[发明专利]加热炉氧含量的IGA优化T-S模糊ARX建模方法

说明书

技术领域

本发明属于自动化工业过程控制领域，涉及到一种加热炉氧含量的改进遗传算法(IGA)优化Takagi–Sugeno(T-S)模糊有源自回归(ARX)模型的辨识方法。

背景技术

目前T-S模糊模型在很多领域得到应用,但是模型的后件参数的确定以及是否最优、隶属函数的确定以及是否具有自适应性和模糊规则数的最佳确定,都是影响模型复杂程度的因素。而遗传算法的全局优化搜索策略特别适于处理传统寻优方法难以解决的复杂非线性寻优问题,将遗传算法引入到模糊模型的参数辨识上,不但能以较高精度逼近一个高度非线性系统,而且还可以降低模型辨识的复杂程度,具有一定的实用价值。因此提出了一种加热炉氧含量的IGA优化T-S模糊ARX模型的辨识方法,解决了传统T-S模糊模型的隶属函数不具有自适应性、模糊规则确定的复杂性以及很大程度上的人为主观性，对非线性系统建立T-S模糊ARX模型,并借助IGA对模糊系统模型进行优化。

发明内容

本发明目的是针对标准遗传算法(SGA)容易陷入到一种局部最优方案中，具有易早熟、收敛速度慢的缺点，提出一种加热炉氧含量的IGA优化T-S模糊ARX模型的辨识方法，在传统遗传算法(GA)的基础上设计出混合编码方法并引入维护操作，修改选择和变异操作来改善模糊模型的性能，剔除原种群中的不良个体，实现整个模糊结构参数以及建模精度的优化，且在前件参数的辨识中取得了很好的效果。确定使用的调度变量，语言分区，设定规则以及ARX子模型结构均涉及到一个复杂的搜索空间，是一项难以优化的任务。为了简化系统结构使得模型性能得到显著改善，于是设计出IGA来解决此类最优化问题，与此同时将多变量模糊模型的优化整合到最优过程中。

本发明的技术方案是通过数据采集、模型建立、预测机理、优化等手段，确立了一种加热炉氧含量的IGA优化T-S模糊ARX建模方法，利用该方法可有效改善模糊系统参数辨识的精度及降低模糊规则的复杂性，优化模型的性能。

本发明的方法步骤包括：

步骤(1).T-S模糊ARX建模，具体方法是：

1-1.将输入输出数据与预测输出数据之间的非线性映射关系即ARX模型结构表示为如下形式：

y^(k)=f(X(k))]]>公式1

其中X(k)＝[y(k-1),…,y(k-n),u(k-d),…,u(k-d-m)]，y(k)、u(k)分别为被控对象观测输出和输入，n和m分别是输出输入的最大阶次，d为非负整数，是离散时间迟延，f表示模糊模型的非线性关系。

1-2.T-S模糊ARX模型结构包含局部线性定常ARX子模型，选取模糊IF-THEN规则，形式如下：

规则j：Ifx₁(k)isA_1jandx₂(k)isA_2jand…andx_s(k)isA_sjthenf_j(k)＝B^TX(k),j＝1,2,…,M,

其中参数向量调度向量x(k)＝[x₁(k),…,x_s(k)]通常是X(k)的子集，即x(k)∈X(k)，m_i是隶属度函数x_i(k)的数量，M是模糊规则的数量。

1-3.采用加权平均法精确化的模糊模型最终输出表示为如下形式：