The invention discloses a system state prediction method for an industrial dryer, which adopts an improved Kalman filtering algorithm for a baseline system. The specific steps include: (a) establishing a general linear state space model; (b) collecting input and output data, determining the sampling interval T, and storing and arranging the data for pretreatment; (c) Genetic algorithm and other algorithms are used to obtain the initial estimates of the model parameters; (d) The improved maximum expectation Kalman algorithm (EM KF) is used to accurately identify and estimate the parameters by iterative solution. The system state prediction method of the industrial dryer disclosed in the present invention can estimate the parameters of the general linear state space system based on EM, which has wider application range and higher identification precision.
【技术实现步骤摘要】
一种工业烘干机的系统状态预测方法
本专利技术涉及控制工程领域,特别是工业系统辨识
技术介绍
EM算法首先由Dempster提出并应用到不同问题的参数估计。EM算法是一种迭代优化算法,每次迭代包括两步:E步和M步。步骤E根据观测数据和待确定参数得到“缺失数据”的条件期望值;步骤M最大化条件期望并计算参数的最大似然估计。许多学者将EM算法应用于各个方面,比如状态空间模型的参数估计问题,并结合卡尔曼滤波器和Rauch-Tung-Striebel(RTS)平滑提出了EM-KF算法,EM-KF算法被应用于语音的识别、研究直升机主减速器的剩余寿命预测等等。但上述所研究的状态模型并没有包含真实的输入数据。现实生活中的许多系统都需要输入数据。例如,工业烘干机需要三个输入数据(燃料流量,热气排气扇速度,原料流量)。因此,研究包含输入数据的更一般的系统模型是非常有必要的。如何在一般模型下将EM与KF相结合来实现工业烘干机参数的精确辨识,是现有技术未能解决的问题。
技术实现思路
本专利技术所要解决的技术问题在于,针对
技术介绍
中提到的问题,通过改进EM-KF算法,公开了一类线性系统卡尔曼滤波的改进算法,实现工业烘干机参数的精确辨识。本专利技术为了解决上述技术问题,采用以下技术方案来实现:一种工业烘干机的系统状态预测方法,包括:步骤1、建立工业烘干机的系统状态空间模型:其中,Xt是状态向量,ut代表输入的工业烘干机的能耗数据向量,Yt代表输出的工业烘干机的预测数据向量,wt为过程噪声,et为测量噪声,A是转移矩阵,B是输入矩阵,C是输出矩阵;步骤2、采集输入、输出数据,确定采 ...
【技术保护点】
1.一种工业烘干机的系统状态预测方法,其特征在于,包括:步骤1、建立工业烘干机的系统状态空间模型:
【技术特征摘要】
1.一种工业烘干机的系统状态预测方法,其特征在于,包括:步骤1、建立工业烘干机的系统状态空间模型:其中,Xt是状态向量,ut代表输入的工业烘干机的能耗数据向量,Yt代表输出的工业烘干机的预测数据向量,wt为过程噪声,et为测量噪声,A是转移矩阵,B是输入矩阵,C是输出矩阵;步骤2、采集输入、输出数据,确定采样间隔T,将数据保存整理进行预处理;其中输入数据包括:燃油流量u1、热排气风扇转速u2、原料流量u3;输出数据包括:干球温度y1、湿球温度y2、原材料水分含量y3;步骤3、采用遗传算法获得模型参数A,B,C,wt,et的初步估计值;步骤4、采用EM算法和Kalman滤波平滑算法相结合对状态空间模型进行精确辨识,以迭代求解的方式得到模型最终的估计参数A,B,C,wt,et;步骤5、将实际运行时的数据输入模型,实现工业烘干机的系统状态预测。2.根据权利要求1所述的一种工业烘干机的系统状态预测方法,其特征在于,步骤4中,将要评估的参数的似然函数定义为:L(Θ)=lnp(Y|X,Θ),Θ=[A,B,C,Q,R,μ0,P0],其中,X是不可观测的状态向量,当计算参数Θ时,p(Y|X,Θ)和L(Θ)同时取到最大值;R∈Rp×p是测量噪声的协方差矩阵,μ0、P0分别代表系统的初始状态向量的均值和方差;采用EM算法和Kalman滤波平滑算法相结合求解L(Θ)最大值的过程是一个迭代过程,在迭代k次之后,将参数集Θ的估计值写成Θk,迭代方程如下:3.根据权利要求1所述的一种工业烘干机的系统状态预测方法,其特征在于,步骤4中所述的EM算法和Kalman滤波平滑算法相结合,是由两个步骤组成:(1)使系统状态似然函数的期望值最大化,(2)求解参数值,具体为:(1)使系统状态似然函数的期望值最大化:在系统中,估计参数集Θ=[A,B,C,Q,R,μ0,P0],RTS平滑为状态空间模型提供未知状态序列Xt的最优估计;对任意时刻t,计算:P(Xt|Y1:n)其中Y1:n...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。