基于智能計(jì)算的過(guò)程控制與優(yōu)化若干研究.pdf

1、智能計(jì)算的發(fā)展已有較悠久的歷史，許多經(jīng)典的智能算法已取得成功的應(yīng)用。隨著智能計(jì)算技術(shù)的發(fā)展，經(jīng)典智能算法與來(lái)自生命科學(xué)中其它生物理論的結(jié)合，使得這類(lèi)算法有了較大進(jìn)展，最終形成了現(xiàn)代智能計(jì)算理論。目前現(xiàn)代智能計(jì)算領(lǐng)域已呈現(xiàn)較多的新智能工具，如支持向量機(jī)、核方法、粒子群優(yōu)化算法、迭代學(xué)習(xí)控制理論等。本文將其中的一部分內(nèi)容應(yīng)用到過(guò)程控制與優(yōu)化領(lǐng)域，取得了卓有成效的結(jié)果。 本文創(chuàng)新的工作主要體現(xiàn)在以下幾點(diǎn)： 1.提出了間歇過(guò)程的

2、批次優(yōu)化控制方法。通常情況下間歇過(guò)程的精確機(jī)理模型很難獲得，由于支持向量機(jī)在解決小樣本、非線性和高維數(shù)的問(wèn)題時(shí)具有強(qiáng)大的功能，支持向量回歸模型被用于間歇過(guò)程的終端優(yōu)化控制。為了達(dá)到間歇過(guò)程所要求的終端性能指標(biāo)，批次控制方法通過(guò)利用間歇過(guò)程重復(fù)運(yùn)行的特性來(lái)獲取間歇過(guò)程的優(yōu)化操作方案，其中二次規(guī)劃法被用來(lái)解決優(yōu)化控制問(wèn)題。本文的批次優(yōu)化控制策略被證明在模型失配和擾動(dòng)存在的情況下也是收斂的，因而該控制方法具有一定程度的魯棒性?；谥С窒蛄炕貧w

3、模型的批次優(yōu)化控制方法是一種綜合性的控制方法，充分利用了支持向量機(jī)建模智能化的特點(diǎn)和批次優(yōu)化控制消除建模誤差及克服干擾的特點(diǎn)，是一種可靠的優(yōu)化控制方案。 2.在線監(jiān)控和故障診斷在工業(yè)過(guò)程中對(duì)操作安全和產(chǎn)品質(zhì)量起著重要作用。本文提出了基于核主元和多支持向量機(jī)分類(lèi)的過(guò)程監(jiān)控和故障診斷方法。其中，核主元用來(lái)進(jìn)行故障特征的提取，多支持向量機(jī)用來(lái)對(duì)故障的來(lái)源進(jìn)行分類(lèi)。該方法首先構(gòu)造系統(tǒng)正常時(shí)的核主元模型，然后將新的數(shù)據(jù)映射到該核主元模型，

4、對(duì)數(shù)據(jù)進(jìn)行重構(gòu)，重構(gòu)的數(shù)據(jù)用多元統(tǒng)計(jì)指標(biāo)T<'2>或SPE判斷監(jiān)測(cè)過(guò)程是否超出了正常的控制限，若有故障發(fā)生，則監(jiān)測(cè)程序?qū)⒔o于警告，提示過(guò)程出現(xiàn)了異常操作狀況。由于原始數(shù)據(jù)經(jīng)過(guò)核主元的非線性映射后難以求得核主元空間到原始空間的逆映射，因此給故障診斷帶來(lái)困難。本文采用多支持向量機(jī)學(xué)習(xí)的方法對(duì)故障進(jìn)行分類(lèi)，避開(kāi)了求解逆映射的數(shù)學(xué)方法，直接用智能的方法獲得故障的信息，為過(guò)程的監(jiān)控和故障診斷提供了一個(gè)新的方法。 3.在迭代學(xué)習(xí)控制方面，本

5、文對(duì)已有的成果作了總結(jié)和分類(lèi)。在此基礎(chǔ)上，本文針對(duì)兩類(lèi)基于逆模型的前饋一反饋迭代學(xué)習(xí)控制方案的魯棒性作了分析，分別提出了各自的魯棒收斂性條件。理論上獲得的魯棒收斂域是這兩類(lèi)迭代學(xué)習(xí)控制方法在學(xué)習(xí)空間全局收斂的充分條件。該理論結(jié)果可以為此類(lèi)型的迭代學(xué)習(xí)控制器設(shè)計(jì)提供參考。 4.針對(duì)無(wú)獨(dú)立狀態(tài)和終端約束的間歇過(guò)程魯棒優(yōu)化問(wèn)題，本文將迭代方法與粒子群優(yōu)化算法相結(jié)合，提出了迭代粒子群算法。對(duì)于該算法，首先將控制變量離散化，用標(biāo)準(zhǔn)粒子群優(yōu)

6、化算法搜索離散控制變量的最優(yōu)解，然后在隨后的迭代過(guò)程中將基準(zhǔn)移到剛解得的最優(yōu)值處，同時(shí)收縮控制變量的搜索域，使優(yōu)化性能指標(biāo)和控制軌線在迭代過(guò)程中不斷趨于最優(yōu)解。算法簡(jiǎn)潔、可行、高效，避免了求解大規(guī)模的微分方程組問(wèn)題。該方法尤其適合系統(tǒng)梯度信息不可得的情況。當(dāng)系統(tǒng)的梯度信息不可得時(shí)，一般的數(shù)學(xué)方法很難獲得優(yōu)化問(wèn)題的最優(yōu)解，而迭代粒子群優(yōu)化算法利用智能尋優(yōu)的特點(diǎn)卻可獲得滿(mǎn)意的解。通過(guò)控制變量離散化，迭代粒子群優(yōu)化算法將一個(gè)連續(xù)問(wèn)題轉(zhuǎn)化為一個(gè)