【技术实现步骤摘要】
本专利技术属于工业过程控制，具体是指一种基于知识引导神经网络的非线性过程控制方法和系统。
技术介绍
1、现代工业过程一直面临着高能耗、高物耗和重污染等问题。工业过程控制技术可以通过控制关键状态变量接近其设定值来确保过程稳定、绿色和高效的运行。现代工业过程往往具有多变量、非线性、强耦合等复杂特性，同时高效和绿色生产还意味着各种控制约束和目标要求。一般来说，传统的pid等无模型控制方法不能同时满足这些工业要求，而模型预测控制(model predictive control, mpc)方法是一种流行的基于模型的控制策略，由模型预测、滚动优化和反馈校正等构成。它在工业上得到了广泛的应用，可以在降低资源消耗和环境污染的同时显著提高产品质量。随着工业过程复杂性的增加，大多数现代工业系统都是非线性系统。线性预测模型不可避免地存在模型失配的问题，难以达到满意的控制效果。因此，人们对非线性模型预测控制(nonlinear model predictive control,nmpc)进行了大量的研究。该方法预测结果的准确性决定了模型预测控制的效果。因此，非线性模型预测控制的核心是建立精确的非线性预测模型。
2、高精度模型是实现非线性过程控制的基础，而现有建模方法难以建立非线性过程的高精度模型。数据驱动的非线性建模方法避免了机理建模需要全面了解工业系统运行机理的问题，仅仅依靠过程数据来学习系统输入和输出之间的关系，其中神经网络(neuralnetwork, nn)具有良好的鲁棒性和自学习能力，是一种描述非线性系统的有效方法。它可以通过学
3、目前基于神经网络的非线性预测控制大多依赖于被控对象系统结构已知的强假设。然而，对于复杂的非线性系统，这一假设在实际应用中很难得到满足。作为一种替代方案，通常采用设置冗余的阶次来保证预测模型的性能，这不可避免地增加了模型的复杂性，特别是对于多输入多输出系统。随着模型复杂度的增加，训练模型所需要的数据量也大大增加，否则会引起过拟合问题。而数据集的获取是非常耗时的，这导致许多实际的工业系统通常不能保证足够的训练数据集。在训练数据不足的情况下，很难建立有效的数据驱动预测模型。
技术实现思路
1、本专利技术提供一种基于知识引导神经网络的非线性过程控制方法和系统，通过提取系统结构知识，避免神经网络输入神经元冗余的问题，为工业过程的精确控制提供了保证。
2、为实现上述技术目的，本专利技术采用如下技术方案：
3、一种基于知识引导神经网络的非线性过程控制方法，包括：
4、基于稀疏表示的方法提取非线性工业过程的系统结构知识：系统输入阶次、系统输出阶次和系统时延；
5、按照提取的系统结构知识，构建具有相应输入神经元结构的前馈神经网络；
6、利用系统输入输出训练数据训练构建的前馈神经网络得到系统预测模型；
7、将训练好的系统预测模型作为模型预测控制策略中的预测模型，采用模型预测控制策略获得系统输入序列，并将序列第一项作用于工业过程系统。
8、进一步的，提取系统结构知识具体包括：
9、首先，将非线性工业过程系统的输入输出关系表示为：
10、
11、其中，为时刻系统输入变量，为时刻不可测中间变量，为时刻系统输出变量，代表未知非线性函数，和代表系统输入和输出的权重因子，代表系统时延，和代表系统输入和输出的阶次，代表高斯白噪声；
12、然后，采取系统过参数化的方式将系统的非线性部分，即未知非线性函数，转换为多个基函数的线性组合；其中，线性组合中的基函数系数和常系数构成未知的非线性参数；
13、再通过对非线性参数采样，结合系统的过去输入数据，构建基于非线性函数的系统输入字典；以及利用系统的过去输出数据，构建系统输出字典；
14、最后，综合系统输入和输出字典，并采用字典学习方法，得到系统的未来输出数据的稀疏向量；再将稀疏向量与系统的输入输出关系式进行对比，得到系统结构知识：系统时延、系统输入阶次和系统输出阶次。
15、进一步的，使用泰勒级数或傅里叶级数，将非线性函数转换为基函数的线性组合。
16、进一步的，构建基于非线性函数的系统输入字典为：
17、
18、其中，是一个比系统输入阶次和输出阶次都大的正整数，即，为系统过去的某一时刻，系统输入块字典为：
19、
20、其中，为训练数据的数量，代表从时间点到的系统输入数据；非线性参数集是在非线性参数空间中等间隔充分采样得到的m个结果；
21、构建系统输出字典为：
22、
23、其中，系统输出块字典为：
24、
25、其中，代表从时间到的系统输出数据；
26、综合系统输入和输出字典得到字典学习优化问题中的字典：
27、。
28、进一步的，采用字典学习方法时构建的优化问题为：
29、
30、其中，为系统的未来输出数据，即，为经字典的稀疏编码，表示稀疏向量中非零元素个数所占权重，越大，越稀疏。
31、进一步的，在采用字典学习方法获得系统的未来输出数据的稀疏向量时，对稀疏向量进行补偿操作，之后再将补偿操作后的稀疏向量与系统的输入输出关系式进行对比得到系统结构知识；其中，补偿操作依次包括：
32、（1）零操作
33、基于字典由和两部分组成，相应将补偿前的稀疏向量分为系统过去输出数据的稀疏向量和系统过去输入数据的稀疏向量两部分，即；然后对和分别进行零操作：
34、
35、其中，为向量或的第个元素，为向量或中绝对值最大的元素，为预设的阈值，经零操作后得到的稀疏向量为：
36、；
37、（2）反归一化操作
38、基于字典进行的列归一化操作，将零操作后得到的稀疏向量进行反归一化得到真实的稀疏向量：
39、
40、其中，是由每一个字典原子二范数构成的，代表对应位置的除法；
41、（3）融合操作
42、设系统输入块字典中被选中的个原子索引为，构造下列数据对：
43、
44、其中，代表非线性参数中对应于系统输入块字典第个选中的原子和中对应的非零元素；接下来，定义两个矩阵：
45、
46、
47、根据下本文档来自技高网...
【技术保护点】
1.一种基于知识引导神经网络的非线性过程控制方法，其特征在于，包括：
2.根据权利要求1所述的基于知识引导神经网络的非线性过程控制方法，其特征在于，提取系统结构知识具体包括：
3.根据权利要求2所述的基于知识引导神经网络的非线性过程控制方法，其特征在于，使用泰勒级数或傅里叶级数，将非线性函数转换为基函数的线性组合。
4.根据权利要求2所述的基于知识引导神经网络的非线性过程控制方法，其特征在于，构建基于非线性函数的系统输入字典为：
5.根据权利要求4所述的基于知识引导神经网络的非线性过程控制方法，其特征在于，采用字典学习方法时构建的优化问题为：
6.根据权利要求2所述的基于知识引导神经网络的非线性过程控制方法，其特征在于，在采用字典学习方法获得系统的未来输出数据的稀疏向量时，对稀疏向量进行补偿操作，之后再将补偿操作后的稀疏向量与系统的输入输出关系式进行对比得到系统结构知识；其中，补偿操作依次包括：
7.根据权利要求2所述的基于知识引导神经网络的非线性过程控制方法，其特征在于，按照提取的系统结构知识，构建具有相应
8.根据权利要求2所述的基于知识引导神经网络的非线性过程控制方法，其特征在于，采用模型预测控制策略获得系统输入序列的优化问题表示为：
9.一种基于权利要求1-8任一项所述的基于知识引导神经网络的非线性过程控制方法的系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于知识引导神经网络的非线性过程控制方法，其特征在于，包括：
2.根据权利要求1所述的基于知识引导神经网络的非线性过程控制方法，其特征在于，提取系统结构知识具体包括：
3.根据权利要求2所述的基于知识引导神经网络的非线性过程控制方法，其特征在于，使用泰勒级数或傅里叶级数，将非线性函数转换为基函数的线性组合。
4.根据权利要求2所述的基于知识引导神经网络的非线性过程控制方法，其特征在于，构建基于非线性函数的系统输入字典为：
5.根据权利要求4所述的基于知识引导神经网络的非线性过程控制方法，其特征在于，采用字典学习方法时构建的优化问题为：
6.根据权利要求2所述的基于知识引导神...
【专利技术属性】
技术研发人员：黄科科，唐燕伟，阳春华，吴德浩，李勇刚，桂卫华，
申请(专利权)人：中南大学，
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。