买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：东北大学

摘要：本发明提供一种基于迭代学习和子空间辨识的粉体粒度PDF形状建模方法，涉及粉体粒度控制技术领域。步骤如下：1采集盘磨系统的输入输出数据，包括磨盘间隙、喂料量和粉体粒度PDF形状数据；2采用RBF‑NN对粉体粒度PDF形状对应的权值进行解耦计算；3采用迭代学习选择一组最优高斯基函数；4采用子空间辨识建立权值的线性动态模型；5结合权值线性动态模型和RBF‑NN对粉体粒度PDF形状的近似，可得粉体粒度PDF形状的动态模型。本发明采用迭代学习选择高斯基函数，使其对粉体粒度PDF形状的逼近误差最小，极大改善了建模效果；使用子空间辨识建立权值线性动态模型，在保证良好建模精度同时降低模型复杂度，特别符合实际应用时对模型简单易用的要求。

主权项：1.一种基于迭代学习和子空间辨识的粉体粒度PDF形状建模方法，其特征在于，包括以下步骤：步骤1，采集盘磨系统运行过程中的磨盘间隙和喂料量的控制量数据，以及粉体粒度PDF形状数据；步骤2、采用高斯型径向基函数神经网络RBF-NN，对粉体粒度PDF形状所对应的权值向量进行解耦计算，从而将粉体粒度PDF表示为一组基函数和所对应权值的乘积；步骤3、采用迭代学习的方法选择一组最优的高斯基函数，使得其对于粉体粒度PDF形状的逼近误差最小；所述迭代学习为，在每次迭代中不断的调整RBF-NN基函数的中心和宽度值，最小化粉体粒度实际测量PDF与粉体粒度近似PDF之间的误差，从而选出一组最优的高斯基函数；首先，令M个粉体粒度实际测量PDF的向量形式如下：gy＝[g1y,g2y,...,gMy]式中，M表示采样点的总数，gMy表示第M个采样点处的实际测量PDF；假设第i次迭代后获得的粉体粒度近似PDF为：γiy＝[γi,1y,γi,2y,...,γi,My]式中，γi,My表示第i次迭代后第M个采样点处的近似PDF；为了评价粉体粒度PDF形状近似的效果，定义如下性能指标函数： 式中，Ji,m表示第i次迭代后第m个采样点的粉体粒度近似PDF与实际PDF之间的逼近误差；写成向量形式如下：Ei＝[Ji,1,Ji,2,...,Ji,M]T式中，Ji,M表示第i次迭代后第M个采样点的近似PDF与实际PDF之间的逼近误差，Ei表示第i次迭代后所有采样点的逼近误差构成的误差向量，且Ei所有分量都是非负的；采用一种基于迭代学习规则的中心和宽度值更新算法来调整基函数参数： 式中，μl,i和σl,i分别表示第i次迭代后第l个基函数的中心和宽度值，学习参数αu和βσ分别定义如下： 式中，λi和λi′是权重系数，ζu和ζσ是学习率；步骤4、采用子空间辨识，建立权值的线性动态模型；所述权值的线性动态模型的构建方法为：不考虑过程和测量噪声，用如下确定性系统的状态空间模型描述权值的线性动态模型： 式中，uk∈Rm、vk∈Rl和xk∈Rn分别表示第k个采样时刻的输入向量、输出向量和状态向量，Rm、Rl和Rn分别表示m维、l维和n维列向量，A,B,C,D为相应维数的系统矩阵；所述步骤4具体包括以下步骤：步骤4.1、确定子空间建模的输入和输出变量；其中输入变量为磨盘间隙和喂料量的控制量数据，输出变量为粉体粒度PDF形状对应的权值向量数据；步骤4.2、构造Hankel数据矩阵： 式中，Hankel矩阵包含i块行和j块列，即上述矩阵中的每个元素均为列向量；其中，uk∈Rm表示第k个采样时刻的输入向量，vk∈Rl表示第k个采样时刻的输出向量，k的取值范围是[0,2i+j-2]；步骤4.3、利用斜投影公式计算斜投影Oi和Oi-1： 式中，Wp＝[UpVp]T，Wp+＝[Up+Vp+]T，矩阵Up+、Uf-、Vp+和Vf-的定义方式如下： 式中，上标+和-分别表示相应矩阵行块数增加一行和减少一行；步骤4.4、对斜投影Oi进行奇异值分解，得到广义能观矩阵Γi和状态向量序列的估计值同时确定系统的阶次n： 式中，U1、U2、S1、S2、V1、V2均为矩阵Oi分解得到的子矩阵；步骤4.5、对斜投影Oi-1进行奇异值分解，计算得到Γi-1和下一时刻状态向量序列的估计值 式中，Ua1、Ua2、Sa1、Sa2、Va1、Va2均为矩阵Oi-1分解得到的子矩阵；Γi-1表示Γi去掉最后l行得到的子矩阵；步骤4.6、通过求解如下最小二乘问题，提取系统矩阵A,B,C,D 式中，Ui＝[uiui+1…ui+j-1]，Vi＝[vivi+1…vi+j-1]；步骤5、利用步骤4建立的权值的线性动态模型，结合步骤2、步骤3中所述RBF-NN对粉体粒度PDF形状的近似，得到盘磨系统的随机分布模型，即粉体粒度PDF形状的动态模型。

全文数据：

权利要求：

百度查询： 东北大学 基于迭代学习和子空间辨识的粉体粒度PDF形状建模方法