【技术实现步骤摘要】
经元互连特点构建而成一种局部递归神经网络，它是在对角递归神经网络的基础上演变而 来的递归神经网络。准对角递归神经网络不仅在隐含层神经元上构建了自反馈通道，还在 隐含层神经元之间增加了互连通道，具有更强的信息挖掘能力。与全连接递归神经网络不 同，准对角递归神经网络仅在相邻隐含层神经元之间建立连接，其构建的递归权值矩阵为 准对角矩阵。准对角递归神经网络减少了连接权数，因而极大地减少了网络计算量，加快 了网络的学习速度，更适用于实时控制。综上所述，准对角递归神经网络具有强大的映射 能力、记忆能力和动态响应能力，构建的递归通道能够实时捕捉系统的动态特性，更适用 于非线性系统的多变量控制问题。
[0006]根据以上分析，本专利技术针对城市固废焚烧工艺过程特点，设计了一种城市固废焚烧过 程的多回路准对角递归神经网络PID控制器。首先，针对控制过程特性进行了分析，选取 了关键操作量与被控量；接着，通过数据驱动构建了多输入多输出Takagi
‑
Sugeno模糊神 经网络被控对象模型；然后，构建了基于准对角递归神经网络的多变量PID控制器；最后， 通过北京市...
【技术保护点】
【技术特征摘要】
1.面向城市固废焚烧过程的多回路准对角递归神经网络PID控制方法，其特征在于，包括以下步骤：(1)城市固废焚烧数据采集：通过单向隔离系统采集城市固废焚烧过程的关键操作变量：干燥炉排空气流量(左1、右1、左2、右2)、燃烧炉排1段空气流量(左1、右1、左2、右2)、燃烧炉排2段空气流量(左1、右1、左2、右2)、燃尽炉排空气流量(左、右)、一次风总流量、二次风流量、干燥炉排速度(左内、右内、左外、右外)、燃烧炉排1段速度(左内、右内、左外、右外)、燃烧炉排2段速度(左内、右内、左外、右外)和燃尽炉排速度(左内、右内)，采集关键被控变量：主蒸汽流量、炉膛温度和烟气含氧量；(2)控制特性分析：采用皮尔逊相关系数ρ
αβ
对操作变量α
l
与被控变量β
l
之间的相关性进行评估，其计算方法为：式中，N为样本总数，根据计算结果选取一次风总流量、二次风流量、干燥炉排速度作为关键操作变量；(3)数据预处理：通过剔除异常数据与数据归一化对采集得到的数据进行预处理，计算步骤如下：
①
剔除异常数据：通过3σ准则对异常数据进行剔除，首先，设定样本数据的维度为q
×
K，q为被控变量数量，K为样本的总数量，样本数据用K，q为被控变量数量，K为样本的总数量，样本数据用表示，其中为样本均值，其标准偏差σ
s
的计算方法为：当对应的剩余误差符合以下条件时，则对此执行剔除操作，其计算方法为：
②
数据归一化：对样本数据进行归一化，计算归一化后的数据样本其计算方法如下：其中，为变量s的样本向量，经过归一化处理之后，每个样本数据范围均在[0,1]之间；(4)被控对象模型设计：通过数据驱动构建了多输入多输出Takagi
‑
Sugeno模糊神经网络被控对象模型，其包括输入层、隶属函数层、规则层、后件层和输出层共5层，对其数学描述如下：
①
输入层：该层共有n个神经元，n为3，其作用将输入值进行传递，当第k个样本进入时，输入层的输出为：
x
i
(k),i＝1,2,...,n
ꢀꢀꢀꢀ
(5)
②
隶属函数层：该层共有n
×
m个神经元，m为12，每个节点的输出代表对应输入量的隶属度值，隶属函数为：式中，c
ij
(k)与δ
ij
(k)分别为隶属度函数的中心和宽度，其初始值由rand随机函数生成范围在[0,2]之间均匀分布的随机实数；
③
规则层：该层共有m个神经元，采用模糊连乘算子作为模糊逻辑规则，规则层的输出为：
④
后件层：该层共有m
×
q个神经元，q为3，每个节点执行T
‑
S型模糊规则的线性求和，计算每条规则所对应输出的后件参数其计算过程如下：式中，为模糊系统的参数，其初始值设为0.3，x0(k),x1(k),
…
,x
n
(k)为输入变量，x0(k)为输入常数，用于增强网络平移能力，其值为1；
⑤
输出层：该层设有q个输出节点，每个节点对输入参数执行加权求和，其计算公式如下：
⑥
模型参数学习：使用梯度下降算法调整网络参数，首先，定义误差计算方法如下：式中，y
s
(k)为第k个输入样本对应的第s个实际输出，为第k个输入样本对应的第s个计算输出，e
s
(k)为两者之间的误差，依据误差对网络的中心、宽度和模糊系统参数更新算法定义如下：算法定义如下：算法定义如下：
式中，η为在线学习率，η的取值范围为[0.01,0,05]，c
ij
(k
‑
1)、δ
ij
(k
‑
1)和分别为第k
‑
1个样本输入时网络隶属函数层的中心、宽度和模糊系统的参数，完成本次参数更新后，输入训练样本数据x
i
(k+1)，重复步骤
①
～
⑥
，直至所有训练样本全部输入，训练样本数为总样...
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。