PTM不确定性的间歇过程优化补偿控制策略北大核心CSCD

过程迁移模型是实现数据不足情况下间歇过程高效建模的有效方法。然而,相似过程之间的差异性和模型不确定性因素,加剧了模型与实际过程之间的不匹配程度。针对过程迁移模型中不确定性问题,提出一种基于修正自适应优化和自校正补偿的策略。首先,利用基于修正自适应策略的批次间优化逐步消除相似过程之间的差异所产生的负面影响。然后,采用自校正补偿策略进一步补偿通过批次间优化得到的次优设定值。此外,模型更新时添加了数据剔除,提升了后续的优化效果。最后,利用草酸钴合成过程的仿真实验,验证了所提方法的有效性。     

基于 OS-ELM 的 CCPP 副产煤气燃料系统在线性能预测

针对联合循环发电厂(combined cycle power plant,CCPP)煤气系统因工况变化频繁带来的模型与过程不匹配的问题,提出一种基于OS-ELM (online sequential extreme learning machine)的CCPP副产煤气燃料系统在线性能预测方法.首先通过分析副产煤气系统各主要组成部件的工作原理,利用流体力学、质量守恒以及能量守恒等关系,建立起以离心压缩机、煤水分离器、冷却器等为核心部件的副产煤气系统机理模型.利用OS-ELM算法和滑动窗口技术对机理模型的输出误差进行修正,实现副产煤气系统出口参数的精确预测和模型的快速在线更新.仿真实验证明,该方法能够准确地预测副产煤气系统的输出压比和温比,并能够跟踪煤气系统工况的变化和特性的漂移,满足实际工业生产的需求.      

重介质选煤过程模型与数据混合驱动的自适应运行反馈控制

重介质悬浮液密度是决定重介质选煤产品质量的重要影响因素,但由于重介质选煤运行过程是一个时变的强非线性过程,导致根据实时工况的变化在线调整重介质悬浮液密度异常困难.为此,本文针对重介质选煤过程特性,提出一种模型与数据混合驱动的自适应运行反馈控制方法,用于在线调整重介质悬浮液密度设定值.所提方法首先将重介质选煤过程分解为低阶线性模型和未建模动态非线性项两部分;进而针对线性部分,将PI控制与一步最优控制相结合,设计了模型驱动的自适应PI控制器;并利用随机向量函数链接网络设计了数据驱动的虚拟未建模动态补偿器;最后分析了闭环系统稳定性,并在基于MATLAB和Unity3D的虚拟现实仿真平台上进行了对比仿真实验,验证了所提方法的有效性.     

大型离心压缩机性能预测的混合建模方法研究

提出了一种核函数非线性偏最小二乘(PLS)与机理模型相结合的多级离心压缩机性能预测混合建模方法,用以预测离心压缩机的输出压比.通过分析大型离心压缩机多级压缩过程的机理,利用能最守恒关系,在压缩机各级气流损失计算和等熵效率定义的基础上建立了多级离心压缩机性能预测机理模型;利用核函数非线性PLS对机理模型的误差进行了修正.实验结果验证了该方法相比于机理模型的有效性,将其应用于实际生产过程中,取得了满意的效果.     

复杂工业过程运行状态评价方法回顾与展望

准确感知和认知复杂工业过程的运行状态对于实现过程智能控制和优化决策至关重要,是当前实现工业人工智能需要解决的关键问题之一.传统过程监测理论系统已不能满足现代工业生产过程对过程运行状态认知的精细化及准确化的需求,因此,复杂工业过程运行状态评价技术应运而生,近几年受到学术界和工业界广泛关注并快速发展.对此,首先从复杂工业过程的主要特性以及数据提取过程中面临的问题出发,回顾基于数据驱动的相关工业过程运行状态评价方法;然后根据最优性评价结果总结导致状态非“优”的原因,并进一步给出相关非优因素追溯方法;最后对现有研究内容和这一领域中值得进一步研究的发展方向做出总结和展望.     

基于Frobenius和$L_{2,1}$范数的多输出宽度学习系统

宽度学习系统(broad learning system,BLS)因其特征提取能力强、计算效率高而被广泛应用于众多领域.然而,目前BLS主要用于单输出回归,当BLS存在多个输出时,BLS无法有效发掘多个输出权重之间的相关性,会导致模型预测性能的下降.鉴于此,通过Frobenius和$L_{2,1     

基于径向基函数神经网络的多级离心压缩机混合模型

大型离心压缩机作为多影响因素和强非线性的复杂系统,其性能的准确预测难以实现.针对这一问题,结合径向基函数(RBF)神经网络,本文建立了多级离心压缩机性能预测的混合模型.首先基于热力学第一定律和压缩机能量损失机理建立了多级离心压缩机性能预测的机理模型.该模型无需任何实验确定的性能曲线,完全由压缩机的几何结构参数预测出压缩机在设计工况和非设计工况下的性能.然后利用RBF神经网络修正机理模型的误差,并通过对RBF神经网络的不断更新,进一步提高了模型的预测精度和适用性.将所建立的混合模型应用于实际的离心压缩机,结果表明该方法具有良好的预测性能.     

数据驱动的最优运行状态鲁棒评价方法及应用

在现代复杂工业生产过程中, 细致而稳健的运行状态评价及非优因素识别对指导工业生产具有十分重要的实际意义.考虑到复杂工业过程难以建立准确的数学模型和实际工业过程数据噪声及离群点污染比较严重的问题, 本文提出一种全潜鲁棒偏M估计的复杂工业过程最优状态的鲁棒评价方法.在建立离线评价模型时, 通过对过程数据主元和残差子空间的进一步分解, 提取出能够反映与原材料、生产消耗和产品质量等因素相关的经济指标的变化信息, 同时采用样本数据加权的方法消除离群点对评价模型的不利影响, 提高算法的鲁棒性; 在线评价时, 针对生产过程中存在不确定性因素, 引入在线数据窗口及相似度分析进行在线评价, 并给出在线评价的准则和流程, 提高评价结果的可靠性, 当评价结果非优时, 通过计算相应变量的贡献率识别非优因素.最后, 通过重介质选煤过程验证了所提方法的有效性.     

基于多源异构信息自适应融合的镁砂熔炼过程运行状态评价

本文针对镁砂熔炼过程中的电流、声音和图像信息,提出了一种基于多源异构信息自适应加权融合的过程运行状态评价方法。首先,针对镁砂熔炼过程中的多源异构信息进行数据预处理,采用深度学习方法建立基于不同信息的运行状态评价子模型;其次,利用注意力机制建立各子模型决策层自适应融合网络,以综合分析不同熔炼状态下的多源异构信息对评价结果的影响;最后,将融合结果输入SoftMax分类器,建立镁砂熔炼过程运行状态评价模型。仿真结果显示,相比于仅依赖单一种类信息建立的评价模型以及现有的深度学习多源异构信息评价模型,本文所提方法综合考虑多源异构信息的共同作用,基于仿真平台数据与实际生产数据的评价准确率分别达99.5%与98.44%,优于其他被比较的方法,验证了所提方法的有效性和优越性。