基于支持向量数据描述的非高斯过程故障重构与诊断

提出一种基于支持向量描述（SVDD）的统计过程监控与故障重构及诊断算法,避免了PCA、PLS等传统统计过程监控方法假设过程数据服从高斯分布的不足。鲁棒故障重构算法通过迭代保证重构后的数据对应的SVDD监控统计量最小化。诊断算法根据故障集中的不同故障重构后监控统计量是否恢复正常,确定实际发生的过程故障。CSTR过程的仿真研究表明了所提出方法的有效性。     

基于收敛深度控制的多元混合非线性规划算法

随着对象模型描述的系统性和完整性的提高,过程优化问题的复杂程度逐步增加,对优化算法的性能提出了更高的要求。现有的非线性规划算法在求解性能上各有优劣,本文提出了一种基于收敛深度控制的多元混合非线性规划算法,将各个非线性规划算法视为元算法,利用收敛深度来控制这些元算法之间的相互协作,更好地发挥元算法各自的优势,从而提高求解大规模复杂优化问题的能力。采用空分系统的数据校正问题以及脱丙烷塔和脱丁烷塔联塔系统的优化问题对多元混合算法进行了测试,数值结果表明相比各个单独的非线性规划算法而言,多元混合算法具有更好的求解性能。     

带路径约束的聚烯烃牌号切换操作优化方法

产品多样化需求使得聚烯烃生产过程中经常需要进行牌号切换操作。以往关于牌号切换优化的研究大多只关心切换过程结束后聚合物质量指标是否达到目标牌号值,对过渡过程中质量指标及状态变量的波动情况缺少关注,而过程的波动会影响到最终产物的质量性质和操作平稳性。为此,本文以聚乙烯气相流化床反应器为对象,通过在牌号切换优化命题中加入关于熔融指数等的路径约束,防止过渡过程中的状态变量剧烈波动影响聚合物树脂质量。为求解此类带路径约束的动态优化问题,对常规的控制变量参数化方法进行了改进,通过求解微分代数方程(DAE方程)将路径约束转化为控制变量约束。仿真结果表明,加入路径约束可以有效避免牌号切换中变量的剧烈波动,增强过程平稳性。     

含仿射不确定参数的多项式非线性系统控制器设计

针对含仿射时变不确定参数的多项式非线性系统,提出了基于多项式分解的控制方法. 多项式分解方法主要思想是将多项式系统转化成带自由变量的系数矩阵,从而偶次多项式的非负性验证问题可转化成线性矩阵不等式或双线性矩阵不等式求解问题. 文中多项式系统控制器综合基于 Lyapunov 稳定定理. 构造 Lyapunov 函数以及寻找反馈控制器可由所给的算法通过计算机程序自动完成. 对于多维系统相对高阶的控制器,由多项式全基构造的控制器将有很多项单项式. 为克服这一问题,文中算法给出含最少单项式的简约型控制器设计方法,并提出针对最小代价性能目标优化的增益受约次优控制. 数值仿真例子表明,文中所给的控制方法取得良好性能.     

基于内部热耦合精馏塔非线性wave模型的高纯控制

首先建立内部热耦合精馏塔（ITCDIC）的非线性波动降阶模型,并将非线性波动理论（wave）应用到ITCDIC控制问题中,实现一般模型控制（GMC）方案.与传统控制方案相比,基于波动理论的一般模型控制（waveGMC）不再采用ITCDIC的近似线性模型,更好地解决了高纯控制过程中的非线性问题,通过对波形的速度和位置控制能够在短时间内使系统达到稳定.苯-甲苯物系的实例研究表明,ITCDIC波动模型在高纯控制过程中能够精确反映ITCDIC的动态特征,waveGMC控制方案较传统控制方案更加稳定可靠.     

基于渐近理论的两阶段过程辨识方法

提出了一种基于渐近理论的两阶段过程辨识方法：先用高阶模型得到无偏估计和频域方差;然后通过OE模型与MDL定阶法进行降阶处理。它将多变量模型结构辨识转换为易于实现的单变量问题,同时通过模型频域方差进行模型验证,解决了传统多变量辨识方法的阶次估计及模型验证难的问题。采用多通道测试信号,测试时间短,对装置生产影响小。应用实例表明了算法的有效性。     

SVM在车牌字符识别中的应用

采用支持向量机方法实现车牌字符识别.根据车牌字符排列特征,构造了汉字、数字、字母、数字 字母4个最佳分类器,通过车牌字符的序号对每个字符进行对应识别,再将识别结果组合得到车牌号码.实验结果表明该方法具有较高的车牌字符整体识别率,达到了98.33%,识别时间仅为15ms,能够满足实际应用.     

局部最小二乘支持向量机回归在线建模方法及其在间歇过程的应用

当间歇生产切换于不同的工艺条件时,由于新工况下的样本一般很少,且批次间存在着不确定性（由于原材料波动或过程动态特性波动等）,基于全局学习的建模方法（如最小二乘支持向量机回归,LSSVR）建立的模型泛化性能不强。将局部学习融入LSSVR中,提出一种局部LSSVR（local LSSVR, LLSSVR）的间歇过程在线建模方法。结合前一批次离线优化后的LSSVR参数,针对待预测新样本在线选择与之相关的近邻样本集并基于此进行建模。以建立青霉素发酵过程的菌体浓度为例,验证了LLSSVR算法能够从过程的第2个生产批次开始在线建立较准确的预报模型,较LSSVR有着更好的推广能力、适应性和鲁棒性。     

基于嵌入式系统的预测控制的设计与实现

针对过程工业中中小型快速系统的过程控制问题,以ARM与浮点DSP双核控制器OMAP—L137为核心,通过硬件系统和软件系统配合,设计并实现了面向先进控制的嵌入式通用平台。以实时性为目标,将预测控制算法分块,分别对预测模型、约束处理和在线求解算法各块进行研究。提出了针对嵌入式计算速度和存储量有限等问题的解决方案,并将改进后的算法在嵌入式平台中实现。通过对相关模型的测试,结果表明:系统具有高速、高控制精度等优良性能。     

采用Brent优化的核学习单步预测控制算法

针对非线性SISO系统, 提出一种基于核学习辨识模型的单步预测控制算法(kernel learning one-step-ahead predictive control, KLOPC). 通过KL辨识模型得到系统的一步超前预报值, 并引入输出反馈和偏差校正以克服模型失配等因素引起的预测误差, 以此构造一步加权预测控制性能指标, 然后采用Brent一维搜索方法求取控制律. 该方法无需任何相关的导数信息, 需调整的参数少, 求解效率高. 在一非线性液位系统的仿真研究表明了KLOPC优于整定的PID和其它基于KL模型的控制方法, 对噪声和扰动等均具有更好的鲁棒性和自适应性.