一种输出反馈网络化控制系统及其稳定

为克服网络化控制系统中网络造成的信息反馈不及时问题,提出一种输出反馈网络化控制系统.通过引入被控对象的输入输出模型和缓存器,该系统在网络畅通时刻可利用对象的实际输出计算控制量并刷新模型,而在不能获得反馈信息的情况下,则利用对象模型的输出值近似代替对象的输出值计算控制量.在被控对象为单输入/单输出(SISO)且对象和模型存在误差的情况下,推导出使该输出反馈网络化控制系统闭环稳定的充要条件.仿真结果表明,利用该充要条件,可以很容易得到使系统稳定的模型误差范围.     

PLS回归软测量方法在催化重整稳定油组分估计中的应用

提出扰动分类法和线性部分最小二乘（PLS）回归相结合的建立软测量模型的方法，并将它用于催化重整稳定油组分的估计中。仿真结果表明扰动分类法和PLS回归相结合建立的软测量模型简单、实用。     

一种新的双线性数据协调方法

在流程工业数据校正中,若涉及多组分物料平衡或能量平衡时,问题则转换为一类特殊的非线性问题,即双线性数据协调.今针对双线性数据协调传统方法的不足,给出了一种新的方法.首先提出了一种消除不可观测变量的方法,通过消除不可观测变量及部分非冗余变量将协调问题降维,并将问题分解为两个子问题;然后针对分解后的子问题,利用微粒群优化算法(PSO)求解.与传统方法相比,该方法在确保高协调精度的基础上具有较好的协调运算效率,并能处理过程中含有不可观测变量的情况.今对一个实例进行了仿真,仿真结果表明该方法的有效性.     

RBF多模型神经网络软测量技术在湿法磷酸生产中的应用

利用多模型的思想进行二水法磷酸装置反应槽SO3浓度软测量建模.首先通过机理分析选出对目标变量SO3浓度影响较大的变量作为辅助变量,并利用神经网络分类思想按目标变量值的不同区间对现场数据进行分类,然后采用多个径向基神经网络建立相应的经验模型.工业装置数据的拟合和预测结果表明:基于神经网络的多模型软测量可以取得更好的效果.     

基于.NET平台的FDT设备管理系统的设计

针对以COM技术为核心的FDT设备管理系统开发程序复杂、成本高、效率低等问题,提出一种在．NET平台上实现该管理系统的新方法,并在该框架下建立新的FDT对象结构模型。该方法采用．NET组件代替COM组件,窗体控件替代ActiveX控件。实现现行FDT规范中的框架应用程序和设备类型管理器,解决现有规范的弊端,降低开发难度和成本。此外,该方法充分利用．NET组件与COM组件的互可操作性,不仅可以利用．NET新技术,又可以保持现有的技术资源,有效地保护设备制造商原有的投资。     

基于DSP的实时T-S型模糊控制器设计及其在直流无刷电机控制中的应用

提出了一种简化模糊控制算法，它通过把系统的输入输出空间划分为一个完备的模糊模式集，且寻找与实时输入对应的模糊模式，对整个系统进行了简化；在此基础上，设计了以数字信号处理器(DSP)为核心的模糊控制器；描述了其在直流无刷电机控制中的应用。实验结果表明，该模糊控制器具有实时性强、响应速度快、精度高的特点。     

预测函数控制在焦化加热炉氧含量控制中的应用

针对传统控制燃烧热效率低下的情况，设计了预测函数控制加前馈控制的焦化加热炉氧含量先进控制系统，利用预测函数控制实时跟踪由专家系统给出的氧含量优化设定值曲线，以维持氧含量的平稳，利用前馈补偿使得进入炉内的燃料量和空气量保持一定的比例，从而改善了加热炉的燃烧效果。实际工业应用表明该系统优于传统的手动调节和常规控制。     

DCS设备管理系统的设计和实现

本文针对DOS系统管理信息缺乏、维护工作量大的现状，分析了系统进行设备管理的重要性，首次提出一种DOS全生命周期设备管理解决方案。该方案采取B／S和C／S相结合模式，根据DOS本身特点实现了对I／O、通讯模块、主控制器、工程师站／操作员站、网络等统一管理，解决了设备信息分散滞后、管理难度大的问题，具有显著的现实意义和一定通用性。该方案已经在SUPOONEOS-700系统上得到实际应用。     

不确定时滞系统α-鲁棒输出反馈控制

为提高动态系统的性能，提出了一种基于线性矩阵不等式技术的鲁棒输出反馈控制器设计方法.该
方法针对一类具有范数有界不确定性的线性时变时滞系统，利用状态变换和Lyapunov稳定性定理，得到该
控制器存在的一个充分条件，继而用正交补空间方法和Schur补引理将该充分条件转化为易于实现的线性
矩阵不等式（LMI）形式，并给出控制器设计方法.结果表明，用该方法设计的输出反馈控制器使闭环系统
α一致渐近稳定且满足H∞性能指标，并且利用Matlab工具箱可以简洁快速地获取控制器各增益矩阵，该
设计方法的可行性和优越性通过一个仿真实例得到了充分的证实.     

PCA-CHMM在化工过程故障诊断中的应用

为了解决主元分析(principal component analysis，PCA)在故障分类方面的不足，提出一种结合PCA和连续隐马 尔可夫模型(continuous hidden Markov model，CHMM)的故障诊断方法.PCA对测量数据进行优化降维，用少数几个主元 表征过程主要变化信息，实现过程特征提取.但是PCA不能对这些过程变化信息进行有效的分类和识别，运用CHMM成熟的 时序模式分类能力能够较好地解决这个问题.通过Tennessee Eastman过程仿真验证了基于PCA和CHMM的故障诊断方法的性 能.