神经网络多变量监控系统在发酵工业中的应用

以发酵工业过程监控为研究对象，根据发酵过程工况参数实时检测困难的特殊性，提出了一种基于神经网络的监控体系框架，对用神经网络组成的静态预报模型和动态监测模型的有机结合应各自组成结构的特点进行了较详细的分析和研究。最后，以酒精发酵过程监控为仿真研究对象，做了仿真实验，仿真结果令人满意。在实践中经过不断完善，完全可以应用于实际生产。     

基于RBF神经网络的青霉素发酵过程的模型辨识

分析了目前青霉素发酵过程中存在的问题.基于RBF神经网络的辨识方法,建立了青霉素发酵过程模型.以动力学模型为基础产生教师数据,采用遗传算法对网络进行训练,建立了基于RBF神经网络的发酵过程模型,并进行了仿真实验验证.实验结果表明,该辨识模型对青霉素补料分批培养过程具有实用价值.     

生化过程的神经网络组合模型

用神经网络描述未知的反应动力学参数，结合反应器物料平衡方程，提出了生化过程的神经网络组合模型。并提出了特别适合微生物发酵过程的Ｍｏｎｏｄ饱和型和基质抑制型的神经元传递函数。在Ｈｅｂｂ学习的基础上，引入教师指导信号，提出了神经网络误差一次反向传播的快速学习算法。将此组合模型用于某流加发酵过程状态变量和动力学参数的在线估计，仿真研究获得了满意的结果。组合模型具有训练速度快、预测精度高等优点，为动力学结     

混合选别过程半实物仿真系统

为了满足复杂工业过程控制技术的研究需求,需要建立具有代表性的半实物仿真系统.针对混合选别过程,研发由对象计算机、控制器设计计算机、监控计算机、虚拟执行机构与检测仪表装置和控制系统组成的半实物仿真系统.该系统基于工业控制系统软件开发控制算法,运用MATLAB研发虚拟对象、虚拟执行机构和检测仪表、控制器设计模型,研发了相应的可视化界面.在对象计算机、控制器设计计算机和监控计算机的基础上完成了被控对象机理建模、控制器设计模型参数辨识、控制器设计和控制器性能评价等研究.为复杂控制算法研究进一步工业应用奠定了基础.     

基于PSO-ANN逆的发酵过程软测量建模

针对发酵过程中一些关键生化参量难以通过常规仪表实时测量,而制约发酵生产过程优化控制的问题,提出一种基于粒子群神经网络逆(PSO-ANN逆)的发酵软测量建模方法.以青霉素发酵过程为背景,首先建立其虚拟子系统数学模型,并构建发酵过程逆模型;其次,提出PSO-ANN逆的软测量实现方法,以克服解析法逆运算的复杂性甚至难于实现的问题;最终构建PSO-ANN逆软测量模型,并进行试验及仿真.结果表明:该软测量建模方法能够将机理建模与数据驱动建模方法相结合,充分利用对象模型的先验知识和经验数据,有效解决了青霉素发酵过程中不可在线测量的关键参量实时测量难题,其训练和测试误差分别达到0.037 2和0.046 1,模型具有较高的预测精度和较强的预测能力.     

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。     

模糊-神经网络技术及其用于结构主动控制的仿真研究

提出了一种基于神经网络调整规范化因子的模糊一神经网络控制策略，并以表面布置压电片的梁结构为控制对象进行了仿真．实验结果表明，该控制策略适用于不精确被控对象模型和非线性系统的控制．模糊-神经网络技术及其用于结构主动控制的仿真研究@蒋式勤@陈海洪     

基于神经网络和遗传算法的生化过程状态预估及优化控制

提出一种基于模糊推理的误差预测补偿系统，用于修正生化过程中预估神经网络模型的预测输出，以提高预测精度，并采用遗传算法建立生化过程的在线优化体系．通过对谷氨酸发酵过程仿真，表明该系统的应用是有效的．     

多变量生物发酵过程的解耦控制

把非线性系统的逆系统方法与神经网络非线性辨识技术相结合，提出了一种基于神经网络逆系统的发酵过程多变量解耦控制策略．当过程模型缺乏足够的先验知识时，所提出的解耦控制策略对多变量非线性连续发酵过程取得了良好的控制性能．仿真结果表明，提出的解耦控制方法能够适应过程模型的不确定性和参数的时变性，具有较强的鲁棒性．克服了基于微分几何理论的逆系统解耦控制方案依赖于过程模型和对模型参数变化很敏感的缺点．     

混合算法在抗生素发酵过程控制中的应用

提出了用遗传算法和BP算法相结合的混合算法来训练前向神经网络权系数,文中对整个过程进行了详细的介绍,并应用于抗生素发酵过程的逆动力学模型的网络训练.作者对发酵过程的逆动力学模型进行了仿真,文末给出的训练结果显示此方法是可行的.     

神经网络与PID结合的机器人自适应控制

提出了一种基于神经网络与ＰＩＤ控制相结合的机器人自适应控制系统。为加快神经网络的学习过程，研究了有效的启发式学习算法。以二关节机器人为对象仿真表明，该控制系统能使机器人跟踪希望轨迹，其系统响应跟踪精度及鲁棒性优于常规的控制策略。     

发动机的组合神经网络建模

为改善单个神经网络模型精度不足的问题,引入有限元建模思想,采用有限元建模和神经网络建模相结合的方法,建立了高压共轨柴油机性能仿真的网络模型,并进行了实验验证。建模过程中,将建模对象空间划分成网格,在节点上利用获取的实验数据分别组成完备和不完备的训练域对网络进行训练,由所有网格上的网络共同完成性能仿真功能,由此建立起一套可用于电控发动机控制系统仿真及参数匹配标定的组合神经网络。实验结果表明:该模型平均输出误差约为2%~4%,使用Pen tium IV 2.0GH z PC机时的计算时间小于60m s,可用于基于模型的发动机控制系统。     

基于质量指标的球团焙烧先进过程控制

以某烧结厂球团焙烧过程中燃烧控制系统为研究对象，针对生产过程中因果非线性及条件不确定等因素的影响，综合运用网络技术、软测量技术、模糊控制和专家系统等，提出一种焙烧过程的质量控制策略和先进过程控制(APC)方案，设计了基于神经网络的模糊化软测量(FNNSS)模型。采用软测量的方法实现生产综合条件指标即广义透气性的测定，对不同的透气性采取不同的控制策略，并进行了仿真研究。     

基于神经网络的非线性观测器及其应用

提出了一种基于神经网络的非线性观测器，用于青霉素发酵过程的状态估计，仿真研究获得了满意的结果。观测器的输出与离线测量数据拟合较好，证明了该方法的实用性，为建模困难的生化过程的状态估计提供了可能。     

前馈神经网络的容错性研究

以前馈神经网络为研究对象，提出了一种容错型神经网络学习算法，将系统运行过程中可能发生的各类故障随机地引入网络训练过程，使系统获得更加稳健的内部表示。仿真结果表明，该学习算法能够有效地提高神经网络的容错能力和泛化能力。     

利用神经网络进行综合机构的建模和控制

介绍了逆模型超前控制器，神经网络反馈单元及由5层神经网络组成的集成控制系统。集成控制系统包括一个由神经网络组成的系统模型和具有自调整功能的控制单元。该方法被用于优化设计的综合机构控制仿真，结果证明了它的先进性和可行性。     

宜昌站洪峰流量过程神经网络预测模型研究

以长江上游寸滩-宜昌河段为研究对象,建立了考虑区间降雨的河道洪水预报BP神经网络模型,论证了应用人工神经网络模型进行洪水预报的可行性。以1982年至1986年的洪水预报作为仿真,表明该模型能较好地反映区间降雨的影响,对大中小各种洪水过程都能进行准确预报。     

发酵过程状态预估的BP神经网络模型实现

论述了利用改进的BP神经网络实现发酵过程状态预估模型的设计原理和方法,包括BP神经网络的拓扑结构选取、学习和测试样本的选择及处理,变步长引入动量项BP神经网络的训练方法以及全局收敛法的实现等。此外,用VC实现了发酵过程BP神经网络建模平台。经聚赖氨酸发酵过程验证,其模型具有良好的收敛性能和泛化性能,可应用于发酵过程状态参数的在线预估和测量。     

模糊神经网络技术用于结构主动控制的研究

提出了一种基于神经网络调整规范化因子的模糊神经网络控制策略，并以表面布置压电片的梁结构为控制对象进行了仿真．实验结果表明，该控制策略适用于不精确被控对象模型和非线性系统的控制．     

基于多阶段多核支持向量数据描述的间歇过程监控方法

针对间歇过程数据的多阶段特性及复杂非线性特性,提出一种基于多阶段多核支持向量数据描述(MPMK-SVDD)的间歇过程故障检测方法。为充分挖掘间歇过程数据的多阶段信息,首先提出一种基于互信息相似矩阵的改进谱聚类方法,解决间歇过程数据集的多阶段划分问题。进一步考虑到单一核函数难以充分描述过程数据的复杂非线性问题,设计一种基于多重核函数和核参数的SVDD监控模型,并通过贝叶斯推理构造全局监测统计量,以实现过程故障的有效监控。以青霉素发酵过程为仿真研究对象,验证方法的有效性。结果表明,提出的方法比传统的SVDD方法能更有效地检测过程故障,具有更高的故障检出率。