[发明专利]一种工业过程多阶惯性闭环系统的闭环建模方法

权利要求书

1.一种工业过程多阶惯性闭环系统的闭环建模方法，其特征在于，包括：

首先，在多阶惯性闭环系统的控制量上加入正、反向阶跃扰动，采用基于多种惯性滤波的深度学习全连接神经网络训练后获得第一个DNN模型；再在多阶惯性闭环系统的设定值上加入正、反向阶跃扰动，将第一个DNN模型的输出数据与被控对象输出数据作为深度学习随机失活神经网络的输入进行训练，训练好后获得第二个DNN模型，两个DNN模型组成闭环系统模型，以有效辨识出被控对象模型的特性；

所述深度学习全连接神经网络的形成过程如下：首先，将输入数据标准化到给定最大值和最小值之间；其次，进行训练数据集和测试数据集分类，选用ReLU激活函数，设置神经元层数及学习速率；采用回归算法进行深度学习神经网络训练及准确率测算，得到深度学习全连接神经网络；

基于深度学习全连接神经网络，在该网络的输入端设置惯性时间常数为30秒和60秒的一阶惯性滤波环节及惯性时间常数为30秒、60秒和160秒的二阶惯性滤波环节后，形成第一个DNN模型；

所述深度学习随机失活神经网络的形成过程如下：首先，将输入数据标准化到给定最大值和最小值之间；其次，进行训练数据集和测试数据集分类，选用ReLU激活函数，设置神经元层数、学习速率及随机失活率；采用回归算法进行深度学习神经网络训练及准确率测算，得到深度学习随机失活神经网络。

2.根据权利要求1所述的一种工业过程多阶惯性闭环系统的闭环建模方法，其特征在于，所述的深度学习随机失活神经网络，训练过程中每个隐藏层的神经元以2%的概率从网络中随机被忽略，网络被设置成多变量输入的形式。

3.根据权利要求1所述的一种工业过程多阶惯性闭环系统的闭环建模方法，其特征在于，为验证闭环系统模型的有效性，将正弦波信号加入多阶惯性闭环系统设定值，对比被控对象模型输出和闭环系统模型输出数据重合度，验证辨识准确性。