熱工過程無樣本參量認知建模理論方法研究

《熱工過程無樣本參量認知建模理論方法研究》是依託東南大學，由蘇志剛擔任項目負責人的青年科學基金項目。

基本介紹

• 中文名：熱工過程無樣本參量認知建模理論方法研究
• 項目類別：青年科學基金項目
• 項目負責人：蘇志剛
• 依託單位：東南大學

中文摘要

本項目研究熱工過程中無法線上實時監測且（在一般條件下）無法獲得離線採樣樣本的過程參量的取值預測或狀態評估問題，即無樣本參量認知問題。主要開展以下研究工作：（1）研究一種表征方法用於有效表征無樣本參量特性知識，並研究一種基於數據及知識驅動的自適應方法用於構建該種表征；（2）研究一種廣義融合法則用於解決無樣本參量特性知識融合過程中所面臨的獨立性和衝突性問題；（3）研究一種基於無樣本參量特性知識融合的認知建模理論方法，建立無樣本參量認知模型，並對認知模型特性及精度進行分析；（4）以火電廠鋼球磨煤機為實際研究對象，實現熱工過程無樣本參量（料位）的認知。本項目的研究目標：研究一種認知建模理論方法用於解決熱工過程中無樣本參量認知問題，並同時能夠用於解決可獲得採樣樣本的過程參量監測問題。本項目研究對實現複雜對象的線上最佳化、線上可控，從而提高對象的生產能力並降低能耗具有重要意義。

結題摘要

為了解決複雜熱工過程中無樣本參量的取值預測或狀態評估問題，項目開展了無樣本參量的無參數和有參數認知建模方法研究。首先，提出了一種分別以區間數、模糊數和模糊證據為表征形式的表征方法，用於有效表征無樣本參量特性知識，並研究一種基於數據及知識驅動的自適應方法用於構建該種表征。在無參數認知建模研究中，提出了一種廣義範數及其構建策略，並基於該廣義範數提出了一種廣義範數證據融合法則，該融合法則可以解決無樣本參量特性知識融合過程中所面臨的獨立性和衝突性問題；然後，基於廣義範數融合法則，提出了一種無樣本參量無參數證據回歸多模型建模方法，與此同時，為了提高無參數認知模型的精度，分別提出了一種證據鄰域粗糙集模型用於確定輸入變數和一種基於證據分類器的模型校正策略用於模型線上校正。在有參數認知建模研究中，首先分別基於區間數、模糊數和模糊證據為表征形式，提出了三類EM算法用於系統辨識，這些EM算法分別能夠用於解決在僅能獲得區間數、模糊數和模糊證據情況下的模型參數辨識問題；基於提出的EM算法，隨後開展了以區間數、模糊數、模糊證據為表征的（有參）線性和非線性證據回歸建模理論方法研究。仿真結果表明，無論是無參數認知建模方法還是有參數認知建模方法，都可以用於實現無樣本參量的認知，通過比較研究發現，無樣本有參數認知建模方法具有較高的認知精度，而無樣本無參數認知建模方法則具有更為豐富的結果描述形式。基於以上理論研究成果，以火電廠鋼球磨煤機為實際研究對象，實現了熱工過程無樣本參量料位的認知。本項目研究對實現複雜對象的線上最佳化、線上可控，從而提高對象的生產能力並降低能耗具有重要意義。