本发明专利技术公开了一种工业系统机理建模仿真平台,涉及工业自动化、智能化技术领域,其辨识模型库基于Python的仿真代码体系构建,通过工业大数据辨识复杂工业系统或装备的动力学模型,通过可复用计算单元层构建线性动态系统的离线和在线自适应辨识函数,将各种离线和在线辨识函数进行抽象和有序组织,有益于提升辨识模型的构建效率及函数库的扩展;基于人工智能技术对动力学非线性动态系统建模,包括:构建连续非线性状态空间方程的并行加速辨识函数;以及,构建可组合的离散非线性动态神经网络模型及训练方法;为非线性动态系统构建了更为灵活的非线性动力模型,利用深度学习优化训练及并行加速技术,提升了辨识的精度和速度。提升了辨识的精度和速度。提升了辨识的精度和速度。
【技术实现步骤摘要】
一种工业系统机理建模仿真平台
[0001]本专利技术涉及工业自动化、智能化
,尤其涉及一种工业系统机理建模仿真平台。
技术介绍
[0002]当前,工业互联网及工业智能化建设方兴未艾,迫切需要一套自主可控的工业系统建模及仿真软件及成套技术,用于提高产品设计水平,实现生产质量精益管控、智能化及无人化控制。目前主流的工业系统建模仿真软件有MATLAB/SIMULINK、ProModel,SIMIT等,此类软件长于经典控制系统建模,对于工业大数据、人工智能等新兴技术支持度有限。
技术实现思路
[0003]本专利技术充分利用工业正常生产过程中产生的大数据,将人工智能技术与传统的控制理论融合,构建了一种工业系统机理建模仿真平台;提供了通用型工业建模仿真环境,将连续形式的线性动态系统、离散形式的线性动态系统和基于人工智能技术建立的连续非线性状态空间方程、可组合的离散非线性动态神经网络模型纳入到统一的体系中,进行可视化组合建模及系统仿真;提供了系统辨识、建模、仿真一体化的工作模式。
[0004]本专利技术提出的工业系统机理建模仿真平台,包括:基于Python的统一建模仿真代码体系、基于AI的系统辨识模型函数库、通用系统建模仿真环境;所述的基于Python语言的统一系统建模仿真代码体系,包括科学计算库和控制函数库,用于支撑系统辨识模型库和建模仿真功能的构建;所述的控制函数库支持动态系统的模型表达,支持状态空间、传递函数计算,支持微分/偏微分方程求解,非线性优化,稳定性分析等基础功能;所述基于AI的系统辨识模型函数库,是在前述基于Python的统一系统建模仿真代码体系上构建,支持线性动态系统和非线性动态系统的辨识。其中,线性动态系统包含连续形式的线性动态系统和离散形式的线性动态系统,具体包含多输入单输出的连续传递函数、离散传递函数、和状态空间方程。在本专利技术中,通过可复用计算单元层构建所述辨识模型库的线性动态系统的离线和在线自适应辨识函数;其中,所述线性动态系统包括连续形式的线性动态系统和离散形式的线性动态系统;基于人工智能技术对所述辨识模型库的动力学非线性动态系统进行建模,包括:构建所述辨识模型库的连续非线性状态空间方程的并行加速辨识函数;以及,构建所述辨识模型库的可组合的离散非线性动态神经网络模型及训练方法。
[0005]线性动态系统辨识模型函数库通过可复用计算单元层,构建各种离线和在线自适应辨识函数,具体构建步骤如下:S201:对于连续传递函数,可复用计算单元层包括频谱分析、状态变量滤波、和S
‑
K迭代算法,在此基础上构建了频率响应估计、传递函数辨识、噪声谱估计辨识函数;S202:对于状态空间方程,可复用计算单元层抽象出包括正交投影运算、Hankel矩阵运算、广义能观矩阵运算的运算单元,之后构建N4SID、MOESP、CVA子空间辨识函数,以及PARSIM、IVM改进型子空间辨识函数;
S203:对于离散传递函数,可复用计算单元层提取z多项式运算、diophantine方程求解、抽象递推新息的计算单元,构建了ARMAX、OE、辅助变量、广义最小二乘等辨识函数;S204:利用抽象递推新息单元构建各种形式离散传递函数的在线自适应辨识算法,以及状态空间方程的在线自适应辨识算法。
[0006]所述状态空间方程和离散传递函数模型也支持PEM系列的自动微分的迭代方法辨识,采用梯度下降方法优化辨识参数,选择Pytorch作为自动微分优化求解器。
[0007]状态空间方程按照模型定义式辨识优化参数,支持批次数据的辨识,离散传递函数模型的梯度优化方法具体步骤如下:S211:针对离散传递函数形式(以双输入为例): (1)其中,为输出,、均为输入;z为离散传递函数算子,均为阶数已知,系数未知的z多项式表达式 ;,,,,;、、、分别为多项式的阶数,、、为多项式系数。
[0008]经过z多项式运算,可以整理为:(2);S212:按照上述的表达式,任意离散传递函数t时刻的值可以表达为前几个时刻的输入和前几个时刻输出的代数加权和,加权系数由多项式唯一确定;S213:将上述加权系数作为未知的参数向量,通过与过去的对应时刻的输入输出数据排成的向量做内积,计算模型的预测y值;S214:利用Pytorch最小化预测与实际值之间的平均误差,辨识求解未知参数;S215:在优化过程中,离散传递函数模型的未知参数会被自动计算梯度,并进行迭代优化。
[0009]所述非线性动态系统辨识模型函数库利用人工智能技术,对复杂工业过程的动力学非线性动态系统建模。提供连续非线性状态空间方程的并行加速辨识函数,以及提供可组合的离散非线性动态神经网络模型及训练方法。
[0010]对于连续非线性状态空间方程的行加速辨识函数,避开逐步循环数值积分,利用Tensor向量矩阵运算,直接一次性计算所有时间步的相邻状态差值矩阵,具体步骤如下:S2211:在微分方程模型结构已知的情况下,构建含未知参数的状态导函数向量,在微分方程结构未知的情况下,构建神经网络逼近状态导函数向量,以代表具有时间,状态阶数两个维度的状态矩阵,则相邻两步状态差值矩阵的定义式,利用4阶龙格库塔公式通过导函数模型也可以一次计算所有时间的相邻两步状态差值矩阵;S2212:在微分方程结构已知的情况下,构建含未知参数的输出函数,否则构建
神经网络,计算模型输出, 测量实际输出值则目标函数为则目标函数为,为可调权重,为均方误差;S2213:确定迭代步数,自动计算未知参数关于目标的偏导数,更新参数或网络权值。
[0011]本专利技术中,提供可组合的离散非线性动态神经网络模型及训练方法;可组合的离散非线性动态神经网络模型包含静态神经网络基元、动态神经网络基元、脉冲响应卷积网络基元、和时序接口组件,可通过灵活组合附带梯度的离散传递函数模型(由S215所述)构建过程动态神经网络模型,并提供统一的训练方法。
[0012]可构建的离散系统动态神经网络模型包括经典的Hammerstein
‑
Wiener非线性模型,NARMAX模型,包括但不仅限于间接动态非线性神经网络;特征是输入信号不直接与输出产生动态关系,而是通过未知的函数计算得到的中间量与输出产生非线性动态关联,此类模型在过程建模中更为常见;这些模型由于所有环节均可传播梯度,在Pytorch深度学习框架中完成训练。
[0013]所述的通用系统建模仿真环境,将连续形式的线性动态系统、离散形式的线性动态系统和基于人工智能技术建立的连续非线性状态空间方程、可组合的离散非线性动态神经网络模型纳入到统一的体系中,进行可视化组合建模及系统仿真;建模环境中的公用组件库,包括信号源、数据集的字段选择器、加法器、延迟器、滤波器、自定义函数等组件;所要辨识的模型也封装为组件,确定模型参数后,均以可视化拖拽的方式建模工业系统。
[0014]所述系统仿真主要包括以下步骤:S301:对建模系统的信号流、图网络进行分析,获取模型间的连接关系,计算输入、输出及邻接矩阵;S302:对线性动态系统、非线性动态系统模型进行解析本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种工业系统机理建模仿真平台,包括辨识模型库,用于基于Python的仿真代码体系、通过工业大数据辨识复杂工业系统或装备的动力学模型;其特征在于,通过可复用计算单元层构建所述辨识模型库的线性动态系统的离线和在线自适应辨识函数;其中,所述线性动态系统包括连续形式的线性动态系统和离散形式的线性动态系统;基于人工智能技术对所述辨识模型库的动力学非线性动态系统进行建模,包括:构建所述辨识模型库的连续非线性状态空间方程的并行加速辨识函数;以及,构建所述辨识模型库的可组合的离散非线性动态神经网络模型及训练方法。2.根据权利要求1所述的工业系统机理建模仿真平台,其特征在于,通过可复用计算单元层构建所述辨识模型库的线性动态系统的离线和在线自适应辨识函数,具体构建步骤包括:S201、对于连续传递函数,可复用计算单元层包括频谱分析、状态变量滤波和S
‑
K迭代算法,在此基础上构建频率响应估计、传递函数辨识、噪声谱估计辨识函数;S202、对于状态空间方程,可复用计算单元层抽象出包括正交投影运算、Hankel矩阵运算、广义能观矩阵运算的运算单元;构建N4SID、MOESP、CVA子空间辨识函数,以及PARSIM、IVM改进型子空间辨识函数;S203、对于离散传递函数,可复用计算单元层提取包括z多项式运算、diophantine方程求解、抽象递推新息的计算单元;构建ARMAX、OE、辅助变量、广义最小二乘辨识函数;S204、利用抽象递推新息单元构建离散传递函数的在线自适应辨识算法,以及状态空间方程的在线自适应...
【专利技术属性】
技术研发人员:郭保琪,丁香乾,刘洋,程航,周亚楠,
申请(专利权)人:青岛海大新星软件咨询有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。