[发明专利]一种基于NARX模型和时滞估计的神经网络建模方法

说明书

本发明公开了一种基于NARX模型和时滞估计的神经网络建模方法，属于复杂工业过程建模和软测量领域。本发明利用神经网络构造了一种新型一阶NARX模型，通过设计模型结构减小了预测时对于主导变量测量值的依赖。当工业过程无法及时提供主导变量历史数据时，能通过多步估计方法来确保主导变量的实时预测。数学分析表明，当模型建立准确时，所发明的新型NARX模型能有效抑制由多步估计造成的误差累积。脱丁烷塔数据仿真实验进一步验证了所构建模型的有效性。

技术领域

本发明涉及一种基于NARX模型和时滞估计的神经网络建模方法，属于复杂工业过程建模和软测量领域。

背景技术

工业过程中，通常会存在一些难以测量的物理量，如：精馏塔塔底物料的浓度、炼钢过程中铁水硅含量等，这些重要物理量通常被称作为主导变量，会很大程度地影响最终产品的质量。软测量建模能利用工业过程中易于测量的辅助变量对不可直接测量或测量代价大的主导变量进行实时估计，已在环保、冶金、化工等领域得到了广泛的应用。

根据模型输入变量的不同，通常可将其分为静态模型与动态模型两类，若模型仅考虑当前时刻的过程状态作为输入变量则称之为静态模型；在此基础上若模型还考虑将过程状态的历史信息作为输入变量则称之为动态模型。

相比静态模型，动态模型对于时间序列具有更强的描述能力，能更好地适应工业过程中的非稳态情况，由于更贴近实际过程，动态建模方法得到了工业界的广泛关注，现已取得许多研究成果。

动态模型中，带输入自回归模型(ARX)是最常见的一种线性动态模型，具有模型结构简单、易于实现的优点，已在许多时间序列预测中得到了应用。该模型还有其非线性拓展形式，即NARX模型，在ARX的基础上结合了神经网络(NN)的非线性逼近特性，使得模型能够更好地适应具有强非线特性的工业过程。

一方面，在许多工业过程中，主导变量的历史值与其当前值有很强的相关性，NARX模型在许多应用中表现出了很高的预测精度。另一方面，传统自回归模型需要对主导变量的数据进行实时采集，而大部分工业过程中主导变量的测量存在采样周期长、测量延迟大、代价大等问题，无法实时获得主导变量的数据，这种情况下NARX模型的使用受到了极大的限制。目前基于NARX的软测量建模研究大多建立在主导变量的数据能被实时采集的假设之下，而摒弃这一假设来构建NARX软测量模型的研究仍然较少。

发明内容

为了解决目前存在的问题，本发明提供一种基于NARX模型和时滞估计的神经网络建模方法，利用两个神经网络模型构造了一种带自相关约束的NARX模型，通过约束神经网络的输出范围减小模型对于主导变量实时测量值的依赖，在能保证建模精度的情况下能够抑制住由主导变量历史信息缺失带来的误差累积；所述技术方案如下：

步骤1：构建模型结构；

所述模型结构的详细说明如下：

定义X_t、y_t为过程在t时刻辅助和主导变量的取值，在辅助变量上加上标来表示变量中的具体特征，所述具体特征指过程中能够直接进行测量的物理变量，如：温度、压力等，而辅助变量是由特征组成的列向量，设其维度为m，主导变量为标量

定义本方法模型为并定义t时刻主导变量的预测值为如式(1)所示

其中，θ表示模型的参数向量，n_b表示模型的阶次，式(1)中的模型由两个输入变量为的神经神经网络构成，将其分别称作为A网络模型和B网络模型，计作和其中θ_a和θ_b分别表示A、B网络模型的模型参数，模型如式(2)所示：