zhuyucai1的个人博客分享 http://blog.sciencenet.cn/u/zhuyucai1

博文

出成果啦:3. 搞神经网络的人看过来

已有 2403 次阅读 2021-9-20 14:32 |系统分类:论文交流

今年第三篇文章提出了一个闭环无激励系统辨识方法。工业界使用系统辨识建模的人非常注重测试数据的信息量。在模型预测控制(MPC)的工业项目中,为了得到足够的信息量,要对生产装置加入激励信号并运行足够时间,以提高数据的信噪比。对控制对象加激励信号并收集数据的过程叫辨识测试或阶跃测试。激励信号对生产来说是一种干扰,会增加被控变量的波动,这是辨识测试的成本。

搞系统辨识的人知道,在闭环控制的条件下,如果在控制器参数上做点手脚,不加激励信号也可保证数据的信息量,满足模型可辨识条件。我们的闭环测试方案是,测试时,在原有的控制器和一个品质更好的控制器之间切换。这样既保证了信息量(模型的可辨识性),还降低了被控变量的波动(提高了控制品质)。就是说我们把模型辨识的成本降成负数

检验模型品质的一个方法是考察模型仿真误差的大小。该方法在开环加激励信号、单变量测试的场景下可用。控制界的神经网络建模方法主要使用模型的仿真误差决定模型质量。一般规则是:如果相对仿真误差接近0%,则模型非常精确;如果接近或大于100%,则模型完全错误。这种办法虽然直观,就算对开环辨识也只对单变量测试方法有效。对于闭环无激励辨识,可以很容易证明模型的相对仿真误差大于100%. 不知搞神经网络的同事如何解决这个问题。

文章见:Yun Zhu, Wengang Yan, Yucai Zhu (2021). MPC closed-loop identification without excitation. Journal of Process Control, Vol. 106, pp. 122-129.

MPC closed-loop identification without excitation-JPC.pdf




https://m.sciencenet.cn/blog-862928-1304975.html

上一篇:人云亦云之:打破国外垄断
下一篇:黎卡提方程美如水,最小二乘壮如山

5 杨卫东 杨正瓴 武夷山 李宏翰 郑永军

该博文允许注册用户评论 请点击登录 评论 (2 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2022-5-25 18:35

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部