kaiyun官方注册
您所在的位置: 首页> 人工智能> 设计应用> 基于Hammerstein-Wiener模型的CSTR反应器辨识
基于Hammerstein-Wiener模型的CSTR反应器辨识
电子技术应用 2023年7期
韩珍珍1,2,成彬1,2,王程1,2,王云丽1,2
(1.河北省科学院应用数学研究所,河北 石家庄 050081;2.河北省信息安全认证技术创新中心,河北 石家庄 050081)
摘要:针对化工过程中广泛应用的连续搅拌反应釜(CSTR)反应器,提出一种新的基于极限学习机的Hammerstein-Wiener模型的辨识建模方法。其中,Hammerstein-Wiener模型的两个非线性环节采用两个不同的极限学习机逼近,线性环节采用自回归ARX模型。因极限学习机的特殊结构,此模型可以表示成线性回归的形式,最终利用广义最小二乘法求解模型的参数。此方法辨识过程简单,辨识过程的计算量较小。最后对CSTR的辨识结果表明,在相同条件下与基于多项式的Hammerstein 模型和ARX-LSSVM Hammerstein 模型相比,该方法具有较高辨识精度,表明了该方法的有效性。
中图分类号:TP29
文献标志码:A
DOI: 10.16157/j.issn.0258-7998.223689
中文引用格式:韩珍珍,成彬,王程,等. 基于Hammerstein-Wiener模型的CSTR反应器辨识[J]. 电子技术应用,2023,49(7):30-34.
英文引用格式:Han Zhenzhen,Cheng Bin,Wang Cheng,et al. Identification of CSTR based on Hammerstein-Wiener model[J]. Application of Electronic Technique,2023,49(7):30-34.
Identification of CSTR based on Hammerstein-Wiener model
Han Zhenzhen1,2,Cheng Bin1,2,Wang Cheng1,2,Wang Yunli1,2
(1.Institute of Applied Mathematics, Hebei Academy of Sciences,Shijiazhuang 050081,China; 2.Information Security Authentication Technology Innovation Center of Hebei Province,Shijiazhuang 050081,China)
Abstract:In this paper, an Hammerstein-Wiener model based on extreme learning machine is built to identify Continuous Stirred Tank Reactor(CSTR) nonlinear system which is used in chemical process widely. In the proposed Hammerstein-Wiener model, the two nonlinear blocks are described by two different extreme learning machine neural networks. The linear block is described by ARX model. Due to the special structure of the extreme learning machine, this model can be expressed in the form of linear regression. The model parameter identification is achieved by generalized least square algorithm. The identification process is simple with less computation complexity. The simulation result shows that this proposed approach is effective. Compared with Hammerstein model based polynomial and ARX-LSSVM Hammerstein model,the proposed method has higher identification accuracy.
Key words :identify;Hammerstein-Wiener model;extreme learning machine;CSTR;least square

0 引言

连续搅拌反应釜(CSTR)是工业过程中广泛使用的一类反应器。CSTR具有高度非线性和时变性的特点,并且其机理模型非常复杂不能直接用于设计和分析控制系统。因此,为精确地描述系统在整个工作范围内的特性,需要根据系统的输入输出数据,设计相应的辨识方法来建立CSTR非线性动态模型。目前一种典型的处理方法是将机理模型辨识成为易于处理的面向块(block-orinted)的模型结构。

根据连接形式的不同,面向块的模型结构可以分为Hammerstein[4]、Wiener,以及组合形式的Hammerstein-Wiener(H-W)模型和Wiener-Hammerstein(W-H)模型。在这4种结构中,Hammerstein和Wiener模型是两种典型的面向块的结构,由静态非线性环节和动态线性环节串联组成,并且能够表示很多非线性系统,例如PH中和过程、电刺激肌肉、燃料电池等。Hammerstein-Wiener模型是一类具有特定结构的典型非线性系统,由一个静态非线性环节串联一个动态线性环节再串联一个静态非线性环节组成。它能够更有效描述复杂的非线性工业过程。

近几年,围绕Hammerstein-Wiener模型的研究引起了越来越多的关注。针对Hammerstein-Wiener模型的参数辨识方法主要有迭代法、多信号源法、随机梯度等方法。刘冉冉等人提出一种递阶多新息随机梯度算法辨识Hammerstein-Wiener模型。李妍等人采用一种在线两阶段方法进行辨识。第一步采用偏差补偿递推最小二乘法在线辨识含原系统参数乘积项的参数向量。第二步采用奇异值分解法分离出原系统各参数的值。并且,一般的辨识方法中静态非线性模块多采用多项式拟合。多项式能够描述普通非线性的过程,对于强非线性的过程,阶次参数变多导致计算变得更加复杂,并且辨识精度也会有所下降。因此,Hammerstein-Wiener的快速辨识算法模型对于促进该模型的广泛应用非常重要。

本文提出一种基于极限学习机的Hammerstein-Wiener模型来描述CSTR的动态过程。将CSTR的机理模型辨识成易于实施控制的Hammerstein-Wiener模型。利用极限学习机来近似模型的非线性环节,ARX模型近似模型的线性部分。仿真实验部分比较了该算法与传统基于多项式函数的Hammerstein模型和ARX-LSSVM Hammerstein模型预测的结果。


本文详细内容请下载:https://www.chinaaet.com/resource/share/2000005388




作者信息:

韩珍珍1,2,成彬1,2,王程1,2,王云丽1,2

(1.河北省科学院应用数学研究所,河北 石家庄 050081;2.河北省信息安全认证技术创新中心,河北 石家庄 050081)


微信图片_20210517164139.jpg

此内容为AET网站原创,未经授权禁止转载。
Baidu
map