不同核函数SVR的焦炉集气管压力预测分析

摘 要 针对焦炉集气管系统具有较强的非线性，数学模型难以建立等问题，提出了基于支持向量回归机（SVR）的预测控制策略。借助核函数SVR的稳定预测能力，利用现场正常工况的部分数据作为训练集，对系统进行辨识建模，再用测试集对其进行误差检验。在仿真平台上，对不同核函数SVR的预测模型精度做比较。结果表明，RBF核函数的预测模型误差最小，能够解决系统的建模问题。

关键词 焦炉集气管压力;预测模型;RBF

引言

焦炉集气管压力是整体焦化生产流程的重中之重，该系统是一个集非线性、大干扰具有代表性的一类工业系统，难以针对这样的控制对象建立精确的数学模型[1]。传统的统计学研究的前提是样本数目趋于无穷大的渐进理论，缺乏统一的数学理论基础，仍需借助经验，往往局限于局部最优解。随着统计学习理论的发展，提出了SVR模型辨识。SVR具有较强的泛化能力，极大地提高了训练能力，而不同核函数的SVR预测模型预测精度又有差别[2]。实验结果表明，基于RBF核函数的焦炉集气管压力预测模型精度最高，误差最小。

1SVR算法原理

SVR是基于SVM中的一个重要的应用分支。SVR回归与传统的回归方法不一样，传统的回归方法认为回归得到的要完全等于时才算预测正确;而支持向量回归（SVR）则认为只要是与偏离程度不要太大，既可认为预测正确。具体的操作方法就是在回归的函数里设置一个阈值，只是计算 的数据点。由于数据样本在很少的情况下，训练集容易过拟合，可以给回归方程加一个正则化参数，正则化参数有L1范式、L2范式，则得到的回归是岭回归和lasso回归[3]。

2核函数的分析和选取

3基于SVR焦爐集气管压力预测模型

3.1 系统辨识建模

焦炉集气管压力系统是集非线性，大干扰于一身的代表性工业控制系统，以焦炉集气管压力系统为对象，生产过程中含有出焦、装煤、氨水喷洒、换向等操作，都会对系统产生不同程度的干扰影响。系统在生产过程是实时的，且压力数据是在不断更新，样本数据的选取也对模型的好坏产生影响。设该系统的非线性模型为：

其中是输入信号，分别是输入和输出的阶次。对于并联结构的SVR辨识模型，由于起初的学习阶段不能保证，初始偏差在递推迭代过程中会产生积累效应，所以采取串-并模型的辨识结构。

由于样本数据是非线性的，线性回归预测很难达到满意的效果，通过核函数将输入空间经过非线性变换映射到高维线性可分空间。模型输出为：

3.2 实验仿真结果及分析

采集现场正常工况下的200组数据，用150组数据作为训练集进行训练，确定各个核函数模型最佳的参数，建立好预测模型，然后再用剩下的50组数据作为测试集，验证各个核函数预测模型的精度。通过平均百分比误差（MAPE）和均方误差（MSE）的比对，来观察各个核函数预测模型的最终效果。

从上表可以得出：不同的核函数得到的预测模型效果是有细微区别的。从MSE和MAPE的角度来看，三种基于核函数的SVR预测模型预测效果相当接近，误差也都达到10-2级，相比之下，基于sigmoid核函数的集气管压力预测模型误差相对较大，基于RBF核函数的预测模型误差最小，精度也最高。

4结束语

设计的基于SVR的预测控制方法应用于集气管压力系统，用SVR辨识建模，再利用3种不同的核函数对非线性数据分别进行处理，以提高系统的预测精度。仿真结果表明：基于RBF核函数的SVR预测模型预测精度更高，对于复杂的非线性工业控制对象的建模，提供了新的思路。

参考文献

[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的焦炉冷鼓系统预测控制器设计[D].合肥：安徽工业大学，2018.

作者简介

谢进（1991-），男，安徽桐城人;毕业院校：安徽工业大学，专业：控制工程，学历：硕士研究生，现就职单位：安徽工业大学电气与信息工程学院，研究方向：工业智能控制。