基于高斯混合模型与主元分析的多模型切换方法

针对多模型预测控制的模型切换问题,提出了一种基于工况判断的多模型切换方法,利用工业过程中的可测变量综合反映系统的动态特性,根据动态特性的变化进行多模型切换。首先利用高斯混合模型(GMM)将历史数据划分为若干个工况,然后利用不同工况下的历史数据建立负荷向量矩阵和预测模型,最后根据主元模型的平方预报误差(SPE)选择预测模型。以乙烯裂解炉的反应管出口温度(COT)的控制为例进行仿真,仿真结果表明:提出的方法实现了多个反应管出口温度的稳定均衡控制,当系统的工况发生改变时,通过不同主元模型的SPE统计量的比较,可以很容易地找到匹配的工况,并切换为相应的预测模型,解决了当系统动态特性发生改变时,预测模型切换滞后的问题。     

基于GRU神经网络多标签多分类的焦炭质量预测模型

通过关联配合煤中硫、灰分、挥发分的质量分数等主要的煤质指标，利用基于Adma算法为优化器的GRU神经网络模型，不断对模型参数进行调整后，通过sigmoid激活函数判断模型准确率的多标签多分类方法，建立了焦炭质量预测模型。结果表明：当三层GRU网络的隐层神经元数量为(64,64,64);学习率为0.01;样本批次大小为64;样本训练次数为50;丢弃率为0.3时，得到了模型的最优参数，此时模型预测准确率达到97%。采用GRU神经网络多标签多分类焦炭预测模型不仅具有高精度、低损失函数等特点，而且针对小样本配煤数据预测焦炭质量可以达到很好的效果，对实际的配煤炼焦具有一定的参考意义。     

基于多传感器技术的原油含水率预测模型研究

通过多传感器技术对原油含水率测量有影响的多个参量进行测定,提出基于多元非线性回归和神经网络融合处理两种方法建立原油含水率预测模型,并采用分段建模的方法分别进行改进.评价结果表明:神经网络模型预测效果优于多元非线性回归模型,原油含水率分段预测模型效果优于统一模型.尤其是改进的神经网络分段预测模型具有网络结构简化、收敛速度快,泛化能力强的特点,取得很好的拟合精度和预测效果.     

基于聚类多模型建模的多模态预测控制

多模型预测控制(MMPC)是解决非线性控制问题的重要手段,本文针对多模态控制器设计中模态匹配准则的选取问题,利用当前样本状态与各聚类建模子空间距离差异,提出了一种基于距离匹配的多模型控制器加权算法。然后,基于模态融合思想,提出了模态加权构建实时预测模型的控制策略。通过对pH中和过程进行仿真,结果表明：两种方法都提高了非线性系统的暂态响应,跟踪特性优良,体现了它们对非线性系统大范围控制的有效性。     

基于混合粒子群优化的异类多模型软测量方法研究与应用

基于异类组合预测模型可提高模型的预测精度及鲁棒性的思想,提出一种基于混合粒子群优化的异类多模型非线性组合软测量建模的新方法。即先分别用混合粒子群优化的径向基函数神经网络、最小二乘支持向量机及部分最小二乘算法对训练集训练得出子模型,然后将具有性能互补性的三个子模型的输出作为反向传播网络的输入得到最后结果。用混合粒子群优化的方法来选取径向基函数神经网络和最小二乘支持向量机的模型参数,该方法克服了常用的交叉验证法耗时与盲目性问题。三层反向传播网络具有无限逼近特性,使得整个组合预测模型具有更好的泛化能力和预报精度。将其应用于汽油调合系统中研究法辛烷值的预测,仿真结果表明,该方法是可行且有效的。     

污水处理过程的多目标多模型预测控制方法研究

针对污水处理过程节能降耗问题以及污水处理过程的高度非线性、强耦合、不确定性等特点.以基于活性污泥2号模型ASM2的A2/O污水处理过程为研究对象,提出了污水处理过程的多目标多模型预测控制方法.该方法首先采用聚类-PLS方法建立污水过程的多模型预测模型,然后构建了包含出水水质区间控制和经济性能指标的多目标优化结构的预测控制策略.仿真结果表明,与设定值预测控制方法相比,多目标优化预测控制策略在保证出水水质的前提下,能有效地节约能耗费用.     

注塑件熔接痕强度预测及提高新技术

介绍了注塑件熔接痕强度预测及提高的几种新技术。综述了基于扩散理论和Flory—Huggins晶格理论的预测模型及基于BP神经网络的预测模型。给出了模型的适用范围。简述了热流道多浇口进料顺序控制、注射成型和模具设计等几种提高熔接痕强度、减少或避免熔接痕出现的新技术的作用机理及应用实例,指出进一步完善熔接痕强度预测模型和强度提高技术是今后熔接痕研究的一个重要方向。     

面向复杂环境的输电线路覆冰预测研究

针对复杂环境下输电线路覆冰因素影响,以及传统覆冰预测模型精度不高的问题,提出从时空多粒度的角度,构建基于EEMD-RNN的输电线路覆冰预测模型。根据输电线路覆冰负荷时间序列数据的非线性特点,运用集合经验模态分解(EEMD)方法分解出不同特性覆冰负荷的IMF分量。在IMF分解基础上,运用RNN神经网络进行趋势预测,并与传统的EEMD-Elman模型进行比较预测研究。结果表明：提出的EEMD-RNN模型可有效预测IMF分量趋势,且在输电线路覆冰负荷变化准确度方面,优于传统的EEMD-Elman模型。     

综合多介质模型的发展概述

综合多介质模型能够反映化合物在实际环境介质中发生的稀释、扩散、降解等一系列变化信息,是评价化合物环境行为的有效工具.在介绍了多介质模型分类情况的基础上,概述了综合多介质模型发展历程,并对其应用前景和发展趋势作了展望.     

机器学习驱动锅炉燃烧优化技术的现状与展望

伴随可再生能源发电装机容量快速增加,深度调峰过程中负荷多变、燃烧失稳等不稳定工况对火电机组的燃烧优化控制提出了更高要求,快速发展的人工智能技术与深度学习算法为锅炉参数预测建模及优化提供了重要手段。在机器学习算法方面,总结了特征筛选与建模算法的研究现状,提出了传统统计学方法与线性降维方法的科学解释性较差且不能很好地辨识高维数据,结合深度学习算法的特征筛选方法在处理复杂的火电机组数据时优势更明显;对比了多种神经网络在NO_x排放浓度建模中的优缺点,其中长短期记忆神经网络与卷积神经网络在处理时序数据时效果更好、集成模型通过组合不同学习器的优势可提高整个模型的泛化能力和鲁棒性。在预测模型的应用方面,通过对SCR脱硝系统建立预测模型可以方便运行人员模拟并修正可调参数,同时作为软测量手段监测燃烧系统运行状态;引入NO_x排放浓度预测模型的前馈控制和模型预测控制等先进控制手段可有效改善火电机组传统PID控制效果较差的问题;在多目标优化中NO_x脱除效率通常与锅炉效率或脱硝成本共同作为优化目标,以期实现经济效益与社会效益的和谐统一。     

基于改进回声状态网络的游离氧化钙预测控制

在非线性时延水泥烧成系统中,针对传统预测控制方法调节时间长、控制精度不高的问题,提出一种改进的在线型回声状态网络预测控制模型。首先将带有L1范数约束项的递归最小二乘法与回声状态网络相结合构建在线型预测模型,解决传统预测控制模型辨识精度较低、无法进行实时预测的问题;然后基于改进的回声状态网络预测模型,构建预测控制模型结构,并采用具有全局优化能力的粒子群算法进行滚动优化,保证实际输出量快速、准确、平稳地跟随被控量的设定值;最后利用改进的预测控制模型对水泥烧成系统中的游离氧化钙含量进行预测控制仿真实验,结果表明改进的预测控制模型具有良好的性能和应用前景。     

Modeling and nonlinear predictive functional control of liquid level in a coke fractionation tower

The level control of the fractionation tower in industrial coke unit is not very easy due to its complex characteristics and nonlinearity. Most are controlled by PID or linear predictive control methods without considering the complexity. This paper shows that a more comprehensive nonlinear-model-based predictive control method can further improve control performance. A verification of a nonlinear process model with plant data is first shown. Then the design of nonlinear predictive functional control is discussed and results are shown by way of simulations and application to demonstrate the effectiveness and feasibility of the proposed control strategy.     

预测控制技术及应用发展综述

介绍高级控制理论的发展历史特别是预测控制技术的发展。从理论研究和实际应用两个角度阐述了当前国内外预测控制理论和应用方面的发展情况，并指出发展自己的高级控制软件技术是当前国内工业控制界的努力方向。     

Applying Model Predictive Control to Dividing Wall Columns

The technology of dividing wall columns can offer enormous energy savings compared to common distillation columns and configurations. The technology of model predictive control is also advantageous since such a controller minimizes the future deviation of the predicted controlled variable from the reference point. The practical application of model predictive controllers for dividing wall columns is still limited due to limited experience with high interactions among the process variables. The scope of this work is the development and analysis of a method for the design of model predictive controllers for dividing wall columns. An experimental investigation verifies the practicability of the applied approach. The methods generated are transferable to other applications. Thus, the industrial acceptance of model predictive controllers for dividing wall columns is enhanced.     

先进控制技术及应用第四讲模型预测控制及其工业应用

在介绍模型预测控制的特点之后,系统地阐述了多变量协调预测控制的基本原理,仿真实例说明了该算法的有效性,最后以大型炼油企业ＦＣＣＵ反再系统为例介绍了其工程应用。     

Neural network model-based predictive control of liquid-liquid extraction contactors

The inherent complex nonlinear dynamic characteristics and time varying transients of the liquid-liquid extraction process draw the attention to the application of nonlinear control techniques. In this work, neural network-based control algorithms were applied to control the product compositions of a Scheibel agitated extractor of type I. Model predictive control algorithm was implemented to control the extractor. The extractor hydrodynamics and mass transfer behavior were modeled using the non-equilibrium backflow mixing cell model. It was found that model predictive control is capable of solving the servo control problem efficiently with minimum controller moves. This study will be followed by more work concentrated on using different neural network-based control algorithms for the control of extraction contactors.     

A model predictive formulation for control of open-loop unstable cascade systems

Cascade control is commonly used in the operation of chemical processes to reject disturbances that have a rapid effect on a secondary measured state, before the primary measured variable is affected. In this paper, we develop a state estimation-based model predictive control approach that has the same general philosophy of cascade control (taking advantage of secondary measurements to aid disturbance rejection), with the additional advantage of the constraint handling capability of model predictive control (MPC). State estimation is achieved by using a Kalman filter and appending modeled disturbances as augmented states to the original system model. The example application is an open-loop unstable jacketed exothermic chemical reactor, where the jacket temperature is used as a secondary measurement in order to infer disturbances in jacket feed temperature and/or reactor feed flow rate. The MPC-based cascade strategy yields significantly better performance than classical cascade control when operating close to constraints on the jacket flow rate.     

基于模型预测控制及智能寻优的水泥粉磨优化控制

本文提出一种基于运行状态软测量和成本软约束的多变量模型预测控制(MPC)。MPC控制与传统的专家经验控制和模糊控制相比,通过模型对系统工艺参数的预测,不断地学习更新模型,更符合水泥粉磨大时延、多工况的特性。应用中通过对水泥粉磨装置的阶跃响应实验,建立多变量预测控制模型,解决水泥粉磨系统生产过程的不确定性。在此基础上,通过增量学习和机器学习找到最优运行参数,使水泥粉磨的MPC控制一直保持在最优工况。     

大型合成氨装置先进控制系统技术研究与应用

介绍先进控制系统在布朗工艺合成氨装置上的应用。先进控制与实时优化系统以常规PID控制为基础，通过与DCS的无缝链接，实施软测量系统、鲁棒多变量模型预测控制器。实践证明，APC的应用实现了改善控制性能、提高产品氨收率、减轻操作员工作强度等目标，并取得了显著的经济效益。     

A model predictive control package for undergraduate education

Model predictive control (MPC) techniques are extremely profitable control strategies and are well accepted in the chemical processing industry so it is important that chemical engineering graduates have a fundamental understanding of MPC. This understanding will help them make contributions in industry where these control strategies abound. Without such knowledge, graduates would not understand a major part of the control structure present in modern manufacturing systems and would have difficulty understanding how to modify and improve those chemical manufacturing systems to take advantage of new technology.In this paper we describe a new software package developed and tested by the authors for teaching undergraduates the fundamentals of MPC including its suggested application in the classroom. The package is similar to existing industrial model predictive control packages in that the same steps are required to implement a model predictive controller as follows: model identification, controller configuration, controller simulation and tuning. We describe our experience using the package to introduce MPC to an advanced undergraduate process control II class. The package has also been used to provide an MPC laboratory experience for a graduate class on industrial process control.