基于MNNPLS的间歇过程的故障诊断

针对间歇生产过程的特点及多向部分最小二乘在故障诊断中存在的问题,提出了一种多向神经网络部分最小二乘方法,实现对间歇过程的在线监控和故障诊断。该方法结合了部分最小二乘的鲁棒性和神经网络表现输入输出非线性关系的能力,提高了模型的预测精度。将此方法应用于监测青霉素发酵过程中,仿真结果表明,它比传统多向部分最小二乘方法能更及时、准确地检测到故障。     

基于sub-MPLS的多阶段间歇过程质量预测与控制

针对大部分多阶段间歇过程,质量多数难以在线测量与控制问题,提出一种新颖的在线质量预测方法,基于子时段的MPLS质量预测方法.首先,采用聚类分析方法对间歇过程时间片矩阵PCA负载矩阵进行分类,依据过程变量相关性的变化,过程被分成几个操作阶段,然后,定出与质量变量最相关的阶段,在该阶段建立sub-MPLS在线质量预测模型,另外,还提出一种闭环质量控制方案.在一个典型的多阶段间歇过程-注塑过程的应用结果表明了所提出方法的有效性.     

基于PLS模型的自适应间歇过程质量预测

间歇生产过程中,很多质量指标不能在线测量,导致过程很难控制。该文应用部分最小二乘(PLS)方法建立软测量模型,通过批次初期在线测量的过程变量对最后的产品质量进行预测。同时,利用过程中得到的中间质量测量值对最后的预测结果进行修正。为了解决过程参数随时间变化的问题,在每个批次结束后利用新数据对原模型进行更新。将该法用于异丁烯酸甲酯(MMA)聚合反应过程,仿真结果显示,该法能够克服过程参数变化的影响,有效地预测最后的产品质量。     

基于小波递归神经网络的间歇过程迭代学习优化控制

针对间歇过程提出了基于小波神经网络的迭代学习优化控制算法,实现产品终点质量指标的控制。小波递归神经网络用于建立提供长期预测的间歇过程模型。由于模型误差以及未知干扰的影响,基于预测模型得到的控制变量在实际应用中得不到期望的终点质量指标。利用间歇过程的重复特性,采用迭代学习优化控制改善批次间的产品质量,根据以前批次的模型预...     

基于时变神经网络的迭代学习辨识算法

为了实现在有限时间区间上可重复运行的离散时变非线性系统辨识,给出基于时变神经网络的迭代学习辨识算法.对于每一个固定时刻,以该时刻的神经网络逼近该时刻系统输入输出间的映射关系,提出了在同一时刻沿迭代轴训练网络权值的带死区迭代学习最小二乘算法,为防止收敛速度下降过快,进一步提出了协方差阵可重调的改进算法.所提算法有较快的收敛速度,且时变神经网络对非线性时变系统的辨识精度也较高.     

PMLSM伺服系统的特征模型与自适应迭代学习控制

针对PMLSM伺服系统的位置跟踪控制问题,提出一种基于特征模型的自适应迭代学习控制方案。由分析可知,在"id=0"的控制策略下,该系统是一个六阶线性定常系统。结合特征模型理论,给出了该系统的一阶、二阶和三阶特征模型,其特征参数沿时间轴和迭代轴均是变化的。采用遗忘因子最小二乘迭代学习辨识与最小方差控制方法,给出一种基于特征模型的带饱和限幅自适应迭代学习控制方案。仿真结果表明,提出的学习控制方案能够实现系统输出对期望位置的轨迹跟踪。     

基于变增益迭代学习算法的多元间歇精馏控制

面对多元间歇精馏过程的多阶段操作和非稳态运行特点以及高稳定性和高精度的控制需求,传统的反馈控制一般难以确定最优的回流比操作方案.针对该问题,在传统P(比例)型迭代学习控制(itecative learning control,ILC)算法的基础上,提出了一种学习增益沿批次指标自适应调整的变增益P型ILC算法.该算法能够保证间歇精馏过程在不同的操作时刻沿批次指标具有平衡的学习效率,从而提高过程控制性能沿批次指标的收敛速度.以Aspen Batch Distillation(ABD)软件系统中的一个三元间歇精馏模型为实际控制对象,对所提出的变增益P型ILC和传统PID控制以及P型ILC 3种控制方案进行了控制性能的仿真和比较,仿真结果证明了该控制算法不仅计算简单,同时比传统P型ILC算法具有更快的收敛速度.     

间歇过程复合迭代学习容错保性能控制器设计

针对具有执行器故障和状态时滞的间歇过程,主要考虑输出反馈与迭代学习控制相结合,即复合迭代学习可靠保性能控制器设计问题,将具有时滞的故障系统转化为等价的2D-FM模型的时滞系统,在等价模型基础上,提出了基于2D动态输出反馈的鲁棒迭代学习可靠保性能控制策略,建立了依赖于时滞、确保系统稳定且具有最优性能的充分条件,并提出具有拓展学习信息的鲁棒迭代学习容错保性能控制的优化设计算法,同时,考虑了时滞对系统稳定性及性能的影响,实现了当系统发生执行器失效故障且在故障允许范围内时闭环系统的平稳运行,并具有最优的控制性能.另外,以注射成型过程保压段的喷嘴压力设计控制律为例验证了所提方法的有效性.     

基于滑动时间窗口加权MPCA的间歇过程监测方法

针对间歇过程的时段划分问题,提出了一种滑动时间窗加权MPCA方法,利用了相邻观测数据所蕴含过程信息的相关性,降低了过程扰动、观测噪声以及多阶段间过渡过程等不确定性因素对时段划分的影响,进而改善了间歇过程的监测效果。将所提出的方法应用于青霉素发酵过程阶段划分和监测,实验结果表明,所提出方法与常规MPCA相比,能够得到更好的效果。     

基于粗糙集的偏最小二乘回归方法

针对变量之间多重相关性导致最小二乘估计失效的问题,提出基于粗糙集改进偏最小二乘回归建模方法.首先,利用粗糙集对数据进行一般约简,去除冗余信息,再进行偏最小二乘回归分析,建立回归模型.通过实例计算,并与PLSR、PCR进行比较分析.结果表明：用粗糙集改进的PLSR建模精度为3.65%,分别高于PLSR(4.07%)和PCR(4.45%),从而验证了所提出方法的通用性及实用价值.     

基于可行扰动的非线性预测控制实时迭代算法设计

针对非线性模型预测控制中滚动优化问题在线求解的困难,提出一种基于可行扰动的实时迭代优化算法。将可行扰动策略引入滚动优化中,保证算法快速收敛且具有提前终止能力。通过对运动小车以及连续搅拌反应釜的仿真研究,验证了该算法的有效性。     

基于自适应动态时间规整(DTW)的GA-FCM多阶段间歇过程故障诊断

多时段是间歇过程的固有特征,对间歇过程划分阶段可以提高故障诊断的精度。采用模糊C-均值聚类（FCM）算法划分阶段存在对初始聚类中心敏感、易于陷入局部极优值的问题。提出遗传算法与FCM算法相结合的方法（GA-FCM）,用于克服FCM易于陷入局部极优值的问题,以达到全局最优。同时,针对间歇过程数据不等长问题,提出自适应动态时间规整（DTW）算法。随后,用GA-FCM方法完成阶段划分,再建立多向核主元分析（MKPCA）模型完成故障检测。最后将此算法应用于青霉素发酵过程,仿真结果验证了所提方法的可行性和有效性。     

机器人跟踪的迭代学习控制方法

针对机器人跟踪控制问题,提出一种改进的D型迭代学习控制律,给出迭代学习控制算法的充分条件和必要条件.该控制律除了利用机器人的关节位置及关节速度信息外,还引入了机器人的关节角加速度.利用控制律中的机器人关节角加速度构成的学习律在二关节操作臂上进行试验并且与D类学习律进行比较.仿真结果表明,该方法能大大提高学习速度,具有良好的控制性能.     

基于SVDD时段细化的间歇过程故障监控

针对多向主元分析(MPCA)在间歇过程故障监测应用中经常面临的分段不准确问题,提出了一种新的基于支持向量数据描述(SVDD)的两步分段方法,从而提高分段的准确性和故障监测精度。第一步分段采用机理知识与现场数据相结合的思想,对MPCA模型的负载矩阵进行修正。将采样时间引入负载矩阵中,增大模型差异性,从而避免了故障数据导致的分段错误。第二步利用支持向量数据描述方法将初步划分的各子时段进一步细分,严格区分各子时段中的稳定与过渡时段,进一步提高分段的准确性。同时,给出基于上述分段技术的间歇过程在线故障监测算法,可以实时地监测现场数据。最后将该方法应用于青霉素间歇过程的在线监测,结果表明:该方法能够细致刻画过渡过程信息,比常规MPCA方法能够更早地检测出故障,并避免了误报。     

基于数据相似度的间歇过程在线监控

为了提高间歇过程批次之间产品的一致性,并及时发现过程中的异常情况,提出一种基于过程数据相似度的多变量统计监控方法对间歇过程的操作进行在线监控.该方法将正常批次轨迹与参考批次轨迹之间的相似度作为一种新的监控指标,并利用核密度方法估计相似度的概率密度函数,计算出控制限,在批次反应过程中利用Kalman滤波器对当前批次的数据进行实时的估计从而实现在线监控.该方法和传统多向主元分析方法的监控性能在一个青霉素发酵仿真系统上进行了比较.仿真结果表明: 该方法检测出渐变型扰动比MPCA方法提前了30 h.     

带有时间序列的变系数 EV 模型的变量选择

在模型误差是时间序列时,利用B样条逼近和SCAD惩罚函数对变系数EV模型进行变量选择。选择合适的调整参数,偏差修正的变量选择能够同时选择有效的变量和估计非零的光滑系数函数。最后证明了变量选择的相合性,同时它也满足变量选择的Oracle性质---稀疏性。     

一类间歇过程的优化及非线性预测控制

基于主产物浓度和反应温度的RBF神经网络模型,使用粒子群优化算法(PSO)求解该间歇反应主产物产率最大化问题,进而得到反应温度优化曲线。利用RBF神经网络建立了反应器冷却水控制温度阶段的预测模型,采用非线性预测控制,并引入了模型误差项,增强了控制方法的鲁棒性和间歇过程的抗干扰性能。利用 Lyapunov 原理对该预测控制算法做了稳定性分析,确定了系统稳定条件下的参数的取值范围。同时编制控制程序在多功能过程及控制实验装置(MPCE)装置上实现了算法的控制,并与以升温速率为基准的特殊PID调节器的控制结果比较,结果证明了基于RBF神经网络非线性预测控制方法的有效性。