基于主成分分析的输出集成反馈网络及其在化工动态过程建模中的应用

针对主成分分析和反馈神经网络的优点，提出基于主成分分析的输出集成反馈网络建模方法，并对训练算法作了推导，在动态化工过程建模中取得满意的效果。     

基于人工神经网络的电力负荷预测算法研究

电力负荷数据管理系统是电力营销技术支持系统的组成部分,对电力系统运行有着重要的辅助作用。采用神经网络预测模型．设计输入变量和确定神经网络结构的方法和算法．可以使得从历史样本知识数据到最终预测模型的建模过程变得简单明了,便于实际应用。预测方法是使用MATLAB建立模型,对24个负荷点预测,采用多输入单输出的神经网络预测每天的整点负荷值。因为电力负荷与环境因素有关,在输入、输出向量设计中输入变量加入天气特征值。根据输入、输出向量对BP网络设计。该算法结构简单,最后进行短期负荷预测仿真,仿真结果表明其有较好的预测精度。该模型具有网络结构较小,训练时间短的优点,并考虑不同小时负荷差异,易于实现,具有较高的预测精度．预测误差在15％以下,一定程度上克服传统算法收敛速度慢,容易陷入局部积小的缺点。     

基于自编码神经网络特征提取的回声状态网络研究及过程建模应用

在复杂化工建模过程中,由于过程数据的时序性、高非线性以及高维数的特点,导致传统的静态神经网络建模无法满足一定的精度。为了解决该问题,提出一种基于自编码神经网络特征提取的回声状态网络模型（features extracted from auto-encoder based echo state network,FEAE-ESN）。传统回声状态网络(echo state network, ESN)方法中,储备池的节点数目很多,输出的维数很高,数据间存在共线性。为解决上述问题,待回声状态网络训练好之后,使用自编码神经网络对其储备池输出进行特征提取。通过自编码网络特征提取,一方面可以有效地降低储备池输出的维数,从而降低数据的复杂度;另一方面提取的特征去除了原有储备池输出的共线性,能够进一步提高广义逆的计算性能;最终提高回声状态网络的建模精度。所提方法FEAE-ESN用于田纳西-伊斯曼复杂过程建模,仿真结果验证了所提方法的有效性。     

有丢包的网络控制系统建模与指数稳定性分析

研究了有丢包的网络控制系统建模为有速率约束的异步动态系统的方法.针对传感器与控制器之间和控制器与执行器之间有丢包的网络控制系统,在控制器为PID、输出反馈和状态反馈三种情况下,分别推导出四个不同的状态矩阵,并将其建模为有速率约束的异步动态系统.指出了判断该系统指数稳定的充分条件,并提出了使用该充分条件的一个必要条件.最终分析了一个系统实例,验证了该定理的有效性.     

一类多变量系统的自抗扰非线性动态解耦控制

针对一类多变量系统控制中的耦合问题,提出了一种基于自抗扰技术的非线性动态解耦控制(ADRC)方法。该方法不依赖于系统的精确数学模型,分别在控制器耦合矩阵部分已知和未知的情形下,在局部静态解耦的基础上,将各子系统的模型摄动、外扰和包括输入变量相互作用在内的动态耦合视为各通道上的扰动总和,通过引入虚拟控制和状态量,设计扩张状态观测器(ESO)估计总扰动并进行反馈补偿,进而再对各解耦子对象分别设计非线性单输入单输出ADRC以保证闭环系统稳定。最后以蒸馏塔模型的过程控制仿真验证了该方法具有良好的动态解耦效果,对模型不确定性和外部扰动具有较好的鲁棒性和适应能力。     

基于改进Bagging算法的高斯过程集成软测量建模

为提高对工况复杂的工业过程进行软测量建模的模型精度和泛化能力,提出了一种基于改进Bagging算法的高斯过程集成软测量建模方法。该算法采用高斯过程回归算法建立集成学习模型的基学习器,并在Bagging算法对训练样本重采样生成基学习器训练子集的基础上,采用基于正则化互信息的特征排序指标进行基学习器的输入特征抽取,实现有监督的特征扰动,从而改善学习器的差异度。待测样本进行软测量估计时,根据各高斯过程基学习器输出的方差自适应地选择基学习器进行集成输出。采用工业双酚A生产装置反应器的现场数据建模仿真,结果表明该方法是有效的。     

随机分布系统的鲁棒结构跟踪控制方法

对随机分布控制理论的进展进行了概述.利用输出随机分布函数的平方根样条逼近方法和非线性权动态模型.提出一类新的广义比例积分控制律,控制目标是找到优化策略,使得:闭环系统输出的概率密度函数渐进跟踪一个给定的概率密度函数;闭环系统的稳定性和状态约束问题可以得到保证;干扰输入可以得到抑制,保证鲁棒性.其中可以反馈的信息是输出的概率密度泛函形式,所提出的控制方法是经典的随机控制理论及PID理论的推广.     

BP网络结构和算法对非线性系统进行辨识

利用MATLAB神经网络工具箱进行了基于BP神经网络的非线性系统辨识仿真研究,针对实际问题选取BP网络结构和BP算法,并对网络输入、输出、隐层节点的个数选取作了探讨,选取一个非线性系统,通过改变隐层节点数和训练函数,找出适当的BP网络结构和算法对非线性系统进行辨识。     

利用组合B样条神经网络实现对间歇反应过程的动态建模

间歇反应过程具有强非线性、非稳态和反应时间固定等特点。利用间歇反应操作时间可预先确定的性质,提出一种新的组合B样条神经网络的建模方法。被控对象输出f（u,t）往往是操纵变量和时间的函数,新方法把这两类函数关系的模拟分别交由两个神经网络承担,以确定变化区域的时间变量作为B样条神经网络的输入,让其分担描述对象随时间变化的动态特性部分,而输出变量与操作变量间的关系则由另一B样条神经网络表示,两个神经网络的组合输出建立间歇反应器的非线性动态模型。它不仅能够简化每个网络的结构,减少权值参数和训练时间,更重要的是可以方便控制策略的求解。本文介绍了建模方法的设计过程,并应用于苯乙烯悬浮聚合间歇反应建模中,仿真实验研究了方法的有效性。还推导了基于该模型的优化控制策略的算法。     

基于神经网络的电子节气门系统模型参考自适应控制

使用多层感知器神经网络模型来识别和控制非线性电子节气门系统。首先,神经网络模型在不同运行条件下辨识,它代表非线性节气门伺服系统的动态特性。其次,使用油门辨识器网络模型来设计和训练神经网络控制器模型,从而使节气门系统的追踪控制位置遵循参考模型。油门辨识器网络模型用于辅助以离线模式训练的神经网络控制器。神经网络控制器使用相同的输入来进行训练,这些输入被反馈到实际的节气门系统以产生相同的输出。通过调整神经网络控制器的权重和偏差参数,使用自适应算法来减小输出之间的差异。对使用神经网络控制器的节气门控制系统的跟踪控制性能与使用经典自适应PID控制器进行比较。仿真结果表明:采用神经网络控制器可实现跟踪控制,满足控制性能的所有需求。     

Evolutionary polymorphic neural network in chemical process modeling

Evolutionary polymorphic neural network (EPNN) is a novel approach to modeling dynamic process systems. This approach has its basis in artificial neural networks and evolutionary computing. As demonstrated in the studied dynamic CSTR system, EPNN produces less error than a traditional recurrent neural network with a less number of neurons. Furthermore, EPNN performs networked symbolic regressions for input–output data, while it performs multiple step ahead prediction through adaptable feedback structures formed during evolution. In addition, the extracted symbolic formulae from EPNN can be used for further theoretical analysis and process optimization.     

RECURRENT NEURAL NETWORKS IN DECOUPLING CONTROL OF MULTIVARIABLE NONLINEAR SYSTEMS

In this work we focus on the synergy between modeling with RNNs, and nonlinear controller design for decoupling control. The thesis of the paper is that recurrent neural networks (RNNs) can be conveniently used in an integrated black-box modeling and controller design methodology for decoupling control of multivariable nonlinear systems. A simulation example on a multivariable continuous-stirred-tank-reactor (CSTR) is provided to elucidate related issues. The effects of modeling uncertainty and state reconstruction on decoupling performance are specifically discussed.     

递归T-S模糊模型的神经网络

在常规T-S模糊神经网络的基础上加入动态递归元件,提出了递归T-S模糊模型的神经网络。在系统辨识中采用无监督聚类算法和动态反向传播算法训练该递归神经网络的参数,给出了该递归网络的逼近性证明。辨识效果与常规T-S模糊模型作比较,说明递归T-S模糊模型的神经网络在非线性系统辨识中表现出更好的性能。     

动态系统前馈神经网络模型及其应用

提出反映炼油厂分馏装置动态特性的前馈神经网络模型 ,根据工厂的生产实际及数据特点建立了一种基于时间序列的、适合油品质量指标监测的动态系统前馈神经网络 (DBPNN)结构 .通过用实验室模拟的动态过程数据和炼油厂分馏装置的生产数据分别建模并与传统静态前馈神经网络模型比较 ,结果表明 ,DBPNN模型能够反映动态过程的特性 ,并具有更高的可靠性和适应性 .     

Differential recurrent neural network based predictive control

In this paper an efficient algorithm to train general differential recurrent neural network (DRNN) is developed. The trained network can be directly used in the nonlinear model predictive control (NMPC) context. The neural network is represented in a general nonlinear state-space form and used to predict the future dynamic behavior of the nonlinear process in real time. In the new training algorithms, the ODEs of the model and the dynamic sensitivity are solved simultaneously using Taylor series expansion and automatic differentiation (AD) techniques. The same approach is also used to solve the online optimization problem in the predictive controller. The efficiency and effectiveness of the DRNN training algorithm and the NMPC approach are demonstrated through a two-CSTR case study. A good model fitting for the nonlinear plant at different sampling rates is obtained using the new method. A comparison with other approaches shows that the new algorithm can considerably reduce network training time and improve solution accuracy. The DRNN based NMPC approach results in good control performance under different operating conditions.     

动态系统神经网络结构的改进及其应用

在对动态神经网络结构分析的基础上,提出了新的网络结构模式,把具有同类特性的输人参数集中在一个节点上以代表该类参数的性质、产生这类参数对网络的综合作用。这样构造的更合乎逻辑的神经网络的权值总数要比传统的BP网络的权值总数大大减少,从而加快网络学习速度,有利于网络的在线学习和提高网络的可靠性与稳定性。此外,本文对神经网络逆动态控制器进行了分析,提出在输入层增加系统偏差作为一个输入变量,从而增强了控制器的控制质量和控制反应能力。最后,应用上述技术对CSTR典型化工实例进行了验证,取得了较好的结果。     

基于ELM的一类不确定性纯反馈非线性系统的Backstepping自适应控制

针对一类不确定性纯反馈非线性动力学系统,在中值定理、Backstepping控制的基础上,提出一种基于极限学习机（ELM）的自适应神经控制方法。ELM随机确定单隐层前馈网络（SLFNs）的隐含层参数,仅需调整网络的输出权值,能以极快的学习速度获得良好的推广性。在每一步的Backstepping设计中,应用ELM网络对子系统的未知非线性项进行在线逼近,通过Lyapunov稳定性分析设计的权值参数自适应调节律,可以保证闭环非线性系统所有信号半全局最终一致有界,系统的输出收敛于期望轨迹的很小邻域内。将所设计的控制方法应用于化工过程中的连续搅拌反应釜（CSTR）非线性系统实例中,仿真结果表明了控制方法的有效性。     

利用输出反馈方法实现聚合物分子量分布的控制

利用正交多项式组合神经网络对聚合反应分子量分布(MWD)进行建模,MWD被解构为若干矩值组成的矩向量函数,由此二元MWD控制问题可被转换为一元分布矩控制问题。以矩向量为直接被控对象,通过对矩的控制实现MWD的跟踪。为便于求解这类非仿射非线性多变量系统的控制策略,提出了改进型非线性自回归正交多项式网络结构,建立模型输出与U(k)之间的线性映射关系;针对高维被控矩向量,证明了矩向量中独立变量与分布函数参变量间的数量对等关系,给出了矩向量降维准则,将高维输出控制转化为低维问题。基于改进的神经网络模型,利用输出反馈方法对MWD矩向量进行控制,实现了对MWD的形状跟踪,仿真实验证明了方法的有效性。所提出的方法为非线性多变量系统的建模控制问题提供了新思路。     

基于自适应模糊神经网络的非线性系统模型预测控制

针对非线性动态系统的控制问题,提出了一种基于自适应模糊神经网络(adaptive fuzzy neural network, AFNN)的模型预测控制(model predictive control, MPC)方法。首先,在离线建模阶段,AFNN采用规则自分裂技术产生初始模糊规则,采用改进的自适应LM学习算法优化网络参数;然后,在实时控制过程,AFNN根据系统输出和预测输出之间的误差调整网络参数,从而为MPC提供一个精确的预测模型;进一步,AFNN-MPC利用带有自适应学习率的梯度下降寻优算法求解优化问题,在线获取非线性控制量,并将其作用到动态系统实施控制。此外,给出了AFNN-MPC的收敛性和稳定性证明,以保证其在实际工程中的成功应用。最后,利用数值仿真和双CSTR过程进行实验验证。结果表明,AFNN-MPC能够取得优越的控制性能。