基于核Fisher包络分析的间歇过程故障诊断

随着间歇过程越来越受重视,其过程监控和故障诊断技术也成为研究热点。以核Fisher判别分析为基础,提出了基于核Fisher的正常工况与故障包络面模型,给出了基于该模型的在线故障诊断流程。此方法利用了Fisher判别分析对类别的划分特点,分别针对正常工况数据和各故障类型数据建立包络曲面模型。与多向Fisher判别分析相比,该方法按批次方向将数据展开,能够解决生产周期不一致问题,在线故障诊断时也不需要预报完整的生产轨迹,并且加入核函数来处理复杂的非线性。最后在青霉素发酵过程的仿真平台上对该方法进行测试,与改进多向Fisher判别分析方法进行对比,该方法获得了满意的诊断效果:能够及早诊断出故障的发生,并在有效识别已有故障的同时还具有对新故障的自学习能力。     

聚合物分子量分布的多变量建模与闭环控制研究

本文介绍了利用B样条和动态递归神经网络相结合组成的复合神经网络建立聚合物分子量分布(MWD)模型的方法和拓扑结构,并在此基础上,提出了基于模型预估的控制MWD的新方法.其目标函数是以分布的误差平方和为基础,以可测的温度反馈为补偿,同时考虑了控制变量的约束条件.该方法以某顺丁橡胶连续聚合反应过程为对象,进行了仿真建模与控制研究,收到了很好的控制效果,证明了方法的可行性.     

基于逆系统的非线性自适应逆控制

针对非线性系统自适应逆控制的不完善,本文引入逆系统方法将非线性系统转化为伪线性系统,然后使用最小二乘支持向量机(LS-SVM)建立了逆系统模型,最后利用成熟的线性系统自适应逆控制理论实现非线性系统的自适应逆控制。引入逆系统方法后实现了两大功能:其一,消除了非线性系统的干扰,而且不需要设计逆对象模型:其二,实现了多变量(n维变量)之间的解耦,而且节省了3n(n-1)个线性滤波器的设计。本文针对一个典型多变量二阶系统实现了非线性系统的自适应逆控制,仿真试验表明该方法不但能够很好地消除非线性系统的干扰,而且还实现多变量的解耦控制。     

聚合物微观质量控制系统中的人工神经元网络

文中分析了聚合物微观质量控制系统对模式识别模块提出的任务与要求，并在此基础上确定了人工神经元网络的结构。作者阐述了利用采集的系统数据对神经元网络进行训练和难的过程，及首次应用人工神经元网络实现聚合物微观质量控制系统中模式识别的功能。     

多变量时滞系统的解耦模糊内模控制

针对时滞多变量耦合系统，研究了带有多时滞的多变量稳定过程的解耦内模控制，根据开环系统的时滞给出了一种时滞系统多变量解耦方法，由于理想的多变量时滞系统内模控制器设计复杂，且根据内模控制理论设计的控制器一般是高阶的，因此采用模糊控制方法设计模糊内模控制器。其宗旨是首先根据过程对象的模型，设计多变量时滞解耦的预补偿器，对其进行对角优势化，利用补偿后的主对角元素作为内模控制的预估模型，设计了多通道模糊内模控制器。仿真结果表明，该方法具有很好的解耦能力，鲁棒性强；方法简单，易于实现。具有工程应用价值。     

管式聚合反应器温度分布的动态建模与广义PI控制

针对阳离子聚合反应器的温度分布建模与控制问题,提出了一种基于B样条神经网络的广义PI控制方法.首先采用B样条复合网络建立分布函数的动态和静态模型,并基于该模型,将分布函数的跟踪问题等效为动态权值向量的时间域跟踪问题.最后给出一种新型的广义PI控制方法,实现对给定温度分布的跟踪控制.同时,为了更好地抑制未知干扰、参数摄动以及模型不匹配等问题,模型权值状态、模型输出与实测温度分布所对应的权值误差都被引入到反馈控制回路,因此能够大大增强系统的鲁棒性与抗干扰能力.仿真结果表明该方法的可行性.     

多目标遗传算法在RBF网络中的应用

以石油化学工业中某一典型环节的建模过程为例,通过比较ＳＯＧＡ（单目标遗传算法）与ＭＯＧＡ（多目标遗传算法）设计网络的性能,验证ＭＯＧＡ解决这一问题的优势。     

苯乙烯聚合反应过程的灰箱建模

针对结构部分已知且参数未知的一类工业反应过程的建模问题,以苯乙烯聚合反应过程为背景展开研究。在该反应过程中,反应机理已知,包含链引发反应、链增长反应、链转移反应以及链终止反应等,而其中各基元反应中的反应速率方程的结构及参数不甚明了。针对此类问题,提出将已知的机理部分构建白箱模型,将未知的反应速率部分构建神经网络黑箱模型,并将黑箱模型与白箱模型连接构成整个反应过程的灰箱模型。该方法通过实验的验证,证明了其实用性及有效性。     

基于64位MIPS微处理器的低成本系统解决方案

针对目前支持64位MIPS微处理器的64位北桥价格昂贵,功能单一的问题,提出了增加FPGA作为64位CPU和32位北桥之间的总线转换方案,缩减了系统成本,丰富了功能.最后对系统的整体性能进行了测试,对测试结果的分析表明,系统能够满足多种电子系统开发的需要.     

基于结构逼近式神经网络的间歇反应器优化控制

利用结构逼近式混合神经网络（SAHNN）建立了一类典型放热液相二级平行间歇反应的数学模型。基于主产物浓度和反应温度的递归神经网络（RNN）模型,使用混合PSO-SQP算法求解该间歇反应主产物产率最大化问题,进而得到反应温度优化曲线。鉴于反应温度实时可测,提出扩展的EISE指标,该指标把实时计算的模型误差引入控制策略,为基于模型的控制增加了反馈通道,增强了控制方法的鲁棒性和抗干扰性能。利用 原理对所提出的一步超前预测控制做了稳定性分析,证明了算法的正确性。研究的结果充分证明了基于SAHNN混合神经网络模型的优化控制策略的有效性。