[发明专利]基于机器学习的模型参数获取方法、系统及可读介质

说明书

本发明公开了一种基于机器学习的模型参数获取方法、系统及可读介质，建立延迟状态空间模型、全局模型，通过机器学习算法即EM算法确定参数估计，所述的延迟状态空间模型，引入一个隐藏变量表示在时间t生效的子模型，得到输出模型；利用贝叶斯规则得出延迟的概率，使用卡尔曼滤波器对这些密度函数进行数值计算；用当前估计的参数评估Q函数，在下一个最大化步骤中，通过最大化Q函数获得新参数；最大化Q函数，对每个参数执行微分运算；通过将导数等于零来计算每次迭代时系统参数的最佳估计。本发明通过使用多个双速率状态空间模型来逼近具有不同工作条件的参数变化时延系统。

技术领域

本发明涉及精馏塔系统的参数估计和时延辨识领域，属于复杂工业过程辨识和控制领域。

背景技术

随着现代工业过程规模的不断扩大和复杂性的日益提高，建立有效的过程监控方法是确保生产安全、提高产品质量和保证经济效益的关键。对于复杂的工业过程来说，往往难以得到精确的数学模型对全过程进行能量和物料平衡关系的描述，而随着计算机技术的不断发展，控制装置对工业现场的信息采集、处理和加工能力显著加强，工业过程中采集和存储的过程数据越来越丰富，如何从海量数据中挖掘出有价值的过程信息，成为具有实际应用意义的研究课题。在这样的背景下，基于多元统计理论的统计过程监控方法应运而生，并在近年来取得了广泛的关注和应用。

多模态工业过程中，往往存在某些不可测变量(例如化工过程中的精馏塔产品组分浓度)，这些不可测变量(也称作隐藏变量)往往用来描述这些过程的动态特性。由于物理条件或经济方面的约束，比如某些在线传感器价格特别昂贵，导致某些关键变量缺乏在线测量手段，或者只有稀少的滞后实验室化验值，难以有效地控制和提高生产效率，降低成本。对于这类复杂系统，传统的等周期采样数据计算机控制建模理论和辨识方法已不再适用，研究这类存在不可测变量的多模态系统建模及参数估计方法具有极为重要的意义。

发明内容

1、本发明的目的

本发明要解决的技术问题是提供一种辨识算法来估计精馏塔时延系统以达到对系统参数辨识的高精度。

2、本发明所采用的技术方案

本发明提出了一种基于机器学习的模型参数获取方法，包括建立延迟状态空间模型，

其中，{x_t}是精馏塔精馏过程中不可测量的状态；输入{u_t,t＝1,2,...,L}是精馏塔的回流流量和再沸器加热流量，并且在每个采样周期Δt可测量；顶部产物的组成是不规则采样的输出，仅在时刻t＝T_i·Δt且具有未知的时间延迟λ_i·Δt时才可用，每个数据样本的延迟有所不同；ω_t和分别是精馏过程噪声和测量噪声；ω_t和是分别具有协方差矩阵Q和R的独立且分布均匀的高斯噪声；延迟λ_i为遵循任何离散分布的随机整数；

建立全局模型，即每个局部模型的加权插值，采用指数加权函数来表示每个局部模型的权重；

通过机器学习算法即EM算法确定参数估计，所述的延迟状态空间模型，引入一个隐藏变量表示在时间t生效的子模型，得到输出模型；

利用贝叶斯规则得出延迟的概率，使用卡尔曼滤波器对这些密度函数进行数值计算；用当前估计的参数Θ^k评估Q函数，在下一个最大化步骤中，通过最大化Q函数获得新参数Θ^k+1；为了最大化Q函数，对每个参数执行微分运算；通过将导数等于零来计算每次迭代时系统参数的最佳估计。

优选的，建立延迟状态空间模型：

假设λ_i在0和q之间遵循均匀分布，

其中，q为正整数，由于操作条件的变化，单个模型不足以表示过程动力学；因此，使用全局模型，它是每个局部模型的加权插值，如下：