一种利用现场数据建立神经网络模型的方法技术

本发明专利技术公开了一种利用现场数据建立神经网络模型的方法，通过利用现场运行的大量的DCS数据，建立神经网络模型，克服了传统机理建模的诸多弊端。为了解决神经网络模型泛化能力差的问题，将剪枝算法应用到RBF神经网络中，对网络的隐节点和输入节点进行剪枝，不仅提高了网络的泛化能力，同时也确定了模型的阶次。为了避免误删输入节点，在对输入节点进行剪枝时，采用分开剪枝的策略，即对输入节点中的过程输入和输出分别进行剪枝，这样就能避免将输入节点中过程的输入全部删除的情况。

【技术实现步骤摘要】

本专利技术涉及热工过程控制领域，尤其涉及热工过程的辨识方法。
技术介绍
热工过程具有非线性、时延性、不确定性以及变量间的关联性等特点，难以建立精 确的数学模型，这给热工控制带来了很大的难度。传统的机理建模得到的模型与现场设备 在性能上有一定的差距，因为现场的绝大多数设备的性能都是非线性，不可能通过数学公 式来得到精确的模型。现代化的电厂装配着庞大的DCS系统，日积月累采集了大量的运行 数据，如何从蕴藏着大量信息的数据中提取各变量间的规律，成为目前的研究热点。 RBF神经网络具有可以逼近任意非线性的映射的能力，因此广泛用于非线性建模。 然而对于神经网络结构的确定问题一直没有固定的公式，只能靠经验确定，没有依据可循， 其大小直接关系到神经网络的泛化能力。如何减少网络节点的个数，简化网络的结构成为 近期研究的热点。
技术实现思路
专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种利用现场数据建立 神经网络模型的方法。 技术方案：为解决上述技术问题，本专利技术提供的一种利用现场数据建立神经网络 模型的方法，包括以下步骤： 步骤一，现场DCS数据采样； 步骤二，RBF神经网络辨识； 在步骤二中对输入节点中的过程输入和输出分别进行剪枝。 具体地，在所述步骤一中，首先选择同一时段下某个对象或过程的输入和输出DCS 数据，输入、输出分别用变量u，y表示，采样周期为5s ;然后将变量u，y分别作时延处理，分 别取各个变量前1~η个时刻的数值，形成样本数据：%其中，η为3~5的自然 具体地，所述步骤二的RBF神经网络辨识过程如下： ①选择合适的网络结构，选取合适的网络参数，包括隐节点数HiddenUnitNum、隐 节点重叠系数overlap、删除信号signal = 0 ; ②采用RBF算法用训练样本训练网络，当连续m个测试误差不再下降，结束训练。 停止训练条件为： 式中E(k)为当前的测试误差，E(k-i)为前若干次的测试误差，ε 2为任意小的正 实数，m取5 ; ③如果signal = 0,转⑥，否则，如果当前网络的训练误差与前次网络相比有跳 变，B卩：E-E，> δ 式中E为当前网络的训练误差，E'为前次网络的训练误差，δ为正实数，取5,则 使用前次网络作为辨识结果，辨识结束；否则，转⑥；计算隐节 点、u(k-i)节点和y(k-j)节点的灵敏度； 式中y(p)为第P个样本的网络输出，d (p)为第P个样本的目标输出，w h为第h个隐 节点的连接权值，〇h为第h个隐节点对第P个样本的输出，xk为第P个样本的k个输入，δ h 为第h个隐节点对应的宽度，h个隐节点对应第k个输入的值； ⑤如果隐节点、u(k-i)节点和y(k-j)节点中有最小的灵敏度满足式 式中P min为隐节点或u(k-i)节点或y (k-j)节点中最小的灵敏度，P 隐节点 或u(k-i)节点或y(k-j)节点的灵敏度，η为隐节点数或u(k-i)节点数或y(k-j)节点数， ε i为小于1的正实数， 则删除相应最小灵敏度节点，记signal = 1，转到④；否则，剪枝结束，辨识结束； ⑥辨识结束； 有益效果：本专利技术利用现场运行的DCS数据建立神经网络模型，并将剪枝算法应 用到RBF神经网络中，对输入节点采用分开剪枝的策略，即对输入节点中的过程输入和输 出分别进行剪枝。克服了传统机理建模的诸多弊端，解决了神经网络模型泛化能力差的问 题，对网络的隐节点和输入节点进行剪枝，不仅提高了网络的泛化能力，同时也确定了模型 的阶次，避免了误删输入节点的情况。 除了上面所述的本专利技术解决的技术问题、构成技术方案的技术特征以及由这些技 术方案的技术特征所带来的优点外，本专利技术的 所能解决的其他技术问题、技术方案中包含的其他技术特征以及这些技术特征带来的优 点，将结合实施例做出进一步详细的说明。【具体实施方式】 实施例： 下面结合某电厂600MW机组锅炉再热气温为被控对象的现场DCS数据作为例子， 说明本专利技术的技术方案实施过程如下： 步骤一：现场DCS数据采样； ①选择同一时段下再热汽温的DCS数据，采样周期为5s，选取的变量包括：再热减 温喷水阀开度μ，再热喷水减温器出口导前气温T 1; ②将变量u，1\分别作时延处理，分别取各个变量前5个时刻的数值，形成样本数 据： 步骤二：RBF神经网络辨识； ①选择合适的网络结构，选取合适的网络参数，包括隐节点数HiddenUnitNum = 15、隐节点重叠系数overlap = 1、删除信号signal = 0 ; ②采用RBF算法用训练样本训练网络，当连续5个测试误差不再下降，结束训练。 停止训练条件为： 式中E (k)为当前的测试误差，E (k-i)为前若干次的测试误差，ε 2= 0. 0001 ; ③如果signal = 0,转⑥，否则，如果当前网络的训练误差与前次网络相比有跳 变，B卩：E-E，> δ 式中E为当前网络的训练误差，E'为前次网络的训练误差，δ =5,则使用前次网 络作为辨识结果，辨识结束；否则，转⑥；* 计算隐 节点、u (k-i)节点和y(k-j)节点的灵敏度； 式中y(p)为第P个样本的网络输出，d (p)为第P个样本的目标输出，w h为第h个隐 节点的连接权值，〇h为第h个隐节点对第P个样本的输出，xk为第P个样本的k个输入，δ h 为第h个隐节点对应的宽度，h个隐节点对应第k个输入的值； ⑤如果隐节点、U(k-i)节点和y(k-j)节点中有最小的灵敏度满足式 式中P min为隐节点或u(k-i)节点或y (k-j)节点中最小的灵敏度，P A隐节点 或u(k-i)节点或y(k-j)节点的灵敏度，η为隐节点数或u(k-i)节点数或y(k-j)节点数， ε != 〇. 1 ; 则删除相应最小灵敏度节点，记signal = 1，转到④；否则，剪枝结束，辨识结束； ⑥辨识结束； 将剪枝前和剪枝后的结果进行比较，结果如下表： 剪枝效果对比表 由上表的效果对比可以得出，本文提出的剪枝算法在保证精度的同时，可以精简 网络的节点数。剪枝后网络的输入节点为u (k-2)，u (k-3)，y (k-1)，y (k-2)，隐节点的数量 也显著减少，由原来的15个减少到11个。【主权项】1. ，其特征在于，包括以下步骤： 步骤一，现场DCS数据采样； 步骤二，RBF神经网络辨识； 在步骤二中对输入节点中的过程输入和输出分别进行剪枝。2. 根据权利要求1所述的，其特征在于， 所述步骤一的现场数据采样方法如下：首先选择同一时段下某个对象或过程的输入和输出 DCS数据，输入、输出分别用变量u，y表示，采样周期为5s ;然后将变量u，y分别作时延处 理，分别取各个变量前1~η个时刻的数值，形成样本数据： u(k-l)，u(k_2)，...，u(k_n)， y (k), k = η+1, η+2, y (k-1), y (k-2), ---,yCk-]!), 其中，n为3~5的自然数，N = 3000。3. 根据权利要求1所述的，其特征在于， 所述步骤二的RBF神经网络辨识过程如下： ① 选择合适的网络结构，选取合适的网络参数，包括隐节点数HiddenUnitNum、隐节点 重叠系本文档来自技高网...

【技术保护点】
一种利用现场数据建立神经网络模型的方法，其特征在于，包括以下步骤：步骤一，现场DCS数据采样；步骤二，RBF神经网络辨识；在步骤二中对输入节点中的过程输入和输出分别进行剪枝。

【技术特征摘要】

【专利技术属性】
技术研发人员：雎刚，钱磊，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32