孙锋[1]2000年在《化工过程Benchmark的智能控制技术研究与应用》文中指出随着科学技术的不断进步和发展，被控对象越来越复杂化，但对其控制要求却越来越高，传统的控制理论无法很好地解决这样的问题。因此就有了基于逻辑推理、专家系统、神经网络等技术的智能控制理论，其中神经网络控制技术是智能控制理论和智能控制技术中一个重要的组成部分。本文从分析神经网络特性、学习算法开始，探讨和研究神经网络结构及学习算法中一些重要参数问题，并力求在此基础上得到利用神经网络进行过程模拟和过程控制的新途径，建立智能过程模拟与智能过程控制系统。 回归神经网络(Recurrent Neural Network，RNN)既有内部的反馈连接又有前馈连接，能很好地表征对象的内部动态特性。本文在分析了典型的回归神经网络模型与拓扑结构的基础上，提出适合于化工过程对象的回归神经网络模型和学习算法。文中对RNN误差反传学习算法进行了详细分析，并对学习速率η和动量因子α、权值初始值及其调整、网络收敛等方面进行了研究，提出了基于网络学习误差的学习速率和动量因子动态自适应调整公式，还讨论了训练样本的选取和数量及权值初始值对网络学习的影响，同时给出了相应的改进方法。 本文成功地利用了文中提出的带有两个反馈子层的回归神经网络模型及学习算法对典型的化工动态过程连续搅拌釜反应器CSTR和苯酐实际生产反应过程进行了智能模拟，研究结果表明这种回归神经网络具有很好的收敛性和精度，利用它建立的模型更加合理化，能很好地体现出对象的动态特性。 本文对非线性控制系统的现状和发展进行了分析，给出了基于回归神经网络的神经网络控制系统，并对神经网络控制器结构及其学习算法进行了分析，同时还对神经网络控制器在线学习进行了探讨。另外将被控对象的系统误差作为神经网络控制器的一个输入参数，这样可以增强神经网络控制器的反应能力和提高控制精度。最后对CSTR进行了实时控制实验，取得了较好的控制效果。 为了进一步验证本文给出的基于回归神经网络的神经网络控制方法，最后对美国AIChE提出的标准测试对象Benchmark Plant首次采用RNN神经网络进行北京化工大学学位论文用纸了智能控制应用研究，这个测试对象是一个未知对象，只提供了12个被控变量、41个测量点和20个干扰量、过程限制以及控制目标。文中在分析该对象动态特性的基础上设计出了相应的RNN串级控制回路，多入多出的RNN控制器使用使得控制结构相对简单。控制结果表明达到了该测试对象的控制目标，由此可以说明基于RNN的智能控制方法是可行的，具有普遍意义。关键字智能控制回归神经网络神经网络控制器化工动态过程Benellmark测试对象
代伟[2]2015年在《赤铁矿磨矿过程运行优化控制软件系统研究》文中进行了进一步梳理磨矿过程是紧随破碎工序之后,继续对矿物进行粉碎,以使有用矿物与脉石单体解离或不同有用矿物相互解离的重要工序,为后续选别工序提供原料,其产品粒度与生产效率直接影响了选矿厂的铁精矿品位等产品质量指标与生产能力。我国铁矿石资源丰富,但大部分为赤铁矿石,其存在品位低、嵌布粒度粗细且不均、矿物组成复杂且不稳定的特点。为了获得合格的磨矿产品粒度,赤铁矿一段磨矿过程普遍采用我国特有的由球磨机与螺旋分级机组成的闭路生产工艺。其工艺要求在生产过程中将磨矿粒度控制在理想的磨矿粒度范围内,并尽可能的接近最优值,且当赤铁矿原矿粒度与可磨性频繁波动时,避免发生磨机负荷异常工况,实现成产过程的安全、连续、稳定运行。我国赤铁矿磨矿过程是一个由多个生产设备有机联接而成的工业过程,具有复杂的动态特性,主要体现在：1)以磨矿粒度为输出,磨机给矿量、磨机入口加水流量和分级机溢流浓度为输入的动态模型具有强非线性、多变量耦合、磨矿机理不清,并受原矿粒度与可磨性、分级机返砂等不可测随机干扰的影响,难以建立数学模型的特点。2)赤铁矿中的强磁性颗粒在矿浆中存在“磁团聚”现象,使得在线粒度检测仪表难以真实测量磨矿粒度,实际生产过程只能采用实验室离线化验方式,然而由于磨矿粒度人工化验的周期(2小时左右)远大于闭环优化控制周期(15分钟),因此无法用于优化控制。3)当赤铁矿原矿粒度与可磨性变化时,如果磨机给矿量、磨机入口加水流量和分级机溢流浓度的设定值不合适,易造成磨机负荷工作在“欠负荷”或“过负荷”工况,严重时发生磨机“涨肚”或“空砸”等事故,影响磨矿过程的安全稳定运行。赤铁矿磨矿过程的上述复杂综合特性,使得已有的磨矿运行优化与控制方法及软件产品无法直接使用,因此赤铁矿磨矿过程的运行优化控制对现有的控制技术提出了挑战。在算法方面,为实现赤铁矿磨矿过程的运行控制目标,必须将多复杂算法、实际数据与知识相结合,开发集运行指标软测量、优化控制、故障诊断与自愈控制为一体的赤铁矿磨矿过程运行优化控制方法。在软件方面,虽然现有的商业化运行优化与控制软件提供了丰富的人机交互接口,但对核心控制方法的扩展支持不足,不仅无法对控制策略以及实现算法进行修改,也无法嵌入第三方算法开发与求解软件,而DCS/PLC控制系统的通用算法组态软件平台因无法满足复杂算法开发与运行要求而无法使用。为此,必须结合我国赤铁矿磨矿过程的特点,开发出适应我国赤铁矿磨矿过程的运行优化控制方法及软件系统,以服务于我国的选矿工业。本文在国家重大基础研究发展计划(973)重点课题“具有安全性、协同性、易用性的一体化控制系统的若干技术基础与半实物仿真实验平台的研究(2009CB320604)”的支持下,开展了赤铁矿磨矿过程运行优化控制软件系统的研究,取得的主要成果如下：1.提出了由主模型和误差补偿模型组成的赤铁矿磨矿粒度软测量算法。其中,主模型根据物料平衡原理建立磨矿粒度的动态模型,并采用prey-predator方法校正模型参数；误差补偿模型采用基于非参数核密度估计与加权最小二乘方法的在线鲁棒随机权神经网络。2.提出一种数据驱动的赤铁矿磨矿过程运行优化控制算法,包括回路设定值优化,负荷异常工况诊断与自愈控制。其中,回路设定值优化以将磨矿粒度控制在目标范围内并尽可能接近目标值为目的,通过引入磨矿粒度与粒度目标值偏差的二次性能指标,采用串联神经网络,利用粒度期望值已知的条件,在线给出磨矿过程控制回路的设定值；负荷异常工况诊断与自愈控制以能够及时发现和处理负荷异常工况为目标,采用规则推理技术实时监视磨机负荷的运行工况,并当负荷异常工况发生时,采用案例推理技术给出回路设定值的调整量,通过控制回路实际输出跟踪调整后的设定值,使异常工况消除。3.开发了支持磨矿过程运行优化控制方法研究的组态软件平台,可用于实现磨矿粒度软测量、回路设定值优化、负荷异常工况诊断与自愈控制等算法。该软件平台包括运行优化控制算法图形化组态、算法管理、算法求解、控制策略校验与自动执行、数据显示与分析等功能模块。利用此软件平台组态开发了本文所提的控制方法,并在半实物仿真实验系统上进行了实验验证,取得了良好的控制效果,表明了所提方法和所研制的软件平台的可用性和有效性。4.开发了面向工业应用的赤铁矿磨矿运行优化控制软件系统。该软件系统包括数据录入、优化条件判断、磨矿粒度软测量、回路设定值校正、数据通信异常诊断、运行日志管理等功能模块。该软件系统在我国某赤铁矿选矿厂的磨矿过程进行了工业应用,首先采用实际工业数据验证了软件系统对磨矿粒度的在线估计性能,在此基础上利用该系统辅助现场操作员实现了对回路设定值的在线调整,从而提高了磨矿产品合格率与生产效率,有效说明了所开发的软件系统的有效性和可用性。
朱群雄[3]1996年在《神经网络结构理论与技术的研究及其在过程模拟与过程控制中的应用》文中研究表明人工神经网络在过程模拟与过程控制中的应用研究方兴未艾，误差反向传播多层前馈网络在人工神经网络发展中有着重要的意义，改进BP算法，确定网络最佳结构、提高网络收敛性等一直是人们关注的重点课题。本文从分析神经网络特性、学习机制入手，探讨和解决神经网络结构优化和学习算法中存在的一些重要理论问题，并在此基础上探讨一条全面解决神经网络过程模拟与过程控制问题的新途径，建立智能过程模拟与智能过程控制系统。 本文首先分析了人工神经网络的本质及其在过程模拟与过程控制中的应用现状，提出了从神经网络结构优化与改进学习算法的基础工作开始，优化网络结构，提高网络收敛性、稳定性和可靠性，从而研究建立神经网络过程模拟与控制系统的设想。文章对标准BP神经网络学习机制进行了详细的分析，对训练样本的选取、学习速率η和动量因子α的自适应动态调整、权值初置及其随机调整、网络收敛与稳定判据等方面展开了研究，提出采用基于训练数据和测试数据的双重收敛准则和基于学习误差的学习速率和动量因子动态调整公式，并讨论了样本所具有的特性和数量与所训练的网络的映射能力的关系及权值初置、调整对网络学习的影响，最后提出了改进措施。 文章对网络拓扑结构与网络收敛性和稳定性的关系进行了探讨，分析了网络出现Overtraining或Overfitting的原因和解决的目标，提出了神经网络结构优化的策略，改进了活化函数，定义了冗余权值和冗余节点的概念，为辨识和删除冗余权值和冗余节点，提出采用优化目标函数中增加网络复杂度罚函数的双重优化目标函数，并对罚因子提出了基于学习误差和权值的自适应动态调整公式，论文定义了这种BP网络结构优化方法为BPNSO，并给出了完整的计算流程。 本文对稳态过程和动态过程两个实例进行了BPNSO法的应用研究，并对各个结构优化参数进行了分析和定义。研究表明BPNSO法不仅可以辨识和删除冗余权值和隐含层中的冗余节点，也能辨识和删除输入层中的冗余节点，这为确定连续动态系统数学模型的阶次提供了一条新的途径。 本文对非线性控制系统的现状和发展进行了分析，提出了基于逆动力学和内模控制原理的神经网络控制系统，对连续动态系统的神经网络结构提出把具有同类特性的输入参数先集中在特殊隐含层中的一个节点上使其产生同类参数总的作用，这
祝志博[4]2012年在《融合聚类分析的故障检测和分类研究》文中研究说明过程安全、产品质量以及环境保护是现代流程工业的核心目标,因此过程监测作为过程自动化系统的重要组成部分和关键技术之一,具有重大的现实意义和价值。随着集散控制系统在工业过程中的广泛应用以及计算机存储技术的飞速发展,海量过程数据得以收集和存储。由于缺少充足的过程经验和应用工具,工业过程往往数据丰富但知识缺乏。因此,基于多元统计分析和模式识别等数据驱动过程监测成为研究热点,在这十多年来产生了许多研究成果和工业应用。但是,传统的多元统计分析和模式识别方法没有考虑实际工业过程中存在的样本类标签未知、各故障数据不平衡、非线性、多工况、瞬态等诸多问题。本文在已有方法基础上,通过融入聚类分析思想,分析数据预处理、特征提取和模式分类等诸多环节,针对不同问题,提出了一套融合聚类分析的故障检测和分类新方法和新框架：(1)针对工业过程所提取的训练样本不纯时核主元分析(KPCA)失效问题,提出了一种有效融合Fisher判别式分析-可能性c-均值聚类(FDA-PCMC)的KPCA新方法。首先应用FDA来提取特征并实现训练样本的初分类,然后应用PCMC来有效聚类训练样本。即首先通过分类聚类混杂学习实现训练样本纯化,然后使用KPCA实现非线性故障检测。(2)工业过程中存在正常样本多,故障样本少,而且不同故障类别的样本量各不相同的问题。分类器倾向于大类数据,而过程监测的小类数据是关注焦点,由此产生了当数据集存在不平衡问题时核Fisher判别式分析(KFDA)性能不佳的问题。本文提出了一种基于非平衡校正的KFDA故障分类新方法--诱导偏移KFDA,该方法通过在基于最小欧氏距离的模式判别准则上融入一个新的权重调整矩阵,实现了非平衡校正的目的。(3)多步和单步模式下的过程监测研究。首先具体阐述了基于模式识别的故障检测和分类系统下的多步和单步模式,然后在多步模式下,提出了基于主元分析(PCA)-支持向量数据描述(SVDD)的故障检测和分类新方法。在此基础上,分析和讨论了PCA和KPCA的相互关联和性能差异,提出了在多步和单步模式下的基于KPCA-SVDD故障检测和分类方法。最后为实现最优模式选取,构建了一个新的基于过程监测系统全局损失的评价准则。评价准则除了考虑分类器的故障检测和故障分类性能外,还考虑了故障检测和故障分类的误分类代价。(4)基于特征判别子空间的故障分类研究。基于FDA和KFDA的特征提取,可将原始数据空间投影到特征判别线性和非线性子空间上。本文首先讨论了监督学习在特征提取上的重要性。然后提出了FDA特征提取、Fisher线性分类和SVDD非线性分类相结合的算法,给出了串级和混联两个融合方式,实现了故障模式的有效分类。最后在KFDA特征子空间上提出了基于混合高斯模型(GMM)和к最近邻(kNN)分类器的故障分类方法,并讨论了参数和非参数分类器的性能差异。(5)为实现过程多工况的辨识和故障检测,首先提出了一种融合移动窗技术的集成聚类新方法,该方法在基于独立元分析-主元分析(ICA-PCA)方法两步提取特征后,基于k-ICA-PCA模型的两层集成聚类可实现多工况建模。在此基础上,建立了一个基于多独立元分析-主元分析邻接模型,实现了多工况过程的辨识和故障检测。(6)针对多工况间的瞬态过程监测问题,提出了一种融合动态集成聚类的瞬态过程监测方法。为了获取瞬态过程数据的动态、非高斯特性并类标签化瞬态过程,提出了一种面向瞬态过程模式分析的集成聚类方法,建立了一个新型的动态k-ICA-PCA模型。然后使用基于主元分析的特征提取和基于多类SVDD的模式分类来实现瞬态过程的监测。最后,总结了本文的主要研究成果,并阐述了未来的研究工作。
董春岩[5]2013年在《基于反传混沌粒子群训练前馈神经网络应用研究》文中进行了进一步梳理神经网络技术是一种重要的数据信息处理方法，近些年来，被广泛应用于数据挖掘、模式识别、智能控制及复杂过程系统建模当中。前馈神经网络是神经网络设计当中可论证的最简单也是最为重要的一种网络模型，理论证明三层前馈神经网络可以以任意精度逼近任何连续函数，所以近些年来对前馈神经网络训练算法的研究备受关注。本文针对目前前馈神经网络训练应用较多的BP算法和智能优化算法所存在的缺陷和不足，提出了两种基于反传混沌粒子群的前馈神经网络训练方法，将混沌映射和粒子群优化方法结合，并引入误差反传概念形成新的混合算法用来训练前馈神经网络，通过仿真实验和实际应用检验算法的有效性。本文主要研究工作如下：1.综述了前馈神经网络发展现状，并介绍了本文所用到的主要技术如粒子群、混沌映射及误差反传梯度下降等方法。提出了一种基于反传的混沌粒子群训练前馈神经网络的算法框架，具体思想是利用粒子群优化方法训练前馈神经网络的权值和阈值等参数，当算法陷入局部最优解时，调用混沌映射带领粒子逃离局部极值点；同时，针对粒子在训练后期迭代速度变慢等特点，调用误差反传梯度下降方法，加速粒子的局部搜索，保证算法在全局范围搜索的同时，也具有较快的局部搜索速度。2.根据训练算法框架，提出了利用适应度方差方法判断粒子早熟收敛，并采用无限折叠迭代混沌映射的训练方法，即ICMICPSO-BP方法。采用三个UCI数据集和四个benchmark函数进行仿真，证明算法的有效性和可行性。3.在ICMICPSO-BP算法的基础上，提出了利用适应度绝对偏差判断粒子早熟并采用伯努利移位混沌映射的训练方法，即BSCPSO-BP方法。同时为了证明算法的有效性，采用三个标准benchmark问题检验算法，结果表明所提算法在建模方面较ICMICPSO-BP具有更高的训练精度和泛化精度。4.将上述所提的两种方法应用于PTA溶剂装置的电导率和高密度聚乙烯串级反应装置(HDPE)熔融指数和密度的软测量建模。结果表明所提的两种方法是可行和有效的，同时也说明所提算法对实际工业应用具有现实指导意义。
薄翠梅[6]2008年在《过程控制系统的故障检测诊断与容错控制》文中指出过程系统的生产环境通常处于高温高压或低温真空等极端环境,如操作不当或因控制系统发生故障,可能造成生产中断、爆炸、毒气泄漏等危险。为了提高生产的安全性,对控制系统进行有效地故障检测、诊断与容错补偿措施是十分必要的。且多数过程控制对象都具有慢变化特性,其控制精度的要求比航空航天或运动控制精度要低,这就为故障检测、诊断与容错控制技术在工业过程中的应用提供了可能性。实际的容错控制策略不仅要保证在故障模式下系统的稳定,同时也要尽可能满足一定的性能指标或约束条件,因此进一步探索在多目标或多约束条件下的满意容错控制方法就是非常必要的。本文重点研究过程控制系统的故障检测、诊断与容错控制理论与技术,取得的主要研究成果与创新点如下:1.建立了符合工业实际的多种传感器故障和执行器故障(阀门故障)的合理描述模型,改进了现有的“二状态故障模型”描述方法,研究了基于神经网络建模与自适应阈值技术的鲁棒故障检测与诊断方法,并进一步设计了一种有效的厂级主动补偿容错控制策略。分别在三水箱实验平台和DAMADICS平台上验证了上述方法的有效性。2.提出了一种基于特征样本、核主元分析和核函数梯度算法的故障检测与诊断方法。该方法采用了特征样本提取技术解决了过程监控中核矩阵K计算量大的问题,利用核函数梯度算法计算每个监控变量对统计量T~2和SPE贡献度诊断故障信号,并在Tennessee Eastman化工仿真平台的多种不同类型故障模式下,验证了上述策略的有效性。3.针对复杂工业过程中多回路控制和复杂操作等因素造成的工业故障诊断难度加剧问题,提出了一种基于独立成分分析和支持向量机的集成故障诊断方法。针对中石化丁二烯普通精馏生产装置的实际生产过程,利用连续三年的实际工业故障数据,验证了提出的ICA-SVM集成故障诊断方法的有效性和快速性。4.针对一类模型未知的多变量非线性系统,提出了一种基于扩展卡尔曼滤波在线学习算法的RBF网络逆模容错控制方法。该方法采用扩展卡尔曼滤波算法在线更新网络权值,学习系统的时变参数或故障动态,并利用自适应RBF模型的迭代逆模算法求解故障动态下最优的控制变量,实现故障容错控制。在三水箱实验平台的多种泄漏故障模式下验证了上述控制策略的有效性。5.为了满足工业实际中要求容错控制策略不仅保证故障模式下系统的稳定,同时还须满足一定的性能指标或约束条件的要求,本文还进一步对多指标约束下的复杂控制系统满意容错控制方法进行了初步的研究。针对同时具有状态和控制时滞的不确定离散时滞系统,在一般执行器故障模式下,研究了基于状态反馈的H∞满意容错控制和鲁棒保成本控制问题;针对非线性T-S模糊系统,提出了稳定度、输入和输出相容指标约束下的满意容错控制器设计方法,和在极点、状态方差和H_∞相容指标约束下满意容错控制器的设计方法;针对非线性T-S模糊时滞系统,分别设计了含时滞记忆和无时滞记忆的状态反馈H∞满意容错控制器。最后,在总结全文工作的基础上,给出了本文后续需进一步探讨的一些问题。
白志雄[7]2018年在《基于DE算法的造纸废水好氧处理过程优化控制策略研究》文中指出伴随中国特色社会主义迈入新时代,在“建设美丽中国”政策方针指引下,制浆造纸企业面临的环保压力越来越大,废水处理成为关乎企业能否可持续发展至关重要的因素。好氧处理作为一种常见的生物处理方式,以其消耗少、效率高、成本低的优势,被大多数制浆造纸企业普遍采用。而曝气过程作为好氧生物处理的关键环节,作用是维持曝气池中溶解氧浓度稳定在一定范围内。但曝气过程存在非线性、时变、难以精确建模的特点,传统的控制策略常导致溶解氧控制精度不高,参数设定值偏大和能源浪费等问题。为此,在陕西省重点科技创新团队计划项目——轻化工过程节能环保关键设备及控制工程创新团队(2014KCT-15)的资助下,围绕好氧处理曝气过程进行优化控制策略研究,将曝气过程优化控制技术和智能控制技术结合起来,以保证出水水质为前提,降低能耗,提升控制系统精度。论文的主要工作可总结为如下四个方面:(1)造纸废水好氧处理曝气过程状态模型的建立在对曝气过程传统数学模型研究分析的基础上,结合造纸废水特性以及实际工艺情况,建立以曝气量、活性污泥排放量、回流污泥量为控制变量,以曝气池中有机物浓度、微生物浓度、溶解氧浓度为状态变量的活性污泥法曝气过程的基本状态方程,实现了对传统模型的简化,为曝气过程节能优化控制策略研究打下了基础。(2)基于差分进化算法(DE)的好氧处理过程工艺参数优化出水水质优劣除了与曝气控制回路有关外,通常也与剩余污泥排放量、回流污泥量等控制回路密切相关。本文将好氧处理过程主要控制回路作为一个整体,建立好氧处理优化控制系统模型。以曝气过程基本状态方程为基础推导出适合优化控制的状态方程,建立包含鼓风机运行费用、剩余污泥排放费用、回流污泥排放费用的性能指标,选取出水水质为约束条件,利用基本差分进化(Differential Evolution,DE)及其改进算法对好氧生化反应过程进行优化控制仿真实验,求解出好氧处理工艺主要控制参数最优控制曲线。在保证出水水质达标的基础上,降低了运行费用,减少了能耗。(3)曝气过程溶解氧浓度控制研究了溶解氧浓度控制系统的特点,介绍了常见的溶解氧浓度控制策略,在此基础上,设计了模糊PID控制器,用于对溶解氧浓度的控制。并在Simulink仿真软件平台上对模糊PID控制器与常规PID控制器进行仿真实验比较。仿真结果表明:模糊PID控制器在控制精度、响应速度、抗干扰性以及鲁棒性方面均优于常规PID控制。因此,溶解氧浓度控制系统效果有望得到提升。(4)造纸废水好氧处理工艺控制系统设计在对好氧处理工艺要点进行分析的基础上,完成了对控制方案的设计,开发了好氧处理工艺DCS控制系统。其中包括硬件配置、检测仪表选型、控制算法实现以及上位机WinCC画面绘制。本文通过建立造纸废水好氧处理曝气过程状态模型,在保证出水水质的前提下,利用DE算法优化好氧处理过程主要控制回路参数设定值,以达到降低能耗的目的;其次,在溶解氧浓度控制回路中引入了模糊PID控制策略,提升了曝气过程控制精度;最后,通过完成好氧处理工艺DCS控制系统的设计,将优化控制策略在上位机平台中设计实现。研究结果表明:本文设计的带有优化控制策略的好氧处理过程DCS控制系统可以有效降低造纸废水好氧处理能耗,提升制浆造纸企业自动化水平,降低企业生产运行成本,符合国家“建设美丽中国”的基本要求。
何小军[8]2006年在《工业色谱在多变量预估控制系统中的应用》文中提出多变量预估控制的实施是一项复杂的系统工程。除了采用优秀的多变量预估控制软件外,现场一次仪表的运行状况对多变量预估控制的控制效果至关重要。特别是工业气相色谱分析仪表的应用对提升多变量预估控制的控制效果有着极其重要的作用。 本文介绍了工业色谱和集散控制系统在石油化工生产装置中的应用,重点讨论工业色谱与集散控制系统的通信问题。通过组建工业色谱局域网,利用MODBUS通信协议,实现工业色谱与集散控制系统的数据通信。此方案可传送给集散控制系统所有的工业色谱分析结果信息,满足集中控制的要求,同时还能节约大量的电缆和集散控制系统的输入卡件。 由于多变量预估控制的工艺计算软件包计算出来的实时成分含量信息与化验分析结果存在误差,而工业色谱的分析周期又不能满足实时性的要求,所以应用工业色谱的分析数据对工艺计算结果进行校正。以工业色谱的分析数据为基准。允许工艺计算结果在一定范围内波动,超出这个范围,即对多变量预估控制系统的成分含量输入值进行限幅。工业色谱的自动标定功能和化验分析相结合,可以保证工业色谱分析结果的可靠性,从而有力地提升多变量预估控制的效果。 所以,在实施多变量预估控制的同时,还要花大力气提高现场一次仪表的测量精度和可靠性,特别是工业色谱等分析仪表的运行水平。为多变量预估控制的实施打下良好的基础。
陈龙烨[9]2014年在《基于信息熵与粒子群优化的极限学习机研究及应用》文中研究指明神经网络(Neural Network)是一种黑箱模型,在不需要知道黑箱里的结构的前提下,对网络里节点之间的关系进行调整,就能够取得数据处理的效果,因而被广泛的应用于各个领域建模之中。极限学习机在2004年被提出,由于其极大地提升了神经网络的训练速率,并且泛化性能也较好,所以近些年来对于极限学习机的研究也倍受研究大员们关注。如果直接利用极限学习机对较高维数据集进行建模,由于数据维数较高以及存在离散数据点,将导致模型复杂以及泛化精度较差等问题,所以本文提出了一种基于互信息与粒子群算法的极限学习机。通过实验仿真以及实际化工领域的应用,验证了所提方法的有效性和可行性。其中本文主要的研究内容如下：1.首先是对神经网络、信息熵和粒子群算法的发展进行了概述,然后提出了一种利用信息熵来对极限学习机的输入进行优化的方法。通过互信息来筛选输入变量,去除了无关以及弱相关变量,然后利用熵权法来对输入变量的权重进行优化,避免了离散数据点对于网络训练精度的影响。同时利用UCI数据集对该方法进行了验证,证明了该方法的可行性。2.提出了一种利用序贯二次规划法与Tent混沌映射的优化粒子群算法。利用序贯二次规划法在局部拥有高效的寻优性能,以及Tent混沌映射有着较好的遍历性,来提升PSO的寻优性能该算法不仅在局部或者是全局都拥有着较好的寻优能力。在群体发生早熟现象时,利用Tent映射来避免局部最优的问题。最后利用常见的Benchmark函数对算法的可行性进行了验证。3.利用改进的粒子群算法来对极限学习机进行优化,由于极限学习机输入层到隐含层的权值是由随机得到的,采用粒子群算法来对输入权值进行寻优,提高了训练和泛化精度。并将以上方法应用于PTA化工过程建模,不仅降低了数据维度,而且提升了建模精度,从而验证了方法的可行性,对实际的化工过程建模有着一定的指导性。
李海生[10]2005年在《支持向量机回归算法与应用研究》文中进行了进一步梳理基于数据的机器学习是现代智能技术中的重要方面。统计学习理论(SLT)是一种专门研究小样本情况下机器学习规律的理论，它建立在一套较坚实的理论基础之上的，为解决有限样本学习问题提供了一个统一的框架也发展了一种新的通用学习方法一支持向量机(SVM)，较好的解决小样本学习问题。与神经网络等其它学习方法相比，它的结构通过自动优化的方法计算出来，并且避免了局部最小点、过学习等缺陷。 以往大部分研究主要集中在支持向量机分类理论和应用上，近年来关于支持向量机回归(SVMR)的研究也显示出其优异的性能。作为一个新的理论和方法，支持向量机回归在训练算法和实际应用等方面有诸多值得深入探讨的课题。 本论文就以上主要内容进行了深入的研究并取得了以下结果： (1) 在深入了解支持向量机回归的基本原理和算法的基础上，提出一种用于在线训练的支持向量机回归(OSVR)算法。在线情况下采用批量训练方法对支持向量机回归(SVR)进行训练是非常低效的，因为训练集每次的变化都会导致对支持向量机的重新训练。OSVR训练样本采用序列输入代替了常规的批量输入。通过对两个标准集的测试表明：OSVR算法与SVMTorch算法相比具有可在线序列输入，生成支持向量机少和泛化性能强的优点。 (2) 在分析和了解工业过程软测量原理的基础上，将支持向量机方法引入蒸煮过程纸浆的Kappa值软测量技术中。针对纸浆蒸煮过程机理复杂、影响因素众多和数据不完备条件下纸浆Kappa值预报问题，探讨了支持向量机方法在纸浆Kappa值预报中的应用，经过与线性回归方法和人工神经网络方法预报结果比较，表明该方法具有精度高、速度快、泛化能力强的特点，取得了较传统软测量建模方法更好的预报效果。 (3) 利用LS-SVM为辨识器，提出了一种新的基于LS-SVM模型的预测控制结构。最小二乘支持向量机(LS-SVM)方法克服了经典二次规划方法求解支持向量机的维数灾问题，适合于大样本的学习。对一典型非线性系统—连续搅拌槽反应器(CSTR)的仿真表明，该控制方案表现出优良的控制品质并能适应被控对象参数的变化，具有较强的鲁棒性和自适应能力。在控制性能方面它优于神经网络预测控制和传统的PID控制。
参考文献：
[1]. 化工过程Benchmark的智能控制技术研究与应用[D]. 孙锋. 北京化工大学. 2000
[2]. 赤铁矿磨矿过程运行优化控制软件系统研究[D]. 代伟. 东北大学. 2015
[3]. 神经网络结构理论与技术的研究及其在过程模拟与过程控制中的应用[D]. 朱群雄. 北京化工大学. 1996
[4]. 融合聚类分析的故障检测和分类研究[D]. 祝志博. 浙江大学. 2012
[5]. 基于反传混沌粒子群训练前馈神经网络应用研究[D]. 董春岩. 北京化工大学. 2013
[6]. 过程控制系统的故障检测诊断与容错控制[D]. 薄翠梅. 南京理工大学. 2008
[7]. 基于DE算法的造纸废水好氧处理过程优化控制策略研究[D]. 白志雄. 陕西科技大学. 2018
[8]. 工业色谱在多变量预估控制系统中的应用[D]. 何小军. 兰州理工大学. 2006
[9]. 基于信息熵与粒子群优化的极限学习机研究及应用[D]. 陈龙烨. 北京化工大学. 2014
[10]. 支持向量机回归算法与应用研究[D]. 李海生. 华南理工大学. 2005
标签：自动化技术论文; 支持向量机论文; 粒子群算法论文; 神经网络模型论文; 软测量论文; 过程控制论文; 智能控制论文; 回归模型论文; 分类数据论文; 动态模型论文; 系统学习论文; 策略模式论文; 优化策略论文; 监督学习论文; 赤铁矿论文; bp神经网络算法论文;