[发明专利]基于数据挖掘的分散控制系统特性函数在线拟合方法

说明书

技术领域

本发明涉及一种特性函数拟合方法，特别是一种基于数据挖掘的分散控制系统特性函数在线拟合方法，属于工业控制技术领域。

背景技术

目前，流程工业过程的控制装置多采用了分散控制系统。由于复杂工业过程通常存在着非线性特性。因此，一般需要在分散控制系统中以折线型式的函数对这种非线性特性进行修正。同时进行特性函数的在线修正时不能对控制系统的正常工作产生扰动，因此须实现当前工作点所在的折线段保持不变，其它折线段则可以根据新的数据进行在线修正。

经对现有技术的文献检索发现，传统的回归方法通过肉眼分析数据分布来选定拟合点，拟合结果随机性大，且偏差难以估计。黄学彬在《折线拟合模型及其在自动检测中的应用》(电子技术应用，1990(2)：17-18)一文中提出了建立非线性函数的折线拟合模型的方法，但仅是针对将连续的函数曲线拟合为折线，无法对工业过程采集的呈散点分布的数据直接进行运用。

发明内容

本发明针对上述现有技术的不足和实际需要，提出了一种针对流程工业应用的分散控制系统特性函数的在线拟合方法。该方法将人工智能方法和数值拟合方法相结合，针对拟合过程建立相应的人工神经网络模型，得到特性函数曲线，再通过数值计算方法，获得特性函数的折线表示形式。运算速度快、拟合效果好，有效地解决了流程工业过程特性函数手工计算、难于精确拟合的问题，同时提供了一种实用的特性函数在线拟合方法。

本发明是通过如下技术方案实现的，本发明包括以下步骤：

步骤一，获取欲拟合系统的相关数据，具体为：获取要建立关系模型的两个变量的足够多的数据样本X_i、Y_i。对数据进行必要的预处理，包括：异常数据的剔除、数据的平滑。并对数据进行归一化，方法为：X′=X-xminxmax-xmin,]]>Y′=Y-yminymax-ymin.]]>

步骤二，建立人工神经网络模型，采用步骤一所得数据对神经网络模型进行充分的训练，将X′输入训练好的神经网络，计算得到Y′将Y′反归一化，得到Y″，所得点集，i＝1，2，3，...，n即为特性函数曲线。

具体为：建立一个3层的前馈神经网络，定义参数P为网络输入值，T为网络目标值，S＝（S₁，S₂，S₃)为隐含层单元输入向量，B＝(B₁，B₂，B₃)为隐含层单元输出向量，L为输出层单元输入值，C为输出层单元输出值，W＝(W₁，W₂，W₃)为输入层至隐含层连接权，V＝(V₁，V₂，V₃)为隐含层至输出层连接权，O＝(O₁，O₂，O₃)为隐含层各单元输出阈值，R为输出层各单元输出阈值，E＝(E₁，E₂，E₃)为隐含层各单元误差，D为输出层单元误差。

采用步骤一所得数据对神经网络模型进行充分的训练，具体步骤为：