一种利用现场数据建立神经网络模型的方法
【技术领域】
[0001] 本发明涉及热工过程控制领域，尤其涉及热工过程的辨识方法。
【背景技术】
[0002] 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。
[0003] 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。
【发明内容】
[0004] 发明目的：为了克服现有技术中存在的不足，本发明提供一种利用现场数据建立 神经网络模型的方法。
[0005] 技术方案：为解决上述技术问题，本发明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：
[0006] 步骤一，现场DCS数据采样；
[0007] 步骤二，RBF神经网络辨识；
[0008] 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。
[0009] 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
[0011] 具体地，所述步骤二的RBF神经网络辨识过程如下：
[0012] 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 ;
[0013] 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：
[0014]
[0015] 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 ;
[0016] 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
[0017] 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；
[0018]
计算隐节 点、u(k-i)节点和y(k-j)节点的灵敏度；
[0019] 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；
[0020] 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
[0021]
[0022] 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，
[0023] 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；
[0024] 有益效果：本发明利用现场运行的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。
[0025] 除了上面所述的本发明解决的技术问题、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，本发明的一种利用现场数据建立神经网络模型的方法 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】
[0026] 实施例：
[0027] 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， 说明本发明的技术方案实施过程如下：
[0028] 步骤一：现场DCS数据采样；
[0029] 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;
[0030] 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：
[0031]
[0032] 步骤二：RBF神经网络辨识；
[0033] 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 ;
[0034] 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：
[0035]
[0036] 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 ;
[0037] 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
[0038] 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；
*
[0039] 计算隐 节点、u (k-i)节点和y(k-j)节点的灵敏度；
[0040] 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；
[0041] 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
[0042]
[0043] 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 ;
[0044] 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；
[0045] 将剪枝前和剪枝后的结果进行比较，结果如下表：
[0046] 剪枝效果对比表
[0047]
[0048] 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. 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。2. 根据权利要求1所述的一种利用现场数据建立神经网络模型的方法，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所述的一种利用现场数据建立神经网络模型的方法，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时结束训练，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，ε2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，即： E-Er > 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，X k为第P个样本的k个输入，δ ,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Pmin为隐节点或u(k-i)节点或y(k-j)节点中最小的灵敏度，P m为隐节点或 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。
【专利摘要】本发明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。
【IPC分类】G06N3/02
【公开号】CN105160396
【申请号】CN201510392524
【发明人】雎刚, 钱磊
【申请人】东南大学
【公开日】2015年12月16日
【申请日】2015年7月6日