基于潜在特征选择性集成建模的二噁英排放浓度软测量

二噁英(Dioxin,DXN)是导致城市固废焚烧(Municipal solid waste incineration,MSWI)建厂存在"邻避现象"的主要原因之一.工业现场多采用离线化验手段检测DXN浓度,难以满足污染物减排控制的需求.针对上述问题,本文提出了基于潜在特征选择性集成(Selective ensembl...     

城市固废焚烧过程烟气含氧量自适应预测控制

在城市固体废弃物焚烧(Municipal solid waste incineration, MSWI)过程中,烟气含氧量是影响焚烧效果的重要工艺参数.由于固废焚烧过程的复杂性,在实际应用过程中,难以实现烟气含氧量的有效控制.面向城市固废焚烧过程烟气含氧量控制的实际需求,提出一种基于数据驱动的烟气含氧量自适应预测控制方法.首先,采用自适应模糊C均值(Fuzzy C-means, FCM)算法辅助确定径向基函数(Radial basis function, RBF)神经网络隐含层神经元个数及初始中心,建立基于FCM算法的径向基函数神经网络预测模型,并在控制过程中通过自适应更新策略在线调节预测模型参数;然后,利用梯度下降算法求解控制律,并基于李雅普诺夫理论分析了所提控制方法的稳定性;最后,基于城市固废焚烧厂实际数据,验证了所提控制方法的有效性.     

基于TS-FNN的城市固废焚烧过程MIMO被控对象建模

针对城市固废焚烧(MSWI)过程中因机理反应复杂、不确定性严重等原因导致被控对象模型难以建立的问 题, 设计了一种基于(T-S)型模糊神经网络(FNN)的多输入多输出(MIMO)模型. 首先, 描述了MSWI过程的核心工艺 流程并分析了模型的影响因素; 接着, 设计了面向过程控制的被控对象建模策略, 其由工况识别模块、数据预处理 模块、特征约简模块、被控对象模型训练模块与被控对象模型测试模块组成; 最后, 通过实验表明了所构建模型的 有效性, 为研究MSWI过程的优化控制算法奠定了基础.     

面向城市固废焚烧过程的二噁英排放浓度检测方法综述

焚烧在城市固体废物(Municipal solid wastes, MSW)的无害化、减量化和资源化处理方面优势显著. MSW焚烧(MSW incineration, MSWI)过程副产品之一的剧毒持久性污染物二噁英(Dioxins, DXN)是造成焚烧建厂“邻避效应”的主要原因. DXN排放浓度难以在线实时检测的工业现状已成为制约MSWI过程运行优化与城市环境污染控制的瓶颈. 首先, 结合典型MSWI过程分析DXN的生成特性与排放控制策略; 接着, 将DXN排放浓度检测方法从测量原理、复杂度和时间尺度等视角分为离线直接检测法、指示物/关联物在线间接检测法和软测量法并进行综述; 然后, 对不同方法的发展阶段和关联性进行分析, 指出各自的优劣性和相互间的互补性, 结合MSWI过程特点归纳基于过程数据进行DXN排放浓度软测量的难点, 并将其提炼为一类面向小样本高维稀疏标记数据的智能建模问题; 最后, 指出进行DXN排放浓度智能软测量的未来研究方向和发展前景.     

基于增强型算法并能自动生成规则的模糊神经网络控制器

给出了一种基于增强型算法并能自动生成控制规则的模糊神经网络控制器RBFNNC（reinforcements based fuzzy neural network comtroller）。该控制器能根据被控对象的状态通过增强型学习自动生成模糊控制规则,RBFNNC用于倒立摆小车平衡系统控制的仿真实验表明了该系统的结构及增强型学习算法是有效和成功的。     

城市固废焚烧过程风量智能优化设定方法

城市固体废物焚烧(municipal solid wastes incineration,MSWI)技术由于其高效的减容效果逐渐成为了生活垃圾处理的主要方式.MSWI过程产生的氮氧化物(nitrogen oxides,NOx)是大气中的主要污染物之一.为了在控制NOx排放的同时保证燃烧效率,提出一种基于多目标粒子群算法的MSWI过程风量智能优化设定方法.首先,结合最大相关最小冗余算法及前馈神经网络,建立燃烧效率和氮氧化物排放浓度预测模型;然后,提出分阶段多目标粒子群优化算法(staged multi-objective particle swarm optimization,SMOPSO),获得一次风流量和二次风流量的Pareto优化解集;此外,设计效用函数,确定一次风流量和二次风流量的最优设定值;最后,基于国内某城市固废焚烧厂的实际运行数据,验证所提方法的有效性.     

鲁棒性的模糊聚类神经网络

针对模糊聚类神经网络FCNN(fuzzy clustering neural network)对例外点(outliers)敏感的缺陷,通过引入Vapnik's ε-不敏感损失函数,重新构造网络的目标函数,并根据拉格朗日优化理论推导出新的鲁棒模糊聚类神经网络及其算法(robust fuzzy clustering neural networks,简称RFCNN).RFCNN有效地克服了FCNN对例外点敏感之缺点并且能得到合理的聚类中心.仿真实验结果表明,RFCNN较之于FCNN有更好的鲁棒性.     

联合样本输出与特征空间的半监督概念漂移检测法及其应用

城市固废焚烧(Municipal solid waste incineration, MSWI)过程受垃圾成分波动、设备磨损与维修、季节交替变化等因素的影响而存在概念漂移现象, 这导致用于污染物排放浓度的建模数据具有时变性. 为此, 需要识别能够表征概念漂移的新样本对污染物测量模型进行更新, 但现有漂移检测方法难以有效应用于建模样本真值获取困难的工业过程. 针对上述问题, 提出一种联合样本输出与特征空间的半监督概念漂移检测方法. 首先, 采用基于主成分分析(Principal component analysis, PCA)的无监督机制识别特征空间内的概念漂移样本; 然后, 在样本输出空间采用基于时间差分(Temporal-difference, TD)学习的半监督机制对上述概念漂移样本进行伪真值标注后, 再用Page-Hinkley检测法确认能够表征概念漂移的样本; 最后, 采用上述步骤获得的新样本结合历史样本对模型进行更新. 基于合成和真实工业过程数据集的仿真结果表明所提方法具有优于已有方法的性能, 能够在加强模型漂移适应性的同时有效缩减样本标注成本.     

基于自适应递归模糊神经网络的污水处理控制

针对污水处理过程中具有的非线性、大时变等特征,提出了一种基于自适应递归模糊神经网络(recurrent fuzzy neural network,RFNN)的污水处理控制方法.该方法利用自适应RFNN识别器建立污水处理过程的非线性动态模型,建立的模型可以为RFNN控制器提供污水处理过程中的状态变量信息,保证了控制器根据系统响应调整操作变量的精确性;并且RFNN辨识器及RFNN控制器基于自适应学习率进行学习,确保了递归模糊神经网络的收敛精度和速度,并通过构造李雅普诺夫函数证明了此算法的收敛性;最后,基于基准仿真模型(benchmark simulation model 1,BSM1)平台进行仿真实验.结果表明,与PID、模型预测控制及前馈神经网络相比,该方法对污水处理中溶解氧浓度和硝态氮浓度的跟踪控制精度具有明显的提升.     

Unified stabilizing controller synthesis approach for discrete-time intelligent systems with time delays by dynamic output feedback

A novel model, termed the standard neural network model (SNNM), is advanced to describe some delayed (or non-delayed) discrete-time intelligent systems com- posed of neural networks and Takagi and Sugeno (T-S) fuzzy models. The SNNM is composed of a discrete-time linear dynamic system and a bounded static nonlinear operator. Based on the global asymptotic stability analysis of the SNNMs, linear and nonlinear dynamic output feedback controllers are designed for the SNNMs to stabilize the closed-loop systems, respectively. The control design equations are shown to be a set of linear matrix inequalities (LMIs) which can be easily solved by various convex optimization algorithms to determine the control signals. Most neural-network-based (or fuzzy) discrete-time intelligent systems with time delays or without time delays can be transformed into the SNNMs for controller synthesis in a unified way. Three application examples show that the SNNMs not only make controller synthesis of neural-network-based (or fuzzy) discrete-time intelligent systems much easier, but also provide a new approach to the synthesis of the controllers for the other type of nonlinear systems.     

数据驱动的城市固废焚烧过程烟气含氧量预测控制

烟气含氧量的精准控制对城市固废焚烧处理厂的稳定高效运行具有重要意义. 然而, 由于固废焚烧过程固 有的非线性和不确定性, 难以实现烟气含氧量的有效控制. 为此, 文中提出一种数据驱动的城市固废焚烧过程烟气 含氧量预测控制方法. 首先, 设计了一种基于自组织长短期记忆(SOLSTM)网络的预测模型, 结合神经元活跃度与 显著性动态调整隐含层结构, 提高了烟气含氧量的预测精度. 其次, 为了保证优化效率, 利用梯度下降法求解控制 律. 此外, 基于李雅普诺夫理论分析了所提方法的稳定性, 确保控制器在实际应用过程中的可靠性. 最后, 基于实际 工业数据对所提出的控制方法进行了验证, 结果表明, 提出的数据驱动预测控制方法能实现对城市固废焚烧过程烟 气含氧量的稳定高效控制.     

Self-organizing adaptive fuzzy neural control for the synchronization of uncertain chaotic systems with random-varying parameters

This paper proposes a self-organizing adaptive fuzzy neural control (SAFNC) for the synchronization of uncertain chaotic systems with random-varying parameters. The proposed SAFNC system is composed of a computation controller and a robust controller. The computation controller containing a self-organizing fuzzy neural network (SOFNN) identifier is the principle controller. The SOFNN identifier is used to online estimate the compound uncertainties with the structure and parameter learning phases of fuzzy neural network (FNN), simultaneously. The structure-learning phase consists of the growing of membership functions, the splitting of fuzzy rules and the pruning of fuzzy rules, and thus the SOFNN identifier can avoid the time-consuming trial-and-error tuning procedure for determining the network structure of fuzzy neural network. The robust controller is used to attenuate the effects of the approximation error so that the synchronization of chaotic systems is achieved.All the parameter learning algorithms are derived based on the Lyapunov stability theorem to ensure network convergence as well as stable synchronization performance. To demonstrate the effectiveness of the proposed method, simulation results are illustrated in this paper.     

Design of an adaptive self-organizing fuzzy neural network controller for uncertain nonlinear chaotic systems

Though the control performances of the fuzzy neural network controller are acceptable in many previous published papers, the applications are only parameter learning in which the parameters of fuzzy rules are adjusted but the number of fuzzy rules should be determined by some trials. In this paper, a Takagi–Sugeno-Kang (TSK)-type self-organizing fuzzy neural network (TSK-SOFNN) is studied. The learning algorithm of the proposed TSK-SOFNN not only automatically generates and prunes the fuzzy rules of TSK-SOFNN but also adjusts the parameters of existing fuzzy rules in TSK-SOFNN. Then, an adaptive self-organizing fuzzy neural network controller (ASOFNNC) system composed of a neural controller and a smooth compensator is proposed. The neural controller using the TSK-SOFNN is designed to approximate an ideal controller, and the smooth compensator is designed to dispel the approximation error between the ideal controller and the neural controller. Moreover, a proportional-integral (PI) type parameter tuning mechanism is derived based on the Lyapunov stability theory, thus not only the system stability can be achieved but also the convergence of tracking error can be speeded up. Finally, the proposed ASOFNNC system is applied to a chaotic system. The simulation results verify the system stabilization, favorable tracking performance, and no chattering phenomena can be achieved using the proposed ASOFNNC system.     

基于快速算法的模糊神经网络自适应控制

针对过程控制中被控对象常具有非线性、不确定性及参数时变等复杂因素，而难以建立精确的数学模型的情况，提出了一种基于快速学习算法的模糊神经网络自适应预测控制方案。该方案用神经网络作辨识器，模糊神经网络作控制器来实现非线性系统的自适应预测控制。为了克服传统的梯度下降法收敛速度慢、容易陷入局部极小值的缺点，该方案采用递推最小二乘法训练模糊神经网络。仿真结果表明，该方案可以实现模糊控制和神经网络的优势互补，对不确定非线性系统具有很好的控制效果。     

城市生活垃圾焚烧过程二次风量智能优化设定方法

垃圾焚烧过程二次风量通常是依据人工经验设定,具有主观随意性,使污染物排放浓度不达标.针对此问题,提出一种二次风量智能优化设定方法.首先,建立二次风量的案例推理预设定模型、设定值的评价与学习模型;其次,建立工艺指标的随机配置网络预测模型;接着,建立基于径向基神经网络自学习模糊推理的智能补偿模型;最后,将二次风量预设定模型、工艺指标预测模型、智能补偿模型以及设定值的评价与学习模型有机集成,设计二次风量智能优化设定方法的结构与功能,并给出算法实现.采用某垃圾焚烧厂历史数据进行实验,结果表明,所提方法获得的二次风量设定值波动程度更小,按此设定值运行的控制系统可以减少污染物排放浓度,促进垃圾焚烧过程运行优化目标的实现.     

城市生活垃圾焚烧炉温控制的多目标优化设定方法

为实现城市生活垃圾焚烧(MSWI)过程的炉温稳定并避免炉排温度过高的控制目标,本文提出一种通过炉排温度和一次风温间接控制炉温的多目标优化设定方法.通过融合分解与竞争策略,将WS变换、双向学习、随机交叉、动态高斯变异引入到多目标海鸥优化算法(MOSOA)中,得到一种改进的MOSOA(IMOSOA),根据炉温的设定值、误差等信息对炉排温度和一次风温的设定值进行寻优.实验结果表明IMOSOA的寻优能力显著增强,在干扰影响下,基于IMOSOA的多目标优化设定方法可实现MSWI过程炉温的控制目标,能有效促进垃圾焚烧过程的平稳运行.     

半导体泵浦固体激光器智能温控策略与算法研究

针对半导体泵浦固体激光器温度控制过程中存在的非线性、大滞后特性,提出一种基于仿人智能策略的前馈组合控制器。前馈控制部分通过在线优化滞后参数估计值以获得被控对象的静态逆模型,逆模型辨识与直接逆控制由两个神经网络分别实现,可以在线调整网络权值。基本模糊控制器可在模糊PID和模糊PD控制算法之间进行转换,适用于控制系统的各工作状态。仿人智能控制策略根据输出误差变化的不同阶段调整所使用的控制组合,并具有自寻优功能。仿真表明,该方法可取得较好的控制效果。