數(shù)據(jù)驅動建模與無模型自適應控制及在復雜工業(yè)系統(tǒng)中的應用.pdf

1、本文在理論上針對數(shù)據(jù)驅動建模和數(shù)據(jù)驅動無模型自適應控制2方面領域做了若干研究，同時將所提理論應用于不同的實際領域。本論文研究內(nèi)容和創(chuàng)新點可總結如下:
　　一、針對固定床間歇式(UGI)煤氣化過程中的合成氣溫度的立項建模問題，提出一種改進的帶有鏈接開關的遺傳神經(jīng)網(wǎng)絡算法(EGA-BPNN-LS)。合成氣溫度的模型在整個UGI氣化過程中至關重要，然而，由于氣化過程極為復雜，該模型的輸入輸出關系不能夠依靠氣化過程的化學機理建立。EGA-

2、BPNN-LS算法結合了一種新穎的改進遺傳算法、帶有鏈接開關的神經(jīng)網(wǎng)絡、以及梯度學習算法(Levenberg-Marquardt,LM)算法的優(yōu)勢，使得該方法僅靠輸入輸出數(shù)據(jù)即可獲得氣化過程的模型，同時還能夠有效地將數(shù)據(jù)的梯度信息加以有效地使用?；谥袊綎|省瑞星化工集團有限公司采集的實際數(shù)據(jù)的實驗驗證了該算法的有效性與實用性。
　　二、針對UGI氣化過程中的合成氣溫度在線建模問題，提出一種基于相關向量機的改進的懶惰學習建模(ML

3、L-RVM)算法。合成氣溫度的模型是一個典型的未知非線性多入多出(Multi-input and Multi-output，MIMO)系統(tǒng)，由于UGI氣化過程的復雜性，其精確數(shù)學模型不能夠根據(jù)機理建立。針對此問題，所提的MLL-RVM方法將一種新穎的相關向量機(RVM)的思想應用到懶惰學習建模方法中，使得每一個時刻，MLL-RVM均可根據(jù)當前輸入輸出數(shù)據(jù)以及歷史數(shù)據(jù)來實時建立針對合成氣溫度的局部RVM模型。通過基于工廠實際數(shù)據(jù)的仿真實驗

4、，該方法的有效性得到驗證。
　　三、針對一類離散非線性單入單出(Single Input and Single Output，SISO)系統(tǒng)，分別提出了基于懶惰學習的緊格式無模型自適應預測控制(LL-CFDL-MFAPC)方法和偏格式無模型自適應預測控制(LL-PFDL-MFAPC)方法。這2種方法的核心思想是，通過利用懶惰學習算法的實時數(shù)據(jù)庫查詢的優(yōu)勢，在每個時刻將在線和離線數(shù)據(jù)同時應用于無模型自適應預測控制器的參數(shù)的更新，并通

5、過不同的動態(tài)線性化技術（包括緊格式、偏格式動態(tài)線性化技術），使得該算法的控制器設計過程擺脫了被控對象的精確數(shù)學模型。同時，由于預測功能的加入，這2種方法具有較強的魯棒性。通過嚴密的數(shù)學推導，2種方法的穩(wěn)定性與收斂性在幾個合理的假設條件下得到證明。最后，LL-CFDL-MFAPC被應用于處理UGI氣化過程中增氧過程的氧濃度控制問題，LL-PFDL-MFAPC被應用于真實的三容水箱液位控制系統(tǒng)，進而2種方法的有效性和實用性得到了驗證。

6、>　　四、針對一般的未知非線性系統(tǒng)，提出了基于雙連續(xù)投影算法的無模型自適應控制(DSP-MFAC)方法。該方法最重要的意義是在理論方面給出了MFAC的新的證明方法和研究思路。通過該算法所得控制器結構與模型參數(shù)估計結構具有對稱相似性，使得算法的控制框架和控制性能更加簡單和易于分析。此外，相比傳統(tǒng)的基于壓縮映射原理框架下的無模型自適應控制，雙連續(xù)投影框架下的無模型自適應控制具有更強的可推廣性，如根據(jù)算法中不同的范數(shù)定義，可形成不同的控制器結