技术领域本发明属于工业自动化技术领域，涉及一种蒸馏塔液位的ARX-模糊神经网络模型辨识方法。
背景技术：
在实际工业过程中，系统建模是先进控制技术中非常重要的一个环节。由于许多复杂的实际过程对象的物理或化学特性并不为人所知，基于实际过程输入输出数据的最小二乘法常常被用来对ARX系统模型进行辨识。由于实际过程大多表现出非线性系统特征，且往往还存在很多不确定性因素的干扰，简单的ARX模型并不能很好地描述非线性系统的特性，建模过程变得比较复杂困难。针对非线性系统，模糊神经网络模型兼具人工神经网络和模糊逻辑推理的特性，可以比较精确地预测实际对象的输出。如果能将ARX模型的简单结构和模糊神经网络模型对非线性特性的良好描述特性相结合，系统模型将具备ARX模型的简单结构，同时又可以比较精确地描述实际对象的特征。遗传算法(GA)是建立在自然选择和自然遗传学基础上的迭代自适应随机全局优化搜索算法，能够解决许多传统优化方法不能解决地难题。若能通过选取合适的遗传算子，利用遗传算法对建立的ARX-模糊神经网络模型的参数和结构进行优化，将进一步简化模型的结构，提高模型的精确性。
技术实现要素：
本发明的目的是针对蒸馏塔液位对象的建模过程比较困难这一问题，通过数据采集、模型建立、优化等手段，提供了一种基于遗传算法优化的蒸馏塔液位的ARX-模糊神经网络模型辨识方法。该方法通过采集过程对象的输入输出数据，结合ARX线性模型的简单结构和模糊神经网络对非线性特性的良好描述性能，利用最小二乘法建立了过程对象的ARX-模糊神经网络模型，然后利用遗传算法来优化ARX-模糊神经网络模型的参数，该方法建立的模型具有较高的精确性，能很好地描述过程对象的动态特性。本发明方法的步骤包括：步骤1、采集过程对象的实时运行数据，建立过程对象的ARX-模糊神经网络模型，具体步骤如下：1.1以u(q)为第q组的输入数据，y(q)为采集的第q组输出数据，通过数据采集装置采集实际过程的实时运行数据，K为采集的样本总数，采集得到的实时数据的样本集合{u(q),y(q)