[发明专利]基于CPSO-LSSVM的汽动引风机全工况在线监测模型建模方法

权利要求书

1.一种基于CPSO-LSSVM的汽动引风机全工况在线监测模型建模方法，其特征在于，包括如下步骤：

(一)数据处理；对风机厂家给出的设计数据进行整理计算，选取足量的可以确定汽动引风机特性曲线的数据，整理得出下列参数，比压Y、容积流量Q、叶片角度β和风机转速n，其中比压Y为流体全压p与流体密度ρ的比值，即Y=p/ρ；在所有设计数据中选取适量作为训练数据用于建模，所有设计数据都用来测试模型准确度；

(二)最小二乘支持向量机训练建模；叶片角度β和比压Y作为训练模型的输入，容积流量Q作为训练模型的输出，利用混沌粒子群算法，建立关于最小二乘支持向量机建模参数γ与σ²的寻优粒子群，利用训练数据的叶片角度β和比压Y以及粒子群个体γ与σ²参数进行试验建模，以模型输出容积流量Q与实际输出容积流量Qm的误差最小为目标，反复迭代优化粒子群结构，得到最优支持向量机模型，利用测试数据检测模型精度，得到精度符合标准的Q=f(Y，β)静态模型；

(三)重新训练模型；在Q=f(Y，β)静态模型的基础上，增加变量风机转速n，得到Q=f(Y，β，n)的全工况模型；

(四)发布模型；利用训练得到的全工况模型Q=f(Y，β，n)，结合ASP.NET网页编程技术，将所建模型以可视化网站的形式发布，在线确定汽动引风机工作点；

(五)修正模型；将步骤(四)所得汽动引风机工况点数据与SIS系统采集实际运行数据相比较，若存在较大误差，则用实际运行数据代替设计数据，按照上述步骤一至步骤四重新建立模型。

2.根据权利要求1所述的基于CPSO-LSSVM的汽动引风机全工况在线监测模型建模方法，其特征在于，所述步骤(2)包括如下步骤：

a)初始化训练参数、叶片角度β和比压Y作为训练模型的输入，容积流量Q作为训练模型的输出；

b)确定LSSVM相关参数，其中选择核函数类型为RBF kemel：

K(xi,xj)=e-||xi-xj||2σ2---(1)]]>其中x_i，x_i为两个样本；σ²为高斯内核的方差。

对于建模参数γ与σ²，利用混沌粒子群算法寻优确定：在较大范围内，用混沌因子建立初始粒子群，粒子为二维向量，存储当前粒子的建模参数γ与σ²，将模型输出容积流量Q_m与实际输出容积流量Q的误差作为适应度函数

G=Σk=1N(Q-Qm)2---(2)]]>

其中，Q_m为以测试数据为输入的模型输出，Q为这些测试数据的实际输出，N为数据数量，G为适应度；

以此适应度函数最小为优化目标，迭代公式为：

vi,jk+2=rk+2×ωk+1×vi,jk+c1×h1×(pbesti,jk-xi,jk)+c2×h2×(gbestjk-xi,jk)---(3)]]>

xi,jk+2=xi,jk+vi,jk+2---(4)]]>其中

r^k+2=4×r^k×(1-r^k)

ωk+1=ωmax-(ωmax-ωmin)ITERA_N×(k+1)]]>

为k代粒子位置，为k代粒子速度，r^k为k代混沌因子，ω^k为k代粒子，ω_max、ω_min分别为权重因子上下限，本例中分别取0.9、0.1，ITERA_N为总的迭代次数，c₁与c₂为学习因子，h₁与h₂为(0，1)区间内的随机数，为到k代为止，各粒子已搜索到的最优建模参数，为到k代为止，所有粒子已经搜索到的最优建模参数，输出全局最优γ与σ²；

c)用训练数据训练模型，绘制静态模型Q=f(Y，β)；

d)检验模型准确性：为了验证模型的准确性与泛化能力，获得测试数据误差，误差计算公式为：

err=1NΣi=1N(Q-Qm)2---(5)]]>

其中Q为实验工况容积流量测量值，Q_m为相应的模型计算出的容积流量值。