[发明专利]一种工业烘干机的系统状态预测方法

说明书

本发明公开了一种工业烘干机的系统状态预测方法，采用一类基线性系统卡尔曼滤波的改进算法，具体步骤包括：（a）建立一般线性状态空间模型；（b）采集输入输出数据，确定采样间隔T，将数据保存整理进行预处理；（c）采用遗传算法等算法获得模型参数的初步估计值；（d）采用改进的最大期望‑卡尔曼算法（EM‑KF）进行精确辨识，以迭代求解的方式估计参数。本发明公开的工业烘干机的系统状态预测方法，基于EM的一般线性状态空间系统的参数估计，适用范围更广、辨识精度更高。

技术领域

本发明涉及控制工程领域，特别是工业系统辨识技术领域。

背景技术

EM算法首先由Dempster提出并应用到不同问题的参数估计。EM算法是一种迭代优化算法，每次迭代包括两步：E步和M步。步骤E根据观测数据和待确定参数得到“缺失数据”的条件期望值；步骤M最大化条件期望并计算参数的最大似然估计。许多学者将EM算法应用于各个方面，比如状态空间模型的参数估计问题，并结合卡尔曼滤波器和Rauch-Tung-Striebel(RTS)平滑提出了EM-KF算法，EM-KF算法被应用于语音的识别、研究直升机主减速器的剩余寿命预测等等。

但上述所研究的状态模型并没有包含真实的输入数据。现实生活中的许多系统都需要输入数据。例如，工业烘干机需要三个输入数据(燃料流量，热气排气扇速度，原料流量)。因此，研究包含输入数据的更一般的系统模型是非常有必要的。如何在一般模型下将EM与KF相结合来实现工业烘干机参数的精确辨识，是现有技术未能解决的问题。

发明内容

本发明所要解决的技术问题在于，针对背景技术中提到的问题，通过改进EM-KF算法，公开了一类线性系统卡尔曼滤波的改进算法，实现工业烘干机参数的精确辨识。

本发明为了解决上述技术问题，采用以下技术方案来实现：

一种工业烘干机的系统状态预测方法，包括：

步骤1、建立工业烘干机的系统状态空间模型：

其中，X_t是状态向量，u_t代表输入的工业烘干机的能耗数据向量，Y_t代表输出的工业烘干机的预测数据向量，w_t为过程噪声，e_t为测量噪声，A是转移矩阵，B是输入矩阵，C是输出矩阵；

步骤2、采集输入、输出数据，确定采样间隔T，将数据保存整理进行预处理；其中输入数据包括：燃油流量u₁、热排气风扇转速u₂、原料流量u₃；输出数据包括：干球温度y₁、湿球温度y₂、原材料水分含量y₃；

步骤3、采用遗传算法获得模型参数A,B,C,w_t,e_t的初步估计值；

步骤4、采用EM算法和Kalman滤波平滑结合得以适用更一般的状态空间模型进行精确辨识，以迭代求解的方式得到模型最终的估计参数A,B,C,w_t,e_t。

步骤5、将实际运行时的数据输入模型，实现工业烘干机的系统状态预测。

本发明采用以上技术方案，与现有技术相比具有的有益效果：

本发明将EM-KF算法的适用范围推广到了更一般状态空间系统中，更加有利于真实工业系统的使用。此方法适用范围更广、辨识精度更高、具有很强的推广性。

附图说明

图1是本发明系统辨识方法的流程图。

图2是EM-KF算法得到的参数估计值与真实系统的阶跃响应拟合图。