基于半监督密集阶梯网络的工业故障识别

针对工业过程故障识别的需要和实际工业数据小比例有标签、大比例无标签的特点,研究了基于深度学习的半监督故障分类方法。在半监督阶梯网络的基础上,通过对网络结构和损失函数的改进,提出了半监督密集阶梯网络算法。该算法改进了原始的网络结构,添加了各层之间的密集连接,尝试最大化阶梯网络内部的数据信息流,使得各编码解码层之间的特征得以传递和复用。针对损失函数的特点,添加了无噪声编码层的预测输出损失,确保训练目标与模型输出一致。实验结果证明了所提出的新方法能在工业过程的小比例有标签数据情况下,获得理想的分类效果。     

过程系统变负荷下的数据校正与参数估计方法

过程系统的数据校正与参数估计是进行实时操作优化与过程控制的基础。过程系统变负荷下由于模型参数变化的非线性及显著误差的影响,导致数据校正与参数估计的结果不准确,从而影响实时操作优化与过程控制的效率。针对此问题,本文提出了一种用于变负荷下的数据校正与参数估计方法。此方法主要包括过程的稳态检测与数据采样,多工况下的数据聚类和基于多组测量的数据校正与参数估计。首先选择有效和可靠的过程测量数据,根据变负荷下工况的波动性与系统的非线性特征进行数据聚类,最后基于聚类结果调整模型参数使得模型输出与过程测量数据偏差最小。此方法可有效地减小模型参数变化的非线性及显著误差对数据校正与参数估计结果的影响。基于现场的测量数据,将此方法应用于空气分离流程系统中,结果显示了基于此方法的数据校正与参数估计结果更准确。     

对角CARIMA模型抗扰约束广义预测控制

针对存在输入和输入增量约束的多变量系统,提出了一种基于变权重的对角CARIMA模型抗扰动约束广义预测控制算法。根据对角CARIMA模型中的A和C矩阵为对角形式的特点,将多输入多输出系统分解为多个多输入单输出系统进行预测和控制,简化了控制器的设计,降低了变量之间的耦合性。根据模型预测值与参考轨迹之间的偏差实时调整目标函数中各输出跟踪误差的权重,达到抑制由耦合而造成回路之间扰动的目的。权重调整的基本原则是,每个输出的预测值跟踪参考轨迹的权重由其他输出在同时刻偏离其参考轨迹的误差平方加权和构成。当某个输出偏离其目标值时,其他输出的控制作用相对增强,避免输出之间的相互扰动,达到抑制扰动的目的。同时,分析了系统输入和输入增量约束的表达形式。利用多变量广义预测控制（MGPC）以及提出的扰动抑制方法,分别对Shell重油分馏问题进行了仿真实验,仿真结果验证了算法的有效性。     

一类非匹配不确定性系统的变结构控制

研究一类非匹配不确定性系统的变结构控制问题. 引入适当的状态变换, 将非匹配不确定系统描述成具有分级形式的两个子系统. 在保证第一个子系统二次渐近稳定的条件下, 利用线性矩阵不等式方法得到第二个状态变量的期望值, 并由第二个状态变量与其期望值之差构造滑动模, 并利用滑模运动的到达条件, 得到变结构控制律.     

产品随机缺陷生产系统有限时域最优生产控制

针对合格产品产量呈随机分布的单设备单产品类型不可靠生产系统,假设所生产合格产品的产量占所生产产品总量比例的概率分布已知,且产品质量检测消耗时间与生产控制时域相比较小.本文通过对目标函数的离散化,在离散空间上对生产控制策略进行寻优,得到基于当前状态下的最优生产控制策略,该策略可解析表示为合格产品产量分布、成本惩罚系数c~ (c~-)、当前状态及产品质量检测时间的函数.与同类文献所得结果相比较,该控制策略克服了文献[8]结论有可能导致系统状态发散的缺点,并且最优控制策略表达式更简洁,所得结论对实际工程应用而言有显著意义.     

单交叉路口交通流的通用多相位智能控制策略

为提高城市道路交叉路口信号控制的效率，采用面向对象的设计思想，提出了一种新的通用多相位信号控制策略.根据实际交通状况交互建立单交叉路口的通用模型，根据当前路口各车流向的车流量实时分布信息，及时调整相位数和各相位的车流向组合.实时传递路口交通情况，采用模糊控制策略，以车辆延误时间最小为优化目标，对单交叉路口的信号相位和相位绿灯时间分别进行优化.根据实测数据对该方法进行了仿真研究，并与普通信号控制方案作了对比.结果表明，这种通用信号控制方案能使交通流量总体趋于均衡，缩短了车辆延误时间.     

无线传感器网络混合任务的系统级低功耗实时调度算法研究

现有的无线传感器网络节能研究主要集中在无线通信上面,针对传感器节点CPU节能的研究还不够充分.本文以多任务、多跳网络传输的实时无线传感器网络为研究对象,从节点的调度分析出发,在保证其实时性的前提下,结合动态电压调节技术,提出两个低功耗实时调度算法:(1)基于任务最坏执行时间来计算任务CPU速度的静态低功耗调度算法;(2)将任务在实际执行过程中产生的空闲时间,分配给余下将要执行的任务,进一步调整其电压等级,即动态低功耗调度算法.仿真实验结果表明,本文提出的算法能够有效降低节点CPU能耗.     

选择性递推LSSVR及其在过程建模中的应用

提出一种改进的递推最小二乘支持向量机方法,用于非线性MIMO(multi-input multi-out)过程的可在线更新辨识和软测量建模.该算法在向前递推时只引入预报误差较大的样本更新模型,以提高模型的稀疏性和泛化能力.在向后删减时推导了基于快速留一法的模型修剪准则,以克服随意删减样本的缺点.通过有选择性的向前、向后递推,模型的推广能力和计算性能均得以保证,且更加适应过程的时变性.在连续搅拌釜式反应器过程的辨识和重油催化裂化的软测量建模研究,均表明所提出算法的有效性和优越性.     

用于过程故障诊断的自适应kernel学习网络分类器

提出一种统一的最小二乘kernel学习框架，将自适应kernel学习（AKL）网络辨识器推广为分类器，用于化工过程的故障诊断。推导了AKL分类器在向后缩减和向前增长两种情况下的递推算法，实现了对记忆样本长度的控制。该分类器无需利用历史故障数据，即可进行在线学习并建立过程诊断模型。通过对Tennessee Eastman（TE）过程的5种典型故障的诊断分析，验证了该方法的有效性。     

复杂工业过程的预测控制理论及其应用

文章针对复杂工业过程的特点,对近年来预测控制的理论研究及其应用进展进行了全面细致的综述,并指出了未来的研究方向。