热工过程无样本参量认知建模理论方法研究

本项目研究热工过程中无法在线实时监测且（在一般条件下）无法获得离线采样样本的过程参量的取值预测或状态评估问题，即无样本参量认知问题。主要开展以下研究工作：（1）研究一种表征方法用于有效表征无样本参量特性知识，并研究一种基于数据及知识驱动的自适应方法用于构建该种表征；（2）研究一种广义融合法则用于解决无样本参量特性知识融合过程中所面临的独立性和冲突性问题；（3）研究一种基于无样本参量特性知识融合的认知建模理论方法，建立无样本参量认知模型，并对认知模型特性及精度进行分析；（4）以火电厂钢球磨煤机为实际研究对象，实现热工过程无样本参量（料位）的认知。本项目的研究目标：研究一种认知建模理论方法用于解决热工过程中无样本参量认知问题，并同时能够用于解决可获得采样样本的过程参量监测问题。本项目研究对实现复杂对象的在线优化、在线可控，从而提高对象的生产能力并降低能耗具有重要意义。

为了解决复杂热工过程中无样本参量的取值预测或状态评估问题，项目开展了无样本参量的无参数和有参数认知建模方法研究。首先，提出了一种分别以区间数、模糊数和模糊证据为表征形式的表征方法，用于有效表征无样本参量特性知识，并研究一种基于数据及知识驱动的自适应方法用于构建该种表征。在无参数认知建模研究中，提出了一种广义范数及其构建策略，并基于该广义范数提出了一种广义范数证据融合法则，该融合法则可以解决无样本参量特性知识融合过程中所面临的独立性和冲突性问题；然后，基于广义范数融合法则，提出了一种无样本参量无参数证据回归多模型建模方法，与此同时，为了提高无参数认知模型的精度，分别提出了一种证据邻域粗糙集模型用于确定输入变量和一种基于证据分类器的模型校正策略用于模型在线校正。在有参数认知建模研究中，首先分别基于区间数、模糊数和模糊证据为表征形式，提出了三类EM算法用于系统辨识，这些EM算法分别能够用于解决在仅能获得区间数、模糊数和模糊证据情况下的模型参数辨识问题；基于提出的EM算法，随后开展了以区间数、模糊数、模糊证据为表征的（有参）线性和非线性证据回归建模理论方法研究。仿真结果表明，无论是无参数认知建模方法还是有参数认知建模方法，都可以用于实现无样本参量的认知，通过比较研究发现，无样本有参数认知建模方法具有较高的认知精度，而无样本无参数认知建模方法则具有更为丰富的结果描述形式。基于以上理论研究成果，以火电厂钢球磨煤机为实际研究对象，实现了热工过程无样本参量料位的认知。本项目研究对实现复杂对象的在线优化、在线可控，从而提高对象的生产能力并降低能耗具有重要意义。