论文部分内容阅读
系统辨识是研究系统数学建模的理论与方法。对于变量较多、维度较高以及结构较为复杂的大规模工业生产过程(如炼油精制过程、原油催化裂化过程、化工蒸馏过程等),建立其系统的精确数学模型相当困难。系统辨识基于大量的观测数据研究对应的辨识算法,计算得到系统的数学模型,通过模型验证评价建模精度和应用效果。工业实践中遇到的系统建模和优化问题多为非线性问题,其求解计算量较大,复杂度较高。多变量非线性系统的辨识是系统辨识研究的重要方向。现有的非线性系统辨识方法多为结构固定的参数辨识,针对其局限性高和辨识率较低的特点,将结构自适应引入辨识过程,提出一种基于子系统的结构自适应滤波(Subsystem-based Structural Adaptive Filtering,SSAF)方法。该方法的模型由若干子系统级联而成,每一个子系统为“线性-非线性”混合结构。子系统的线性部分是一个一阶或二阶可选的无限脉冲响应(Infinite Impulse Response,IIR)滤波器,其非线性部分是一个静态的非线性函数。初始化中,子系统的参数随机产生,生成的若干子系统按照设定的连接规则进行随机连接。不含反馈的连接机制确保了非线性系统的稳定性。一种自适应多精英引导的复合差分进化算法(Adaptive Multiple-Elites-guided Composite Differential Evolution algorithm,AMECo DEs)被用于结构自适应模型的优化,模型进行循环优化,直至找到最优或接近最优的结构和参数。实验结果表明,本文提出的方法在非线性测试函数以及真实的数据集上表现优异,辨识率高,收敛性好,对复杂的非线性系统具有显著的模型识别及信息提取能力。在结构自适应模型中,子系统有一阶和二阶两种可选的类型,它们按照一系列指令依次添加到自适应模型中,从而形成一个有效的非线性滤波模型。对自适应滤波模型的结构和参数进行编码,然后利用演化算法对已生成的自适应模型进行优化。首先,在不同的超参数下进行辨识实验,对结果进行比较分析并选出最优的超参数;然后对六种不同的演化算法设置最优的超参数值,用六种算法对同一非线性对象进行辨识,从而选出最优的算法。最后用选出的最优算法来设计辨识模型,对一个实际的液体饱和蒸汽热交换系统进行辨识,得到了最优的结构和参数。由实验结果的分析对比,验证了基于子系统的结构自适应滤波模型以及通过演化算法优化的设计方法在非线性测试函数和真实的数据集上表现优异,与神经网络辨识方法相比,所用参数更少,且辨识结果更好,从而验证了本文所提方法的优越性。本文提出的基于子系统的结构自适应滤波方法可兼容其它的演化算法,具有普适性,主要表现在规范化的编码方式可以调用各种类型的演化算法,可以对绝大部分的单输入单输出非线性系统进行辨识,并且可应用于类似的系统优化问题。