一种利用现场数据建立神经网络模型的方法

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。

说明书

技术领域

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

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。

发明内容

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。

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：

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～n个时刻的数值，形成样本数据：

$\begin{array}{c}u(k-1),u(k-2),...,u(k-n),\\ y(k-1),y(k-2),...,y(k-n)\end{array},y\left(k\right),k=n+1,n+2,...,N,$ 其中，n为3～5的自然数，N＝3000。

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：

$|\frac{1}{m}\underset{i=1}{\overset{m-1}{\Sigma }}E(k-i)-E\left(k\right)|<{ϵ}_2$

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-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；

④根据式${\rho }_h=\underset{p}{\Sigma }(d^{\left(p\right)}-y^{\left(p\right)})·w_h·o_h+\frac{1}{2}\underset{p}{\Sigma }{w}_h^2·o_h^2,$$\begin{array}{c}{\rho }_k=-\underset{p}{\Sigma }\underset{h}{\Sigma }(d^{\left(p\right)}-y^{\left(p\right)})·w_h·o_h·\frac{{(x_k-c_{h,k})}^2}{{\delta }_h^2}\\ -\frac{1}{2}\underset{p}{\Sigma }\underset{h}{\Sigma }(d^{\left(p\right)}-y^{\left(p\right)})·w_h·o_h·\frac{{(x_k-c_{h,k})}^4}{{\delta }_h^4}\\ +\frac{1}{2}\underset{p}{\Sigma }\underset{h}{\Sigma }{w}_h^2·o_h^2·\frac{{(x_k-c_{h,k})}^4}{{\delta }_h^4}\end{array},$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，o_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_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

$\frac{{\rho }_{min}}{\frac{1}{n}\underset{m=1}{\overset{n}{\Sigma }}\left|{\rho }_m\right|}<{ϵ}_1$

式中ρ_min为隐节点或u(k-i)节点或y(k-j)节点中最小的灵敏度，ρ_m为隐节点或 u(k-i)节点或y(k-j)节点的灵敏度，n为隐节点数或u(k-i)节点数或y(k-j)节点 数，ε₁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。

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

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， 说明本发明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T₁；

②将变量u，T₁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：

$\begin{array}{c}u(k-1),u(k-2),...,u(k-5),\\ T_1(k-1),T_1(k-2),...,T_1(k-5)\end{array},T_1\left(k\right),k=n+1,n+2,...,3000,$

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：

$|\frac{1}{m}\underset{i=1}{\overset{m-1}{\Sigma }}E(k-i)-E\left(k\right)|<{ϵ}_2$

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＝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，即：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；

④根据式${\rho }_h=\underset{p}{\Sigma }(d^{\left(p\right)}-y^{\left(p\right)})·w_h·o_h+\frac{1}{2}\underset{p}{\Sigma }{w}_h^2·o_h^2,$$\begin{array}{c}{\rho }_k=-\underset{p}{\Sigma }\underset{h}{\Sigma }(d^{\left(p\right)}-y^{\left(p\right)})·w_h·o_h·\frac{{(x_k-c_{h,k})}^2}{{\delta }_h^2}\\ -\frac{1}{2}\underset{p}{\Sigma }\underset{h}{\Sigma }(d^{\left(p\right)}-y^{\left(p\right)})·w_h·o_h·\frac{{(x_k-c_{h,k})}^4}{{\delta }_h^4}\\ +\frac{1}{2}\underset{p}{\Sigma }\underset{h}{\Sigma }{w}_h^2·o_h^2·\frac{{(x_k-c_{h,k})}^4}{{\delta }_h^4}\end{array},$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，o_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_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

$\frac{{\rho }_{min}}{\frac{1}{n}\underset{m=1}{\overset{n}{\Sigma }}\left|{\rho }_m\right|}<{ϵ}_1$

式中ρ_min为隐节点或u(k-i)节点或y(k-j)节点中最小的灵敏度，ρ_m为隐节点或 u(k-i)节点或y(k-j)节点的灵敏度，n为隐节点数或u(k-i)节点数或y(k-j)节点 数，ε₁＝0.1；

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

网络结构 训练误差 测试误差 剪枝前 10-15-1 0.3034 0.0854 剪枝后 4-11-1 0.3201 0.0652

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。