[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

说明书

本发明公开了一种工业过程多阶惯性闭环系统的闭环建模方法。本发明的闭环建模方法包括：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。本发明基于两个DNN模型，在建模过程中只需采用较简单的正反向阶跃激励信号，可以简便、准确的辨识出被控对象模型，有效提高了该类闭环系统的控制品质。

技术领域

本发明涉及工业过程控制系统，具体地说是一种工业过程多阶惯性闭环系统的闭环建模方法。

背景技术

工业过程中常有的一类被控对象是多阶惯性闭环系统，该系统存在着大迟延大惯性特性，为了获得良好的控制性能，经常需要闭环辨识对象特性。

目前辨识多阶惯性闭环系统的对象模型特性通常采用常规的最小二乘辨识算法，而常规的最小二乘辨识算法需要加入较复杂的激励信号，辨识出的对象模型准确性不高。

发明内容

本发明所要解决的技术问题是克服上述现有技术存在的缺陷，提供一种工业过程多阶惯性闭环系统的闭环建模方法，以简便、准确的辨识出被控对象模型，有效提高该类闭环系统的控制品质。

为此，本发明采用如下的技术方案：一种工业过程多阶惯性闭环系统的闭环建模方法，其包括：

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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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。

本发明具有以下有益效果：本发明基于两个DNN模型，在建模过程中只需采用较简单的正反向阶跃激励信号，可以简便、准确的辨识出被控对象模型，有效提高了该类闭环系统的控制品质。本发明对于深度学习网络在模型闭环辨识中的应用具有重要的实践意义。

附图说明

图1为本发明多阶惯性闭环系统结构图(sp2为设定值，C为控制器，sp1为加在控制量上的扰动信号，G为被控对象)；