專利名稱：基于數(shù)據(jù)挖掘的分散控制系統(tǒng)特性函數(shù)在線擬合方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種特性函數(shù)擬合方法，特別是一種基于數(shù)據(jù)挖掘的分散控制系 統(tǒng)特性函數(shù)在線擬合方法，屬于工業(yè)控制技術(shù)領(lǐng)域。
技術(shù)背景目前，流程工業(yè)過(guò)程的控制裝置多采用了分散控制系統(tǒng)。由于復(fù)雜工業(yè)過(guò)程 通常存在著非線性特性。因此， 一般需要在分散控制系統(tǒng)中以折線型式的函數(shù)對(duì) 這種非線性特性進(jìn)行修正。同時(shí)進(jìn)行特性函數(shù)的在線修正時(shí)不能對(duì)控制系統(tǒng)的正 常工作產(chǎn)生擾動(dòng)，因此須實(shí)現(xiàn)當(dāng)前工作點(diǎn)所在的折線段保持不變，其它折線段則 可以根據(jù)新的數(shù)據(jù)進(jìn)行在線修正。經(jīng)對(duì)現(xiàn)有技術(shù)的文獻(xiàn)檢索發(fā)現(xiàn)，傳統(tǒng)的回歸方法通過(guò)肉眼分析數(shù)據(jù)分布來(lái)選 定擬合點(diǎn)，擬合結(jié)果隨機(jī)性大，且偏差難以估計(jì)。黃學(xué)彬在《折線擬合模型及其 在自動(dòng)檢測(cè)中的應(yīng)用》(電子技術(shù)應(yīng)用，1990(2): 17-18) —文中提出了建立非 線性函數(shù)的折線擬合模型的方法，但僅是針對(duì)將連續(xù)的函數(shù)曲線擬合為折線，無(wú) 法對(duì)工業(yè)過(guò)程采集的呈散點(diǎn)分布的數(shù)據(jù)直接進(jìn)行運(yùn)用。發(fā)明內(nèi)容本發(fā)明針對(duì)上述現(xiàn)有技術(shù)的不足和實(shí)際需要，提出了一種針對(duì)流程工業(yè)應(yīng)用 的分散控制系統(tǒng)特性函數(shù)的在線擬合方法。該方法將人工智能方法和數(shù)值擬合方 法相結(jié)合，針對(duì)擬合過(guò)程建立相應(yīng)的人工神經(jīng)網(wǎng)絡(luò)模型，得到特性函數(shù)曲線，再 通過(guò)數(shù)值計(jì)算方法，獲得特性函數(shù)的折線表示形式。運(yùn)算速度快、擬合效果好， 有效地解決了流程工業(yè)過(guò)程特性函數(shù)手工計(jì)算、難于精確擬合的問(wèn)題，同時(shí)提供 了一種實(shí)用的特性函數(shù)在線擬合方法。本發(fā)明是通過(guò)如下技術(shù)方案實(shí)現(xiàn)的，本發(fā)明包括以下步驟步驟一，獲取欲擬合系統(tǒng)的相關(guān)數(shù)據(jù)，具體為獲取要建立關(guān)系模型的兩個(gè) 變量的足夠多的數(shù)據(jù)樣本X,、 K。對(duì)數(shù)據(jù)進(jìn)行必要的預(yù)處理，包括異常數(shù)據(jù)的剔除、數(shù)據(jù)的平滑。并對(duì)數(shù)據(jù)進(jìn)行歸一化，方法為1'=步驟二，建立人工神經(jīng)網(wǎng)絡(luò)模型，采用步驟一所得數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行充分的訓(xùn)練，將i'輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，計(jì)算得到r，將r反歸一化，得到;r'，所得點(diǎn)集K《,《'》,、1,2,3，…，"即為特性函數(shù)曲線。具體為建立一個(gè)3層的前饋神經(jīng)網(wǎng)絡(luò)，定義參數(shù)p為網(wǎng)絡(luò)輸入值，r為網(wǎng) 絡(luò)目標(biāo)值，5 = (&,&,&)為隱含層單元輸入向量，b—^,^,A)為隱含層單元 輸出向量，丄為輸出層單元輸入值，c為輸出層單元輸出值，『二(^，^,K)為 輸入層至隱含層連接權(quán)，f = ",j^,fJ為隱含層至輸出層連接權(quán)， c^(Q，A,A)為隱含層各單元輸出閾值，w為輸出層各單元輸出閾值， 五"^，A,A)為隱含層各單元誤差，z)為輸出層單元誤差。采用步驟一所得數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行充分的訓(xùn)練，具體歩驟為① 初始化，為『,&，07,/ 賦予(-1，1)內(nèi)的隨機(jī)值，7 = 1,2,3② 將一組輸入和目標(biāo)樣本尸,K提供給網(wǎng)絡(luò)。③ 用尸,^,A計(jì)算隱含層各單元的輸入A ，然后用A通過(guò)傳遞函數(shù)f計(jì)算隱含層各單元的輸出fi,，具體為其中，/7(jc) = ^~， y = 1,2,3④ 用s,^,i 計(jì)算輸出層輸入i:和實(shí)際輸出c，具體為其中，f(x) = ^~ ， _/ = 1，2,3⑤ 利用目標(biāo)輸出r和實(shí)際輸出c計(jì)算輸出層節(jié)點(diǎn)誤差D，具體為D = (r —C)xCx(l-c)6⑥利用F"AA計(jì)算隱含層各單元的誤差A(yù)，具體為:力1⑦利用i)和A調(diào)整^和i ，具體為i (iV + l)-i (iV)-0.65x"7 = 1,2,3⑧利用P和調(diào)整^-和A ，具體為^ (iV +1)喝+ 0.65 x _P x &q +1) = q (jV) - 0.65 x ^ ， / = 1，2，3(D選下一組樣本輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到全部樣本訓(xùn)練完畢。 ⑩重新從數(shù)據(jù)中隨機(jī)抽取樣本進(jìn)行訓(xùn)練，直到網(wǎng)絡(luò)輸出相對(duì)誤差小于期望 值(一般可設(shè)為o. 1%)，訓(xùn)練結(jié)束。所述將r反歸一化，具體為"=y'x(ymnm;)+ymm步驟三，對(duì)歩驟二所得特性函數(shù)曲線進(jìn)行折線擬合，得到特性曲線的折線擬口 S口米。所述折線擬合，具體歩驟為必W — x-x;①初始化，連接起點(diǎn)(i,',《')和終點(diǎn)(x二,《)，得到直線K一K x—x,② 將《(/ = 1，2，3，...，")代入直線方程i^ = 4^ ，計(jì)算得出 O 1,2,3,…,w)。③ 計(jì)算A^"《"(2)(/ = 1,2,3,…,")，設(shè)ikfax(A"")二At;，則在(X^,K)處將區(qū)間和折線一分為二，第一段起止點(diǎn)為(x;,《')和(z;^,;^)，第二段起止點(diǎn)為 K，。和(W卜④ 將X,'(^1,2，3，…,")代入新的兩段直線方程，計(jì)算得出《'(3)(/= 1,2,3,...，")。 計(jì)算A《'(2)=《'-}f 3)(/ = 1,2,3,—，")，在M"x(A《'(2))處將區(qū)間和折線一分為二， 得到三段折線。⑤重復(fù)上述步驟，直到折線段數(shù)目達(dá)到最大要求或Mox(Alf")小于預(yù)先設(shè)定的偏差值5。得到一個(gè)擬合好的初始折線。
步驟四，將新的數(shù)據(jù)帶入已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型求得修正的特性函數(shù)曲線，可對(duì)已有的折線進(jìn)行在線修正。
所述對(duì)已有的特性函數(shù)折線擬合結(jié)果進(jìn)行在線修正，具體步驟為
① 初始化，根據(jù)已有特性函數(shù)折線，判斷當(dāng)前工作點(diǎn)所在的折線段區(qū)間，設(shè)當(dāng)前工作點(diǎn)(x。,《';)所在區(qū)間為(《,x;j，結(jié)合新的特性函數(shù)曲線，初始化結(jié)
果為三段折線，第一段起止點(diǎn)為(x;,《')和(《,《)，第二段起止點(diǎn)為(i,，《)和
(《,o第三段起止點(diǎn)為(《,《')和(x ,《')。
② 將《(^1，2,3,…,")代入相應(yīng)的直線方程，計(jì)算得出>;(2)(/ = 1,2,3,...，")。計(jì)算A《'=《'-《'(2)(/ = 1,2,3,...,")，在Mox(A《')處將區(qū)間和折線一分為二，得到四段折線。
③ 重復(fù)上述步驟，直到折線段數(shù)目達(dá)到最大要求或A/ax(AJf")小于預(yù)先設(shè)定的偏差值S。
④ 特性函數(shù)折線在線修正完成。本發(fā)明的有益效果
本發(fā)明的方法將人工智能方法和數(shù)值計(jì)算方法相結(jié)合，運(yùn)算速度快、擬合效果好，有效地解決了以往分散控制系統(tǒng)的特性函數(shù)手工計(jì)算、難于精確擬合和在線修正的問(wèn)題。


圖1是人工神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖2是相關(guān)數(shù)據(jù)散點(diǎn)分布圖3是神經(jīng)網(wǎng)絡(luò)擬合曲線圖4是折線擬合方法示意圖5是折線擬合5次迭代效果示意圖。
具體實(shí)施例方式
下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施作進(jìn)一歩描述，如圖1 圖5所示。本發(fā)明的具體實(shí)施步驟如下
步驟一，獲取要進(jìn)行擬合的相關(guān)數(shù)據(jù)，數(shù)據(jù)散點(diǎn)分布如圖2，對(duì)數(shù)據(jù)進(jìn)行必
要的預(yù)處理。
步驟二，建立人工神經(jīng)網(wǎng)絡(luò)模型，結(jié)構(gòu)如圖1，采用步驟一所得數(shù)據(jù)對(duì)神經(jīng)
網(wǎng)絡(luò)模型進(jìn)行充分的訓(xùn)練，將JT輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，計(jì)算得到;r,將r反
歸一化，得到尸，所得點(diǎn)集"《,《'》,/ = 1,2，3,..""即為特性函數(shù)曲線，見(jiàn)圖3。
步驟三，對(duì)步驟二所得特性函數(shù)曲線進(jìn)行折線擬合，得到特性曲線的折線擬
合結(jié)果，具體步驟為
①初始化，連接起點(diǎn)(x;X)和終點(diǎn)(x",i;")，得到直線^^ = ^^。
② 將x,:(/=i,2,3,...,w)代入直線方程\ ，計(jì)算得出
《'(2)(/= 1,2,3,...,")。
③ 計(jì)算A"" C,' = l,2,3,...,")，設(shè)Max(AlO二A《，則在(X^,^)處
將區(qū)間和折線一分為二，如圖4所示，第一段起止點(diǎn)為(《,j;")和^C,;C)，第
二段起止點(diǎn)為(X X)和(《,《)。
④ 將《(/ = 1,2，3,...，")代入新的兩段直線方程，計(jì)算得出《'(3)(/= 1,2,3,...,")。計(jì)算AJf 2)=《' -《'(3)(/ = 1,2,3,…,")，在Ma(A《'(2))處將區(qū)間和折線一分為二，得到三段折線。
⑤ 重復(fù)上述步驟，如圖5，迭代5次，折線段數(shù)目達(dá)到最大要求，小于預(yù)先設(shè)定的偏差值S，特性函數(shù)折線擬合完成。
9
權(quán)利要求
1、一種基于數(shù)據(jù)挖掘的分散控制系統(tǒng)特性函數(shù)在線擬合方法，其特征在于該方法包括以下步驟步驟一，獲取要進(jìn)行擬合的相關(guān)數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行必要的預(yù)處理，具體為獲取要建立關(guān)系模型的兩個(gè)變量的足夠多的數(shù)據(jù)樣本Xi、Yi，對(duì)數(shù)據(jù)進(jìn)行必要的預(yù)處理，包括異常數(shù)據(jù)的剔除、數(shù)據(jù)的平滑，并對(duì)數(shù)據(jù)進(jìn)行歸一化，方法為步驟二，建立人工神經(jīng)網(wǎng)絡(luò)模型，采用步驟一所得數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行充分的訓(xùn)練，將X′輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，計(jì)算得到Y(jié)′，將Y′反歸一化，得到Y(jié)″，所得點(diǎn)集i＝1，2，3，...，n即擬合得到的特性函數(shù)曲線；步驟三，對(duì)步驟二所得的特性函數(shù)曲線進(jìn)行折線擬合，得到特性曲線的折線擬合結(jié)果；步驟四，根據(jù)新的特性函數(shù)曲線，對(duì)已有的特性函數(shù)折線擬合結(jié)果進(jìn)行在線修正。
2、 根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)挖掘的分散控制系統(tǒng)特性函數(shù)在線擬合方法，其特征是所述步驟2中所述的建立人工神經(jīng)網(wǎng)絡(luò)模型的步驟為建立一個(gè)3層的前饋神經(jīng)網(wǎng)絡(luò)，定義參數(shù)p為網(wǎng)絡(luò)輸入值，r為網(wǎng)絡(luò)目標(biāo)值，s = 為隱含層單元輸入向量，3二(A,A,^)為隱含層單元輸出向量，i:為輸出層單 元輸入值，c為輸出層單元輸出值，『(^,『2，^3)為輸入層至隱含層連接權(quán)， r = K,^, K)為隱含層至輸出層連接權(quán)，o = (q, o2,o3)為隱含層各單元輸出閾 值，及為輸出層各單元輸出閾值，E二(《，A，A)為隱含層各單元誤差，"為輸 出層單元誤差。
3、 根據(jù)權(quán)利要求i所述的基于數(shù)據(jù)挖掘的分散控制系統(tǒng)特性函數(shù)在線擬合方法，其特征是所述步驟2中所述的對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行充分訓(xùn)練的具體步驟 為①初始化，為『"^,A,i 賦予(-U)內(nèi)的隨機(jī)值，_/ = 1,2,3②將一組輸入和目標(biāo)樣本戶,尺提供給網(wǎng)絡(luò)；③用戶,R，A計(jì)算隱含層各單元的輸入&，然后用^通過(guò)傳遞函數(shù)F計(jì)算隱含層各單元的輸出^，具體為其中，ir(x) = ^_， 7- = 1,2,3 l + e x 用5"^,i 計(jì)算輸出層輸入i:和實(shí)際輸出c，具體為戶i其中，F(xiàn)(x) = _i_ ， y = l,2,3 利用目標(biāo)輸出r和實(shí)際輸出c計(jì)算輸出層節(jié)點(diǎn)誤差z)，具體為D = (J — C)xCx(l-c)⑥利用^,Z),5,計(jì)算隱含層各單元的誤差A(yù)，具體為xV(1 —5》⑦ 利用D和5,調(diào)整^和i ，具體為j/乂 (iV +1) =(7V) + 0,65 x ￡) x A ， y = 1,2,3 i (7V +1) 0,65x ￡)⑧ 利用尸和五,調(diào)整K和O,，具體為^ (W +1) = ^ + 0.65 x P x g C^(7V + l)二C^(iV) — 0.65xg ， _/ = 1,2,3⑨ 選下一組樣本輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到全部樣本訓(xùn)練完畢；⑩ 重新從數(shù)據(jù)中隨機(jī)抽取樣本進(jìn)行訓(xùn)練，直到網(wǎng)絡(luò)輸出相對(duì)誤差小于期望 值，訓(xùn)練結(jié)束。
4、 根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)挖掘的分散控制系統(tǒng)特性函數(shù)在線擬合方法，其特征是所述的步驟2中所述的將r反歸一化的具體方法為
5、 根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)挖掘的分散控制系統(tǒng)特性函數(shù)在線擬合方法，其特征是所述的步驟3中所述的折線擬合方法的具體步驟為:① 初始化，連接起點(diǎn)(《,jf)和終點(diǎn)(jcy;)，得到直線^^ = ^^;② 將X》'=1,2,3，...，")代入直線方程^^ = ^^ ，計(jì)算得出《'(2)(/= 1,2,3，...，")；③ 計(jì)算A《'If2)0' = l，2，3"."")，設(shè)Afoc(AlO二A《:'則在(《,，^)處將區(qū)間和折線一分為二，第一段起止點(diǎn)為(《,《')和(;C,;r:)，第二段起止點(diǎn)為(X";)和(《乂)；① 將X,力-1,2,3，…，")代入新的兩段直線方程，計(jì)算得出C、1，2，3,…,")， 計(jì)算Alf 2)=《"-}f3)(z' = 1,2,3,...,")，在Mffic(Ay,))處將區(qū)間和折線一分為二， 得到二段折線；② 重復(fù)上述步驟，直到折線段數(shù)目達(dá)到最大要求或Mflx(AF,))小于預(yù)先設(shè) 定的偏差值S ，得到一個(gè)擬合好的初始折線。
6、根據(jù)權(quán)利要求1所述基于數(shù)據(jù)挖掘的分散控制系統(tǒng)特性函數(shù)在線擬合方 法，其特征是所述步驟4中所述的對(duì)已有的特性函數(shù)折線擬合結(jié)果進(jìn)行在線修正 的具體步驟為①初始化，根據(jù)已有特性函數(shù)折線，判斷當(dāng)前工作點(diǎn)所在的折線段區(qū)間， 設(shè)當(dāng)前工作點(diǎn)(Z。，《')所在區(qū)間為^^,X》，結(jié)合新的特性函數(shù)曲線，初始化結(jié)果為三段折線，第一段起止點(diǎn)為( ')和 ,《)，第二段起止點(diǎn)為(《,《)和第二段起止點(diǎn)為(《,《')和(《,《')；② 將《(/ = 1,2,3,...,")代入相應(yīng)的直線方程，計(jì)算得出《'(2)(/ = 1,2,3,...，")， 計(jì)算AK"《'(2)(/ = 1,2,3，,..,")，在Mox(AlO處將區(qū)間和折線一分為二，得到 四段折線；③ 重復(fù)上述步驟，直到折線段數(shù)目達(dá)到最大要求或JWox(A《'(")小于預(yù)先設(shè) 定的偏差值S; 特性函數(shù)折線在線修正完成。
全文摘要
基于數(shù)據(jù)挖掘的分散控制系統(tǒng)特性函數(shù)在線擬合方法，屬于工業(yè)控制技術(shù)領(lǐng)域。本發(fā)明包括下述步驟步驟一，獲取要進(jìn)行擬合的相關(guān)數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；步驟二，建立人工神經(jīng)網(wǎng)絡(luò)模型，對(duì)模型進(jìn)行訓(xùn)練后，計(jì)算得到特性函數(shù)曲線；步驟三，對(duì)步驟二所得曲線進(jìn)行折線擬合，得到特性函數(shù)的折線擬合結(jié)果；步驟四，根據(jù)新的特性函數(shù)曲線，對(duì)已有的特性函數(shù)的擬合折線進(jìn)行在線修正，修正方法能夠達(dá)到對(duì)分散控制系統(tǒng)工作無(wú)擾動(dòng)的要求。本發(fā)明將人工智能方法和數(shù)值計(jì)算方法相結(jié)合，運(yùn)算速度快、擬合效果好，有效地解決了以往分散控制系統(tǒng)的特性函數(shù)手工計(jì)算、難于精確擬合和在線修正的問(wèn)題。
文檔編號(hào)G05B13/04GK101520644SQ20091004872
公開(kāi)日2009年9月2日 申請(qǐng)日期2009年4月2日 優(yōu)先權(quán)日2009年4月2日
發(fā)明者敏 葉, 春 葉, 漾 孫, 忻建華, 明 蘇 申請(qǐng)人:上海交通大學(xué)