基于前馈规则网络的大型发电设备设计理论与方法研究

充分利用知识基于实例进行再设计是目前大型发电设备设计常用的一种方法。但从形式上完全复制实例到新设计中，会抑制设计创造力，限制创新设计空间。为此，本课题在筛选大型发电设备实例中表征结构和系统状态特征参数基础上，针对模糊型和区间型等离散参数以及图形型等连续型参数的规则提取问题，研究混合径向基核函数和基于图形特征理论的过程神经网络模型，设计高效的支持向量机和过程神经网络多模式分类算法，从实例中提取设计规则；根据大型发电设备设计过程关联，建立表征大型发电设备设计过程内涵的前馈规则网络模型，开发基于优化算法和进化算法的前馈规则网络学习算法，获得各类设计的最优设计规则路径，将基于实例的再设计提升为基于规则的再设计，形成一套原创的基于规则网络的大型发电设备设计方法的理论体系。在此基础上，设计开发基于前馈规则网络的大型发电设备方案设计示范系统，为大型发电设备变型设计和创新设计提供理论和系统支持。

申请书研究内容的技术路线是：从含有多种数据类型的大型发电设备方案设计实例中的提取设计规则——>整理设计规则，建立能够表征设计内涵的规则网络模型——>开发基于优化算法和进化算法的规则网络模型学习算法，最终获得最优设计规则路径。项目的研究工作也正是紧紧围绕这一路线展开。. 在针对多种数据类型的规则提取方法方面，项目完成了面向区间型、模糊型和图形型数据的规则提取方法研究。针对区间型数据，项目基于无监督分类的高斯混合模型从单个参数的样本空间中提取混合高斯成分构成参数的模糊区域集合，最终获得具有强解释性的电磁设计模糊设计规则。针对模糊型数据，项目提出了基于模糊形式背景的模糊概念格获取方法及应用，通过定义两个模糊概念间的欧拉距离公式，方法从细粒度概念中抽取具有较大说明度的水轮机方案设计实例大粒度概念。模糊型数据：项目提出了一种基于云模型的多模式分类方法，基于云模型在定性概念到定量数值转换过程中表现出的良好随机性和模糊性，获得了模糊型数据的多分类数学模型。针对图形型数据，采用高斯混合模型进行模型转轮综合特性曲线特征抽取，获得特性曲线的几何特征参数。. 在规则网络模型建模方面：针对离散型数据系统建模提出了一种混合规则网络模型，该模型的核心是表征样本规则的节点，各节点采用全连接方式连接且能够根据特定要求动态构建规则集并产生网络输出，在规则完备性方面较典型TS模糊网络更具优势。针对连续型数据系统建模，提出了一种过程TS模糊系统模型并给出了其参数辨识算法。项目使用ARCA模糊聚类算法进行模糊规则获取，该聚类算法可大大降低计算量。实验证明系统具有更广的适用范围和鲁棒性。. 在基于优化算法和进化算法的规则网络模型学习算法方面，项目研发了遗传算法进行规则网络学习，在学习过程中动态的规则选择机制避免了TS模糊系统中采用固定的规则集合进行非线性逼近的问题，提高了最优规则路径的选择概率；项目还研发了基于组合粒子群优化算法，该算法的搜索方向由内部粒子作用和外部粒子作用的联合作用，大大提高了粒子搜索到最优解的概率和效率，以及避免了局部最优解。 .基于上述技术已经发表论文8篇，开发了大型发电设备设计示范系统，重点针对水轮发电机的电磁设计和水轮机的选型设计进行了应用验证。培养博士研究生2名，硕士研究生4名。