協方差矩陣,X表示工業過程中采集的一個N×M維數據陣，N表示樣本數量，M表示變量個數，S²表示協方差矩陣S與其本身的乘積。S_P表示S中的與選中變量相關的p×p子矩陣，表示S²中的與選中變量相關的p×p子矩陣，tr表示求矩陣的秩。

1.2如果選中P中的所有變量，則步驟一中的f₁會達到最大值1。由于要求f₁的最大值，所以目標就變成了求下式中的最小值。

一旦所選擇的子集P按照J₁來確定，它們將被用作過程模型的輸入。

1.3建立徑向基函數神經網絡模型。