03系统识及其在软测量技术中的应用.pptVIP

3.4.1 基本原理 设模型参数和物理参数的间接关系为： 辨识获得模型参数的估计值 ，求取对应的被测参数 。基本过程如下图所示： 3.4.1 基本原理 基于辨识的软测量过程实际就是在常规的参数辨识的 基础上，把待辨识模型参数通过理论模型建立与已知物理参数的关系，从而达到间接测量的目的。 基于辨识的软测量方法的优点： ◆ 不需要确切的过程模型 ◆ 选择模型方案多 ◆ 模型辨识可以离线进行 ◆ 模型辨识较为简单 3.4.2 应用实例——铝电解生产过程阳极效应的判定 问题分析：阳极效应是电解法生产过程中的常见现象，出现阳极效应是，电解电流效率下降，耗能急剧增大。但多数情况下，从主要仪表参数电流和电压上看，测量值并无太大变化，因此无法及时检测阳极效应的发生。阳极效应的生产并不都能从电压和电流等常规参数反映出来，但它和电解槽槽电阻及槽电阻变化率有密切关系。如果能建立槽电阻变化的数学模型，就能利用基于辨识的软测量方法检测阳极效应，即通过对电解模型的参数辨识，获得与阳极效应相关的槽电阻变化率参数，进而检测判定是否发生阳极效应。 3.4.2 应用实例——铝电解生产过程阳极效应的判定 过程分析及建立电解过程数学模型：在铝电解过程中，槽电阻逐渐增大，可以建立槽电阻变化率的动态模型，k时刻的槽电阻可用f(k)和白噪声e(k)来描述 式中a表示f(k)从k-1到k时刻的变化率 3.4.2 应用实例——铝电解生产过程阳极效应的判定 过程分析及建立电解过程数学模型： 动态模型： 写成最小二乘形式： 取正常电解生产过程中的槽电阻数据，用增广最小递推算法进行参数辨识，得到正常情况下的槽电阻动态模型为： 3.4.2 应用实例——铝电解生产过程阳极效应的判定 结论：通过模型验证，证明基于参数辨识的软测量方法中的上述动态模型是可靠的 由图4.8可以看出，在t1时刻前，动态模型参数较为稳定，电解生产正常。在t1时刻槽电阻产生较大波动，导致模型参数发生变化，可以判定出现异常。由图4.9可以看出，t2时刻前后槽电阻波动不大，不能判定发生阳极效应，但由于槽电阻变化率增加，槽动态特性发生变化，模型参数相应变化，可以判定发生阳极效应。 3.5 本章小结 系统辨识的定义、步骤及方法 最小二乘法及各种改进算法的原理 基于参数辨识的软测量方法基本原理 3.2.4 递推最小二乘法 由此得到新的参数估计值： 式中： 应用矩阵求逆公式 可得 与 的递推关系如下： 3.2.4 递推最小二乘法 由此得到： 式中 为增益矩阵，记为 ，而 为预报误差 3.2.4 递推最小二乘法 综合上述推导，可得递推最小二乘估计算法如下： 递推过程如下： 3.2.4 递推最小二乘法 对于初值 的选取： ◆ 方法1：m组数据，用LS成批算法，得 ，再从m+1开始递推 ◆ 方法2：令 ，任取 特别大 3.2.4 递推最小二乘法 递推算法的停机准则可按下式选取： 式中 为参数向量 θ 的第i个元素在N+1次的递推计算结果，ε 为给定的表示精度要求的某一正数。 3.2.5 最小二乘遗忘因子法 数据饱和现象： 所谓数据饱和现象，就是随着时间的推移，采集的数据越来越多，新数据提供的信息被旧数据所淹没。如果辨识算法对新、旧数据给予相同的信度，则随着从新数据中获得的信息量下降，算法就会慢慢失去修正能力，这时参数估计值可能还偏离真值较远就无法更新了。对时变过程来说，它将导致参数估计值不能跟踪时变参数的变化。 这是因为P0正定，而 即 由此可知，PN是递减的正定阵。随着递推次数的增加，会导致 ，所以增益阵GN+1也将随着N的增加而逐渐趋于零向量，从而使RLS算法失去修正能力 3.2.5 最小二乘遗忘因子法 遗忘因子法： 基本思想：对旧数据加上遗忘因子，按指数加权来使得旧数据的作用衰减。 最小二乘估计值为： 指标函数为 新增观测yN+1之后的数据阵 则加衰减因子λ后的数据阵为