基于核主元分析與徑向基神經(jīng)網(wǎng)絡(luò)的軟測(cè)量方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及發(fā)電機(jī)組運(yùn)行參數(shù)的軟測(cè)量，尤其涉及一種基于核主元分析與徑向基 神經(jīng)網(wǎng)絡(luò)的軟測(cè)量方法及系統(tǒng)。
【背景技術(shù)】
[0002] 現(xiàn)代大型火力發(fā)電機(jī)組中的很多測(cè)量傳感器工作在高溫、高壓、具有腐蝕性的復(fù) 雜環(huán)境中，有的還受到強(qiáng)電磁干擾，比系統(tǒng)中的其它部件更容易出現(xiàn)性能下降或故障，導(dǎo)致 其測(cè)量的數(shù)據(jù)不可信。當(dāng)傳感器出現(xiàn)性能蛻化、失效或故障時(shí)，會(huì)給后續(xù)的監(jiān)測(cè)、控制、故 障診斷等系統(tǒng)帶來嚴(yán)重影響，產(chǎn)生誤報(bào)警、誤診斷，甚至造成不可估量的損失。目前主要采 用物理冗余的方法來保證惡劣環(huán)境中傳感器測(cè)量數(shù)據(jù)的準(zhǔn)確性，但在一些特殊情況下，安 裝額外傳感器將受到限制或者信號(hào)直接不可測(cè)量時(shí)，只能依靠軟測(cè)量技術(shù)（SoftSensor Technology)獲得需要的測(cè)量信號(hào)。
[0003] 軟測(cè)量技術(shù)的關(guān)鍵是軟測(cè)量建模問題，即通過構(gòu)造數(shù)學(xué)模型，描述可測(cè)量的關(guān)鍵 操作變量、被控變量和擾動(dòng)變量與建模對(duì)象之間的函數(shù)關(guān)系。國內(nèi)外學(xué)者對(duì)軟測(cè)量建模方 法及應(yīng)用進(jìn)行了大量的研宄。單一的建模方法有PCR、PLS、神經(jīng)網(wǎng)絡(luò)方法和LS-SVM等；另 外許多混合的建模方法也被提出和應(yīng)用到實(shí)際中，取得了很好的效果。繼核方法提出后，核 方法被廣泛應(yīng)用于軟測(cè)量建模和復(fù)雜工業(yè)過程的故障診斷。王強(qiáng)等提出了一種將核主成分 分析（KPCA)和最小二乘支持向量機(jī)（LSSVM)相結(jié)合的軟測(cè)量建模方法，經(jīng)過驗(yàn)證具有較好 的預(yù)測(cè)效果與泛化能力。趙歡等建立了基于KPCA-e-SVM的鍋爐熱效率和N0X的排放特性 響應(yīng)模型。
[0004]有不少學(xué)者將PCA(Principle Component Analysis)與RBF(Radial Basis Function)網(wǎng)絡(luò)結(jié)合建立軟測(cè)量模型。楊爾輔等將PCA-RBF方法用于工業(yè)裂解爐收率的預(yù) 測(cè)建模；楊敏等將改進(jìn)的動(dòng)態(tài)DPCA-RBF網(wǎng)絡(luò)應(yīng)用于工業(yè)流化床乙烯氣相聚合過程的軟測(cè) 量建模中。由于采用PCA提取主元后，盡管能消除輸入變量之間的相關(guān)性，但是提取的主元 并不能完整地反映原變量特征信息，提取主元效率不高。而KPCA方法特征信息提取速度 快、保留充分，是較多學(xué)者將KPCA應(yīng)用于軟測(cè)量建模的主要原因，通過驗(yàn)證可知，該方法具 有更高的精度和更好的泛化能力。

【發(fā)明內(nèi)容】

[0005] 為了解決以上技術(shù)問題，本發(fā)明提供一種基于核主元分析與徑向基神經(jīng)網(wǎng)絡(luò)的軟 測(cè)量方法及系統(tǒng)。具體技術(shù)方案如下：
[0006] 一種基于核主元分析與徑向基神經(jīng)網(wǎng)絡(luò)軟的測(cè)量系統(tǒng)，包括
[0007] 測(cè)量輔助變量的智能儀表：發(fā)電機(jī)組所有可測(cè)變量都是通過現(xiàn)場(chǎng)的傳感器測(cè)量后 存儲(chǔ)到DCS數(shù)據(jù)庫中，所述的輔助變量為經(jīng)過機(jī)理分析模塊后得到的與待建模變量具有依 賴關(guān)系的可測(cè)變量；
[0008] 存儲(chǔ)數(shù)據(jù)的DCS數(shù)據(jù)庫：在機(jī)組運(yùn)行過程中，電廠的DCS數(shù)據(jù)庫中存儲(chǔ)著機(jī)組的所 有數(shù)據(jù)，軟測(cè)量儀表建模及預(yù)測(cè)所用數(shù)據(jù)均來自DCS數(shù)據(jù)庫；
[0009] 軟測(cè)量系統(tǒng)，包括用于建模的PC機(jī)（通過人工機(jī)理分析、KPCA-RBF網(wǎng)絡(luò)建模模 塊）、用于軟測(cè)量模型預(yù)測(cè)的服務(wù)器（數(shù)據(jù)采集模塊、KPCA-RBF網(wǎng)絡(luò)預(yù)測(cè)模塊）、用于數(shù)據(jù) 顯示和存儲(chǔ)的設(shè)備（數(shù)據(jù)顯示和存儲(chǔ)模塊）。
[0010] 本發(fā)明中，基于核主元分析與徑向基神經(jīng)網(wǎng)絡(luò)的軟測(cè)量系統(tǒng)的基本思路，是基于 歷史數(shù)據(jù)與高精度的測(cè)量儀表，通過機(jī)理分析得到主要輔助變量，根據(jù)核主元分析提取數(shù) 據(jù)特征，再通過徑向基神經(jīng)網(wǎng)絡(luò)建模，得到待測(cè)變量的模型進(jìn)行實(shí)時(shí)在線預(yù)測(cè)。
[0011] 機(jī)理分析的目的是從機(jī)組的眾多運(yùn)行參數(shù)中是找出與待測(cè)量參數(shù)相關(guān)的變量。通 過質(zhì)量守恒、能量守恒原理、機(jī)組運(yùn)行機(jī)制、機(jī)組控制系統(tǒng)、及工藝流程來分析相關(guān)的輔助 變量。這樣得到的相關(guān)變量組是軟測(cè)量建模的基礎(chǔ)。完備的相關(guān)變量組可以有效的降低建 模誤差，提高軟測(cè)量的測(cè)量精度。
[0012] KPCA-RBF網(wǎng)絡(luò)建模模塊利用KPCA方法提取輔助參數(shù)的高階非線性特征，降低數(shù) 據(jù)維數(shù)，消除數(shù)據(jù)的冗余與噪聲，再將經(jīng)過特征值提取后的主元變量集，作為RBF神經(jīng)網(wǎng)絡(luò) 的輸入建立軟測(cè)量模型。KPCA提取數(shù)據(jù)特征采用徑向基函數(shù)K(x，Xi) =exp(-|x-Xi |2/2 〇 2) 作為KPCA中的核函數(shù)，其中，K為核矩陣，x為輸入空間的各變量，XiS基函數(shù)中心，〇為 基函數(shù)寬度系數(shù)。
[0013] 影響KPCA-RBF預(yù)測(cè)精度的參數(shù)主要有KPCA中的核參數(shù)〇k，提取的主元個(gè) 數(shù)以及RBF的擴(kuò)展系數(shù)SPREAD。一般根據(jù)累計(jì)方差貢獻(xiàn)率（CumulativePercentof Variance)
【主權(quán)項(xiàng)】
1. 一種基于核主元分析與徑向基神經(jīng)網(wǎng)絡(luò)的軟測(cè)量方法，其特征在于，包括步驟： 1) 測(cè)量發(fā)電機(jī)組的運(yùn)行參數(shù)，并存儲(chǔ)到DCS數(shù)據(jù)庫中； 2) 任選取一項(xiàng)運(yùn)行參數(shù)作為建模變量，通過機(jī)理分析從所述的DCS數(shù)據(jù)庫中獲取與所 述建模變量相關(guān)的輔助變量； 3) 利用KPCA方法提取所述輔助變量的高階非線性特征，將經(jīng)過特征值提取后的主元 變量集，和建模變量作為RBF神經(jīng)網(wǎng)絡(luò)的輸入建立軟測(cè)量模型； 4) 選取相應(yīng)的待測(cè)參數(shù)，輸入所述的軟測(cè)量模型，得到對(duì)應(yīng)的軟測(cè)量值。
2. 如權(quán)利要求1所述的基于核主元分析與徑向基神經(jīng)網(wǎng)絡(luò)的軟測(cè)量方法，其特征在 于，所述的KPCA方法采用下式的徑向基函數(shù)作為KPCA中的核函數(shù)， K (x, Xi) = exp (-1 X-Xi 12/2 σ 2) 式中，K為核矩陣，X為輸入空間的各變量，XiS基函數(shù)中心，σ為基函數(shù)寬度系數(shù)。
3. 如權(quán)利要求2所述的基于核主元分析與徑向基神經(jīng)網(wǎng)絡(luò)的軟測(cè)量方法，其特征在 于，在步驟3)中，采用方差貢獻(xiàn)薄
來選取若干個(gè)主元組成新特 征向量，作為所述的主元變量集；其中，k為當(dāng)前主元的序號(hào)，s為主元總數(shù)，1為選取的主元 個(gè)數(shù)，λ k為第k個(gè)主元對(duì)應(yīng)的特征值，E為方差貢獻(xiàn)率的閾值。
4. 如權(quán)利要求3所述的基于核主元分析與徑向基神經(jīng)網(wǎng)絡(luò)的軟測(cè)量方法，其特征在 于，在步驟3)中，采用循環(huán)交叉驗(yàn)證動(dòng)態(tài)尋優(yōu)方法確定軟測(cè)量模型的最佳參數(shù)組合，尋優(yōu) 步驟如下： 4. 1)設(shè)定各個(gè)參數(shù)的尋優(yōu)范圍； 4. 2)設(shè)定CPV閾值不變； 4. 3)設(shè)定核參數(shù)σ ,和RBF的擴(kuò)展系數(shù)SPREAD，并計(jì)算軟測(cè)量模型相應(yīng)的RMSE ; 4. 4)在每個(gè)參數(shù)的尋優(yōu)范圍內(nèi)循環(huán)調(diào)整核參數(shù)〇 jP SPREAD的組合，得到這組參數(shù)的 MSE 值； 4. 5)改變CPV閾值，重復(fù)步驟4. 3)和4. 4)，取RMSE值最小時(shí)的參數(shù)組合，作為軟測(cè)量 模型的最佳參數(shù)組合。
5. -種基于核主元分析與徑向基神經(jīng)網(wǎng)絡(luò)的軟測(cè)量系統(tǒng)，其特征在于，包括： 數(shù)據(jù)采集模塊，通過傳感器測(cè)量發(fā)電機(jī)組的各項(xiàng)參數(shù)； DCS數(shù)據(jù)庫，內(nèi)部存儲(chǔ)著發(fā)電機(jī)組的運(yùn)行參數(shù)； 測(cè)量輔助變量模塊，通過機(jī)理分析從所述的DCS數(shù)據(jù)庫獲取與待建模變量相關(guān)的輔助 變量； KPCA-RBF網(wǎng)絡(luò)建模模塊，利用KPCA方法提取所述輔助變量的高階非線性特征，將經(jīng)過 特征值提取后的主元變量集，和待建模變量作為RBF神經(jīng)網(wǎng)絡(luò)的輸入建立軟測(cè)量模型； 選取相應(yīng)的待測(cè)參數(shù)，輸入所述的軟測(cè)量模型，得到對(duì)應(yīng)的軟測(cè)量值。
6. 如權(quán)利要求5所述的基于核主元分析與徑向基神經(jīng)網(wǎng)絡(luò)的軟測(cè)量系統(tǒng)，其特征在 于，所述的KPCA方法采用下式的徑向基函數(shù)作為KPCA中的核函數(shù)， K (x, Xi) = exp (-1 X-Xi 12/2 σ 2) 式中，K為核矩陣，X為輸入空間的各指標(biāo)，XiS基函數(shù)中心，σ為基函數(shù)寬度系數(shù)。
7. 如權(quán)利要求6所述的基于核主元分析與徑向基神經(jīng)網(wǎng)絡(luò)的軟測(cè)量系統(tǒng)，其特征在 于，在所述的KPCA-RBF網(wǎng)絡(luò)建模模塊中，采用方差貢獻(xiàn)率 <
，來選 取若干個(gè)主元組成新特征向量，作為所述的主元變量集；其中，k為當(dāng)前主元的序號(hào)，s為主 元總數(shù)，1為選取的主元個(gè)數(shù)，λ k為第k個(gè)主元對(duì)應(yīng)的特征值，E為方差貢獻(xiàn)率的閾值。
8. 如權(quán)利要求7所述的基于核主元分析與徑向基神經(jīng)網(wǎng)絡(luò)的軟測(cè)量系統(tǒng)，其特征在 于，在所述的KPCA-RBF網(wǎng)絡(luò)建模模塊中，采用循環(huán)交叉驗(yàn)證動(dòng)態(tài)尋優(yōu)方法確定軟測(cè)量模型 的最佳參數(shù)組合，尋優(yōu)步驟如下： (1) 設(shè)定各個(gè)參數(shù)的尋優(yōu)范圍； (2) 設(shè)定CPV閾值不變； (3) 設(shè)定核參數(shù)σ # RBF的擴(kuò)展系數(shù)SPREAD，并計(jì)算軟測(cè)量模型相應(yīng)的RMSE ; (4) 在每個(gè)參數(shù)的尋優(yōu)范圍內(nèi)循環(huán)調(diào)整核參數(shù)〇1;和SPREAD的組合，得到這組參數(shù)的 MSE 值； (5) 改變CPV閾值，重復(fù)步驟（3)和（4)，取RMSE值最小時(shí)的參數(shù)組合，作為軟測(cè)量模 型的最佳參數(shù)組合。
【專利摘要】本發(fā)明公開了一種基于核主元分析與徑向基神經(jīng)網(wǎng)絡(luò)的軟測(cè)量系統(tǒng)，可應(yīng)用于發(fā)電機(jī)組或者復(fù)雜工業(yè)過程的難測(cè)參數(shù)測(cè)量，包括測(cè)量輔助變量的智能儀表，用于存儲(chǔ)數(shù)據(jù)的DCS數(shù)據(jù)庫以及軟測(cè)量系統(tǒng)。智能儀表，發(fā)電機(jī)組所有可測(cè)變量通過現(xiàn)場(chǎng)的智能儀表測(cè)量后存儲(chǔ)到DCS數(shù)據(jù)庫中；DCS數(shù)據(jù)庫存儲(chǔ)著機(jī)組的所有數(shù)據(jù)；軟測(cè)量系統(tǒng)包括用于建模的PC機(jī)、用于軟測(cè)量模型預(yù)測(cè)的服務(wù)器、用于數(shù)據(jù)顯示的設(shè)備。本發(fā)明還公開了基于核主元分析與徑向基神經(jīng)網(wǎng)絡(luò)的軟測(cè)量方法。本發(fā)明具有較高的精度和泛化能力，性能好，適用于復(fù)雜的工業(yè)過程建模，具有通用性和普適性，可以解決高溫、高壓、腐蝕性、電磁干擾等復(fù)雜環(huán)境下運(yùn)行參數(shù)的軟測(cè)量問題，提高系統(tǒng)的安全性和可靠性。
【IPC分類】G05B13-04
【公開號(hào)】CN104536290
【申請(qǐng)?zhí)枴緾N201410618271
【發(fā)明人】陳堅(jiān)紅, 李鴻坤, 盛德仁, 李蔚
【申請(qǐng)人】浙江大學(xué)
【公開日】2015年4月22日
【申請(qǐng)日】2014年11月5日