间歇过程的全局收敛性神经模糊模型

为了克服难以获得间歇过程的精确数学模型这一难题,本文采用一种具有非线性模糊规则后件的模糊 神经网络建立间歇过程的模型,在此基础上提出一种基于Lyapunov 方法的全局收敛性参数学习算法,并给出了严 格的数学证明．本文提出的算法具有较好的非线性逼近和参数自学习能力,为间歇生产过程的建模提供了一条新途 径．最后,将提出的神经模糊模型用于一个典型间歇过程的建模研究中,仿真结果表明了该算法的有效性,体现了 模型潜在的实用价值．     

微生物间歇发酵过程的时变时滞最优控制研究

主要研究间歇发酵甘油生产1,3-丙二醇(1,3-PD)过程中的时变时滞最优控制问题。针对该间歇发酵过程中存在的时滞现象,采用一种非线性时变时滞微分方程系统来刻画该过程。将终端时刻1,3-PD的产率最大化作为性能指标,建立了一个最优控制模型来计算最优的初始生物量、初始甘油和发酵时长。进一步,为了将该最优控制模型转化为具有固定终端时刻的问题,提出一种时域转换技术。通过应用约束转化技巧和罚方法,将该具有固定终端时刻的问题转化为一个仅含有盒式约束的优化问题,并设计了一种改进的差分进化算法来求解。从仿真实验的数值结果可以看出,在终端时刻,运用本控制算法得到的1,3-PD的产率相比之前的产率有明显提高。     

间歇过程最优迭代学习控制的发展:从基于模型到数据驱动

本文综述了间歇过程的基于模型的和数据驱动的最优迭代学习控制方法.基于模型的最优迭代学习控制方法需要已知被控对象精确的线性模型,其研究较为成熟和完善,有着系统的设计方法和分析工具.数据驱动的最优迭代学习控制系统设计和分析的关键是非线性重复系统的迭代动态线性化.本文简要综述了基于模型的最优迭代学习控制的研究进展,详细回顾了数据驱动的迭代动态线性化方法,包括其详细的推导过程和突出的特点.回顾和讨论了广义的数据驱动最优迭代学习控制方法,包括完整轨迹跟踪的数据驱动最优迭代学习控制方法,提出和讨论了多中间点跟踪的数据驱动最优点到点迭代学习控制方法,和终端输出跟踪的数据驱动最优终端迭代学习控制方法.进一步,迭代学习控制研究中的关键问题,如随机迭代变化初始条件、迭代变化参考轨迹、输入输出约束、高阶学习控制律、计算复杂性等.本文突出强调了基于模型的和数据驱动的最优迭代学习控制方法各自的特点与区别联系,以方便读者理解.最后,本文提出数据驱动的迭代学习控制方法已成为越来越复杂间歇过程控制发展的未来方向,一些开放的具有挑战性的问题还有待于进一步研究.     

间歇生产过程的自动机模型

在间歇生产过程中，过程的信息结构由离散状态和连续状态构成，本文以自动机为交互具，研究具有混合信息结构的间歇生产过程的描述，控制与优化等问题。     

间歇过程生产调度建模的研究

生产调度是为实现某一目的而对共同使用的资源进行时间上的分配.调度中存在大量的模糊因素,将模糊的思想运用到调度领域可以帮助决策者进行有效决策.本文提出一种基于模糊规划的间歇过程生产调度建模方法及其模糊优化的新算法.应用模糊集合论的方法,在已有模糊规划模型的基础上,针对间歇生产过程,分析调度中存在的模糊信息以及出现的形式和方式,将确定型生产调度模型的约束条件和目标方程中的参数模糊化,采用非精确的量化形式,以隶属函数来表示,建立基于模糊参数的生产调度模糊线性规划模型MIFCLP.通过对一个调度问题实例进行了仿真,仿真结果证明,采用模糊模型更容易得到可行解,采用模糊线性规划解决间歇生产调度问题是一种有效方法.     

间歇发酵过程放罐时机的启发式模糊识别与预报

间歇发酵过程放罐时机的优化是提高产量,产率和降低能耗的一个重要方面.本文运用模糊集理论,并将统计学方法和人的经验合为一体,提出了一种放罐时机的启发式模糊识别、预报的建模方法.并且,根据一实际工业抗生素生产的历史资料和现场的分析,运用本文提出的方法建立了该过程放罐时机的识别与预报模型.同时构造了计算机时实识别系统,几批工业实验的结果表明,模型预报的效果良好.     

基于多信号源的神经模糊Hammerstein-Wiener模型研究

面对复杂工业过程控制的需求, 设计一种结合数据信息的特殊模型结构, 在保证控制系统有效性的前提下通过模型的结构来简化控制器的求解是亟待解决的问题. 为此, 本文提出一种基于多信号源的神经模糊Hammerstein-Wiener模型, 突破传统的迭代分离方法, 通过组合式多信号实现Hammerstein-Wiener模型中神经模糊非线性环节和线性环节的分离, 同时设计了神经模糊模型参数的非迭代优化算法, 将研究结果拓广到分段非线性系统,改善了模型的适用范围. 该算法保证了模型的预测精度,具有逼近较强非线性过程的能力. 在此基础上设计了基于神经模糊Hammerstein-Wiener模型的控制系统, 利用模型的特殊结构将非线性系统的控制问题简化为线性系统的控制问题, 采用简单的PID控制器便能达到较好的控制效果.仿真结果验证了上述方法的有效性.     

动态模糊数据的扩展模型研究

数据模型是建立系统的核心，在我们的对象中，具有动态模糊性的数据是普遍存在的，文献[1]对一般的动态模糊数据模型作了初步研究，基于此，本文作更深入的研究，给出了动态模糊数据的测度理论，动态糊数据的扩展模型，该模型的建立，为人们用计算机处理这类问题提供了理论依据。     

基于数据仓库的数据预处理过程模型

现阶段的数据挖掘研究工作主要集中于挖掘核心算法方面，忽视了对数据预处理的研究。本文将数据预处理无缝集成于数据仓库的构建过程中，提出了一种数据预处理过程模型，对企业成功实施数据挖掘应用做出了有益的探索。     

间歇过程基于Dioid代数模型的分析与协调控制研究

针对现有间歇过程模型的不足之处,提出了一种新的间歇过程Dioid代数模型,此模型不仅描述了间歇过程中的离散事件,而且还用于间歇过程的定量分析,在此模型基础上,我们用代数方法研究了间歇过程的协调控制问题。     

间歇化工过程的能量综合优化策略

综述了三类间歇过程能量综合优化方法,分析了间歇过程的生产和用能特点.从间歇过程能量利用环节和能量回收环节相互制约的关系出发,提出了适用于间歇过程能量综合优化改进的一般方法,为精细化工过程的节能降耗提供理论指导.方法用于指导某聚酯生产过程的能量综合优化,取得了节能10%以上的效果,表明所提出的能量综合优化方法能有效指导间歇过程的全局用能优化改进.     

Iterative learning model predictive control for multi-phase batch processes

Multi-phase batch process is common in industry, such as injection molding process, fermentation and sequencing batch reactor; however, it is still an open problem to control and analyze this kind of processes. Motivated by injection molding processes, the multi-phase batch process in each cycle is formulated as a switched system with internally forced switching instant. Controlling multi-phase batch processes can be decomposed into two subtasks: detecting the dynamics-switching-time; designing the control law for each phase with considering switching effect. In this paper, it is assumed that the dynamics-switching-time can be obtained in real-time and only the second subtask is studied. To exploit the repetitive nature of batch processes, iterative learning control scheme is used in batch direction. To deal with constraints, updating law is designed by using model predictive control scheme. An online iterative learning model predictive control (ILMPC) law is first proposed with a quadratic programming problem to be solved online. To reduce computation burden, an offline ILMPC is also proposed and compared. Applications on injection molding processes show that the proposed algorithms can control multi-phase batch processes well.     

Modelling and multi-objective optimal control of batch processes using recurrent neuro-fuzzy networks

In this paper, the modelling and multi-objective optimal control of batch processes, using a recurrent neuro-fuzzy network, are presented. The recurrent neuro-fuzzy network, forms a "global" nonlinear long-range prediction model through the fuzzy conjunction of a number of "local" linear dynamic models. Network output is fed back to network input through one or more time delay units, which ensure that predictions from the recurrent neuro-fuzzy network are long-range. In building a recurrent neural network model, process knowledge is used initially to partition the processes non-linear characteristics into several local operating regions, and to aid in the initialisation of corresponding network weights. Process operational data is then used to train the network. Membership functions of the local regimes are identified, and local models are discovered via network training. Based on a recurrent neuro-fuzzy network model, a multi-objective optimal control policy can be obtained. The proposed technique is applied to a fed-batch reactor.     

基于k近邻的批次过程在线实时监测方法

针对基于k近邻的故障检测方法(Fault Detection method using the k-Nearest Neighbor rule,FD-kNN)的在线实时监测需预估当前时刻之后的采样数据,检测性能会受到预估精度影响的问题,对FD-kNN进行扩展以适用于批次过程的实时监测.该方法根据每个采样时刻的历史数据进行建模,并根据这些模型实时监测批次过程.该方法不需要预估数据,避免由于预估误差大而带来的误报和漏报问题,同时较好地继承k近邻法则(k-Nearest Neighbor rule,kNN)在处理非线性、多模态和非高斯等问题上具有的优势.青霉素发酵过程的仿真试验验证该方法可行.     

基于队列模型的批量更新密钥的研究

为了提供安全组播,当用户加入或者离开系统,通信加密密钥即组密钥就必须改变。但由于目前提出的独立更新密钥方式带来低效和不同步问题,提出了一种基于队列模型的批量更新密钥方法,通过给缓存队列中队首的更新请求设置生存时间,生存时间减小到0时,更新队列中缓存的更新请求。分析和实验表明,该方法不仅缓解了独立更新方式存在的不同步和低效问题,而且相比固定周期批量更新密钥的方式,降低了通信加密密钥的代价,而且有较好的灵活性。     

An efficient dynamic model for batch distillation

A novel, rigorous and efficient solution technique for multicomponent batch distillation modelling equations is proposed. Model predictions using the technique are shown to be in close agreement with experimental batch distillation data for a ten sieve tray, 15 cm diameter column separating ethanol and water. The results also show improved accuracy over commercially available programs for batch distillation. The method incorporates rigorous dynamic energy blances as well as accurate representation of both tray hydraulics and non-ideal mass transfer. The technique is based on a functional approximation for liquid enthalpy and makes a difficult-to-calculate temperature derivative implicit in other terms in the equations, eliminating the need for iterative solution techniques. The numerical efficiency of the method permits its utilization in model-based optimization and control calculations. The modelling approach is applicable to both batch and continuous dynamic distillation models.     

含有色噪声的神经模糊Hammerstein模型分离辨识

针对实际工业过程中普遍存在的有色噪声,本文提出一种基于递推增广最小二乘算法的神经模糊Hammerstein模型辨识方法,突破了传统的Hammerstein模型迭代分离算法.首先,利用多信号源实现Hammerstein模型中静态非线性环节和动态线性环节的分离,大大简化了辨识过程,提高了串联环节参数的分离精度.其次,利用长除法将噪声模型用有限脉冲响应模型逼近,采用增广递推最小二乘法进行线性环节的参数估计.最后,采用神经模糊模型拟合静态非线性环节,同时设计了神经模糊模型参数的非迭代优化算法,改善了模型的使用范围.该方法保证了模型的预测精度,对含有色噪声的非线性系统具有较好的拟合效果.仿真结果验证了上述方法的有效性.     

间歇过程用水网络优化设计方法研究

间歇过程用水网络的研究已经引起了人们的关注,近十年取得了一定的发展.本文对带有非传质及有流率变化的间歇化工用水过程用数学规划法进行优化设计,确定过程的最小新鲜水用量、最小废水排放量以及优化后的用水网络.该方法利用中间储罐来排除时间对水再利用的限制,考虑了用水单元的流率限制,建立用水网络超结构和非线性规划数学模型,利用GAMS求解该模型,得到间歇过程最小新鲜水用量、废水量以及优化后的网络结构.实例计算证明该模型可行、方法简单.     

基于变量展开和时变协方差的连续更新的MPCA及其在批过程故障监测中的应用

针对传统的多向主元分析（MPCA）模型批过程监测的缺陷,提出了一种基于变量展开和协方差随时间变化的连续更新的MPCA批过程故障监测方法。该方法将基于批次展开能够去除采样数据的主要非线性动态性的优点与基于变量展开不需要对被监测的新批次的未反应完的数据进行预估的优点结合起来,用于批过程的故障监测,一旦因此判断出某一新批次过程正常,则模型参考数据库就随之更新。在实时监测新的批过程时,只需利用已收集到的数据信息,并且在线连续地更新模型参考数据库,提高了批过程性能监测的准确性,克服了MPCA不能处理非线性过程和实时性问题。通过采用该方法与传统的MPCA方法对青霉素补料分批发酵过程的实时监测,结果表明该方法比传统的MPCA更适合于对缓慢变化的批过程进行监测,具有更可靠的监测性能。     

事件日志的批量迹与过程模型的多视角对齐方法

在业务过程发现的一致性检测中,现有事件日志与过程模型的多视角对齐方法一次只能获得一条迹与过程模型的最优对齐;并且最优对齐求解中的启发函数计算复杂,以致最优对齐的计算效率较低。为此,提出一种基于迹最小编辑距离的、事件日志的批量迹与过程模型的多视角对齐方法。首先选取事件日志中的多条迹组成批量迹,使用过程挖掘算法得到批量迹的日志模型;进而获取日志模型与过程模型的乘积模型及其变迁系统,即为批量迹的搜索空间;然后设计基于Petri网变迁序列集合与剩余迹的最小编辑距离的启发函数来加快A*算法;最后设计可调节数据和资源视角所占权重的多视角代价函数,在乘积模型的变迁系统上提出批量迹中每条迹与过程模型的多视角最优对齐方法。仿真实验结果表明,相比已有工作,在计算批量迹与过程模型间的多视角对齐时,所提方法占用更少的内存空间和使用更少的运行时间。该方法提高了最优对齐的启发函数计算速度,可以一次获得批量迹的所有最优对齐,进而提高了事件日志与过程模型的多视角对齐效率。