《數據驅動的塊結構複雜非線性工業過程動態模型化研究》是依託上海大學，由賈立擔任項目負責人的面上項目。
基本介紹
- 中文名：數據驅動的塊結構複雜非線性工業過程動態模型化研究
- 項目類別：面上項目
- 項目負責人：賈立
- 依託單位：上海大學
中文摘要,結題摘要,
中文摘要
針對複雜工業過程具有多變數、變數間非線性和強耦合的特點，並且受多種不確定因素干擾導致難以建模的問題，本項目擬結合動態數據驅動模式，系統地提出複雜工業過程塊結構非線性動態模型描述和辨識新方法:考慮過程噪聲的影響，研究全新融合機理信息的多輸入多輸出Hammerstein-Wiener非線性系統模型描述方法，確保塊結構非線性動態模型能反映複雜工業過程的特性；研究和設計組合式多源激勵信號，以解決塊結構非線性動態模型的可辨識性問題和各模組的參數估計分離問題；重點提出能夠抑制干擾的塊結構複雜非線性工業過程辨識新方法，包括採用動態數據驅動理論和集成建模技術的串聯模組建模方法、結合靈敏度分析的全新智慧型分離算法和模組參數辨識算法、利用補償技術的塊結構非線性動態系統有色噪聲建模方法等，並利用隨機過程理論分析和比較提出方法的性能。本項目將為提高我國化工等複雜工業過程的先進最佳化和控制技術水平奠定理論與方法基礎。
結題摘要
針對複雜工業過程具有多變數、變數間非線性和強耦合的特點，並且受多種不確定因素干擾導致難以建模的問題，本項目結合動態數據驅動模式，系統地提出了複雜工業過程塊結構非線性動態模型描述和辨識新方法。 (1)研究基於二進制-隨機複合信號源的Hammerstein-winner模型辨識方法，提出兩種基於二進制-隨機複合信號源的神經模糊Hammerstein-Wiener模型，通過組合式信號實現Hammerstein-Wiener模型中靜態非線性環節和動態線性環節的分離, 同時設計了神經模糊模型參數的非疊代最佳化算法, 將研究結果拓廣到分段非線性系統。該方法適用範圍廣、計算簡單、辨識精度高、對具有分段非線性特性的過程具有較好的擬合精度。 (2)研究含過程噪聲的塊結構模型，採用二進制-隨機複合信號實現塊結構模型的可辨識性和參數估計分離問題，提出塊結構模型的三種噪聲補償方法：輔助模型遞推最小二乘法、偏差補償遞推最小二乘算法、輔助模型多新息隨機梯度算法。 (3)研究多輸入多輸出Hammerstein模型的辨識問題，通過可分離信號來解決多輸入多輸出Hammerstein模型的可辨識性問題和串聯環節的參數估計分離問題。深入分析過程輸入為可分離信號時靜態非線性環節的不變特性，並採用隨機理論給出數學證明，提出一種基於可分離信號源的多輸入多輸出Hammerstein模型辨識方法。 (4)考慮更廣的一類輸入激勵信號，研究含過程噪聲的Hammerstein模型辨識方法。將Bussgang定理推廣到含過程噪聲的多輸入多輸出Hammerstein模型中，通過可分離信號實現靜態非線性環節和動態線性環節辨識問題的分離；採用相關分析法補償過程噪聲，估計動態線性環節參數，推導出基於最小二乘法的靜態非線性環節參數辨識算法。考慮Hammerstein輸出誤差滑動平均系統，基於輔助模型辨識思想和相關分析法估計Hammerstein輸出誤差滑動平均系統中的靜態非線性環節和動態線性環節參數，有效補償噪聲信號的干擾。 (5)以信號在某種特殊狀態下激發出的性質為依據，提出基於可分離信號的Hammerstein-Wiener模型辨識方法，進一步研究噪聲干擾下的Hammerstein-Wiener模型，提出基於遞推廣義增廣最小二乘法的Hammerstein-Wiener模型辨識方法，有效補償噪聲的干擾。
