[发明专利]一种无外加测试信号在线闭环建立连续对象模型的方法

摘要

本发明公开了一种无外加测试信号在线闭环建立连续对象模型的方法，属于工业模型控制理论建模领域。本方法首先采集生产过程数据，动态捕捉可行性数据。确定有效的建模数据。根据混合模型计算第i个圈舍的出栏率和入栏率，根据随机函数和入栏率出栏率进行混合操作。将经过混栏饲养和新品种引入之后的圈舍做检疫检查，使得每个个体都在搜索范围以内。然后计算代价函数，并进行排序。进行搜索动力不足检验，判断最优的CF值和前两代的最优CF值是否相等，就可以判断搜索动力足不足。与现有技术相比较，本发明无需外加测试信号，通过在线闭环辨识建立模型，对生产无任何影响。基于混合精英圈养优化算法，模型精度大大提高。

主权项

一种无外加测试信号在线闭环建立连续对象模型的方法，其特征在于：该方法的实现步骤如下：第一步：采集生产过程数据，动态捕捉可行性数据；基于OPC数据访问技术，采集现场生产实际数据，形成海量的数据库；从每一个回路形成的数据库内，依据设定值变化量ΔSV最大化原则选取设定值变化前后的一段时间内的生产数据，形成数据集S；在数据集S内根据ΔOP最大化原则选择出可行数据组Ni；数据组Ni为具有模型辨识可能性的时间序列，i表示数据组序列号；Ni＝{(ti,ΔOP)},式中，ti为第i个时间节点，ti‑1为第i‑1个时间节点；首先以ΔOP为排序依据，从大到小对数据组Ni进行排序，取前k个数据组形成数据集D，k表示数据集D的元素数；对D以ΔPV为排序依据进行从大到小排序，取前l个数据，l表示以ΔPV为排序依据后的数据集D元素数；数据集D如下式：D＝{(t1,ΔOP1),…,(ti,ΔOPi),…(tl,ΔOPl)}    (2)对于数据集D中的每一个元素(ti,ΔOPi)，在数据集S中以ti时刻为时间节点前向搜索，当连续n1i个数据组的ΔOP小于一个小正数δ时，这段时间内的数据组构成可行数据集N的前段部分以ti时刻为时间节点后向搜索，当连续(ni‑n2i)个数据组的ΔOP小于δ时，这段时间内的数据组构成可行数据集N的前段部分中间段的数据组构成可行数据集N动态响应部分可行数据集N及组成部分满足公式：Δop<δ∀op∈{Pop1i|Pop3i}Δop≥δ∀op∈Pop2i---(3)]]>第二步：确定有效的建模数据；基于可行性数据集，采用常规模型辨识方法得到回路模型参数，通过计算有效数据信任度确定有效数据集；给定一个小正数ε＞0，模型辨识输出f(OP)，其不敏感损失函数为公式:C(f(OP),PV)＝sign(|f(OP)‑PV|‑ε)     (4)其中，符号函数sign()为：sign(x)=1x≥0-1x<0---(5)]]>对于可行数据组Ni，基于不敏感损失函数计算其有效数据信任度函数:P(Ni)=P(OPi,PVi)=1-1niΣj=1ni(C(f(OPj),PVj)+1)/2---(6)]]>如果可行性数据组Ni的信任度函数P(Ni)≥ξ，0＜ξ≤1，则该数据组为有效数据组，所有有效数据组的集合称为有效数据集；第三步：性能指标与约束条件基于有效过程建模数据集，结合生产工艺过程，设定具体的性能指标及约束条件；选用误差平方和的性能指标：CF=∫0t[y(t)-y^(t)]2dt---(7)]]>其中，为模型计算输出，y(t)为模型实际输出；该性能指标作为混合精英圈养优化算法的代价函数CF；约束条件为：或第四步：对象模型设定为二阶带纯滞后模型，Gm=cs+das2+bs+1e-τs---(9)]]>纯滞后部分采用二阶不对称Pade近似替代：e-τs=1+r1τs+r2τ2s21+r3τs---(10)]]>r1＝‑0.6143,r2＝0.1247,r3＝0.3866采用带有微分超前环节的PID控制器，其传递函数为Gc=Kc(1+1Tis)(1+Tds1+Tfs)---(11)]]>GPID=GmGc1+GmGc=AB---(12)]]>A＝ckcTiTdr2τ2s5+(ckcTir2τ2+ckcTdr2τ2+dkcTiTdr2τ2+ckcTiTdr1τ)s4+(ckcr2τ2+dkcTdr2τ2+dkcTir2τ2+ckcTir1τ+ckciTdr1τ+dkcTiTdr1τ+ckcTiTd)s3+(dkcr2τ2+ckcr1τ+dkcTdr1τ+dkcTir1τ+ckcTi+ckcTd+dkcTiTd)s2+(dkcr1τ+ckc+dkcTi+ckcTd)s+dkcB＝(ckcTiTdr2τ2+aTiTfr3τ)s5+(ckcTir2τ2+ckcTdr2τ2+dkcTiTdr2τ2+ckcTiTdr1τ+aTir3τ+bTiTfr3τ+aTiTf)s4+(ckcr2τ2+dkcTdr2τ2+dkcTir2τ2+ckcTir1τ+ckciTdr1τ+dkcTiTdr1τ+ckcTiTd+TiTfr3τ+aTi+bTiTf)s3+(dkcr2τ2+ckcr1τ+dkcTdr1τ+dkcTir1τ+ckcTi+ckcTd+dkcTiTd+Tir3τ+bTi+TiTf)s2+(dkcr1τ+ckc+dkcTi+ckcTd+Ti)s+dkc其中a,b,c,d,τ分别为模型参数，s为拉普拉斯算子；把模型参数a,b,c,d,τ，作为混合精英圈养优化算法的可操作变量OVs；OVs＝[a,b,c,d,τ]第五步：初始化；设饲养场圈舍的规模N，自定义新品种更新率Qupdate和迭代次数L；在可操作变量OVs的搜索范围内，随机生成初始圈舍分配情况Population；第六步：计算饲养场内每个圈舍的代价函数指标CF值，即评价模型参数性能指标；根据CF值对圈舍Population进行排序；第七步：根据混合模型计算第i个圈舍的出栏率和入栏率，根据随机函数和入栏率出栏率进行混合操作；此处采用简单易实现的线性混合模型；线性混合模型如下式所示：αi=I(1-sismax)---(13)]]>βi=O(sismax)---(14)]]>其中，αi为入栏率，βi为出栏率；，I和O分别为最大的入栏率和出栏率；其中si是圈舍饲养动物数量，smax为该圈舍容纳的最大动物数量；第八步：根据各圈舍的出栏入栏率，计算混合饲养之后各圈舍饲养数量存在的概率其中i为圈舍的编号、n为最大的圈舍数，j为混合圈养的代数；Qij+1=-(αi+βi)Qij+βi+1Qi+1j,i=0-(αi+βi)Qij+αi-1Qi-1j+βi+1Qi+1j,(1≤i≤n-1,1≤j≤L)-(αi+βi)Qij+αi-1Qi-1j,i=n---(15)]]>第九步：根据新品种更新率进行引入新品种操作，新品种更新率的计算如式(16)所示：Newij=Mupdata(1-QijQmaxj)---(16)]]>式中，Mupdata代表新品种的更新率，是j代圈养圈舍里最大的饲养数量；第十步：将经过混栏饲养和新品种引入之后的圈舍做检疫检查，使得每个个体都在搜索范围以内；然后计算代价函数，并进行排序；第十一步：进行搜索动力不足检验，判断最优的CF值和前两代的最优CF值是否相等，就可以判断搜索动力足不足；混合圈养有效果，进行第十二步，混合圈养没有良好效果，直接进行第十三步；第十二步：根据公式(13)进行人工干预，选取精英个体混合饲养，对该饲养场中最好的圈舍进行特殊改造，提高后代产出新品种的概率，从而提高其跳出局部最优的动力；将饲养场中代价函数值最高的圈舍拆毁按照进行特殊改造之后的圈舍进行重建；X'＝Xbest+sgn(rand‑0.5)*E     (17)其中E是维度与X相同且全为1的单位矩阵；相当于在最好的解决方案上面随机的加或减去一个扰动量，从而增加了圈舍的多样性；第十三步：判断是否满足结束条件，若不满足，则调到第七步，若满足，则输出模型辨识参数，结束程序。