基于深度学习特征提取的复杂工业过程辨识建模方法研究

With the development towards large-scale and complex modern industrial processes, the abundant data have been generated and stored which has led to special difficulties in designing the model-based industrial process controller. How to mine high-level useful information from the large-scale process data and apply the useful information to study identification modeling methods for complex industrial processes is an urgent problem to be solved in the literature. This project focuses on the modeling and identification of nonlinear dynamic systems which widely exist in complex industrial processes. The main work includes: (1) study the deep learning algorithms which can automatically extract the intrinsic features from the process data that are high dimensional with strong correlations and high redundancy based on the deep learning technique; (2) build a dynamic auxiliary model to study the identification methods for filling the missing data and estimating the unmeasurable variables by using the available information, based on the auxiliary model idea; (3) study the new identification and modeling methods for complex nonlinear systems by using the deep neural networks; (4) develop the computationally efficient hierarchical based identification algorithms for dealing the complex structure systems based on the hierarchical principle. This project belongs to the applied basic research, and its achievements have important reference value for the industrial process modeling and control in our country.

现代工业过程已呈现出向大型化、复杂化的方向发展，产生和存储了大量的数据，使得基于模型的工业过程控制器设计遇到了极大的困难。如何深度挖掘出大规模过程数据中的有用信息，并将这些信息用于复杂工业过程的建模和辨识是领域内亟待解决的问题。本项目围绕复杂工业过程中普遍存在的非线性动态系统的建模和辨识问题展开，主要研究内容包括：(1)基于深度学习技术，针对工业过程数据具有维数高、相关性强和冗余度高的特点，研究能自动提取数据内在特征的深度学习算法；(2)基于辅助模型思想，利用过程可测变量，搭建动态辅助模型，研究能实现填补缺失数据和估计不可测变量的辨识算法；(3)利用深度神经网络，研究复杂非线性动态系统的辨识建模方法；(4)基于递阶原理，研究能提高计算效率、处理复杂结构系统的辨识算法。本项目属于应用基础研究，其研究成果对我国流程工业过程的建模和控制有重要参考价值。

现代化工、冶金、机械等工业领域呈现出大型化、复杂化的趋势，产生和存储了大量的过程数据，使得基于模型的工业过程控制器设计遇到了极大的困难。因此，如何有效的利用复杂工业过程中的有用信息建立高精度的数学模型，以满足日益提高的系统可靠性要求和现代快速发展的智能化需求已成为领域内急需解决的问题之一。本项目围绕复杂工业过程中普遍存在的典型非线性系统的建模和辨识问题展开，主要的研究内容包括：针对复杂工业过程数据具有维数高、相关性强和冗余度高的特点，对数据进行降噪滤波并获得可用于过程建模的有用信息，然后，根据获得的数据特征，借助于深度神经网络拟合非线性函数的优势，研究了基于网络模型的非线性系统的辨识建模方法，避免了高维数据带来的维度灾难问题；针对采样过程中存在关键数据缺失和模型中存在不可测中间变量的问题，通过利用过程中的可量测数据，研究了基于辅助模型的参数估计算法，实现了对过程缺失数据的动态填补和对网络辨识模型中不可测中间变量的动态估计；针对实际工业过程中存在随机噪声干扰不确定的辨识难点，结合对数范数代价函数和梯度搜索原理，提出了能抑制噪声干扰的辨识算法，有效的提高了模型的鲁棒性和准确度；基于递阶原理，提出了基于递阶策略的网络模型随机梯度类辨识算法，实现了网络模型中子辨识模型间的动态交互，建立了一类能提高计算效率、处理复杂结构系统的辨识建模算法。本项目的研究成果能为我国流程工业过程的建模和控制问题提供重要的理论支持和解决方法，有较好的应用推广前景。