[发明专利]一种利用现场数据建立神经网络模型的方法

说明书

技术领域

本发明涉及热工过程控制领域，尤其涉及热工过程的辨识方法。

背景技术

热工过程具有非线性、时延性、不确定性以及变量间的关联性等特点，难以建立精确的数学模型，这给热工控制带来了很大的难度。传统的机理建模得到的模型与现场设备在性能上有一定的差距，因为现场的绝大多数设备的性能都是非线性，不可能通过数学公式来得到精确的模型。现代化的电厂装配着庞大的DCS系统，日积月累采集了大量的运行数据，如何从蕴藏着大量信息的数据中提取各变量间的规律，成为目前的研究热点。

RBF神经网络具有可以逼近任意非线性的映射的能力，因此广泛用于非线性建模。然而对于神经网络结构的确定问题一直没有固定的公式，只能靠经验确定，没有依据可循，其大小直接关系到神经网络的泛化能力。如何减少网络节点的个数，简化网络的结构成为近期研究的热点。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种利用现场数据建立神经网络模型的方法。

技术方案：为解决上述技术问题，本发明提供的一种利用现场数据建立神经网络模型的方法，包括以下步骤：

步骤一，现场DCS数据采样；

步骤二，RBF神经网络辨识；

在步骤二中对输入节点中的过程输入和输出分别进行剪枝。

具体地，在所述步骤一中，首先选择同一时段下某个对象或过程的输入和输出DCS数据，输入、输出分别用变量u，y表示，采样周期为5s；然后将变量u，y分别作时延处理，分别取各个变量前1～n个时刻的数值，形成样本数据：

其中，n为3～5的自然数，N＝3000。

具体地，所述步骤二的RBF神经网络辨识过程如下：

①选择合适的网络结构，选取合适的网络参数，包括隐节点数HiddenUnitNum、隐节点重叠系数overlap、删除信号signal＝0；

②采用RBF算法用训练样本训练网络，当连续m个测试误差不再下降，结束训练。停止训练条件为：

式中E(k)为当前的测试误差，E(k-i)为前若干次的测试误差，ε₂为任意小的正实数，m取5；

③如果signal＝0，转⑥，否则，如果当前网络的训练误差与前次网络相比有跳变，即：E-E′＞δ

式中E为当前网络的训练误差，E′为前次网络的训练误差，δ为正实数，取5，则使用前次网络作为辨识结果，辨识结束；否则，转⑥；

④根据式计算隐节点、u(k-i)节点和y(k-j)节点的灵敏度；

式中y^(p)为第P个样本的网络输出，d^(p)为第P个样本的目标输出，w_h为第h个隐节点的连接权值，o_h为第h个隐节点对第P个样本的输出，x_k为第P个样本的k个输入，δ_h为第h个隐节点对应的宽度，h个隐节点对应第k个输入的值；

⑤如果隐节点、u(k-i)节点和y(k-j)节点中有最小的灵敏度满足式

式中ρ_min为隐节点或u(k-i)节点或y(k-j)节点中最小的灵敏度，ρ_m为隐节点或u(k-i)节点或y(k-j)节点的灵敏度，n为隐节点数或u(k-i)节点数或y(k-j)节点数，ε₁为小于1的正实数，

则删除相应最小灵敏度节点，记signal＝1，转到④；否则，剪枝结束，辨识结束；⑥辨识结束；

有益效果：本发明利用现场运行的DCS数据建立神经网络模型，并将剪枝算法应用到RBF神经网络中，对输入节点采用分开剪枝的策略，即对输入节点中的过程输入和输出分别进行剪枝。克服了传统机理建模的诸多弊端，解决了神经网络模型泛化能力差的问题，对网络的隐节点和输入节点进行剪枝，不仅提高了网络的泛化能力，同时也确定了模型的阶次，避免了误删输入节点的情况。

除了上面所述的本发明解决的技术问题、构成技术方案的技术特征以及由这些技术方案的技术特征所带来的优点外，本发明的一种利用现场数据建立神经网络模型的方法所能解决的其他技术问题、技术方案中包含的其他技术特征以及这些技术特征带来的优点，将结合实施例做出进一步详细的说明。

具体实施方式

实施例：

下面结合某电厂600MW机组锅炉再热气温为被控对象的现场DCS数据作为例子，说明本发明的技术方案实施过程如下：