基于数据特征的多模态过程辨识建模方法

Chemical industrial production processes often present multiple production modes, different modes often have different data characteristics, and there are nonlinearities, missing data, multivariables, strong coupling and other complex phenomena. This project combines the theory of feature recognition and identification modeling, and extends it to the research of identification modeling method of this kind of multimode industrial processes. The main research contents include: (1) use the sparse representation method of the block structure, establish a sparse representation model and a training data dictionary of all modes of a multimode system, and realize the mode recognition and mode selection of test data; (2) use flexible combination of blocks covering many characteristics of multimode processes, study the block structure based multiple model representation methods of multimode processes, and solve the modeling problem of multimode systems; (3) use the maximum likelihood principle, study the incremental EM iteration algorithm, partly update expectation in the iteration processes, so as to reduce the computation load and realize the fast online parameter identification of the system with missing data; (4) use the hierarchical identification principle, decompose a coupled multivariable multimode system into numerous subsystems, and study the high-efficiency and high-precision identification algorithm by combining the particle swarm optimization method. The achieved results have important applications in China's chemical industrial processes.

化工等流程工业生产过程往往呈现出多个生产模态，不同模态具有不同数据特征，存在非线性、缺失数据、多变量、强耦合等复杂现象。本项目将模态识别和辨识建模理论相结合，拓展到广泛存在的多模态工业过程的辨识建模方法研究中。主要研究内容包括：(1)采用模块结构的稀疏表示方法，建立多模态系统所有模态的稀疏表示模型和训练数据字典，实现测试数据的模态特征识别和模态选择；(2)利用模块结构灵活结合可以涵盖多模态过程众多复杂特性特点，研究多模态过程的模块化多模型表示方法，以解决多模态系统模型化问题；(3)利用极大似然原理，研究缺失数据系统的增量最大期望EM迭代算法，在迭代过程中部分更新期望，以减小计算量和实现缺失数据系统的快速在线参数辨识；(4)采用递阶辨识原理将多变量耦合多模态系统分解为众多子系统，结合粒子群搜索方法，探讨多变量耦合多模态过程高效率和高精度辨识方法。研究成果在我国化工等流程工业中有重要应用前景。

研究了模块化系统的辨识建模和参数估计方法、多模态动力电池状态建模方法、无线传感网络的鲁棒状态估计方法、以及多智能体协同任务的新型最大奖励优化方法。主要内容为：(1)针对多变量模块化和缺失数据模块化非线性系统，基于极大似然原理，研究参数辨识的极大似然算法和最大期望EM算法，解决了存在多个参数向量和缺失数据模块化模型的辨识问题。(2)针对多模态锂电池，采用门控递归单元神经网络（GRU-RNN）、极限学习机（ELM）神经网络、双向长短时记忆（BiLSTM）网络等对锂电池荷电状态SOC或健康状态SOH进行建模，提出了锂电池状态估计的动量梯度算法、谱Fletcher-Reeves共轭梯度算法、Adam算法等，实现快速和最优的权值优化。(3)对锂电池等效电路状态方程模型，提出多新息Kalman滤波方法、自适应多新息Kalman滤波方法、和双率采样多新息Kalman滤波方法估计锂电池荷电状态SOC，提高了辨识算法的精度和计算效率。(4)对无线传感网络状态方程模型，分别提出基于局部事件触发和基于数据驱动传输策略的鲁棒融合网络状态估计方法，以节约传感器能耗，减少网络流量拥塞。(5)对协作多智能体协同任务，提出使用权重因子和动作概率进行探索-利用的方法，以获得更高的学习速度；进一步提出解决多智能体协同任务一种策略梯度潜力方法的最大奖励概率算法和提出了一种基于学习自动机的协作多智能体的优化算法等，以达到重复游戏中的最大总奖励，并对算法的收敛性进行理论分析。

内容获取失败，请点击重试