基於前饋規則網路的大型發電設備設計理論與方法研究

《基於前饋規則網路的大型發電設備設計理論與方法研究》是依託哈爾濱工業大學，由林琳擔任項目負責人的面上項目。

基本介紹

• 中文名：基於前饋規則網路的大型發電設備設計理論與方法研究
• 依託單位：哈爾濱工業大學
• 項目類別：面上項目
• 項目負責人：林琳

項目摘要

充分利用知識基於實例進行再設計是目前大型發電設備設計常用的一種方法。但從形式上完全複製實例到新設計中，會抑制設計創造力，限制創新設計空間。為此，本課題在篩選大型發電設備實例中表徵結構和系統狀態特徵參數基礎上，針對模糊型和區間型等離散參數以及圖形型等連續型參數的規則提取問題，研究混合徑向基核函式和基於圖形特徵理論的過程神經網路模型，設計高效的支持向量機和過程神經網路多模式分類算法，從實例中提取設計規則；根據大型發電設備設計過程關聯，建立表征大型發電設備設計過程內涵的前饋規則網路模型，開發基於最佳化算法和進化算法的前饋規則網路學習算法，獲得各類設計的最優設計規則路徑，將基於實例的再設計提升為基於規則的再設計，形成一套原創的基於規則網路的大型發電設備設計方法的理論體系。在此基礎上，設計開發基於前饋規則網路的大型發電設備方案設計示範系統，為大型發電設備變型設計和創新設計提供理論和系統支持。

結題摘要

申請書研究內容的技術路線是：從含有多種數據類型的大型發電設備方案設計實例中的提取設計規則——＞整理設計規則，建立能夠表征設計內涵的規則網路模型——＞開發基於最佳化算法和進化算法的規則網路模型學習算法，最終獲得最優設計規則路徑。項目的研究工作也正是緊緊圍繞這一路線展開。 在針對多種數據類型的規則提取方法方面，項目完成了面向區間型、模糊型和圖形型數據的規則提取方法研究。針對區間型數據，項目基於無監督分類的高斯混合模型從單個參數的樣本空間中提取混合高斯成分構成參數的模糊區域集合，最終獲得具有強解釋性的電磁設計模糊設計規則。針對模糊型數據，項目提出了基於模糊形式背景的模糊概念格獲取方法及套用，通過定義兩個模糊概念間的歐拉距離公式，方法從細粒度概念中抽取具有較大說明度的水輪機方案設計實例大粒度概念。模糊型數據：項目提出了一種基於雲模型的多模式分類方法，基於雲模型在定性概念到定量數值轉換過程中表現出的良好隨機性和模糊性，獲得了模糊型數據的多分類數學模型。針對圖形型數據，採用高斯混合模型進行模型轉輪綜合特性曲線特徵抽取，獲得特性曲線的幾何特徵參數。在規則網路模型建模方面：針對離散型數據系統建模提出了一種混合規則網路模型，該模型的核心是表征樣本規則的節點，各節點採用全連線方式連線且能夠根據特定要求動態構建規則集並產生網路輸出，在規則完備性方面較典型TS模糊網路更具優勢。針對連續型數據系統建模，提出了一種過程TS模糊系統模型並給出了其參數辨識算法。項目使用ARCA模糊聚類算法進行模糊規則獲取，該聚類算法可大大降低計算量。實驗證明系統具有更廣的適用範圍和魯棒性。 在基於最佳化算法和進化算法的規則網路模型學習算法方面，項目研發了遺傳算法進行規則網路學習，在學習過程中動態的規則選擇機制避免了TS模糊系統中採用固定的規則集合進行非線性逼近的問題，提高了最優規則路徑的選擇機率；項目還研發了基於組合粒子群最佳化算法，該算法的搜尋方向由內部粒子作用和外部粒子作用的聯合作用，大大提高了粒子搜尋到最優解的機率和效率，以及避免了局部最優解。 基於上述技術已經發表論文8篇，開發了大型發電設備設計示範系統，重點針對水輪發電機的電磁設計和水輪機的選型設計進行了套用驗證。培養博士研究生2名，碩士研究生4名。