智能化技術(shù)在熱工系統(tǒng)建模中的應(yīng)用(編輯修改稿)
2024-12-14 03:01 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 A)、進(jìn)化編程(EP)等構(gòu)成的進(jìn)化計(jì)算 (EC)是近年來(lái)發(fā)展很快、很有前途的一種優(yōu)化計(jì)算 ,它借助于生物進(jìn)化的優(yōu)勝劣汰原則 ,從空間的一群點(diǎn) 開(kāi)始搜索 ,不斷進(jìn)化以求得最優(yōu)解 。它還具有強(qiáng)魯棒性 ,且不易陷入局部解 ,為系統(tǒng)辨識(shí)問(wèn)題的解決提供了一條新的途徑。因而我們可以用進(jìn)化計(jì)算來(lái)解決系統(tǒng)辨識(shí)問(wèn)題 [12].文 [13]討論了 基于遺傳算法的火電廠熱工過(guò)程模型辨識(shí) ， 將遺傳算法引入熱工對(duì)象模型辨識(shí)，設(shè)計(jì)了一種快速的遺傳算法，仿真研究表明， 所提出的 改進(jìn)遺傳算法是一種簡(jiǎn)單易行的辨識(shí)方法，在各種輸入信號(hào)下，都能得到了令人滿意的辨識(shí)結(jié)果 。文[14]將一種改進(jìn)的基于實(shí)數(shù)編碼的自適應(yīng)遺傳算法應(yīng)用于熱工對(duì)象的系統(tǒng)辨識(shí) ， 克服了多項(xiàng)式模型存在參數(shù)取值范圍難以確定的問(wèn)題 ,使模型辨識(shí) 能適用于高階系統(tǒng) ,并具有較高的辨識(shí)精度。同時(shí)避免了傳統(tǒng)的熱工對(duì)象辨識(shí)方法通用性差、條件要求嚴(yán)格、數(shù)學(xué)計(jì)算復(fù)雜等問(wèn)題。 隨著遺傳算法的發(fā)展， 一些新的 遺傳算法 將被提出， 在熱工系統(tǒng)辨識(shí)中的應(yīng)用 也 將越來(lái)越廣泛。 基于模糊邏輯的系統(tǒng) 建模 模糊建模的概念首先是由 Zadeh 于 1973 年提出的，它是一種本質(zhì)非線性模型，適于表達(dá)復(fù)雜系統(tǒng)的動(dòng)態(tài)特性。自從 20世紀(jì) 60 年代以來(lái)，研究者已經(jīng)提出了許多動(dòng)態(tài)系統(tǒng)的辨識(shí)方法，但總的來(lái)說(shuō)，系統(tǒng)辨識(shí)無(wú)論在理論上還是實(shí)際應(yīng)用中，遠(yuǎn)沒(méi)有達(dá)到完善的程度，對(duì)于非線性時(shí)變動(dòng)態(tài)系統(tǒng)的辨識(shí)，是實(shí)際 中經(jīng)常遇到的困難，目前常用的有兩種方法 :一是用多個(gè)線性模型在平衡點(diǎn)附近近似描述非線性系統(tǒng)，這對(duì)于有嚴(yán)重非線性的系統(tǒng)如何做到平穩(wěn)切換、減小系統(tǒng)誤差仍然缺乏有效地方法 。二是根據(jù)被控對(duì)象己知的信息，選擇與之相近的非線性數(shù)學(xué)模型，顯然有局限性。因此模糊模型辨識(shí)方法，被認(rèn)為是解決此類問(wèn)題的一種可行方法 模糊算法 建模 原理 模糊集合理論和模糊邏輯的概念應(yīng)用在系統(tǒng)建模中有許多方式，如模糊系統(tǒng)是基于模糊規(guī)則的系統(tǒng)，模糊線性回歸模型，或采用細(xì)胞結(jié)構(gòu)的模糊模型。應(yīng)用最廣泛的是基于模糊規(guī)則的系統(tǒng)，即系統(tǒng)變量之間的關(guān)系是 通過(guò)模糊 IFTHEN 規(guī)則描述的?；谀：?guī)則的系統(tǒng)也可稱為模糊推理系統(tǒng)、模糊模型或模糊組合存儲(chǔ)器?；谀：?guī)則的系統(tǒng)基本是由四部分組成 :模糊化接口、知識(shí)庫(kù)、模糊邏輯推理和解模糊接口?；谀：?guī)則的系統(tǒng)的基本結(jié)構(gòu)如圖 2 所示。 模糊化接口是完成將輸入變量變成模糊單一值的一種映射 。知識(shí)庫(kù)由數(shù)據(jù)庫(kù)和規(guī)則庫(kù)組成模糊邏輯推理是基于模糊規(guī)則系統(tǒng)的中心 。解模糊接口是完成從模糊輸出到非模糊輸出的一種映射。 圖 2 基于模糊規(guī)則的系統(tǒng)的基本結(jié)構(gòu)圖 模糊算法用于辨識(shí) 的特點(diǎn) 及其在熱工過(guò)程中的應(yīng)用 與傳 統(tǒng)的 辨識(shí) 算法相比， 模糊 算法主要有以下 優(yōu)越性： 1)能有效地辨識(shí)復(fù)雜和病態(tài)結(jié)構(gòu)的系統(tǒng)。 2)能夠有效地辨識(shí)具有大時(shí)延、時(shí)變、多輸入多輸出的非線性系統(tǒng)。 3)可以辨識(shí)性能優(yōu)越的人類控制器。 4)可得到被控對(duì)象的定性與定量相結(jié)合的模型。 模糊模型在模糊辨識(shí)方法中是很重要的，它是模糊辨識(shí)理論建立的硬件基礎(chǔ)，沒(méi)有模糊模型也就沒(méi)有模糊辨識(shí)理論。模糊模型已經(jīng)被證明在非線性動(dòng)力系統(tǒng)建模、基于規(guī)則的學(xué)習(xí)控制和模式識(shí)別中到了很大作用。因此，無(wú)論從模糊控制理論研究方面來(lái)看，還 起 是從仿真技術(shù)發(fā)展來(lái)看，以及模糊邏輯相關(guān)理論的發(fā)展來(lái)看 ，模糊辨識(shí)建模理論方法都具有重要的理論和實(shí)際意義，它不僅極大豐富了辨識(shí)理論方法，推動(dòng)了辨識(shí)理論的發(fā)展，而且有力地推動(dòng)了模糊控制理論和仿真非模糊輸入 模糊化接口 知識(shí)庫(kù) 數(shù)據(jù)庫(kù) 規(guī)則庫(kù) 模糊邏輯推理 解模糊接口 非模糊輸出 技術(shù)的發(fā)展。也正是在模糊控制理論、仿真技術(shù)理論和模糊邏輯相關(guān)理論快速發(fā)展及其它們?cè)趯?shí)際工程中大量應(yīng)用的背景下，模糊辨識(shí)建模理論方法得到較快的發(fā)展，并成為解決復(fù)雜、不確定、非線性系統(tǒng)建模和控制的有效方法，因此，成為許多學(xué)者研究的熱門(mén)課題。 近年來(lái)模糊邏輯理論在非線性系統(tǒng)辨識(shí)領(lǐng)域中得到廣泛的應(yīng)用 ,用模糊集合理論 ,從系統(tǒng)輸入和輸出量測(cè)值來(lái)辨識(shí)系統(tǒng)的模糊模型 ,也是系統(tǒng)辨識(shí)的又一有效 途徑。模糊邏輯建模方法的主要內(nèi)容可分為兩個(gè)層次 ,一是模型結(jié)構(gòu)的辨識(shí) ,另一個(gè)是模型參數(shù)的估計(jì)。 TS 模型[15,16]是以局部線性化為出發(fā)點(diǎn) ,具有結(jié)構(gòu)簡(jiǎn)單、逼近能力強(qiáng)的特點(diǎn) ,已成為模糊辨識(shí)中的常用模型 ,而在 TS 模型的基礎(chǔ)上又形成了一些新的辨識(shí)方法 [17,18]。模糊辨識(shí)的優(yōu)越性表現(xiàn)為 :能有效地辨識(shí)復(fù)雜和病態(tài)結(jié)構(gòu)的系統(tǒng) 。能有效地辨識(shí)具有大時(shí)延、時(shí)變、多輸入單 輸出的非線性系統(tǒng) 。可以辨識(shí)性能優(yōu)良的人類控制器 。可得到被控對(duì)象的定性與定量相結(jié)合的模型。另外還有一些把模糊理論與神經(jīng)網(wǎng)絡(luò)、遺傳算法等結(jié)合形成的辨識(shí)方法 [19,20,21]。模糊樹(shù)模型 (FT模型 )[22]是利用二叉樹(shù)結(jié)構(gòu)描述輸入空間模糊劃分的模糊建模方法 ,它既克服了模糊建模中輸入空間劃分的復(fù)雜性 ,又使得分段函數(shù)在相交處平滑過(guò)渡 ,因而能更好地逼近復(fù)雜系統(tǒng)。其主要特點(diǎn)是建模精度高、計(jì)算量小。 基于 蟻群 算法 的系統(tǒng) 建模 蟻群優(yōu)化 (ACO)算法是 Dorigo等學(xué)者于 20世紀(jì) 90年代初提出的[23],是模擬自然界中蟻群的覓食行為而形成的 — 種模擬進(jìn)化算法 .該算法所定義的問(wèn)題求解模式能夠?qū)?wèn)題求解的快速性、全局優(yōu)化特征及有限時(shí)間內(nèi)答案的合理性結(jié)合起來(lái) , 在求解組合 優(yōu)化問(wèn)題方面表現(xiàn)出突出的優(yōu)越性 。 蟻群算法建模 原理 第 1 步 . 將蟻群在解空間內(nèi)按照一定方式作初始分布 。 這里需要根據(jù)問(wèn)題定義域的大小 ,即被辨識(shí)系統(tǒng)參數(shù)的可能范圍的大小 ,決定合適的蟻群規(guī)模 。 第 2 步 . 根據(jù)蟻群所處解空間位置的優(yōu)劣 ,決定當(dāng)前蟻群的信息量分布 . 這里蟻群信息量分布函數(shù)的定義要與各單蟻當(dāng)前所處解空間位置針對(duì)參數(shù)辨識(shí)正確性的優(yōu)劣相關(guān) . 第 3 步 . 根據(jù)當(dāng)前蟻群散布的總信息量分布情況和上一循環(huán)過(guò)程中信息量的遺留和揮發(fā)情況 ,決定各子區(qū)間內(nèi)應(yīng)有的蟻數(shù)分布 . 第 4 步 . 根據(jù)各子區(qū)間內(nèi)應(yīng)有的蟻群 分布狀況和當(dāng)前蟻群分布狀況之間的差別 ,決定蟻群的移動(dòng)方向 ,并加以移動(dòng) . 蟻群算法用于辨識(shí) 的特點(diǎn) 及其在熱工過(guò)程中的應(yīng)用 蟻群算法是一種求解組合最優(yōu)化問(wèn)題的新型通用啟發(fā)式方法，該方法具有正反饋、分布式計(jì)算和富于建設(shè)性的啟發(fā)式搜索的特點(diǎn)。 在求解組合優(yōu)化和 數(shù)據(jù)的特征聚類方面取得了良好的 應(yīng)用 ， 但是 經(jīng)典蟻群算法只能用于解決特定組合優(yōu)化問(wèn)題 ， 算法搜索時(shí)間長(zhǎng)、容易陷入局部最優(yōu)解等 。 通過(guò)相關(guān)的研究工作 ,蟻群 算法目前已在最初模型的基礎(chǔ)上得到了改進(jìn)和擴(kuò)展 ,并被應(yīng)用于包括機(jī)器人系統(tǒng)、圖象處理、制造系統(tǒng)、車輛路徑規(guī)劃、通 訊系統(tǒng)、工程設(shè)計(jì) ,以及電力系統(tǒng) 、熱工系統(tǒng) 在內(nèi)的多種應(yīng)用場(chǎng)合 。 文 [24]討論了 蟻群算法在熱工過(guò)程系統(tǒng)辨識(shí)中的應(yīng)用 ， 針對(duì)基本蟻群算法在尋優(yōu)過(guò)程中容易出現(xiàn)停滯現(xiàn)象的問(wèn)題 ,提出在
畢業(yè)設(shè)計(jì)相關(guān)推薦
鄂ICP備17016276號(hào)-1