[论文解读] System identification and modeling for interacting and non-interacting tank systems using intelligent techniques

N.S. Bhuvaneswari, R. Praveena+1 more|arXiv (Cornell University)|Aug 6, 2012

Hydraulic and Pneumatic Systems参考文献 3被引用 5

一句话总结

本文提出了一种用于相互作用与非相互作用水箱系统的系统辨识与建模的对比框架，采用智能技术，包括遗传算法、神经网络、模糊逻辑、ARX模型和过程反应曲线方法。结果表明，混合智能模型——尤其是自适应神经模糊推理系统（ANFIS）——在参数变化和干扰条件下，能够更准确、更稳健地捕捉动态行为，在实时实验验证中优于传统的统计方法和基于第一性原理的方法。

ABSTRACT

System identification from the experimental data plays a vital role for model based controller design. Derivation of process model from first principles is often difficult due to its complexity. The first stage in the development of any control and monitoring system is the identification and modeling of the system. Each model is developed within the context of a specific control problem. Thus, the need for a general system identification framework is warranted. The proposed framework should be able to adapt and emphasize different properties based on the control objective and the nature of the behavior of the system. Therefore, system identification has been a valuable tool in identifying the model of the system based on the input and output data for the design of the controller. The present work is concerned with the identification of transfer function models using statistical model identification, process reaction curve method, ARX model, genetic algorithm and modeling using neural network and fuzzy logic for interacting and non interacting tank process. The identification technique and modeling used is prone to parameter change & disturbance. The proposed methods are used for identifying the mathematical model and intelligent model of interacting and non interacting process from the real time experimental data.

研究动机与目标

• 开发一种可推广的系统辨识框架，可适应多样的控制目标和系统行为。
• 解决由于系统复杂性和非线性导致难以从第一性原理推导出精确过程模型的挑战。
• 基于相互作用与非相互作用水箱系统的实时实验数据，评估并比较多种智能建模技术的性能。
• 提高模型在工业过程控制中常见的参数变化和外部干扰下的鲁棒性。
• 基于实证数据，为动态多水箱过程系统中的智能建模技术建立基准。

提出的方法

• 采用统计模型辨识和过程反应曲线方法，从实验输入-输出数据中推导初始传递函数模型。
• 应用ARX（带外生输入的自回归）模型结构，使用最小二乘法估计进行线性系统辨识。
• 利用遗传算法（GA）优化传递函数和非线性模型结构中的参数，以提高拟合效果。
• 基于实时实验数据训练神经网络模型，以捕捉非线性动态和时变行为。
• 构建结合模糊逻辑规则系统与神经网络学习的神经模糊推理系统（ANFIS），实现自适应建模。
• 在受控输入激励下，使用相互作用与非相互作用双水箱系统的实时数据验证所有模型。

实验结果

研究问题

• RQ1 在辨识相互作用与非相互作用水箱系统时，智能建模技术在准确性和鲁棒性方面如何比较？
• RQ2 遗传算法优化的模型在复杂非线性过程中能在多大程度上改善参数估计？
• RQ3 与传统的ARX和传递函数模型相比，神经模糊系统能否有效捕捉在参数变化和干扰下的动态行为？
• RQ4 在实时系统辨识任务中，统计方法、进化算法和混合智能技术的相对性能如何？
• RQ5 在相同实验条件下，非相互作用与相互作用水箱配置的模型自适应能力有何差异？

主要发现

• 神经模糊（ANFIS）模型在捕捉系统动态方面表现出最高精度，尤其是在非线性和时变区域。
• 遗传算法优化的模型相比传统的最小二乘ARX拟合，表现出更好的收敛性和更低的误差。
• 过程反应曲线方法为一阶近似提供了可靠的基线，但在相互作用系统中无法捕捉高阶动态。
• ARX模型在稳定线性系统中表现良好，但在高度非线性或耦合水箱配置中表现出显著误差。
• 所有智能模型——尤其是ANFIS和GA优化的神经网络——在参数变化和外部干扰下均表现出增强的鲁棒性。
• 所提出的框架成功实现了对相互作用与非相互作用水箱系统的精确、实时建模，验证了其在多样化控制问题中的适应能力。