[发明专利]基于数据驱动的烟草烘丝干头过程FNN-ARX建模方法

权利要求书

1.一种基于数据驱动的烟草烘丝干头过程FNN-ARX建模方法，其特征在于，包括以下步骤：

1)采集烟草烘丝干头过程，即T₁时间段内各工艺变量的历史数据；

2)建立烟草烘丝干头过程FNN-ARX模型结构：

其中：y_t表示干头过程的出口烟丝含水率，表示入口烟丝含水率，表示入口烟丝流量，表示滚筒筒温，表示排潮风门开度，ξ_t表示高斯白噪声；为FNN-ARX模型的状态量；φ₀(x_t-1)、φ_y,1(x_t-1)、φ_y,2(x_t-1)、和均为关于模型状态量x_t-1的FNN网络；FNN-ARX模型的参数分为线性参数集θ_L和非线性参数集θ_N；

3)对烘丝干头过程FNN-ARX模型的参数θ_L和θ_N进行优化，得到优化后的烟草烘丝干头过程的FNN-ARX模型；

所述FNN网络如下：

其中，模糊隶属度函数且和为模糊隶属度函数的中心，和为模糊隶属度函数的宽度。

2.根据权利要求1所述的基于数据驱动的烟草烘丝干头过程FNN-ARX建模方法，其特征在于，将所述FNN-ARX模型转换为如下标准形式：y_t＝μ(θ_N,x_t-1)^Tθ_L+ξ_t，其中，且

3.根据权利要求1所述的基于数据驱动的烟草烘丝干头过程FNN-ARX建模方法，其特征在于，对烘丝干头过程FNN-ARX模型的参数θ_L和θ_N进行优化的具体实现过程包括：

1)定义干头过程FNN-ARX模型参数优化的目标函数为其中，r(θ_L,θ_N)＝(r_n(θ_L,θ_N),r_n-1(θ_L,θ_N),...,r₃(θ_L,θ_N))^T，且当t＝3...n时r_t(θ_L,θ_N)＝y_t-μ(θ_N,x_t-1)^Tθ_L，则对干头过程FNN-ARX模型的参数优化问题表示为

2)设非线性参数θ_N已知，则待优化FNN-ARX模型的线性参数表示为θ_L＝Φ(θ_N)⁺y，其中Φ(θ_N)⁺为矩阵Φ(θ_N)的Moore-Penrose逆，且矩阵Φ(θ_N)＝(μ(θ_N,x_n-1),μ(θ_N,x_n-2),...μ(θ_N,x₂))^T，y＝(y_n,y_n-1,...y₃)^T，则优化问题被转变为

3)选择目标函数的雅可比矩阵形式为：J＝-D(Φ(θ_N))Φ(θ_N)^-y，其中，Φ(θ_N)^-为Φ(θ_N)的减号逆，D(Φ(θ_N))＝[D₁(Φ(θ_N)),D₂(Φ(θ_N))...D₈(Φ(θ_N))]，D_g(Φ(θ_N))表示矩阵Φ(θ_N)对第g个非线性参数的偏导数；得到雅可比矩阵J后，得到非线性参数θ_N的更新方向d^k＝-((J^k)^TJ^k)^-1(J^k)^Tr^k，其中J^k表示k时刻J的值，r^k为k时刻r的值，且r＝(I-Φ(θ_N)Φ(θ_N)⁺)y；非线性参数更新为其中η为搜索步长并采用混合二次多项式内插法确定；当本次优化的目标函数R(θ_N)与其上一步优化的值相减偏差小于优化终止条件δ或优化次数达到最大迭代次数Μ时，整个优化过程结束，此时模型的线性参数集通过θ_L＝Φ(θ_N)⁺y计算得到；其中所述非线性参数集θ_N的初始值设计为α为入口烟丝含水率数据集的平均值。

4.根据权利要求3所述的基于数据驱动的烟草烘丝干头过程FNN-ARX建模方法，其特征在于，β₁＝0.2，β₂＝0.8，β₃＝0.2，β₄＝0.8。