基于两级神经网络的发酵过程多变量前馈解耦控制

针对具有时变、非线性、不确定性的多变量耦合生物发酵过程,提出了一种基于两级神经网络的多变量前馈解耦方法.一级神经网络利用可获得的过程信息拟和耦合通道的过程特性,实现耦合作用对被控量影响的估计;二级神经网络用来拟和控制通道的逆特性.通过两级网络的串联,消除系统间的耦合.实验结果表明,提出的解耦控制方法能适应生物发酵过程模型的不确定性和参数时变性,克服了前馈解耦方法依赖于过程模型和对模型参数的变化表现敏感的缺点.     

基于极限学习机的生化过程软测量建模

针对极限学习机方法隐层神经元数目过多的缺陷，提出一种改进的极限学习机方法。在单隐层前向神经网络的隐层中，增加一类分类神经元，从而形成了一种新的单隐层神经网络结构。针对不同类样本数不相同的问题，提出了处理方法，使得可以利用相同的隐层神经元对不同类的学习样本进行拟合，这使得网络的隐层神经元数目大大降低，从而简化了模型的结构，提高了神经网络的计算速度。将这一方法应用于诺西肽发酵过程，建立了菌体浓度的软测量模型，实现了菌体浓度的在线预估。     

基于多采样率数据的软测量模型

提出了一种利用具有不同采样率的过程数据建立软测量模型的方法.本文采用主成分分析技术对过程数据降维,然后用降维后的数据训练神经网络,建立软测量模型.通过仿真证明,该软测量模型结构简单,获得了过程输出变量在非采样时刻的估计值.     

基于支持向量机的生物发酵过程软测量建模

针对最小二乘向量机的缺陷,提出了一种改进的最小二乘支持向量机回归方法.根据输入变量和样本点间欧氏距离的大小,去除回归模型中大部分的样本点,从而获得回归模型的“稀疏”特性,大大提高计算速度.同时,将这一方法应用于生物发酵过程,建立了青霉素发酵过程中产物浓度的软测量模型,实现了青霉素浓度的在线预估.仿真结果表明,这一方法为生物发酵过程中难于在线测量质量参数的实时监测提供了一个有效的手段.     

基于RBF神经网络逆系统的注射速度控制

为了实现注射速度的精确控制,针对其非线性时变的动态特性,提出了基于神经网络逆系统的控制方法.采用M.Rafizadeh模型描述注射速度系统特性,通过求解该系统的相对阶证明了系统的可逆性.由于注射速度系统逆模型的解析形式难以获得,因此构造了基于RBF神经网络的注射速度逆系统,并将该系统与常规PID控制相结合,对注射速度实现复合控制,解决了基于RBF神经网络逆系统的开环控制效果不理想的问题.仿真实验表明,该控制系统具有良好的跟踪性能及抗干扰性能.     

基于摄氧率的分批发酵过程阶段辨识

针对发酵阶段难以在线辨识的问题,提出了一种基于摄氧率的需氧型发酵过程阶段辨识方法.利用在线可测的摄氧率对处于特定发酵阶段的比生长率进行预估,再利用比生长率的预估值进行发酵阶段的在线辨识.由于摄氧率极易在线获得,所以这种辨识方法非常容易实现.针对诺西肽发酵过程,利用所提出的方法进行发酵阶段的在线辨识,阶段辨识结果与过程知识相一致.这不仅可以增进对当前生产状况的了解,而且可以指导适时地实施各种控制策略,从而提高产品的质量.     

一种适于多目标稳态优化决策的伪权向量方法

伪权向量法是解决多目标决策问题的一种常见方法,但由于其决策函数中缺少对决策变量调整幅值的约束,易造成因决策变量(通常为控制回路的设定值)变动幅度过大而影响被控过程稳定性的后果,因而限制了该方法在过程控制系统稳态优化中的应用.对此,提出了一种适合于过程控制系统稳态优化的伪权向量多目标决策方法.该方法综合考虑了决策者偏好以及决策变量的变化情况,为控制系统的稳态优化提供了一种适合实际的决策方法.仿真结果验证了该方法的有效性和实用性.     

支持向量机在注塑产品图像预处理中的应用

分析了现有中值滤波器算法在注塑产品图像预处理过程中应用时存在的问题,结合注塑产品图像的特点,提出了一种新的多级中值滤波器算法;通过训练基于支持向量机的像素点分类器,实现了对图像中像素点类型的判别,进而根据其自身特性的不同,有的放矢地选择相应的滤波处理方法.该算法既有效地抑制了注塑产品图像中存在的噪声污染,又提高了滤波算法保护图像中边缘细节信息的能力,更好地满足了注塑产品图像预处理的要求.仿真研究证明了该算法的有效性.     

PCA-DRBFN模型在精馏塔精苯干点估计中的应用

针对PCA(PrincipalComponentsAnalysis)技术中,由于重叠信息会严重影响主成分的正确提取这一问题,提出了一种改进的数据降维处理方法·首先,利用标准化变量间的相关系数大小找到重叠信息·然后,将重叠信息进行加权综合·最后,利用改进的数据降维处理方法以及分布式网络技术,建立了基于PCA DRBFN(PrincipalComponentsAnalysis DistributedRadialBasisFunctionNetwork)的软测量模型,并将其应用到某钢厂的精苯精馏过程,对精苯干点进行估计·通过仿真证明,所建立的模型具有较好的泛化效果·     

改进的基于数据重构的KPCA故障识别方法

核主元分析(KPCA)方法相对于主元分析(PCA)方法在非线性过程监测方面具有一定的优势,但是KPCA很难找到由特征空间到原始空间的逆映射函数,这给基于KPCA的故障诊断带来了很大的障碍.为此,在KPCA故障数据重构方法的基础上,对故障识别指标进行改进.改进后的方法既能够识别单变量引起的故障,又能识别多变量引起的故障,而且减少了指标计算过程中的运算量,避免了传统故障识别方法只能实现单变量故障追溯的缺陷.将提出的故障识别方法在田纳西过程中进行了仿真研究,结果表明所提方法的有效性.