基于智能計算的過程控制與優(yōu)化若干研究.pdf

1、智能計算的發(fā)展已有較悠久的歷史，許多經典的智能算法已取得成功的應用。隨著智能計算技術的發(fā)展，經典智能算法與來自生命科學中其它生物理論的結合，使得這類算法有了較大進展，最終形成了現(xiàn)代智能計算理論。目前現(xiàn)代智能計算領域已呈現(xiàn)較多的新智能工具，如支持向量機、核方法、粒子群優(yōu)化算法、迭代學習控制理論等。本文將其中的一部分內容應用到過程控制與優(yōu)化領域，取得了卓有成效的結果。 本文創(chuàng)新的工作主要體現(xiàn)在以下幾點： 1.提出了間歇過程的

2、批次優(yōu)化控制方法。通常情況下間歇過程的精確機理模型很難獲得，由于支持向量機在解決小樣本、非線性和高維數(shù)的問題時具有強大的功能，支持向量回歸模型被用于間歇過程的終端優(yōu)化控制。為了達到間歇過程所要求的終端性能指標，批次控制方法通過利用間歇過程重復運行的特性來獲取間歇過程的優(yōu)化操作方案，其中二次規(guī)劃法被用來解決優(yōu)化控制問題。本文的批次優(yōu)化控制策略被證明在模型失配和擾動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。基于支持向量回歸

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建模智能化的特點和批次優(yōu)化控制消除建模誤差及克服干擾的特點，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)過程中對操作安全和產品質量起著重要作用。本文提出了基于核主元和多支持向量機分類的過程監(jiān)控和故障診斷方法。其中，核主元用來進行故障特征的提取，多支持向量機用來對故障的來源進行分類。該方法首先構造系統(tǒng)正常時的核主元模型，然后將新的數(shù)據(jù)映射到該核主元模型，

4、對數(shù)據(jù)進行重構，重構的數(shù)據(jù)用多元統(tǒng)計指標T<'2>或SPE判斷監(jiān)測過程是否超出了正常的控制限，若有故障發(fā)生，則監(jiān)測程序將給于警告，提示過程出現(xiàn)了異常操作狀況。由于原始數(shù)據(jù)經過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困難。本文采用多支持向量機學習的方法對故障進行分類，避開了求解逆映射的數(shù)學方法，直接用智能的方法獲得故障的信息，為過程的監(jiān)控和故障診斷提供了一個新的方法。 3.在迭代學習控制方面，本

5、文對已有的成果作了總結和分類。在此基礎上，本文針對兩類基于逆模型的前饋一反饋迭代學習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迭代學習控制方法在學習空間全局收斂的充分條件。該理論結果可以為此類型的迭代學習控制器設計提供參考。 4.針對無獨立狀態(tài)和終端約束的間歇過程魯棒優(yōu)化問題，本文將迭代方法與粒子群優(yōu)化算法相結合，提出了迭代粒子群算法。對于該算法，首先將控制變量離散化，用標準粒子群優(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程中將基準移到剛解得的最優(yōu)值處，同時收縮控制變量的搜索域，使優(yōu)化性能指標和控制軌線在迭代過程中不斷趨于最優(yōu)解。算法簡潔、可行、高效，避免了求解大規(guī)模的微分方程組問題。該方法尤其適合系統(tǒng)梯度信息不可得的情況。當系統(tǒng)的梯度信息不可得時，一般的數(shù)學方法很難獲得優(yōu)化問題的最優(yōu)解，而迭代粒子群優(yōu)化算法利用智能尋優(yōu)的特點卻可獲得滿意的解。通過控制變量離散化，迭代粒子群優(yōu)化算法將一個連續(xù)問題轉化為一個