不同核函數SVR的焦爐集氣管壓力預測分析

摘 要 針對焦爐集氣管系統具有較強的非線性，數學模型難以建立等問題，提出了基于支持向量回歸機（SVR）的預測控制策略。借助核函數SVR的穩定預測能力，利用現場正常工況的部分數據作為訓練集，對系統進行辨識建模，再用測試集對其進行誤差檢驗。在仿真平臺上，對不同核函數SVR的預測模型精度做比較。結果表明，RBF核函數的預測模型誤差最小，能夠解決系統的建模問題。

關鍵詞 焦爐集氣管壓力;預測模型;RBF

引言

焦爐集氣管壓力是整體焦化生產流程的重中之重，該系統是一個集非線性、大干擾具有代表性的一類工業系統，難以針對這樣的控制對象建立精確的數學模型[1]。傳統的統計學研究的前提是樣本數目趨于無窮大的漸進理論，缺乏統一的數學理論基礎，仍需借助經驗，往往局限于局部最優解。隨著統計學習理論的發展，提出了SVR模型辨識。SVR具有較強的泛化能力，極大地提高了訓練能力，而不同核函數的SVR預測模型預測精度又有差別[2]。實驗結果表明，基于RBF核函數的焦爐集氣管壓力預測模型精度最高，誤差最小。

1SVR算法原理

SVR是基于SVM中的一個重要的應用分支。SVR回歸與傳統的回歸方法不一樣，傳統的回歸方法認為回歸得到的要完全等于時才算預測正確;而支持向量回歸（SVR）則認為只要是與偏離程度不要太大，既可認為預測正確。具體的操作方法就是在回歸的函數里設置一個閾值，只是計算 的數據點。由于數據樣本在很少的情況下，訓練集容易過擬合，可以給回歸方程加一個正則化參數，正則化參數有L1范式、L2范式，則得到的回歸是嶺回歸和lasso回歸[3]。

2核函數的分析和選取

3基于SVR焦爐集氣管壓力預測模型

3.1 系統辨識建模

焦爐集氣管壓力系統是集非線性，大干擾于一身的代表性工業控制系統，以焦爐集氣管壓力系統為對象，生產過程中含有出焦、裝煤、氨水噴灑、換向等操作，都會對系統產生不同程度的干擾影響。系統在生產過程是實時的，且壓力數據是在不斷更新，樣本數據的選取也對模型的好壞產生影響。設該系統的非線性模型為：

其中是輸入信號，分別是輸入和輸出的階次。對于并聯結構的SVR辨識模型，由于起初的學習階段不能保證，初始偏差在遞推迭代過程中會產生積累效應，所以采取串-并模型的辨識結構。

由于樣本數據是非線性的，線性回歸預測很難達到滿意的效果，通過核函數將輸入空間經過非線性變換映射到高維線性可分空間。模型輸出為：

3.2 實驗仿真結果及分析

采集現場正常工況下的200組數據，用150組數據作為訓練集進行訓練，確定各個核函數模型最佳的參數，建立好預測模型，然后再用剩下的50組數據作為測試集，驗證各個核函數預測模型的精度。通過平均百分比誤差（MAPE）和均方誤差（MSE）的比對，來觀察各個核函數預測模型的最終效果。

從上表可以得出：不同的核函數得到的預測模型效果是有細微區別的。從MSE和MAPE的角度來看，三種基于核函數的SVR預測模型預測效果相當接近，誤差也都達到10-2級，相比之下，基于sigmoid核函數的集氣管壓力預測模型誤差相對較大，基于RBF核函數的預測模型誤差最小，精度也最高。

4結束語

設計的基于SVR的預測控制方法應用于集氣管壓力系統，用SVR辨識建模，再利用3種不同的核函數對非線性數據分別進行處理，以提高系統的預測精度。仿真結果表明：基于RBF核函數的SVR預測模型預測精度更高，對于復雜的非線性工業控制對象的建模，提供了新的思路。

參考文獻

[1] Ahlawat S，Choudhary A . Hybrid CNN-SVM Classifier for Handwritten Digit Recognition[J]. Procedia Computer ence，2020（167）：2554-2560.

[2] A S D K，B S E，C S B，et al. A microcontroller based machine vision approach for tomato grading and sorting using SVM classifier[J]. Microprocessors and Microsystems，2020（76）：103.

[3] 程曾婉.基于SVR的焦爐冷鼓系統預測控制器設計[D].合肥：安徽工業大學，2018.

作者簡介

謝進（1991-），男，安徽桐城人;畢業院校：安徽工業大學，專業：控制工程，學歷：碩士研究生，現就職單位：安徽工業大學電氣與信息工程學院，研究方向：工業智能控制。