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