网络环境下不敏感系统的分布式区域预测控制方法

针对二分图网络结构下的不敏感系统的可控性比较差的问题,本文提出了带有区域控制的分布式模型预测控制方法.该方法首先利用分支定界法对分布式控制系统结构进行最优设计;然后,结合区域控制提高控制系统的动态性能指标;最后,依据回路之间的关联性的强弱选择每个回路的控制方式(精确控制或区域控制).仿真结果显示带有区域控制的分布式预测控制系统的调节时间比没有带区域控制的分布式控制系统明显缩短;同时,通过对回路控制方式的选择增加了精确控制的智能体数量.仿真结果证明了利用分布式区域预测控制方法可以提高系统的容错性,通过对系统的可控性和关联性进行分析,可以在精确控制和区域控制之间寻找到最优组合,从而达到快速精确的控制效果.     

蒸汽管网流量测量误差的在线修正方法与应用

针对蒸汽管网中蒸汽流量的测量误差较大,导致蒸汽在管理和调度中容易造成能源浪费的问题,提出了一种基于主元分析(principal component analysis,PCA)的蒸汽流量测量误差在线修正方法,首先,利用主元分析法对蒸汽管网中各节点的流量测量值进行滤波,去除随机性误差;其次,利用基于主元分析模型的平方预报误差(squared prediction error,SPE)判断蒸汽管网的负荷工况;然后,综合考虑流量的大小和方差,采用Lagrange乘子法对仪表的测量偏差进行数据协调;最后,利用残差矩阵对下一个统计周期内的数据进行在线修正.将该算法应用到钢铁企业的蒸汽管网中,实验结果表明,基于所提算法的误差修正软件对蒸汽流量测量误差修正后,累积误差比原来减少了99.09％.有效地消除部分检测误差,使蒸汽管网流量在总体上趋于供需平衡.     

基于EMD和选择性集成学习算法的磨机负荷参数软测量

针对磨机筒体振动和振声信号组成复杂难以解释、蕴含信息存在冗余性和互补性、与磨机负 荷参数映射关系难以描述等问题,提出了基于经验模态分解（Empirical mode decomposition,EMD）技术和选择性集成学习算法分析 筒体振动与振声信号组成,建立磨机负荷参数软测量模型的新方法.首先从机理上定性分析了筒 体振动及振声信号组成的复杂性;然后采用EMD技术将原始信号自适应分解为具有不同时间尺度的系列组 成成分,即本征模态函数（Intrinsic mode function,IMF）;接着在频域内基于互信息（Mutual information,MI）方法分析并选择IMF频谱特征;最后采用基 于核偏最小二乘（Kernel partial least square,KPLS）建模方法、分支定界优化算法的选择性集成学习方法建立磨机负荷参数软测量模型,实现了多源多尺度频谱特征的选择性信息融合.基于实验球磨机的实际运行数据仿真验证了该方法的有效性.     

单臂集束型装备随机Petri网模型与性能分析

针对因集束型装备配置非常灵活,运行模式多样造成的对装备性能分析困难的问题,提出一种用随机Petri网对集束型装备的运行过程进行建模,分析模型,计算装备性能的方法.利用工具Visual Object Net＋＋验证模型的可达性,活性,有界性.采用马尔可夫过程方法分析模型和计算性能.结果表明：该模型不仅可表现集束型装备的并发性,而且能表示出装备运转活动持续的随机的时间特性.与赋时Petri网模型相比,该方法更能反映装备实际加工过程.     

结合机理和RBF的污水处理过程水质软测量模型

针对活性污泥污水处理过程强非线性、不确定性和时变性等综合复杂特性,本文研究了污水水质COD的检测技术现状,并总结了现有水质软测量模型的存在问题,最后建立适应大范围变化工况条件、并具有较高精度的多模型结构的水质软测量模型。其中,工况识别机制采用案例推理技术实现,每个局部模型采用机理模型结合RBF神经网络技术实现。     

基于同步聚类的污水水质混合在线软测量方法

污水处理过程工况频繁波动,单一模型难以保证软测量精度,提出了基于同步聚类的出水COD混合在线软测量方法。模型由简化机理模型和建模误差补偿模型组成,其中简化机理模型作为主模型,集成模型作为误差补偿模型。机理模型用于表征污水处理过程的基本动态机理特性;误差补偿集成模型中子模型均采用线性模型,用以补偿不同工况下的机理模型建模误差。子模型个数采用在线同步聚类算法进行划分,考虑了输入和输出数据的时间区间,同时考虑了相邻数据间的关联性,提高了计算效率,改善了模型的实时性。采用实际污水处理厂数据进行仿真实验,验证了所提建模方法在多个运行工况下仍具有较好的精度。     

带有工况中心修正的多模型在线建模

针对运行工况频繁波动、单一模型难以描述过程特性的问题,提出了带有工况中心修正的多模型在线建模方案,包括工况识别机制、局部模型、多模型合成机制.工况识别机制根据工况特征变量分析工况范围,由相近度修正工况中心;局部模型采用Hammerstein模型,非线性增益由带有稳定学习算法的小波神经网络建立,线性模型由带控制量的自回归模型(ARX)建立;多模型合成机制采用加权求和方法.在线修正工况中心可反映工况的时间变化特性,参数稳定学习算法改善了模型精度和自适应能力.采用此方法建立污水处理过程化学需氧量(COD)软测量模型,结果表明,模型在工况大范围变化时仍具有满意预测效果.     

模特机器人CAN总线控制系统设计与实现

针对SIAHMR-I模特机器人的机械结构特性和机器人控制系统对实时性和稳定性要求,设计和实现了具有三层结构的基于can总线的分布式控制系统,包括了机器人主控层,基于CAN总线系统通信层,以及底层节点执行层,并且给出了整个机器人系统的控制结构和节点控制器的软、硬件原理图以及增量式PID位置控制设计方案,并且完成搭建了机器人控制系统实验平台。实验结果表明,控制系统性能良好,能够实现真实的模拟人体的体型和姿态动作,并且可靠性和抗干扰能力强。     

基于稳定Hammerstein模型的在线软测量建模方法及应用

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部分采用基于递推最小二乘的ARX模型,基于输入到状态稳定性理论证明了H模型辨识误差的有界性。其中小波神经网络具有表征强非线性的特性,稳定学习算法可抑制未建模动态和不确定干扰的影响,改善了模型的预测精度和自适应能力。以典型非线性系统和实际污水处理过程为例进行了仿真研究,结果表明,基于稳定H模型的软测量方法具有较高的在线软测量精度。