[發明專利]基于機器學習的模型參數獲取方法、系統及可讀介質

有效

• 申請號: 202110483532.5
• 申請日: 2021-04-30
• 公開（公告）號: CN113191082B
• 公開（公告）日: 2022-09-13
• 發明（設計）人: 顧亞;朱培逸;李向麗;魯明麗
• 申請（專利權）人: 常熟理工學院
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N7/00;G06F17/18;G06F17/11
• 代理公司: 常州佰業騰飛專利代理事務所(普通合伙) 32231
• 代理人: 滕詣迪

本發明公開了一種基于機器學習的模型參數獲取方法、系統及可讀介質，建立延遲狀態空間模型、全局模型，通過機器學習算法即EM算法確定參數估計，所述的延遲狀態空間模型，引入一個隱藏變量表示在時間t生效的子模型，得到輸出模型；利用貝葉斯規則得出延遲的概率，使用卡爾曼濾波器對這些密度函數進行數值計算；用當前估計的參數評估Q函數，在下一個最大化步驟中，通過最大化Q函數獲得新參數；最大化Q函數，對每個參數執行微分運算；通過將導數等于零來計算每次迭代時系統參數的最佳估計。本發明通過使用多個雙速率狀態空間模型來逼近具有不同工作條件的參數變化時延系統。

技術領域

本發明涉及精餾塔系統的參數估計和時延辨識領域，屬于復雜工業過程辨識和控制領域。

背景技術

隨著現代工業過程規模的不斷擴大和復雜性的日益提高，建立有效的過程監控方法是確保生產安全、提高產品質量和保證經濟效益的關鍵。對于復雜的工業過程來說，往往難以得到精確的數學模型對全過程進行能量和物料平衡關系的描述，而隨著計算機技術的不斷發展，控制裝置對工業現場的信息采集、處理和加工能力顯著加強，工業過程中采集和存儲的過程數據越來越豐富，如何從海量數據中挖掘出有價值的過程信息，成為具有實際應用意義的研究課題。在這樣的背景下，基于多元統計理論的統計過程監控方法應運而生，并在近年來取得了廣泛的關注和應用。

多模態工業過程中，往往存在某些不可測變量(例如化工過程中的精餾塔產品組分濃度)，這些不可測變量(也稱作隱藏變量)往往用來描述這些過程的動態特性。由于物理條件或經濟方面的約束，比如某些在線傳感器價格特別昂貴，導致某些關鍵變量缺乏在線測量手段，或者只有稀少的滯后實驗室化驗值，難以有效地控制和提高生產效率，降低成本。對于這類復雜系統，傳統的等周期采樣數據計算機控制建模理論和辨識方法已不再適用，研究這類存在不可測變量的多模態系統建模及參數估計方法具有極為重要的意義。

發明內容

1、本發明的目的

本發明要解決的技術問題是提供一種辨識算法來估計精餾塔時延系統以達到對系統參數辨識的高精度。

2、本發明所采用的技術方案

本發明提出了一種基于機器學習的模型參數獲取方法，包括建立延遲狀態空間模型，

其中，{x_t}是精餾塔精餾過程中不可測量的狀態；輸入{u_t,t＝1,2,...,L}是精餾塔的回流流量和再沸器加熱流量，并且在每個采樣周期Δt可測量；頂部產物的組成是不規則采樣的輸出，僅在時刻t＝T_i·Δt且具有未知的時間延遲λ_i·Δt時才可用，每個數據樣本的延遲有所不同；ω_t和分別是精餾過程噪聲和測量噪聲；ω_t和是分別具有協方差矩陣Q和R的獨立且分布均勻的高斯噪聲；延遲λ_i為遵循任何離散分布的隨機整數；

建立全局模型，即每個局部模型的加權插值，采用指數加權函數來表示每個局部模型的權重；

通過機器學習算法即EM算法確定參數估計，所述的延遲狀態空間模型，引入一個隱藏變量表示在時間t生效的子模型，得到輸出模型；

利用貝葉斯規則得出延遲的概率，使用卡爾曼濾波器對這些密度函數進行數值計算；用當前估計的參數Θ^k評估Q函數，在下一個最大化步驟中，通過最大化Q函數獲得新參數Θ^k+1；為了最大化Q函數，對每個參數執行微分運算；通過將導數等于零來計算每次迭代時系統參數的最佳估計。

優選的，建立延遲狀態空間模型：

假設λ_i在0和q之間遵循均勻分布，

其中，q為正整數，由于操作條件的變化，單個模型不足以表示過程動力學；因此，使用全局模型，它是每個局部模型的加權插值，如下：