复杂生产过程工况的自动识别

D0I:10.13374/j.issn1001053x.1997.04.040 第19卷第4期 北京科技大学学报 Vol.19 No.4 1997年8月 Journal of University of Science and Technology Beijing Aug.1997 复杂生产过程工况的自动识别 张兰玲刘贺平孙一康 北京科技大学信息工程学院，北京100083 摘要针对复杂生产过程中的工况识别问题，利用了模块化的设计方法，将其分为离线建模模块 和在线决策模块，建模模块采用自适应延时神经网络构造各类工况相应的预测模型，决策模块通 过计算未知工况序列相对于各类预测模型的匹配程度判断其所属类别. 关键词模块化设计，神经网络，预测模型，工况识别 中图分类号TPI4 对生产过程的工况作出判断，不少学者致力于复杂生产过程模型的研究，以期得到与生 产过程工况相对应的控制用模型.然而，由于复杂生产过程的强非线性、时变性、空间分布性 和不确定性，很难对它们建立精确的数学模型.本文以炼铁生产的烧结过程为背景，针对复杂 生产过程中工况的识别问题提出了模块化的设计方法， 1系统整体结构 采用模块化的设计方法，可将整个系统分为建模与决策2个子模块：建模模块对生产过 程的不同工况，分别建立相应的预测模型，该模块可离线设计；决策模块可在线推断一个未知 工况序列所属的工况类别.整个系统结构如图1所示. 第1类工况预测模型】 {(0话 决 B(O {o= 第2类工况预测模型2 策 {) 模 {0出 所属工况类别 第n类工况预测模型n 块 预测模块 图1系统结构图 其中，Y={0”表示1个未知的工况序列： 。={(0},。表示Y经第n类预测模型的预测输出. 1996-08-13收稿 第一作者女26岁博士

第 卷 第 期 年 月 北 京 科 技 大 学 学 报 复杂生产过程工况 的 自动识别 张 兰玲 刘 贺平 孙一康 北京 科技大学信息工 程学院 ， 北京 摘要 针 对复 杂生 产过程 中的工 况 识别 问题 ， 利 用 了模块化 的设计方法 ， 将其分为 离 线建模模 块 和 在 线决策模 块 建模模块采 用 自适应延 时神经 网络构造各类工 况相 应 的预测模型 ， 决策模块通 过计算未知工况序列相对于 各类 预测模 型 的匹 配程度判 断其所属类别 关键词 模块化设计 ， 神经 网络 ， 预测模型 ， 工 况 识别 中图分类号 仲 对生 产 过 程 的工 况 作 出判 断 ， 不 少 学 者 致 力 于 复 杂 生 产 过 程模 型 的研 究 ， 以期得 到 与 生 产过 程 工 况 相 对应 的控 制 用模 型 然 而 ， 由于 复 杂生 产 过 程 的强 非 线性 、 时变性 、 空 间分 布性 和 不 确 定 性 ， 很 难 对它 们建 立精 确 的数学模 型 本文 以炼铁生 产 的烧结过程 为背景 ， 针 对复杂 生产 过程 中工 况 的识别 问题 提 出 了模 块 化 的设 计方法 系统整体结构 采 用 模 块化 的设计 方法 ’ ， 可 将整 个 系 统分 为建模 与决 策 个子模 块 建模模 块 对生产过 程 的不 同工 况 ， 分别建 立相 应 的预测模 型 ， 该模 块 可 离线设计 决策模块 可 在线 推断一 个未知 工况 序 列 所 属 的工 况类 别 整 个 系 统结 构 如 图 所示 垂巨画巫到 井业旦一… 决 坟 珊 燕丽赢习一鲤旦 瓢奚三死而蘸濒又仁丝塾业三 一 玖 江石 所属 工况类别 策模块 尸一 预测模块 图 系统结构 图 其 中 ， 一 玖 结表示 元 一 玖叱二二表示 个 未 知 的工 况序 列 经第 类 预测模 型 的预测 输 出 一 一 收稿 第一 作者 女 岁 博 士 DOI ：10．13374／j ．issn1001－053x．1997．04．040

Vol.19 No.4 张兰玲等：复杂生产过程工况的自动识别 399· 2复杂生产过程各类工况的ATNN预测模型（预测模块的设计） 在通过模式识别技术获得表征生产过程工况特性的特征变量序列凹的基础上，文献[3] 建立了过程的多元统计推断预测模型.然而，这种方法需预先确定模型的阶次，且需要根据时 序的特性，如：非线性、周期性等选择相应的模型类别，计算十分繁琐.本文中采用ATNN) 来建立各类工况的预测模型，ATN在前馈网络的连接权中引人了可调的时间延迟，其网络 权值和时间延迟在训练过程中均可实时进行调节，因而可更好地反映变化的时序，具有很强 的动态特性， 2.1ATNN的结构 ATNN2个神经元间的连接形式如图2所示.图中，2个神经元间的连接部分称为“延迟 块"(Delay Block),网络h-I层的节点i通过n+l条连接线与h层的节点j相连，与BP网络相 比，它在原有连接权W6-的基础上，增加了具有互相独立时间延迟T04-及连接权 ”H0.h-的n条连接线.网络h层的任一节点的输人等于h-1层各节点的输出经延迟后的加 权和.设t时刻，相对于序列a,h-1层的节点i的输出为00-（④，h层节点j的输人为1以i, i间的延迟连接数为N4-1则(0,0-)间的关系为： N-1 0=三三”A-1o归《-7-m=0时7=0) (1) 其中，L%-1为h一1层的节点集合，Tmh-为节点i,时间第m个连接的时间延迟，wmh-为节 点i,j间第m个连接的连接权. h层节点j的输出为： fa(o) h≥2 h=1 (2) 其中，f为Sigmoid函数，0()表示t时刻网络的第j个输入. ATNN就是由图2所示的“延迟块”构成的.设有I个3层ATNN,其输人节点，隐含节点， 输出节点数分别为3,4,3，则网络的结构如图3所示. 输人层 隐含层 输出层 延迟块 W)0.A-1 t.h-t inputl- 延迟块 ◆outputl 1h- 延迟块 r2.k-I 延迟块 output2 92.h-1 input2○ E迟块 input 3- 延迟块 ◆output3 e.h-l 延迟块 延迟块 图2ATNN神经元连接结构图 图3ATNN网络结构图

张兰玲等 复杂生产过程 工 况 的 自动识别 复杂生产过程各类工况 的 预测模型 预测模块的设计 在 通 过 模 式 识 别 技 术 获 得 表 征 生 产 过 程 工 况 特 性 的特 征 变 量 序 列 的基 础 上 ， 文 献 【 建立 了过程 的多 元统计 推 断预测 模 型 然 而 ， 这种 方法 需 预先确 定模 型 的 阶次 ， 且需 要 根 据 时 序 的特性 ， 如 非 线性 、 周 期 性 等 选 择相 应 的模 型类别 ’ ， 计算 十分繁琐 本 文 中采 用 来建 立 各 类 工 况 的 预测 模 型 ， 在 前 馈 网络 的连 接 权 中 引人 了 可 调 的 时 间延 迟 ， 其 网 络 权值和 时 间延 迟 在 训 练过 程 中均 可 实 时进行 调 节 ， 因而 可 更 好 地 反 映变 化 的 时序 ， 具 有 很 强 的 动 态特性 的结构 个 神 经元 间 的连 接形 式 如 图 所示 图 中 ， 个神经元 间 的连 接 部分 称 为 “ 延 迟 块 ” ， 网络 一 层 的节 点 通 过 条连 接线 与 层 的节 点 相 连 ， 与 网络相 比 ， 它 在 原 有 连 接 权 ， 一 的 基 础 上 ， 增 加 了 具 有 互 相 独 立 时 间 延 迟 毛 。 ， 一 及 连 接 权 ，。 ， 人 一 的 ” 条 连 接 线 · 网络 层 的任一 节 点 的输 人 等于 一 层 各节点 的输 出经延 迟 后 的加 权和 · 设 ‘ 时刻 ， 相 对于 序 列 “ ， ” 一 ‘ 层 的节 点 ‘ 的输 出为 口黑 一 ， ， ” 层 节 点 的输人 为 黑 ， ， 的延 迟连接数为 气 ， 一 ，， 则 识 ， 黑一 间的 关 系 为 件” 一 ， 具 祝 ， 工 ‘。 ， 一 可咒 一 ， ‘ 一 不一 ， 一 一 时 ， 不 ‘。 一 。 其 中 ， 气 一 ， 为 一 层 的节 点集合 ， 不二 ， 一 ，为节 点 ， 间第 个 连接 的 时 间延 迟 ， 陈 。 。 一 、为节 点 ， 间第 个连 接 的连接权 层节 点 的输 出为 仃 嘿 弓狱” 一 泛识 七 其 中， 为 “ 函 数 ， 喂 表示 ，时刻 网络 的第 个输人 · 就是 由图 所示 的 “ 延 迟 块 ” 构成 的 设有 个 层 ， 其输人 节 点 、 隐含 节点 、 输 出节点 数分别 为 ， ， ， 则 网络 的结 构如 图 所示 输人层 隐含层 输 出层 〔 石 应 延迟 块 图 神经元连接结构 图 图 网络结构 图

400* 北京科技大学学报 1997年第4期 2.2 学习算法 在本文中，网络的学习算法采用批处理方式，误差函数定义如下： E=·2总足0-om (3) 其中，A为一类工况的训练样本数，L表示输出层的节点集合，M为序列的长度，d和 0()分别为相对于训练序列、输出层节点j在1时刻的期望输出与实际输出， E 云的推导与不含延时的BP网络相同，所以： 8n.A(K E (4) 其中： [-(d0-0()·f'(o) h为输出层 a0= (3乏a+1'")·' )h为隐含层 (5) OE dE的推导方法与aw T(k) 云类似，现推导如下： 由链式规则： OE E ao 0TmA-内 (6) 显见a E即为(5)式. a N. a两a7f两∵，多三"小肉·o以-7wr -"m有-内·0A--Tmh-（) (7) 由微积分定理，易得： 09-0-09-) (Th-1《内=0) 0-Tmh-4k)≈ 0-+少-04。-） (8) (I-Tm.h-(内=mTA-1(内丰0) 其中，S为采样时间. 将(.(.（侧）武代人6式.卧码7· 3复杂生产过程工况的自动识别（决策模块的设计） 在已获得生产过程各种工况预测模型的基础上，对于一个未知的工况序列，由决策模块 对其所属工况类别作出在线推断

北 京 科 技 大 学 学 报 年 第 期 学 习 算法 在 本文 中 ， 网络 的学 习算法 采 用批处理 方 式 ， 误差 函数定义 如 下 一 告 · 。 拿 ， 睿 、 。 毛 中 不可 ” 一 叫犷“ ， 其 中 ， “ 为 一 类 工 况 的 训 练样 本 数 ， 几 ， 表 示 输 出层 的 节 点集 合 ， 为序 列 的长度 ， 才 和 妙知分别 为相 对于 训 练序 列 。 、 输 出层 节 点 在 ‘ 时刻 的期 望 输 出 与实 际 输 出 · 刁 。 “ ， 。 ， 的推 导与不 含延 时 的 网络相 同 ， 所 以 己 。 ，川 ， 。 月 入了 口艺 二嘿 · 州 一 聪 ， 人 一 。 其 中 引 一 一 瞥戮 ‘ 一 ‘ 户 “ 二 ‘ 户丫 ， 力 十 厂 七 气 厂 嘿 为输 出层 监 ， · 厂 嘿 为隐含层 刁 日 不 不竺牛下的推 导方 法 与二上气井 了，，，， ， 。 林乡 ，，，， 叼 类 似 ， 现 推 导如下 由链 式规则 日 。 阮 ， 一 刁 后万了而 叫 。 聪 ， 。 一 艺 、 ︸了材 。 。 己 。 。 二 尸 、 率 亚 夕已 ， 刃于而 “ 刀 又。 ，八 ’ 叫 。 不 ，， ， 。 一 己 一 。 不 。 ， 。 一 、 气 ， 、 工 艺 〔 气 、 ， 一 · 嚓仪 一 ， 一 珠 、 ， 一 一 ，‘ ，，，，， 。 一 · 咒 一 ， ‘ 一 不 。 ，， 。 一 ， 均 由微 积分 定理 ， 易得 口 叹 】 卜 了 一 叹 一 ， 一 叹 ， 卜 叹 了 ‘ 一 叹 ，一 ， 不 洲 ， 一 一 聪 ， 。 一 一 ‘ ， 乱 ， 。 一 ‘ 其 中 ， 为采样 时 间 将 ， ， 式 代人 式 ， 刁 即得一了竺，，，， 二 叼 复杂生产过程工 况 的 自动识别 决策模块的设计 在 已 获得 生 产过 程 各种 工 况 预测模 型 的基 础 上 ， 对于 一 个 未 知 的工 况 序列 ， 由决 策模 块 对其所 属工 况 类别 作 出在 线推断

Vol.19 No.4 张兰玲等：复杂生产过程工况的自动识别 ·401· 预测模型在工况识别中的应用基于下面的前提：若预测模型在一类过程上训练，则其预 测精度在该类为最高，基于这一思想，如果一个未知工况序列与哪类预测模型的匹配程度 最好，则把该未知工况序列归入这一类 一个未知工况序列Y与某类预测模型的匹配程度可由该序列Y与其经预测模型的预测 序列Y间的距离来度量.设Y为序列Y经第i类预测模型的预测输出，则Y,Y间的距离定义如 下： D(K力2.d0,0 (9) 其中，d(),)为XY在t时刻的距离，定义为： d(0,0)(∑(Y1>(0-Y,1>(0)12 (10) =0 其中，n为序列的维数，Y>(④，Y>()分别为)，Y)的第j个分量. 由以上讨论可知，若Y为第i类工况，则： D(X、)=minD(Xia) 其中，M为工况类别数. 4仿真 为简单起见，实验中我们选择2类工况为研究对象，每类工况序列的样本数为14，序列维 数为3，长度为16.对各类工况，以其中11个样本作训练样本，3个样本作检验样本.首先采用 (b) 3 0 200 400 600 0 200n 400 600 图4各类工况预测模型的误差变化曲线 ()第1类工况预测模型的误差变化曲线(b)第2类工况预测模型的误差变化曲线 第2节介绍的方法构造各类工况的预测模型，各类预测模型的误差变化曲线如图4所示， 然后，用所得预测模型对全部样本进行识别，对于训练用样本，识别率为100%，对于检 验用样本，识别率为83%· 5结论 本文采用模块化的设计方法，将复杂生产过程工况的识别分为建模与决策两个模块，建 模模块采用ATNN网络离线构造，决策模块通过定义合适的距离在线完成对未知工况序列

张 兰 玲等 复 杂生 产过 程 工况 的 自动 识别 预测模 型在 工 况 识 别 中的应 用基 于 下 面 的前 提 若 预 测模 型 在 一类 过 程 上 训 练 ， 则 其 预 测精 度 在 该类 为最 高 基 于 这 一 思 想 ， 如 果 一 个 未 知 工 况 序 列 与 哪类 预 测 模 型 的 匹 配 程 度 最好 ， 则 把 该未 知工 况序 列 归人 这 一类 一 个 未 知 工 况 序 列 与某 类 预测 模 型 的匹 配程 度 可 由该序 列 与 其 经 预 测模 型 的预 测 序列 全间的距 离来 度 量 设 它为序列 经第 ‘类 预测 模 型 的预测输 出 ， 则 名 ， 间 的距 离定 义 如 下 那 幻“ 主邵 ‘” “ ， 枷， 其 中 ， 叮玖 ， 欣 为 犷在 ，时刻 的距 离 ， 定 义 为 哪双 ， 狱 会 区 ‘ 一 了 ’ ’ ‘ ’ 了 其 中 ， 。 为序 列 的维数 ， ‘ ， 厂 ‘ 分别 为 城， 袱 的第 个分量 由以 上 讨论 可 知 ， 若 为第 类 工 况 ， 则 刀 丫 其 中 ， 为 工 况类别数 ， 蛛 ， 仿真 为简单起见 ， 实验 中我们 选择 类 工 况 为研究对象 ， 每类工 况序列 的样本数 为 ， 序 列 维 数 为 ， 长度 为 对各类 工 况 ， 以 其 中 个样 本作训 练样本 ， 个样本作检验样 本 首先采 用 订 图 各类工况预测模型的误差变化 曲线 第 类工 况预测模型 的误差变化 曲线 第 类工况预测模型 的误差 变化 曲线 第 节介绍 的方 法构造各类工 况 的预测模 型 ， 各类 预测模 型 的误差 变 化 曲线如 图 所示 然 后 ， 用 所 得 预 测 模 型 对全 部 样 本 进 行 识别 ， 对于 训 练 用 样 本 ， 识别 率 为 ， 对 于 检 验 用 样本 ， 识别率为 结论 本文 采 用模 块 化 的设 计方 法 ， 将复 杂生 产过 程 工 况 的识别 分 为建 模 与决 策 两个模 块 ， 建 模 模 块 采 用 网络 离线 构 造 ， 决 策模 块 通 过 定 义 合 适 的距 离 在 线完 成 对未 知 工 况 序 列

·402· 北京科技大学学报 1997年第4期 的推断.实验结果表明该方法是行之有效的，可以在复杂生产过程中获得应用. 参考文献 1 Jacobs R A,Jordan M I,Barto A G.Task Decomposition Through Competition in Modular Connectionist Architecture:the What and Where Vision Tasks.Cognitive Sci,1991,15(2):219 2邵贤强智能信息处理在烧结矿质量在线推断中的应用：[硕士论文]北京：北京科技大学，1995 3李泽飞，刘冀伟，瞿寿德.复杂生产过程模型建立的新方法.见：第五届中国控制与决策学术年会论文集 沈阳：东北大学出版社，1993.363 4杨叔子，吴雅，时间序列分析的工程应用（上、下）.武昌：华中理工大学出版社，1991 5 Lin D T,Dayhoff J E.Leaming Spatiotemporal Topology Using an Adaptive Time-Delay Neural Network.In:World Congress on Neural network.USA,1993.291 6瓦西里耶夫著，机器识别方法与系统.边肇祺，阁平凡译北京：科学出版社，1991 Automatic Recognition of the Operating Mode in Process of Complex Production Zhang Lanling Liu Heping Sun Yikang Information Engineering School,UST Beijing,Beijing 100083,China ABSTRACT A modular design method to recognize the operating mode in process of complex production is provided.The entire recognition task is divided into two sub-modules:modeling module,trained off-line,and decision module,performed on-line. In modeling module,the adaptive time-delay neural network is used to construct various predicting models which correspond to different operating modes.In decision module,for a new sequence,which operating mode it belong to is deduced depending on matching degree between this new sequence and all predicting models.The simulation results show the effectiveness of the method. KEY WORDS modular design,neural network,predicting model,operating mode recognition ◆

· 北 京 科 技 大 学 学 报 年 第 期 的推断 实验结果 表 明该方 法 是行 之 有效 的 ， 可 以在 复 杂生 产过程 中获得应用 参 考 文 献 ， ， 代 ， ， 邵 贤强 智能信息处理在烧结矿质量在 线推断 中的应用 硕 士论文〕 北京 北京科技大学 ， 李 泽 飞 ， 刘冀伟 ， 瞿 寿德 复杂生产过 程模型 建立 的新 方法 见 第五届 中国控制 与决策学术年会论文集 沈 阳 东北大学 出版社 ， 杨叔子 ， 吴雅 时间序列分析 的工程应用 上 、 下 武 昌 华 中理工大学 出版社 ， ， 压 玫 一 块 腌 限 】 ， 瓦西 里耶夫 著 机器识别方法 与系统 边肇祺 ， 阎平凡译 北京 科学出版社 ， 助 山 百 ， 肋 ， ， ， ， ， ， 一 ， 一 ’ ， ， ’ ‘刃 ， ，