草酸钴合成过程批次间自适应优化

本文以钴湿法冶金过程草酸钴合成为背景,研究基于多向偏最小二乘回归(MPLS)模型的草酸钴平均粒度批次间自适应优化策略.本文首先利用MPLS方法建立草酸钴平均粒度的数据模型;针对模型不确定性情况下难以获得最优操作变量的问题,提出利用批次间修正项自适应优化方法,使迭代优化结果逐渐趋向于实际最优值;本文还通过引入T2统计量软约束将优化结果限制在数据模型的有效区间之内.数值仿真表明该方法可以有效解决草酸钴合成过程的批次间自适应优化问题,且与传统两步方法和迭代学习控制相比具有更好的优化效果.     

基于相似历史信息迁移学习的进化优化框架

现有进化算法大都从问题的零初始信息开始搜索最优解, 没有利用先前解决相似问题时获得的历史信息, 在一定程度上浪费了计算资源.将迁移学习的思想扩展到进化优化领域, 本文研究一种基于相似历史信息迁移学习的进化优化框架.从已解决问题的模型库中找到与新问题匹配的历史问题, 将历史问题对应的知识迁移到新问题的求解过程中, 以提高种群的搜索效率.首先, 定义一种基于多分布估计的最大均值差异指标, 用来评价新问题与历史模型之间的匹配程度; 接着, 将相匹配的历史问题的知识迁移到新问题中, 给出一种基于模型匹配程度的进化种群初始化策略, 以加快算法的搜索速度; 然后, 给出一种基于迭代聚类的代表个体保存策略, 保留求解过程中产生的优势信息, 用于更新历史模型库; 最后, 将自适应骨干粒子群优化算法嵌入到所提框架, 给出一种基于相似历史信息迁移学习的骨干粒子群优化算法.针对多个改进的典型测试函数, 实验结果表明, 所提迁移策略可以加速粒子群的搜索过程, 显著提高算法的收敛速度和搜索效率.     

基于堆叠自适应链接超平面模型的间歇过程批次间优化控制

间歇过程优点多且应用广泛,但自动化水平较低。针对间歇过程产品质量控制问题,提出一种基于堆叠自适应链接超平面(stacked-AHH)模型的批次间优化控制策略。为克服间歇过程机理建模的困难,选择基于过程数据的经验模型。分片线性(PWL)模型作为经验模型的一种能够很好的拟合非线性函数。因其在定义域不同子区域都为线性函数的特点,所以能够避免优化过程中因模型线性化所带来的误差。在多种PWL模型中,AHH模型相对其他PWL模型具有精度高、模型质量好等优点。同时为提高模型的泛化能力和鲁棒性,对AHH模型进行了堆叠。由于存在模型误差和未知干扰,基于模型计算的最优控制输入在应用到实际过程时往往不是最优的。间歇过程具备重复性,因此可以利用当前和过去批次的信息来改善下一批次的操作,使跟踪误差随批次增加逐渐减小。通过仿真实验验证了策略的有效性。     

自适应控制的发展动态

近年来,自适应控制领域取得的主要成果是:解决了大范围稳定性问题,弄清了自适应控制各种实现方法之间的等价性。这些发展成果使我们能用统一的方式来研究自适应控制的各种问题。 模型参考自适应控制(MRAC)和自校正调节器(STR)是解决自适应控制问题的两种主要方法。模型参考自适应控制已经被用于连续时间系统和离散时间系统,而自校正调节器仅能用来分析离散时间系统。不过到目前为止,模型参考自适应控制主要只用于确定性系统,而随机自校正调节器则是研究不确定性系统的有效方法。随着这两种方法之间等价性的建立,必将导致模型参考自适应控制和自校正调节器乏间的互相补充和互相促进。 本文的目的是简要地回顾一下近年来自适应控制的发展情况,并为将来的研究指出可能的方向。     

一种基于自适应代理模型的并行贝叶斯优化方法

提出一种基于自适应代理模型的并行贝叶斯优化方法,用于求解计算成本高的复杂优化问题.该方法基于多点期望改进判据,通过批次采样实现并行优化.针对并行优化产生的大量历史数据会导致全局代理模型建模成本高的问题,提出一种改进的基于数据并行的高斯过程建模方法,在线构造局部代理模型.此外,针对多点期望改进判据计算成本高的问题,提出一种启发式的分层优化策略,通过序贯优化基于自适应代理模型的单点期望改进判据,近似计算多点期望改进判据.最后通过5个测试问题验证所提出方法的有效性.     

基于互信息操作变量曲线参数化的间歇过程批内修正优化

针对间歇过程批次内扰动影响最终优化效果的问题,提出一种基于互信息操作变量曲线参数化的间歇过程批内修正优化方法.首先根据操作变量与指标变量间互信息和相关系数划分出操作变量曲线上对指标变量作用近似的时段;然后,结合操作变量曲线的形态特征选择有代表性参数建立优化模型,以降低优化模型求解的复杂度.考虑到生产过程噪声干扰影响最终优化效果,在批次内设置决策点,并根据当前工况信息对决策点后未实施的操作变量曲线进行调整,以减弱批次内扰动对最终优化效果的影响.最后,将所提出方法用于某一化工厂双酚A结晶过程的优化研究,通过仿真结果验证了该方法的有效性.     

基于自适应过载阈值选择的虚拟机动态整合方法

针对云环境下动态工作负载的不确定性,提出了基于自适应过载阈值选择的虚拟机动态整合方法。为了权衡数据中心能源有效性与服务质量间的关系,将自适应过载阈值的选择问题建模为马尔可夫决策过程,计算过载阈值的最优选择策略,并根据系统能效和服务质量调整阈值。通过过载阈值检测过载物理主机,然后根据最小迁移时间原则以及最小能耗增加放置原则确定虚拟机的迁移策略,最后切换轻负载物理主机至休眠状态完成虚拟机整合。仿真实验结果表明,所提出的方法在减少虚拟机迁移次数方面效果显著,在节约数据中心能源开销与保证服务质量方面表现良好,在能源的有效性与云服务质量二者之间取得了比较理想的平衡。     

基于误差补偿模型的工艺参数优化研究

复杂系统或过程参数优化问题往往采用建模发现其潜在规律,再通过优化方法利用该规律获取最佳工艺参数。而建模误差的存在,往往使优化解与实际最佳工艺参数存在差距,难以获得理想性能。为此提出一种基于误差补偿模型的优化决策方法,通过分析并选取影响建模误差的因素,构建误差补偿模型,修正模型,提高决策性能。首先,从数据挖掘角度建立复杂工艺近似模型,并分析影响建模误差的主要因素;其次,以训练误差为导师信号,利用BP网络建立影响因素与建模误差之间的函数关系,确定误差补偿函数;最后,将近似模型与补偿函数叠加作为最终的工艺模型。数学仿真与电路系统优化实验结果表明:误差补偿后,仿真模型得到的优化函数最优值相对误差降低9.63%,而电路系统中决策参数的超调量下降2.17%。可见,补偿模型优化参数控制效果优于近似模型,验证了所提方法对于提高工艺参数优化决策性能有效性。     

基于软测量技术的间歇聚合过程质量控制

针对间歇聚合过程质量指标的控制问题,提出了一种基于软测量技术的质量控制方法。将混合核函数偏最小二乘法(K2PLS)与人工神经网络(ANN)相结合,构建一种软测量模型,用于预测工艺变量与质量指标之间的定量关系;利用软测量技术和非线性规划方法,求解得到符合质量指标约束的最佳操作变量;根据离线质量指标分析值,利用间歇过程批次间重复的相似性特性,提出了一种偏差修正策略,用于调整操作变量和指导批次间的生产操作。将上述方法应用于氯乙烯聚合过程的质量指标控制研究中,结果表明:基于K2PLS-ANN的软测量模型具有优秀的预测性能,提出的质量优化控制策略,实现了聚氯乙烯质量指标的平稳控制,有助于降低生产消耗,可用于指导实际生产过程。     

一类工业运行过程多模型自适应控制方法

针对一类动态未知的工业运行过程,提出一种基于神经网络补偿和多模型切换的自适应控制方法.为充分考虑底层跟踪误差对整个运行过程优化和控制的影响,将底层极点配置控制系统和上层运行层动态模型相结合,作为运行过程动态模型.针对参数未知的运行过程动态模型,设计由线性鲁棒自适应控制器、基于神经网络补偿的非线性自适应控制器以及切换机制组成的多模型自适应控制算法.采用带死区的递推最小二乘算法在线辨识控制器参数,克服了投影算法收敛速度慢、对参数初值灵敏的局限.理论分析和仿真实验结果表明了所提方法的有效性.     

结合源域差异性与目标域不确定性的深度迁移主动学习方法

针对训练深度模型时样本标注成本较大的问题,文中提出结合源域差异性与目标域不确定性的深度迁移主动学习方法.以源任务网络模型作为目标任务初始模型,在主动学习迭代中结合源域差异性和目标域不确定性挑选对模型最具有贡献的目标域样本进行标注,根据学习阶段动态调整两种评价指标的权重.定义信息榨取比概念,提出基于信息榨取比的主动学习批次训练策略及T&N训练策略.两个跨数据集迁移实验表明,文中方法在取得良好性能的同时可有效降低标注成本,提出的主动学习训练策略可优化计算资源在主动学习过程中的分配,即让方法在初始学习阶段对样本学习更多次数,在终末学习阶段对样本学习较少次数.     

直升机强跟踪自适应变稳控制器设计

变稳控制是直升机飞行模拟的关键技术之一,气动参数的不确定性是其设计的困难所在.对此,提出了利用双目标直升机模型构造原型直升机的强跟踪自适应变稳控制器,它将强跟踪的反馈补偿机构和自适应控制参数设计相分离,简化了控制设计,同时实现了提高自适应参数修正过程的系统稳定裕度和显著降低跟踪误差的目的.仿真实验结果验证了所提出方法的有效性和可行性.     

直升机强跟踪自适应变稳控制器设计

变稳控制是直升机飞行模拟的关键技术之一, 气动参数的不确定性是其设计的困难所在. 对此, 提出了利用双目标直升机模型构造原型直升机的强跟踪自适应变稳控制器, 它将强跟踪的反馈补偿机构和自适应控制参数设计相分离, 简化了控制设计, 同时实现了提高自适应参数修正过程的系统稳定裕度和显著降低跟踪误差的目的. 仿真实验结果验证了所提出方法的有效性和可行性.     

基于自适应变量加权的汽油辛烷值预测方法

针对汽油精制过程中控制变量之间非线性和强耦联性,产品汽油中辛烷值难以测定的问题,提出一种基于自适应变量加权的汽油辛烷值预测方法.首先,利用一种新颖的变量加权模块捕获变量之间的相关性获取变量权重,通过自适应变量加权的方式提升主要变量的重要性,抑制其他次要变量的作用;然后,考虑到汽油脱硫过程对辛烷值的影响,输入加权激活后的变量到辛烷值预测模块,模型同时输出辛烷值和硫含量的预测结果;最后,基于工业数据进行模型验证,结果表明,与无变量加权模块的神经网络预测方法,基于随机森林的神经网络预测方法和基于变量加权堆叠自编码器的预测方法相比较,所提出的自适应变量加权汽油辛烷值预测方法具有更高的预测精度,可以用来优化汽油精制过程的操作条件.     

一种基于超粒子引导的自适应知识迁移多任务差分进化算法

针对传统多任务优化算法(MTEA)存在负向知识迁移、迁移算子效率低下等问题,提出一种基于超粒子引导的自适应知识迁移的多任务差分进化算法(SAKT＿MFDE).首先,通过任务之间的相似程度自适应地调节任务之间的交配概率,增大任务之间的正向迁移;其次,利用超粒子引导算法的搜索方向,进一步提升算法整体的优化效率;最后,通过多任务基准函数进行仿真实验来评价改进算法的寻优性能.实验结果表明,所提出算法可以有效规避任务之间的负向迁移,提高相似度较低的任务组的优化性能.     

在线场景更新的多阶段非线性模型预测聚合反应控制

针对聚合过程中时不变不确定性参数不能直接估计的情况,导致的多阶段非线性模型预测控制中场景树生成的合理性问题,提出一种基于贝叶斯概率加权的在线场景更新算法.该方法利用前一时间步中每个场景的模型预测信息和过程状态测量信息计算对应场景的概率权重,然后通过合适的自适应步长在线更新场景树中不确定性的离散实现场景.所提方法在保证过程约束满足的同时,逐渐缩小不确定性集合逼近不确定性的真实值,从而降低保守性,提升控制器性能.通过多个批次的半间歇聚合反应过程实例仿真结果表明,所提出的方法可以有效降低批次反应时间,提高生产效率.     

动态补偿逆的非线性内模控制在机器人中的应用

针对机器人的非线性不确定性和传统非线性内模控制在控制上存在的不足．提出一种基于动态补偿逆的非线性不确定系统RBF内模控制,在引入RBF建立逆模型的同时．将无模型自适应控制方法作为附加控制器,用于在模型偏离被控对象时在线修正逆模型。仿真结果表明,本文提出的方法不仅对机器人系统的常量摄动具有较好的鲁棒性,对时变不确定性仍能保持较好的跟踪效果．具有较好的实时性、鲁棒性和在线校正功能。     

磨矿分级过程动态优化控制

建立了基于改进粒级质量平衡模型（PBM）的质量指标预测模型和保证过程最优运行的优化计算模型,提出了基于反馈校正的动态优化控制方案.首先由优化模型计算最优控制律,为消除过程扰动及其他不确定因素影响,引入质量指标反馈调节机制;然后智能控制单元根据人工测试和期望质量指标间的偏差对最优控制律进行反馈修正.现场实验结果表明,该方案能够稳定过程产品质量,实现过程节能降耗.     

具有不确定性的非线性系统自适应神经网络L2增益控制

针对存在不确定性的非线性系统,提出了自适应神经网络L2增益控制器设计方法,将基于Hamilton—Jacobi—Issacs（HJI）不等式和自适应神经网络策略相结合,有效地克服了需要被控对象精确建模的局限性．神经网络对系统模型的偏差进行拟合;为了补偿拟合误差,引入补偿控制器和神经网络权值自适应调节律,通过在线自适应修正神经网络权值,来保证闭环系统满足相应的L2性能准则．仿真结果表明提出的控制器设计方法是有效的,克服了一般方法需要被控对象精确建模的局限性．     

稳态过程的数据校正和大误差侦破方法的集成研究

针对实际数据校正问题中同时含有未测变量和带大误差已测变量的情况，提出利用两步投影矩阵方法来进行数据分类，先将稳态模型变换为统计检验所需要的标准形式（只含已测变量），用广义似然比方法侦破出大误差并予以补偿后再对数据校正问题进行求解计算，从而为数据校正及大误差侦破的集成提出了一种通用的策略，并且减少了计算量。