[發(fā)明專利]基于混沌引力搜索迭代的pH中和過程維納模型辨識方法

有效

• 申請?zhí)枺?/td>: 201911354480.0
• 申請日: 2019-12-25
• 公開（公告）號: CN111025910B
• 公開（公告）日: 2022-06-24
• 發(fā)明（設計）人: 李俊紅;徐珊玲;顧菊平;華亮;楊奕;商亮亮;朱建紅;王娟;宗天成
• 申請（專利權）人: 南通大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 南京經(jīng)緯專利商標代理有限公司 32200
• 代理人: 朱小兵

1.基于混沌引力搜索迭代的pH中和過程維納模型辨識方法，其特征在于，具體包括以下步驟：

步驟1)構建出pH中和過程的維納非線性系統(tǒng)模型，根據(jù)所述系統(tǒng)模型獲得pH中和過程的辨識模型；

所述步驟1)具體包括以下內容：

步驟1-1)構建一個pH中和過程的維納非線性系統(tǒng)模型為：設定模型輸入信號u(t)經(jīng)線性輸入子模塊變換后形成線性動態(tài)部分的中間變量x(t)，如式(1)；再根據(jù)式(2)將x(t)經(jīng)非線性子模塊變換形成非線性靜態(tài)的中間變量m(t)；根據(jù)式(3)將白噪聲v(t)經(jīng)噪聲子模塊變換后形成噪聲輸出部分w(t)；最后將m(t)與w(t)經(jīng)求和運算后形成模型輸出信號y(t)；

其中，z^-1是單位向后移位算子，滿足：z^-1y(t)＝y(tǒng)(t-1)，A(z),B(z),C(z),D(z)是常數(shù)多項式；

步驟1-2)根據(jù)式(4)、式(5)構建pH中和過程維納模型的中間變量x(t)和w(t)的關系式，

其中，多項式系數(shù)a_i,b_i,c_i,d_i和r_i都是要估計的模型未知參數(shù)，并且假定模型的階次n_a,n_b,n_c,n_d,n_r都是已知的；

步驟1-3)令非線性分量的第一模數(shù)r₁＝1，根據(jù)式(6)構建pH中和過程維納非線性模型的輸出y(t)：

步驟1-4)根據(jù)式(7)得到pH中和過程的維納非線性系統(tǒng)的辨識模型：

其中，為系統(tǒng)的信息向量，表示為：

θ為系統(tǒng)的參數(shù)向量，表示為：

步驟2)構建混沌引力搜索迭代算法的迭代辨識流程；

所述步驟2)具體包括以下內容：

步驟2-1)群體初始化：將群體個數(shù)設為N，每個個體包含n_a+n_b+n_c+n_d+n_r-1個變量；

步驟2-2)具體為：收集pH中和過程攪拌槽設備的pH輸入數(shù)據(jù)和pH輸出數(shù)據(jù){u(t)，y(t)}；通過式(8)計算估計值然后通過式(9)構造并且通過式(10)構造Y(l)；

Y(l)＝[y(l),y(l-1),…,y(t),…,y(1)]∈R^l (10)

其中，k為迭代變量，l為數(shù)據(jù)長度，為x(t-n_a)在k-1次迭代的估計值，為w(t-n_c)在k-1次迭代的估計值，為v(t-n_d)在k-1次迭代的估計值，為信息向量在第k次迭代的估計值，Φ(l)為信息堆積向量，Y(l)為輸出堆積向量，為Φ(l)在k次迭代的估計值；

步驟2-3)根據(jù)式(11)更新每個個體的速度S_i(k+1)；

S_i(k+1)＝r×S_i(k)+a_i(k) (11)

個體i的質量定義如下：

其中，k表示當前的迭代次數(shù)；f_i(k)和M_i(k)分別表示在第k次迭代時第i個個體的適應度函數(shù)值和質量；f_min(k)和f_max(k)表示在第k次迭代時所有個體中最優(yōu)適應度函數(shù)值和最差適應度函數(shù)值，對最小化問題，其定義如下：

在d維上，個體i所受的引力如下：

k_b(k)＝(N-η)×(T-k)/T+η×z_k (17)

z_k+1＝μ×z_k×(1-z_k) (18)

其中：G(k)表示在第k次迭代時萬有引力常數(shù)的取值，G(k)＝G₀e^-αk/T，G₀和α為常數(shù)；R_ij(k)表示個體i和j之間的歐氏距離且i≠j；ε是一常數(shù)，防止分母為零；z_k為第k次迭代時的混沌數(shù)，其值在0到1之間；μ為一正常數(shù)；η是指物體向其他物體施加力的百分比；k_b方程表明在引力搜索算法中引入了一種混沌優(yōu)化機制，使其脫離局部最優(yōu)；T表示最大迭代次數(shù)；

步驟2-5)根據(jù)式(12)更新每個個體的位置

步驟2-6)根據(jù)式(19)計算每個個體的最佳位置作為個體最優(yōu)解；

步驟2-7)在所有個體中，根據(jù)式(20)找到群體的最佳個體，計算所述最佳個體對應的最佳位置作為參數(shù)的全局最優(yōu)解；

步驟2-8)具體為：將k增加1并返回步驟2-4)；

所述步驟2-1)為群體初始化；

所述步驟2-2)獲取pH中和反應攪拌槽的輸入pH數(shù)據(jù)作為輸入數(shù)據(jù)，攪拌槽的輸出流體pH數(shù)據(jù)作為輸出數(shù)據(jù)，并進行收集存儲；

所述步驟2-3)為初始化每個個體的速度和位置；

所述步驟2-4)為更新每個個體的速度；

所述步驟2-5)為更新每個個體的位置；

所述步驟2-6)是對于每個個體，計算自己的最佳位置作為個體最優(yōu)解；

所述步驟2-7)是確定當前群體的最佳個體，將最佳個體對應的最佳位置作為參數(shù)的全局最優(yōu)解，將迭代變量k值加1；

所述步驟2-8)重復上述步驟2-4)至步驟2-7)直至達到最大迭代次數(shù)，完成基于混沌引力搜索迭代的pH中和過程維納模型的辨識。