公开/公告号CN115114791A
专利类型发明专利
公开/公告日2022-09-27
原文格式PDF
申请/专利权人 南通大学;
申请/专利号CN202210766881.2
申请日2022-06-30
分类号G06F30/20(2020.01);G06F17/18(2006.01);G06F111/08(2020.01);G06F119/08(2020.01);G06F111/10(2020.01);
代理机构南京经纬专利商标代理有限公司 32200;
代理人张俊俊
地址 226019 江苏省南通市崇川区啬园路9号
入库时间 2023-06-19 17:07:46
法律状态公告日
法律状态信息
法律状态
2022-10-18
实质审查的生效 IPC(主分类):G06F30/20 专利申请号:2022107668812 申请日:20220630
实质审查的生效
2022-09-27
公开
发明专利申请公布
技术领域
本发明涉及回转窑烧成带温度控制辨识技术领域，尤其涉及一种基于改进樽海鞘算法的回转窑烧成带温度模型辨识方法。
背景技术
水泥工业是我国支柱产业之一，广泛应用于楼宇建造、道桥铺设、水利工程等方面。传统水泥的生产往往伴随着能源消耗、环境污染等严重问题。在水泥生产过程中，回转窑烧成带的温度控制是水泥制备的关键因素，另外，平稳控制温度有利于连续生产，提高生产效率，减少燃料和电力的消耗。为了更好地对回转窑烧成带温度进行分析、预测以及控制，需要对回转窑烧成带温度建立系统模型，同时辨识所建立模型的参数。
在对实际系统进行建立模型时，常用的整数阶模型有时会不够精确，从而使建立的数学模型不够接近于真实系统。在辨识方法上，基本的樽海鞘算法收敛速度较慢，易于陷入局部最优，导致精度不够高。最小二乘法在辨识复杂系统时要考虑容易出现数据饱和的问题。随机梯度迭代算法在选择迭代步长时需要考虑辨识结果发散的问题。
如何解决上述技术问题为本发明面临的课题。
发明内容
本发明的目的在于提供一种基于改进樽海鞘算法的回转窑烧成带温度模型辨识方法；通过选用的分数阶CARMA模型，不同于常用的整数阶模型，分数阶模型在应用到真实系统时更为精确，另外，采用的改进樽海鞘算法，收敛速度较快，辨识精度较高，能够较好地适用于对回转窑烧成带温度控制过程的建模与参数辨识。
为了实现上述发明目的，本发明采用技术方案具体为：一种基于改进樽海鞘算法的回转窑烧成带温度模型辨识方法，包括以下步骤：
步骤1)构建回转窑烧成带温度的分数阶CARMA模型，根据所构建的系统模型获取回转窑烧成带温度控制模型；
步骤2)构建改进樽海鞘算法的辨识流程。
作为本发明提供的一种基于改进樽海鞘算法的回转窑烧成带温度模型辨识方法进一步优化方案，所述步骤1)的具体建模步骤如下：
步骤1-1)构建回转窑烧成带温度的分数阶CARMA模型：如式(1)，给出分数阶CARMA系统的一般形式，
A(z)y(t)＝B(z)u(t)+D(z)v(t) (1)其中，u(t)为系统的输入，y(t)为系统的输出，v(t)为白噪声，A(z)，B(z)和D(z)是关于后移算子z
步骤1-2)根据式(2)至(10)得到输出y(t)与输入u(t)，误差v(t)之间的关系，其中，根据Grünwald-Letnikov(G-L)定义得到：
其中，t＝kh时，h为采样时间设为1，k为计算导数近似值的样本数；式(2)中
Γ为欧拉函数：
式(1)写为：
其中，
作为本发明提供的一种基于改进樽海鞘算法的回转窑烧成带温度模型辨识方法进一步优化方案，所述步骤1)的模型为分数阶CARMA模型。
作为本发明提供的一种基于改进樽海鞘算法的回转窑烧成带温度模型辨识方法进一步优化方案，所述步骤2)构建改进樽海鞘算法的辨识流程的具体步骤如下：
步骤2-1)初始化，根据公式(11)初始化樽海鞘种群的位置X，
X
步骤2-2)获取窑头喂煤量作为系统输入数据，回转窑烧成带温度作为系统输出数据，记录数据；
步骤2-3)计算每一只樽海鞘在各维度位置的适应度值，对每只樽海鞘位置的适应度值进行排序，适应度值最好的樽海鞘的位置即为最新的移动食物源的位置F；
步骤2-4)自适应划分樽海鞘种群，将种群分为领导者和跟随者，按照公式(12)在每次迭代中更新领导者个数：
按照公式(13)在每次迭代中更新跟随者个数：
N
步骤2-5)更新领导者位置，按照公式(14)引入线性递减因子R，
其中，r
按照公式(16)更新领导者，
其中，
步骤2-6)更新跟随者位置，按照公式(17)引入权重系数w，
w＝c
其中，r
其中，
步骤2-7)根据各维度搜索上界和下界修正每只樽海鞘的位置；
步骤2-8)判断是否达到最大迭代次数，若没有达到，程序跳转到步骤2-3)，若达到，进入步骤2-9)；
步骤2-9)输出结果，完成辨识。
与现有技术相比，本发明的有益效果为：
(1)本发明对回转窑烧成带温度控制过程建立了分数阶CARMA模型，模型阶次为分数，在描述真实系统时，建立分数阶模型较整数阶模型会更加精确。
(2)对本发明所建立的CARMA分数阶模型采用的辨识方法是改进樽海鞘算法。改进后的樽海鞘算法会自适应划分樽海鞘种群，增强了算法的开发能力；在领导者位置更新公式中引入线性递减因子，使算法在搜索前期能更快遍历全局；在跟随者位置更新公式中引入权重系数，提高了追随者的随机搜索能力，能更快跳出局部最优。
(3)从使用该算法后的参数辨识效果中可以看出，针对本模型所应用的改进樽海鞘算法收敛速度较快，参数估计值趋于稳定，相应的估计误差值也较小，辨识精度较高。同时，在实际应用算法时的运行时间较短，节省了运行算法的等待时间。
(4)针对回转窑烧成带温度控制过程，所建立的CARMA分数阶模型采用了改进樽海鞘算法的辨识效果较好，说明了该辨识方法对于所建立的模型适用性较好，具有较高的工程价值。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明的改进樽海鞘算法流程图。
图2为本发明的回转窑烧成带温度控制过程示意图。
图3为本发明辨识参数与真实值的误差示意图。
图4为本发明CARMA分数阶系统的一般模型示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。当然，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
参见图1至图4，本实施例提供的技术方案为，一种基于改进樽海鞘算法的回转窑烧成带温度模型辨识方法，其中，具体包括以下步骤：
步骤1)构建回转窑烧成带温度的分数阶CARMA模型，根据所构建的系统模型获取回转窑烧成带温度控制模型；
步骤2)构建改进樽海鞘算法的辨识流程。
具体地，所述步骤1)的具体建模步骤如下：
步骤1-1)构建回转窑烧成带温度的分数阶CARMA模型：如式(1)，给出分数阶CARMA系统的一般形式，
其中，u(t)为系统的输入，y(t)为系统的输出，v(t)为白噪声，A(z)，B(z)和D(z)是关于后移算子z
步骤1-2)根据式(2)至(10)可以得到输出y(t)与输入u(t)，误差v(t)之间的关系，其中，根据Grünwald-Letnikov(G-L)定义可以得到：
其中，t＝kh时，h为采样时间设为1，k为计算导数近似值的样本数；式(2)中
Γ为欧拉函数：
式(1)可写为：
其中，
具体地，所述步骤1)的模型为分数阶CARMA模型。
具体地，所述步骤2)构建改进樽海鞘算法的辨识流程的具体步骤如下：
步骤2-1)初始化，根据公式(11)初始化樽海鞘种群的位置X，
X
步骤2-2)获取窑头喂煤量作为系统输入数据，回转窑烧成带温度作为系统输出数据，记录数据；
步骤2-3)计算每一只樽海鞘在各维度位置的适应度值，对每只樽海鞘位置的适应度值进行排序，适应度值最好的樽海鞘的位置即为最新的可移动食物源的位置F；
步骤2-4)自适应划分樽海鞘种群，将种群分为领导者和跟随者，按照公式(12)在每次迭代中更新领导者个数：
按照公式(13)在每次迭代中更新跟随者个数：
N
步骤2-5)更新领导者位置，按照公式(14)引入线性递减因子R，
其中，r
按照公式(16)更新领导者，
其中，
步骤2-6)更新跟随者位置，按照公式(17)引入权重系数w，
w＝c
其中，
步骤2-7)根据各维度搜索上界和下界修正每只樽海鞘的位置；
步骤2-8)判断是否达到最大迭代次数，若没有达到，程序跳转到步骤2-3)，若达到，进入步骤2-9)；
步骤2-9)输出结果，完成辨识。
本实施例应用的回转窑烧成带温度控制过程示意图如图2所示。其中，输入信号u(t)为窑头喂煤量，输出信号y(t)为回转窑烧成带温度。
通过上述提到的分数阶CARMA模型，可以将本实施例建立以下模型：
y(t)＝0.82Δ
对比上述模型和步骤1)，可得
a
则令所需辨识的参数向量为
θ＝[a
＝[-0.82,0.28,-0.45,0.84,-0.38]
信息向量为
根据步骤2-1)初始化樽海鞘种群位置和食物源位置。
根据步骤2-2)收集输入输出数据；
根据步骤2-3)计算每一只樽海鞘在各维度位置的适应度值，将适应度值最好的樽海鞘的位置设为最新的可移动食物源的位置；
根据步骤2-4)自适应划分樽海鞘种群，将种群分为领导者和跟随者；
根据步骤2-5)计算线性递减因子，更新樽海鞘种群中领导者的位置；
根据步骤2-6)计算权重系数，更新樽海鞘种群中跟随者的位置；
根据步骤2-7)根据各维度搜索上界和下界修正每只樽海鞘的位置；
根据步骤2-8)和步骤2-9)完成循环。
其中，种群数量和迭代次数在设定时要注意以下几个问题：种群数量选择要适中，种群数量过多则会造成计算量过多、程序运行时间长，种群数量过少，则会导致寻优效果不理想、辨识精度较差的结果；迭代次数注意不要太大，否则计算时间会随之增长。
使用本发明的基于改进樽海鞘算法的回转窑烧成带温度模型进行的参数辨识结果如图3所示。可以看出，针对本模型采用的改进樽海鞘算法，其收敛速度较快，参数估计值趋于稳定，相应的估计误差值也较小，辨识精度较高，同时，也说明本模型以及所采用的算法对于本回转窑烧成带温度控制模型有较好的适用性。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
机译： 基于模型的控制技术中鲁棒过程模型辨识的方法和系统
机译： 基于工业模型的过程控制器的闭环模型参数辨识技术
机译： 控制温度和气体成分的回转窑中烧成水泥的方法
