基于最大互信息指标的对偶控制研究

针对参数未知但恒定的随机系统, 研究了基于最大互信息指标的对偶控制. 运用了Kalman滤波器估计随机系统未知参数的方法; 研究了最大互信息指标所具有的对偶特性, 即跟踪理想的目标以及探测未知参数的不确定性; 采用了两级优化算法获得次优对偶控制律. 算例验证了此算法的有效性和可行性.     

利用混沌搜索全局最优的一种混合算法

把共轭梯度法与混沌优化方法相结合，提出了一种混合优化算法，该算法能使共轭梯度法跳出局部最优，最终获得全局最优，算法的收敛性也进行证明，仿真表明算法是有效的。     

基于两级算法的对偶控制

考虑具有未知参数的随机系统的最优控制问题.采用包含新息方差指数项的损失函数优化系统的性能.新的损失函数由两部分组成:第一部分反映了对输出的调节作用;第二部分反映了辩识系统中未知参数应尽可能多地收集系统信息的需求.提出了一种两级优化算法.该算法首先把不可分问题转化为可分的两目标优化问题,再从两目标优化的非劣解集中挑出原问题的最优解.该控制律易于实施且具有对偶特点.仿真结果表明本文所得的控制律的有效性.     

基于深度学习与注意力机制的化工故障分类

针对现有的故障诊断方法在处理高维度且动态特征明显的化工生产过程中观测的数据时,存在无法识别长时间依赖关系、精确度不够的问题,本文对长短时记忆模型进行改进,提出了一种基于深度学习与attention机制的分类模型,以田纳西-伊斯曼仿真平台的仿真数据作为研究对象,通过小波阈值去噪法对数据进行预处理,再对模型分类效果进行验证,比较了本文模型与改进前的模型,最后通过t-sne算法绘制样本数据及在模型各层输出特征向量在二维空间的分布图。实验结果表明,改进后的深度学习模型,对故障分类时能达到92.71%的召回率与93.05%的准确率,相对改进前的模型分别提高了16.84%与13.66%,对数据特征的学习效果更好,更适用于化工数据。     

双线性系统多目标控制问题研究

研究了双线性系统的多目标控制问题. 首先把多目标控制问题, 通过效用函数技术转化为一个单目标最优控制问题, 其中, 效用函数是多个二次型性能指标的非线性函数, 因此, 在动态规划的意义下是不可分的. 然后, 为了克服不可分对求解带来的困难, 提出了一种两级最优控制算法. 下级用动态规划求解一个参数化的具有双线性---二次型结构的辅助 Lagrangian 问题；上级迭代调整辅助 Lagrangian 问题中的参数向量. 不断重复这个过程, 直至最优性条件被满足.     

具有未知参数的LQG对偶控制算法研究

对于具有未知参数的LQG（Linear quadratic Gaussian）问题,提出了一种次优对偶控制方法,用Kalman滤波处理过程噪声和测量噪声,用前一时刻的后验概率对Cost-to-go进行线性近似,然后,用动态规划获得了次优控制律.最后,用一个例子说明了本文设计的控制器的实施过程.结果表明,该控制律具有良好的对偶性质,并能在学习和控制之间实现较好平衡.     

基于模糊分层SDG模型的故障推理方法

针对传统 SDG 模型诊断方法存在的诊断分辨率低、速度慢、效率低等不足,提出了一种基于模糊分层SDG模型的故障推理方法. 首先建立系统的SDG模型,并进行分层;再利用模糊变量表示节点变量,用条件概率表表达节点间的定性因果关系;最后利用贝叶斯推理和回溯搜索找出故障源候选集,并对候选解进行排序. 应用提出的方法,进行了某型号航空发动机燃油调节系统故障诊断,结果表明该方法能够提高诊断的分辨率和效率,诊断结果准确而且完备.     

具有双重不确定性系统的联合滤波算法

卡尔曼滤波在高斯白噪声的假设下是一种最优滤波, 基于区间数学理论的集员滤波 (Set-membership filter, SMF)能够有效处理有界噪声假设下的滤波问题. 然而, 随机噪声和有界噪声在许多情况下会同时干扰控制系统. 由于两种滤波算法都受到各自适用范围的限制, 使用单一滤波算法难以得到理想的估计结果. 本文通过建立具有双重不确定性系统的模型, 提出了一种基于贝叶斯估计联合滤波算法. 该算法用卡尔曼滤波处理系统的随机不确定性, 用集员滤波处理系统的有界不确定性, 得出一个易于实现的滤波器. 最后通过对雷达跟踪系统的仿真, 结果表明, 较单一滤波算法, 联合滤波具有更强的噪声适应性和有效性.     

一类随机系统完全统计特征控制

非线性随机系统完全统计特征控制优于低阶矩控制,但往往因为算法的复杂性难以实际应用.本文针对受高斯白噪声激励的标量非线性随机系统,针对状态响应提出了一种完全统计特征控制方法.首先将刻画完全统计特征的概率密度函数表示成指数函数,利用FPK(Fokker-Planck-Kolmogorov)方程求出概率密度函数的各阶导数,进而建立指数函数Taylor展开的系数与待求反馈控制增益间的关系.然后,依据控制目标给出了求解反馈增益的优化问题.针对目标概率密度函数的不同情况,分别给出了跟踪控制策略:对于指数函数Taylor展开为有限项形式的情况,能够直接得到控制增益并完全跟踪目标概率密度函数;其他情况下,也能够达到较好的控制效果.仿真验证了本文方法的有效性.