[發(fā)明專利]基于迭代學(xué)習(xí)和子空間辨識(shí)的粉體粒度PDF形狀建模方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202211016390.2
• 申請(qǐng)日: 2022-08-24
• 公開（公告）號(hào): CN115356931A
• 公開（公告）日: 2022-11-18
• 發(fā)明（設(shè)計(jì)）人: 周平;張理想;李洪澎;李明杰;宋心宇;柴天佑
• 申請(qǐng)（專利權(quán)）人: 東北大學(xué)
• 主分類號(hào): G05B13/04
• 分類號(hào): G05B13/04;G06F17/16
• 代理公司: 沈陽東大知識(shí)產(chǎn)權(quán)代理有限公司 21109
• 代理人: 李珉

本發(fā)明提供一種基于迭代學(xué)習(xí)和子空間辨識(shí)的粉體粒度PDF形狀建模方法，涉及粉體粒度控制技術(shù)領(lǐng)域。步驟如下：1)采集盤磨系統(tǒng)的輸入輸出數(shù)據(jù)，包括磨盤間隙、喂料量和粉體粒度PDF形狀數(shù)據(jù)；2)采用RBF?NN對(duì)粉體粒度PDF形狀對(duì)應(yīng)的權(quán)值進(jìn)行解耦計(jì)算；3)采用迭代學(xué)習(xí)選擇一組最優(yōu)高斯基函數(shù)；4)采用子空間辨識(shí)建立權(quán)值的線性動(dòng)態(tài)模型；5)結(jié)合權(quán)值線性動(dòng)態(tài)模型和RBF?NN對(duì)粉體粒度PDF形狀的近似，可得粉體粒度PDF形狀的動(dòng)態(tài)模型。本發(fā)明采用迭代學(xué)習(xí)選擇高斯基函數(shù)，使其對(duì)粉體粒度PDF形狀的逼近誤差最小，極大改善了建模效果；使用子空間辨識(shí)建立權(quán)值線性動(dòng)態(tài)模型，在保證良好建模精度同時(shí)降低模型復(fù)雜度，特別符合實(shí)際應(yīng)用時(shí)對(duì)模型簡單易用的要求。

技術(shù)領(lǐng)域

本發(fā)明涉及粉體粒度控制技術(shù)領(lǐng)域，尤其涉及一種基于迭代學(xué)習(xí)和子空間辨識(shí)的粉體粒度PDF形狀建模方法。

背景技術(shù)

實(shí)際工業(yè)過程中，變量的PDF形狀控制問題一直極具挑戰(zhàn)性，例如：造紙過程中紙張的纖維長度分布形狀控制、燃燒過程中火焰溫度場(chǎng)分布的形狀控制等都可看作是典型的隨機(jī)系統(tǒng)分布控制問題。具體的，以食品加工行業(yè)的糧食生產(chǎn)過程為例，加工后糧食的粉體粒度大小需要滿足一定的要求，否則會(huì)影響后面工序的進(jìn)行；因此對(duì)粉體粒度大小的精確控制，既可以為后續(xù)食品加工工序提供更高質(zhì)量的原材料，而且能降低生產(chǎn)過程的能耗。但是目前實(shí)際生產(chǎn)過程中，常規(guī)的做法是將粉體粒度的均值和方差作為判斷粉體質(zhì)量的依據(jù)，然而對(duì)于一個(gè)實(shí)際的隨機(jī)系統(tǒng)來說，均值和方差并不能準(zhǔn)確反映輸出變量的全部隨機(jī)分布特性。因此，使用粉體粒度概率密度函數(shù)(Probability Density Function，PDF)形狀取代傳統(tǒng)的均值和方差作為粉體質(zhì)量的指標(biāo)至關(guān)重要，在實(shí)際生產(chǎn)過程中勢(shì)必表現(xiàn)出更廣泛的應(yīng)用。

在使用盤磨系統(tǒng)生產(chǎn)粉體的過程中，喂料量、磨盤壓力、磨盤轉(zhuǎn)速、磨盤間隙等多個(gè)變量都會(huì)影響粉體粒度PDF形狀，考慮到變量的可測(cè)量性以及對(duì)于實(shí)際粉體粒度PDF的影響程度，可以確定磨盤間隙和喂料量作為系統(tǒng)的控制量輸入去改變盤磨系統(tǒng)的動(dòng)作。所以，建立以磨盤間隙和喂料量為控制量輸入，以粉體粒度PDF形狀為輸出的盤磨系統(tǒng)的隨機(jī)分布模型對(duì)提升粉體質(zhì)量、降低生產(chǎn)能耗具有重要意義。

專利公開號(hào)CN109695174A公開了“磨漿過程纖維長度分布的PDF形狀預(yù)測(cè)方法及系統(tǒng)”，該方法聚焦造紙磨漿過程中纖維長度分布的PDF形狀預(yù)測(cè)，采用RBF神經(jīng)網(wǎng)絡(luò)近似纖維長度分布的PDF數(shù)據(jù)，再采用隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)建立權(quán)值的非線性動(dòng)態(tài)模型，進(jìn)而得到纖維長度分布的PDF形狀預(yù)測(cè)模型。

專利公開號(hào)CN108846178A公開了“一種盤磨系統(tǒng)的粉體粒度分布形狀估計(jì)方法及其系統(tǒng)”，該方法采用RBF神經(jīng)網(wǎng)絡(luò)對(duì)權(quán)值進(jìn)行解耦計(jì)算，再采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建權(quán)值的非線性動(dòng)態(tài)模型，由此獲得權(quán)值向量的估計(jì)值，并在此基礎(chǔ)上對(duì)粉體粒度分布形狀的概率密度函數(shù)進(jìn)行估計(jì)。

然而，在上述專利所提的PDF形狀建模方法中，普遍采用高斯型徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Network，RBF-NN)對(duì)輸出隨機(jī)變量的PDF形狀進(jìn)行近似，因此近似的效果強(qiáng)烈依賴于所選定的高斯基函數(shù)的中心和寬度，如果基函數(shù)的選擇不夠準(zhǔn)確會(huì)極大影響后續(xù)的建模精度；而現(xiàn)有方法對(duì)于基函數(shù)的選擇往往依賴于人工經(jīng)驗(yàn)，存在參數(shù)選擇困難、建模效果差等缺點(diǎn)。另一方面，現(xiàn)有方法大多選擇采用各種結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)建立權(quán)值的非線性動(dòng)態(tài)模型，存在模型結(jié)構(gòu)復(fù)雜、建模數(shù)據(jù)要求高、參數(shù)選擇困難等問題，考慮到模型的實(shí)際應(yīng)用效果，應(yīng)當(dāng)使用更加簡單高效的權(quán)值的線性動(dòng)態(tài)模型加以替代。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于迭代學(xué)習(xí)和子空間辨識(shí)的粉體粒度PDF形狀建模方法。

一種基于迭代學(xué)習(xí)和子空間辨識(shí)的粉體粒度PDF形狀建模方法，具體包括以下步驟：

步驟1，采集盤磨系統(tǒng)運(yùn)行過程中的磨盤間隙和喂料量的控制量數(shù)據(jù)，以及粉體粒度PDF形狀數(shù)據(jù)；