基于Hammerstein的pH中和过程预测方法和系统

基于hammerstein的ph中和过程预测方法和系统
技术领域
1.本发明涉及过程工业技术领域，具体涉及一种基于hammerstein的ph中和过程预测方法和一种基于hammerstein的ph中和过程预测系统。


背景技术：

2.ph中和过程在工业生产中非常普遍，大量化工过程都需要对其化学反应过程的ph值进行控制，例如化工废水处理过程中，处理厂的污水必须经中和后才能安全排放到环境中。在制药工业中，ph值影响药物通过生物膜的溶解性、稳定性和渗透性，因此ph中和过程ph值控制的研究受到广泛关注。
3.在实际的工业过程中，ph中和过程往往具有强非线性、不确定性和大时滞等内在复杂的机理问题，传统的数学机理模型已经很难准确地描述这些系统，现有的比较成熟的线性系统理论也无法取得很好的结果。因此，为精确地描述系统在整个工作范围内的特性，需要根据系统的输入输出数据，设计相应的辨识方法来建立ph中和过程非线性动态模型。近年来，在ph中和过程的辨识建模与控制研究中取得许多重要成果，形成了各具特色的理论和方法，但仍存在辨识精度低，鲁棒性较弱的缺陷。


技术实现要素：

4.本发明为解决上述技术问题，提供了一种基于hammerstein的ph中和过程预测方法，具有高精度以及外延性特性，并且辨识过程简单，辨识过程的计算量较小。
5.本发明采用的技术方案如下：
6.一种基于hammerstein的ph中和过程预测方法，包括以下步骤：构建hammerstein模型；获取ph中和过程的组合式信号源；根据所述组合式信号源辨识所述hammerstein模型；根据辨识后的所述hammerstein模型预测所述ph中和过程的输出ph值。
7.根据本发明的一个实施例，所述hammerstein模型包括静态非线性模型、动态线性模型和扰动模型，所述构建hammerstein模型，包括以下步骤：采用神经模糊模型建立所述hammerstein模型中的静态非线性模型；采用多项式模型建立所述hammerstein模型中的动态线性模型；采用滑动平均模型建立所述hammerstein模型中的扰动模型。
8.根据本发明的一个实施例，所述神经模糊模型为四层神经模型，其中，所述神经模糊模型的第一层为输入层，所述神经模糊模型的第二层为高斯隶属度函数层，所述神经模糊模型的第三层为模糊规则层，所述神经模糊模型的第四层为输出层。
9.根据本发明的一个实施例，所述多项式模型为：
[0010][0011][0012]
[0013]
其中，b(z)、a(z)为常数多项式，z-1
为单位后移算子，且满足z-1
y(t)＝y(t-1)，ai(i＝1,2,
…
,na)、bj(j＝1,2,
…
,nb)分别为多项式系数，且多项式的阶次na和nb是已知的。
[0014]
根据本发明的一个实施例，所述滑动平均模型为：
[0015][0016]
其中，d(z)为常数多项式，dm(m＝1,2,
…
,nd)为所述滑动平均模型的系数，滑动阶次nd是已知的。
[0017]
根据本发明的一个实施例，所述hammerstein模型为：
[0018]
y(t)＝x(t)+w(t)
[0019]
w(t)＝d(z)e(t)
[0020][0021]
v(t)＝f(u(t))
[0022]
其中，y(t)为所述ph中和过程的输出变量，u(t)为所述ph中和过程的输入变量，v(t)为所述静态非线性模型的输出变量，x(t)为所述动态线性模型的输出变量，w(t)为所述扰动模型的输出变量，e(t)为白噪声。
[0023]
根据本发明的一个实施例，所述组合式信号源包括可分离信号和随机信号，所述根据所述组合式信号源辨识所述hammerstein模型，包括以下步骤：基于所述可分离信号采用相关性分析法辨识所述动态线性模型的系统参数；基于所述随机信号采用聚类算法和滤波随机梯度法辨识所述静态非线性模型和所述扰动模型的系统参数。
[0024]
一种基于hammerstein的ph中和过程预测系统，包括：建模模块，所述建模模块用于构建hammerstein模型；获取模块，所述获取模块用于获取ph中和过程的组合式信号源；辨识模块，所述辨识模块用于根据所述组合式信号源辨识所述hammerstein模型；预测模块，所述预测模块用于根据辨识后的所述hammerstein模型预测所述ph中和过程的输出ph值。
[0025]
根据本发明的一个实施例，所述hammerstein模型包括静态非线性模型、动态线性模型和扰动模型，所述建模模块具体用于采用神经模糊模型建立所述hammerstein模型中的静态非线性模型，采用多项式模型建立所述hammerstein模型中的动态线性模型，采用滑动平均模型建立所述hammerstein模型中的扰动模型。
[0026]
根据本发明的一个实施例，所述神经模糊模型为四层神经模型，其中，所述神经模糊模型的第一层为输入层，所述神经模糊模型的第二层为高斯隶属度函数层，所述神经模糊模型的第三层为模糊规则层，所述神经模糊模型的第四层为输出层。
[0027]
本发明的有益效果如下：
[0028]
(1)本发明采用辨识后的hammerstein模型预测ph中和过程，具有高精度以及外延性特性；
[0029]
(2)本发明的辨识过程采用组合式信号源，不仅简化了参数辨识过程，同时减小了辨识过程的计算量；
[0030]
(3)本发明针对噪声扰动采用滤波随机梯度法进行处理，能够有效抑制噪声扰动的干扰，从而能够保证预测精度。
附图说明
[0031]
图1为本发明实施例的基于hammerstein的ph中和过程预测方法的流程图；
[0032]
图2为本发明一个实施例的根据组合式信号源辨识hammerstein模型的流程图；
[0033]
图3为本发明一个实施例的基于hammerstein的ph中和过程的预测结果示意图；
[0034]
图4为本发明实施例的基于hammerstein的ph中和过程预测系统的方框示意图。
具体实施方式
[0035]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0036]
需要说明的是，在ph中和过程可通过控制输入ph中和反应器的naoh的流量来控制输出ph值，并且在一个给定的ph中和过程中，ph中和过程的动态特性可表示为：
[0037]fs
＝fa+fb[0038][0039][0040][0041][0042]
其中，fs为反应器的输出流量，fa为反应器的输入流量，fb为naoh的输入流量，kw为固定参数，c
0a
为hcl的初始浓度，c
0b
为naoh的初始浓度，xa为hcl的反应浓度，xb为naoh的反应浓度，v为反应器的体积，q为反应器中的酸碱浓度。
[0043]
基于以上认知，可选用naoh的流量作为ph中和过程预测的输入变量u(t)，并可将输出ph值作为ph中和过程预测的输出变量y(t)，具体预测过程如图1所示。
[0044]
如图1所示，本发明实施例的基于hammerstein的ph中和过程预测方法，包括以下步骤：
[0045]
s1，构建hammerstein模型。
[0046]
其中，hammerstein模型可包括静态非线性模型、动态线性模型和扰动模型。具体地，可采用神经模糊模型建立hammerstein模型中的静态非线性模型，并可采用多项式模型建立hammerstein模型中的动态线性模型，此外，还可采用滑动平均模型建立hammerstein模型中的扰动模型。
[0047]
在本发明的一个实施例中，神经模糊模型可包括模糊神经网络和径向基神经网络，并且神经模糊模型可为四层神经模型，其中，神经模糊模型的第一层为输入层，神经模糊模型的第二层为高斯隶属度函数层，神经模糊模型的第三层为模糊规则层，神经模糊模型的第四层为输出层。
[0048]
具体地，神经模糊模型的第一层，即输入层可用于接收输入信号，例如输入变量u(t)，并可将输入信号，例如输入变量u(t)直接传递至神经模糊模型的第二层，即高斯隶属
度函数层。
[0049]
其中，神经模糊模型的第二层，即高斯隶属度函数层可采用下列公式计算接收到的输入信号，例如输入变量u(t)的隶属度函数：
[0050][0051]
其中，l为模糊规则数，c
l
为隶属度函数的中心，σ
l
为隶属度函数的宽度。
[0052]
此外，需要说明的是，神经模糊模型的第三层，即模糊规则层中的每个每个神经元表示一条模糊规则，由此可确定隶属度函数中l，即模糊规则数的数量。
[0053]
进一步地，计算得到输入信号，例如输入变量u(t)的隶属度函数后，可通过神经模糊模型的第四层，即输出层输出，具体可通过神经模糊模型的第四层，即输出层的单个神经元输出信号进行表示：
[0054][0055]
其中，w
l
(l＝1,
…
,l)为神经模糊模型的权重。
[0056]
在本发明的一个实施例中，多项式模型可为：
[0057][0058][0059][0060]
其中，b(z)、a(z)为常数多项式，z-1
为单位后移算子，且满足z-1y
(t)＝y(t-1)，ai(i＝1,2,
…
,na)、bj(j＝1,2,
…
,nb)分别为多项式系数，且多项式的阶次na和nb是已知的。
[0061]
在本发明的一个实施例中，滑动平均模型可为：
[0062][0063]
其中，d(z)为常数多项式，dm(m＝1,2,
…
,nd)为滑动平均模型的系数，滑动阶次nd是已知的。
[0064]
其中，需要说明的是，ai(i＝1,2,
…
,na)、bj(j＝1,2,
…
,nb)、dm(m＝1,2,
…
,nd)为未知参数，在本发明中可设定na＝1，nb＝1，nd＝1。
[0065]
在本发明的一个实施例中，hammerstein模型可为：
[0066]
y(t)＝x(t)+w(t)
[0067]
w(t)＝d(z)e(t)
[0068]
[0069]
v(t)＝f(u(t))
[0070]
其中，y(t)为ph中和过程的输出变量，u(t)为ph中和过程的输入变量，v(t)为静态非线性模型的输出变量，x(t)为动态线性模型的输出变量，w(t)为扰动模型的输出变量，e(t)为白噪声。
[0071]
进一步地，结合神经模糊模型可将静态非线性模型的输出变量v(t)的计算公式变换为：
[0072][0073]
其中，
[0074]
进一步地，结合神经模糊模型、多项式模型和滑动平均模型可将ph中和过程的输出变量y(t)的计算公式变换为：
[0075][0076]
进一步简化可得到：
[0077][0078]
其中，为hammerstein模型的信息向量，θ为hammerstein模型的参数向量，具体地，
[0079][0080][0081]
s2，获取ph中和过程的组合式信号源。
[0082]
s3，根据组合式信号源辨识hammerstein模型。
[0083]
在本发明的一个实施例中，组合式信号源可包括可分离信号和随机信号，具体地，可基于可分离信号采用相关性分析法辨识动态线性模型的系统参数，并可基于随机信号采用聚类算法和滤波随机梯度法辨识静态非线性模型和扰动模型的系统参数。
[0084]
在本发明的一个实施例中，可分离信号可为二进制信号，并可将基于该可分离信号，即二进制信号的输入输出变量设定为{u1(t),y1(t)}。
[0085]
进一步地，可采用输入变量u1(t)的自相关函数和定值常量的乘积代替中间变量v(t)与输入变量u1(t)的互相关函数，从而可实现静态非线性模型和动态线性模型的系统参数的辨识分离。其中，采用输入变量u1(t)的自相关函数和定值常量的乘积代替中间变量v(t)与输入变量u1(t)的互相关函数，具体公式为：
[0086][0087]
其中，b0＝e(v(t)u1(t))/e(u(t)u1(t))为常量，为自相
关函数，为互相关函数，τ为时间常数，e为数学期望。
[0088]
由此，可得到的输出变量y1(t)的计算公式：
[0089][0090]
进一步地，可采用相关性分析法辨识动态线性模型的系统参数，具体可将输出变量y1(t)的计算公式的两边乘以u1(t-τ)，以计算数学期望，再结合和得到：
[0091][0092]
其中，
[0093][0094][0095][0096]
其中，p为时间常数(p≥na+nb)，为白噪声e(t)与变量u1(t)在t时刻的相关函数，为输出变量y1(t)与变量u1(t)在t时刻的相关函数，t为转置。
[0097]
举例而言，可采用400组幅值为0或0.的可分离信号，即二进制信号，在给定阶次na＝1，nb＝1的条件下，利用相关性分析法辨识动态线性模型的系统参数，即
[0098]
在本发明的一个实施例中，可将基于随机信号的输入输出变量设定为{u2(t),y2(t)}。
[0099]
进一步地，基于输入变量u2(t)可采用聚类算法辨识静态非线性模型的系统参数，例如计算隶属度函数的中心c
l
和宽度σ
l
，具体地，可将输入变量u2(1)作为第一个聚类，并可设第一个聚类中心c1＝u2(1)，对于第t个输入变量u2(t)，按照相似性判据(n表示输入变量u2(t)的总数，e表示指数函数)计算第t个数据与每一个聚类中心的相似性，判断是否增加新的聚类，并按照调整聚
类中心(n
l
表示属于第l个聚类的数目，λ∈[0,1]表示可调参数)，重复执行该步骤直到所有的输入变量u2(t)都被分配到相应的聚类为止，然后可根据计算隶属度函数的宽度(ρ表示交叠参数，通常取1≤ρ≤2)。
[0100]
举例而言，可采用500组幅值为[-0.5,0.5]的随机信号，在设置参数s0＝0.992，ρ＝2，λ＝0.01的条件下，可得到6条模糊规则，利用聚类算法计算隶属度函数中心，即聚类中心c
l
＝[-0.0976,0.4828,0.1207-0.3，456,0.2581-0.4，756]，宽度σ
l
＝[0.1091,0.2224,0.0687，0.0650,0.0687，0.0650]。
[0101]
在本发明的一个实施例中，还可基于随机信号的输入输出变量{u2(t),y2(t)}和ph中和过程的输入变量u(t)采用滤波随机梯度法辨识静态非线性模型的系统参数，例如神经模糊模型的权重w
l
，以及扰动模型的系统参数，例如滑动平均模型的系数dm。
[0102]
进一步地，可滤波处理输入变量u(t)，具体可在y(t)＝x(t)+w(t)两端同时乘以
[0103][0104]
其中，
[0105][0106][0107]
其中，为滤波处理后的信息向量，θs为滤波处理后的参数向量，
[0108][0109]
其中，对于中的未知变量xf(t)和u
l
(t)可用其估计值和代替，具体可设置和的初始值都为10-6
，并可利用滤波随机梯度法更新参数向量θs：
[0110][0111][0112][0113][0114][0115][0116]
其中，rs(t)为t时刻梯度信息变量，θn为滤波参数，并且可通过滤
波随机梯度法更新：
[0117][0118][0119][0120][0121][0122][0123][0124]
其中，rn(t)为滤波输入在t时刻梯度信息变量。
[0125]
举例而言，可采用500组幅值为[-0.5,0.5]的随机信号，在设置参数s0＝0.992，ρ＝2，λ＝0.01的条件下，可得到6条模糊规则，利用滤波随机梯度法得到神经模糊模型的权重w
l
＝[-0.0116,0.0276,0.0076，-0.0340,0.0327，-0.0303]，滑动平均模型的系数d＝0.0245。
[0126]
综上可知，在辨识hammerstein模型的过程中，需要遍历所有的输入变量u2(t)，从而得到静态非线性模型的系统参数，即隶属度函数的中心c
l
和宽度σ
l
、以及神经模糊模型的权重w
l
，扰动模型的系统参数，即滑动平均模型的系数dm，具体如图2所示：
[0127]
s301，基于可分离信号，即二进制信号的输入输出变量{u1(t),y1(t)}，采用相关分析法辨识动态线性模型的系统参数
[0128]
s302，初始化t＝1，设置第一个聚类中心；
[0129]
s303，基于随机信号的输入变量u2(t)，采用聚类算法辨识静态非线性模型的系统参数，例如隶属度函数的中心c
l
和宽度σ
l
；
[0130]
s304，基于随机信号的输入输出变量{u2(t),y2(t)}，采用滤波随机梯度法辨识静态非线性模型的系统参数，例如神经模糊模型的权重w
l
，扰动模型的系统参数，即滑动平均模型的系数dm；
[0131]
s305，更新系统参数；
[0132]
s306，判断是否遍历了所有的输入变量u2(t)，若是，则结束辨识过程，若否，则t＝t+1返回步骤s303。
[0133]
s4，根据辨识后的hammerstein模型预测ph中和过程的输出ph值。
[0134]
需要说明的是，辨识后的hammerstein模型，其动态线性模型的系统参数，即静态非线性模型的系统参数，即隶属度函数的中心c
l
和宽度σ
l
、以及神经模糊模型的权重w
l
，扰动模型的系统参数，即滑动平均模型的系数dm均实现辨识更新，由此，可保证辨识后的hammerstein模型为适用于ph中和过程的非线性动态模型，即滑动平均模型扰动下的hammerstein模型。
[0135]
因此，基于辨识后的hammerstein模型，可利用ph中和过程的搅拌槽设备的输入变量u(t)，例如naoh的流量预测ph中和过程的输出变量y(t)，即输出ph值。
[0136]
本发明的有益效果如下：
[0137]
(1)本发明采用辨识后的hammerstein模型预测ph中和过程，具有高精度以及外延性特性；
[0138]
(2)本发明的辨识过程采用组合式信号源，不仅简化了参数辨识过程，同时减小了辨识过程的计算量；
[0139]
(3)本发明针对噪声扰动采用滤波随机梯度法进行处理，能够有效抑制噪声扰动的干扰，从而能够保证预测精度。
[0140]
下面将结合图3，进一步说明本发明的基于hammerstein的ph中和过程预测方法的有益效果。
[0141]
如图3所示，可采用500组幅值为[-0.5,0.5]的随机信号作为ph中和过程的输入，经过辨识后的hammerstein模型，可得到对应预测输出ph值，通过与ph实际输出比较，能够明显看出预测输出ph值与ph实际输出基本一致，说明的本发明的基于hammerstein的ph中和过程预测方法具有较高的精度。
[0142]
对应上述实施例的基于hammerstein的ph中和过程预测方法，本发明还提出一种基于hammerstein的ph中和过程预测系统。
[0143]
如图4所示，本发明实施例的基于hammerstein的ph中和过程预测系统，包括建模模块10、获取模块20、辨识模块30和预测模块40。其中，建模模块10用于构建hammerstein模型；获取模块20用于获取ph中和过程的组合式信号源；辨识模块30用于根据组合式信号源辨识hammerstein模型；预测模块40用于根据辨识后的hammerstein模型预测ph中和过程的输出ph值。
[0144]
在本发明的一个实施例中，hammerstein模型可包括静态非线性模型、动态线性模型和扰动模型，建模模块10可具体用于采用神经模糊模型建立hammerstein模型中的静态非线性模型，采用多项式模型建立hammerstein模型中的动态线性模型，采用滑动平均模型建立hammerstein模型中的扰动模型。
[0145]
其中，神经模糊模型为四层神经模型，其中，神经模糊模型的第一层为输入层，神经模糊模型的第二层为高斯隶属度函数层，神经模糊模型的第三层为模糊规则层，神经模糊模型的第四层为输出层。
[0146]
需要说明的是，本发明实施例的基于hammerstein的ph中和过程预测系统更具体的实施方式可参照上述基于hammerstein的ph中和过程预测方法的实施例，在此不再赘述。
[0147]
本发明的有益效果如下：
[0148]
(1)本发明采用辨识后的hammerstein模型预测ph中和过程，具有高精度以及外延性特性；
[0149]
(2)本发明的辨识过程采用组合式信号源，不仅简化了参数辨识过程，同时减小了辨识过程的计算量；
[0150]
(3)本发明针对噪声扰动采用滤波随机梯度法进行处理，能够有效抑制噪声扰动的干扰，从而能够保证预测精度。
[0151]
下面将结合图3，进一步说明本发明的基于hammerstein的ph中和过程预测系统的有益效果。
[0152]
如图3所示，可采用500组幅值为[-0.5,0.5]的随机信号作为ph中和过程的输入，
经过辨识后的hammerstein模型，可得到对应预测输出ph值，通过与ph实际输出比较，能够明显看出预测输出ph值与ph实际输出基本一致，说明的本发明的基于hammerstein的ph中和过程预测系统具有较高的精度。
[0153]
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0154]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0155]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0156]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

技术特征：
1.一种基于hammerstein的ph中和过程预测方法，其特征在于，包括以下步骤：构建hammerstein模型；获取ph中和过程的组合式信号源；根据所述组合式信号源辨识所述hammerstein模型；根据辨识后的所述hammerstein模型预测所述ph中和过程的输出ph值。2.根据权利要求1所述的基于hammerstein的ph中和过程预测方法，其特征在于，所述hammerstein模型包括静态非线性模型、动态线性模型和扰动模型，所述构建hammerstein模型，包括以下步骤：采用神经模糊模型建立所述hammerstein模型中的静态非线性模型；采用多项式模型建立所述hammerstein模型中的动态线性模型；采用滑动平均模型建立所述hammerstein模型中的扰动模型。3.根据权利要求2所述的基于hammerstein的ph中和过程预测方法，其特征在于，所述神经模糊模型为四层神经模型，其中，所述神经模糊模型的第一层为输入层，所述神经模糊模型的第二层为高斯隶属度函数层，所述神经模糊模型的第三层为模糊规则层，所述神经模糊模型的第四层为输出层。4.根据权利要求2所述的基于hammerstein的ph中和过程预测方法，其特征在于，所述多项式模型为：项式模型为：项式模型为：其中，b(z)、a(z)为常数多项式，z-1
为单位后移算子，且满足z-1
y(t)＝y(t-1)，a
i
(i＝1,2,
…
,n
a
)、b
j
(j＝1,2,
…
,n
b
)分别为多项式系数，且多项式的阶次n
a
和n
b
是已知的。5.根据权利要求4所述的基于hammerstein的ph中和过程预测方法，其特征在于，所述滑动平均模型为：其中，d(z)为常数多项式，d
m
(m＝1,2,
…
,n
d
)为所述滑动平均模型的系数，滑动阶次n
d
是已知的。6.根据权利要求5所述的基于hammerstein的ph中和过程预测方法，其特征在于，所述hammerstein模型为：y(t)＝x(t)+w(t)w(t)＝d(z)e(t)v(t)＝f(u(t))其中，y(t)为所述ph中和过程的输出变量，u(t)为所述ph中和过程的输入变量，v(t)为所述静态非线性模型的输出变量，x(t)为所述动态线性模型的输出变量，w(t)为所述扰动
模型的输出变量，e(t)为白噪声。7.根据权利要求2所述的基于hammerstein的ph中和过程预测方法，其特征在于，所述组合式信号源包括可分离信号和随机信号，所述根据所述组合式信号源辨识所述hammerstein模型，包括以下步骤：基于所述可分离信号采用相关性分析法辨识所述动态线性模型的系统参数；基于所述随机信号采用聚类算法和滤波随机梯度法辨识所述静态非线性模型和所述扰动模型的系统参数。8.一种基于hammerstein的ph中和过程预测系统，其特征在于，包括：建模模块，所述建模模块用于构建hammerstein模型；获取模块，所述获取模块用于获取ph中和过程的组合式信号源；辨识模块，所述辨识模块用于根据所述组合式信号源辨识所述hammerstein模型；预测模块，所述预测模块用于根据辨识后的所述hammerstein模型预测所述ph中和过程的输出ph值。9.根据权利要求8所述的基于hammerstein的ph中和过程预测系统，其特征在于，所述hammerstein模型包括静态非线性模型、动态线性模型和扰动模型，所述建模模块具体用于采用神经模糊模型建立所述hammerstein模型中的静态非线性模型，采用多项式模型建立所述hammerstein模型中的动态线性模型，采用滑动平均模型建立所述hammerstein模型中的扰动模型。10.根据权利要求9所述的基于hammerstein的ph中和过程预测系统，其特征在于，所述神经模糊模型为四层神经模型，其中，所述神经模糊模型的第一层为输入层，所述神经模糊模型的第二层为高斯隶属度函数层，所述神经模糊模型的第三层为模糊规则层，所述神经模糊模型的第四层为输出层。

技术总结
本发明提供了一种基于Hammerstein的pH中和过程预测方法和系统，其中，所述方法包括以下步骤：构建Hammerstein模型；获取pH中和过程的组合式信号源；根据所述组合式信号源辨识所述Hammerstein模型；根据辨识后的所述Hammerstein模型预测所述pH中和过程的输出pH值。本发明具有高精度以及外延性特性，并且辨识过程简单，辨识过程的计算量较小。辨识过程的计算量较小。辨识过程的计算量较小。


技术研发人员：李峰 梁明俊 俞洋 陶为戈
受保护的技术使用者：江苏理工学院
技术研发日：2022.03.28
技术公布日：2022/7/5