[發明專利]一種基于數據驅動的分布參數熱過程溫度預測方法

有效

• 申請號: 202010718153.5
• 申請日: 2020-07-23
• 公開（公告）號: CN112016242B
• 公開（公告）日: 2023-09-05
• 發明（設計）人: 陶波;范亞軍;龔澤宇;趙興煒
• 申請（專利權）人: 武漢數字化設計與制造創新中心有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/0499;G06N3/084;G06F119/08
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 易濱

本發明提供一種基于數據驅動的分布參數熱過程溫度預測方法，可用于工業復雜非線性的分布參數系統熱過程的溫度預測。首先采用KL方法對時空數據進行時空分離，獲得空間基函數和時間系數；之后將mLASSO?MLP算法用來近似低維空間的未知時序動態特性，即系統輸入變量與低維時序數據之間的關系模型；最后進行時空合成并對建立的KL?mLASSO?MLP模型的溫度預測性能進行評價。本發明提供的有益效果是：建立了一個數據驅動的分布參數系統熱過程溫度預測模型，能夠有效解決由于系統復雜導致難以精確建模問題，相比目前其它的方法，本發明建立的模型更加精確，模型的預測更加準確，并能夠有效篩選輸入變量，更加適用于復雜多變的分布參數系統熱過程。

技術領域

本發明涉及工業分布參數系統生產過程建模領域，尤其涉及一種基于數據驅動的分布參數熱過程溫度預測方法。

背景技術

在工業領域中，大部分的工業熱過程是非線性分布參數系統，其物理模型通常使用偏微分方程來表示，然而大部分情況下，其精確的偏微分方程往往因為系統的復雜性而難以確定，導致難以對熱過程進行精確的溫度預測。基于歷史數據的數據驅動時空模型可以在沒有先驗知識的情況下描述分布參數系統熱過程中的時空動態。因此，在非線性分布參數系統熱過程建模中得到了廣泛的應用。

由于空間基函數的學習以及低階時序模型的確定直接影響到最終時空模型的精度，而復雜非線性分布參數系統熱過程的建模具有強非線性、時變動態的特點，如何建立精確的數據驅動的分布參數系統熱過程溫度預測模型有一定的挑戰。

發明內容

有鑒于此，本發明提供一種基于數據驅動的分布參數系統熱過程溫度預測方法。本發明將KL方法與mLASSO-MLP方法相結合，建立了一種數據驅動分布參數系統熱過程溫度預測模型KL-mLASSO-MLP。相比其他方法，KL方法可以快速地將時空變量解耦成一組單位標準正交空間基本函數和相應的時間系數，mLASSO-MLP不僅可以選擇對模型最敏感的輸入變量并有效提高時序模型預測精度，因此建立的數據驅動分布參數系統熱過程溫度預測模型KL-mLASSO-MLP精度也較高。該方法適用于多變量、強非線性、強耦合的分布參數系統熱過程，具有建模簡單、解釋性強、預測精度高等優點。

為實現上述目的，本發明提出了一種基于數據驅動的分布參數系統熱過程溫度預測方法，該方法包括如下步驟：

S101：利用離散控制系統收集分布參數系統熱過程中的歷史數據作為數據集；所述數據集包括系統輸入變量和溫度分布數據其中，N為樣本數，u為輸入變量數，v為輸出變量數，R為實數集；

S102：對所述數據集進行預處理，各變量標準化處理后得到新的數據集均值為0，方差為1，預處理后的新的數據集輸入變量為X∈R^N×u，輸出變量為Y∈R^N×v；

S103：利用KL方法從預處理后的時空數據中學習一組空間基函數，其中所述預處理后的時空數據即為的預處理后的溫度分布數據Y，定義為{Y(S_i,t)|i＝1,...,L；t＝1,2,...,N；S∈Ω}，其中，L為預處理后的時空數據在空間方向的數據點個數；S表示時空數據的位置；S_i表示第i個時空數據點的空間位置；Ω為坐標空間；

S104：將預處理后的時空數據投影到通過步驟S103學習到所述空間基函數上，從而得出對應的低維時序數據a_i(t)；

S105：使用mLASSO-MLP方法構建低維空間的未知時序動態特性，即輸入變量X∈R^N×u與低維時序數據a_i(t)之間的關系模型；

S106：根據所述關系模型預測低維時序數據輸出將所述低維時序數據輸出與空間基函數進行時空合成得到全局的時空預測輸出；

S107：將全局的時空預測輸出進行反歸一化處理，得到溫度預測值并對時空模型的性能進行評價。