黄道平[1]1998年在《多变量非线性过程控制》文中研究说明本文主要研究了多变量非线性过程控制问题，主要工作和研究成果由五部分组成：一、介绍了对于有纯滞后过程的基于神经网络的预测控制，提出了几种在线反馈校正方法。然后对非线性串联工业过程提出了基于神经网络的多重反馈预测控制、变校正系数及其设计方法。进一步，将此方法推广到多变量非线性系统，提出了带中间状态反馈校正的基于神经网络的多变量非线性预测控制，给出了反馈校正矩阵的设计方法。二、提出了动态多变量非线性系统的静态逆模型概念，给出了基于集成模型的非线性系统的逆系统线性化策略，同时亦提出和讨论了多种有效和实用的静态逆模型求取方法。三、将单输入单输出的Hammerstein模型推广至多输入多输出系统，提出了广义Hammerstein模型，给出了其辨识建模方法。进一步，为了适应更一般的多变量非线性系统，提出了一种由人工神经网络与线性离散差分模型相结合的集成模型，并给出了其辨识训练方法。以此类模型为基础，提出了相应的多变量非线性预测控制算法。它们利用了线性预测控制的成果，避免了通常非线性模型(包括普通人工神经网络模型)预测控制所需的在线数值寻优计算，大大节约了在线计算时间，提高了算法的可靠性和稳定性，确实为一种有效的多变量非线性控制算法。四、提出了一种通过对象输出预测实现对角优化解耦的补偿器设计方法，给出了该补偿器的解耦算式。此预测优化解耦补偿器有别于传统的动态或静态解耦补偿方法，适用于具有非最小相位特性的众多多变量系统的解耦补偿，具有很好的稳定性和可实现性。进一步将基于线性模型的自适应预测优化解耦补偿器的原理推广到非线性系统，设计出适用于一般多变量非线性系统的非线性自适应预测优化解耦补偿器。五、根据解耦补偿和优化控制的思想，提出了一种完全不依赖于对象模型的自适应神经元多变量优化补偿器模型，给出了神经元权系数的在线学习方法，分析了神经元优化补偿器的工作机理。该自适应神经元优化补偿器算法简单、实现容易、完全不需要对象模型。 对本文提出的各种新的控制方法、新的算法均进行了仿真研究，并给出了相应的仿真研究结果。
张碧琰[2]2010年在《多变量非线性系统的逆方法解耦控制研究》文中研究表明在实际工业过程中,多变量非线性系统是广泛存在的,而传统的控制与理论主要是基于线性系统的,所以如何针对多变量非线性系统设计先进的解耦控制方法,使其既具有优越的解耦控制性能,又便于实际应用是一个具有重大理论价值和实际意义的课题。本文选取典型的多变量非线性系统为研究对象,利用逆系统方法对多变量非线性系统进行解耦控制。本文的具体研究内容如下：(1)给出并证明了基于两种描述的多变量非线性系统的逆模型存在的充要条件,构造了基于两种描述的广义逆模型解析形式,说明了将逆模型串接在控制对象前而得到的伪线性复合系统具有解耦的能力,并研究了使得伪线性系统解耦镇定的条件；(2)基于逆系统方法的原理和广义逆模型的解析形式,研究了神经网络广义逆系统的解耦控制结构和实现方法。仿真实验表明基于神经网络的广义逆系统解耦控制具有良好的解耦性能、跟踪性能和一定的鲁棒性；(3)针对实际应用中存在建模误差和外部干扰等问题,给出了内模控制和逆系统方法复合控制的解耦系统结构,分析了伪线性子系统的闭环稳态性能和内模控制系统的鲁棒稳定性条件；(4)初步研究了二自由度-双口内模控制系统鲁棒稳定性,得出保证闭环系统鲁棒稳定的条件,构造设计了二自由度-双口内模控制与广义逆系统的复合解耦控制系统,并进行了仿真实验。仿真结果表明,这种方法和一般的方法相比,具有控制器设计简单,解耦性能优良,控制性能好,鲁棒稳定性强等优势。
郭峰[3]2012年在《基于模糊ARX模型的水泥回转窑预测控制算法研究》文中进行了进一步梳理水泥回转窑是新型干法水泥生产线的核心设备，水泥生产过程中最关键的生料煅烧理化反应在回转窑内进行，回转窑的控制水平直接影响水泥的质量、产量以及能耗。研究水泥回转窑的建模及控制方法，对提高水泥回转窑的控制水平具有重要的理论和实际意义。本课题针对新型干法水泥回转窑煅烧过程具有的多时滞、多变量、非线性的特性，在对采样数据分析处理的基础上，运用组合模型建模理论、预测控制理论，基于模糊ARX模型对水泥回转窑的预测控制算法进行了研究，具体研究工作如下：首先，依据水泥回转窑的煅烧机理，分析影响水泥熟料质量及能耗的控制因素，研究参量间的变化规律。利用相关函数法分析控制参量的测试数据，确定回转窑煅烧系统建模变量，以回转窑窑尾烟室的氮氧化物含量，氧气含量和窑尾温度为控制目标量，以窑头喂煤量，高温风机挡板开度和料速积为操作变量，为建立水泥回转窑煅烧过程的预测模型提供基础。其次，基于系统稳态非线性特性和动态线性特性分离辨识的组合模型建模思想，提出基于T-S模糊模型的ARX模型增益实时修正方法，建立适用于多变量非线性系统的变增益模糊ARX模型；以数据驱动思想为基础，提出一种数据驱动模糊辨识改进算法，建立系统测试数据不能覆盖所有输入变量约束范围情况下的水泥回转窑煅烧系统稳态模型；运用外推差值法计算系统的实际动态增益来实时修正多时滞ARX模型的增益，提高建模的准确性，进而提出多时滞多变量非线性系统的变增益模糊ARX模型建模方法，以解决回转窑多时滞特性的建模问题；在对水泥回转窑的稳态和动态辨识数据分开进行预处理的基础上，建立水泥回转窑煅烧过程控制系统预测模型。进一步，采用序列二次规划优化算法，实时动态求解多变量非线性系统的输入变化量，构建基于多变量模糊ARX模型的预测控制算法。在此基础上，提出系数矩阵插值组合法，将多时滞加入到多变量非线性系统的多步预测输出表达式，建立基于多时滞变增益模糊ARX模型的预测控制算法，以实现回转窑煅烧过程的多时滞控制，进而建立水泥回转窑煅烧系统的预测控制算法。最后，利用现场DCS系统采集的水泥回转窑测试数据，进行数据的建模与分析，采用本文建立的水泥回转窑多时滞变增益模糊ARX模型及其预测控制算法，对水泥回转窑煅烧过程进行预测控制实验研究，验证本文提出算法的可行性和有效性。
倪文涛[4]2008年在《基于块状结构模型的非线性预测函数控制研究》文中提出模型预测控制(MPC)是工业过程控制中得到成功应用的先进控制技术之一,作为MPC最新研究领域之一的预测函数控制(PFC)已经在理论和实际应用中取得了很大的进展。然而,由于大部分工业过程都带有不同程度的非线性,因此非线性预测函数控制的研究已经成为工业控制领域的重要命题。本文针对一类具有特殊结构的非线性对象,采用非线性预测函数控制技术进行了较为深入的研究,主要内容如下:(1)在介绍了模型预测控制基本原理的基础上,对模型预测控制的发展情况和国内外研究现状进行了综述。(2)根据块状结构模型的特点,给出了一种N-L两步辨识算法,然后以Hammerstein模型为例,讨论了不同形式的多变量系统块状结构模型,以及各自的优缺点,并介绍了单变量块状结构模型的预测函数控制算法。(3)提出了一种基于块状结构模型的非线性自适应预测函数控制(NAPFC)算法。利用静态数据辨识得到非线性部分的预测模型,利用渐消记忆最小二乘算法在线辨识线性部分的ARMAX模型参数,根据所得的模型参数求解非线性优化问题,获得非线性自适应预测函数控制律,并且可以适应过程时变的情况。通过求解模型输出的一阶导数,得到了最优控制律的参数化表达式,减少了求解非线性优化问题的在线计算量。通过热交换器和pH中和过程的计算机仿真,表明了该算法比PID控制和非线性预测函数控制具有更好的控制效果。(4)提出了一种基于块状结构模型的多变量非线性预测函数控制算法,将非线性系统的最优控制问题转化为线性系统控制问题和非线性方程组的求根问题。在模型已知的情况下可以给出控制律的解析式,从而提高了最优控制律的求解速度。计算机仿真结果表明了该算法的有效性。最后对全文作了总结和展望。
魏驰航[5]2018年在《基于降维映射的工业过程建模与监测》文中认为工业4.0时代与“中国制造2025”为现代工业带来了更多的机遇与挑战,现代工业自动化系统日益复杂,其信息化与智能化的程度日益加深。过程监测是现代工业的关键技术,其目的是保障生产过程安全、提高产品质量和生产效率、降低工业能耗和污染。传统的统计分析过程监测技术基于较朴素的假设(如独立同分布、线性、稳定工况),而在实际工业过程其面临多方面的问题与挑战,主要可以归纳为样本特性层面(主要包括离群点、缺失值、多采样率与工业大数据)与变量特性层面(主要包括互相关、非线性、监督指标约束和时变性)。本文从流形学习的角度出发,针对性地从上述两个层面研究了基于降维映射的工业过程建模和过程监测问题。全文的主要研究内容如下:.(1)针对质量预报中的非线性与互相关问题,提出了基于自学习核回归模型(SLKR)的回归建模与质量预报方法,其建模过程带有质量约束。不同于传统核方法需要人为选定核函数的形式与参数,SLKR通过特殊设计的半正定规划(SDP)基于给定的建模数据自主地优化学习出核空间。原始数据变量间的非线性相关关系在这个核空间中被最大程度地恢复为线性,并同时最大化这些线性相关的核空间变量与质量变量间的回归关系。SLKR模型非线性数据处理能力强,基于SLKR模型的质量预报精度高。(2)数据的局部信息更能够表现数据的本质关系特征、更符合数据的特征分布。传统质量预报模型跟据分布的全局形态建模,忽视数据局部特性中所蕴含的信息。针对这一问题,提出了基于邻域保持嵌入回归模型(NPER)的回归建模与质量预报方法,其采样局部信息建模。并进一步针对样本数量少于数据维度的情况(稀疏性),对回归参数进行弹性网惩罚(EN),提出了基于稀疏邻域保持嵌入回归模型(SNPER)的回归建模与质量预报方法。最后针对工业过程时变性,借鉴即时学习的思想,提出了基于局部加权稀疏邻域保持嵌入回归模型(LW-SNPER)的回归建模与质量预报方法,可以保证回归参数的稀疏性,具有较强的跟踪过程时变性的能力,质量预报精度高。(3)针对质量约束的故障检测问题,提出了基于监督式的自学习核模型(S-SLK)的过程建模与故障检测方法。S-SLK扩展了 MVU的建模范围,利用了过程变量与质量变量相关关系中所蕴含的信息。考虑到质量变量测量值的珍贵性,进而提出基于广义监督自学习核模型(GSS-SLK)的过程建模与故障检测方法,可以最大程度地利用含有任意程度的缺失值的多个质量变量数据。此方法同样可以处理多采样率问题。(4)针对故障检测中的大数据问题,提出了一种基于分层技术的多层最大方差展开模型(MLMVU)的过程建模与故障检测方法。传统的MVU模型高效的非线性处理能力使得基于此模型的过程建模与故障检测方法检测率高,漏报率低。然而其计算复杂度与空间要求严重限制了其在大规模数据上的可扩展性。MLMVU模型将大规模数据被有序切割并分配到多层结构,在牺牲有限精度的前提下显著地提升计算效率、降低空间要求。通过生成采样率较高的TE过程数据,验证了基于MLMVU过程建模与故障检测方法的有效性,并具体分析了其中某故障的故障源与检测效果,说明了大数据在统计过程监测中的意义。(5)针对类别指标的约束的非线性故障分类问题,分别提出了两种基于监督最大方差展开模型(SMVUI与SMVU2)的过程建模与故障分类方法。当监测到系统运行异常时,我们需要及时准确地获取故障的类别信息,以方便做出正确的应对措施。通过将类别指标的约束关系引入统计过程监测模型,可以在数据降维的同时提取数据中与故障类别最相关的信息,并去除冗余变量与噪声,其故障分类结果准确度高。(6)针对数据特性层面的离群点问题,本文所提出的模型也做了相应处理使得其对离群点更加鲁棒。针对MVU模型及其改进模型,本文均将严格的等式约束放松为不等式约束;这样训练出的模型更加鲁棒,少量的离群点不会对建模产生较大影响。NPE模型及其改进模型,使用最小化局部重构误差的思想计算邻域关系与投影,天然地对离群点不敏感。另外针对变量特性层面的互相关问题、非线性问题,本文以构建基于数据降维映射的统计监测模型为研究思路,依托于流形学习方法,通过局部建模发掘真实的数据低维流形结构,并通过局部线性化的思想方便地近似出全局非线性结构。
文巧钧[6]2014年在《基于状态空间模型的复杂动态过程监测方法研究》文中指出过程监测技术是过程自动化系统的重要组成部分和关键技术之一。对保障过程的安全稳定运行和提高产品质量等现代流程工业的核心目标,过程监测技术具有重大的工业价值和研究意义。随着企业规模的不断扩大和工艺流程的日趋复杂,过程的机理模型难以获得；与此同时,由于集散控制系统在工业界的普及和计算机技术的快速发展,流程工业积累了海量的过程数据。因此,基于多元统计分析的过程监测技术成为了学术研究和工业应用的热点,在过去二十年里产生了许多的研究成果和应用。由于过程对象的本质特征和闭环控制系统的广泛运用,过程动态性是实际工业过程广泛存在的一种性质。近年来,研究者们针对过程的动态特性,提出了诸如动态多变量过程监测方法、时间序列模型、以子空间方法为主的状态空间模型,取得了许多重要的研究成果。以上方法假定动态过程运行在单一的工况下,过程变量之间线性相关而且服从高斯分布。然而,实际的动态过程往往运行在更复杂的环境下,使得过程变量非线性、非高斯,工况非单一,而且受到过程噪声的影响。本文在已有的基于状态空间模型过程监测方法的基础上,针对不同的动态过程复杂特性,提出了以下对复杂动态过程进行建模与监测的新方法和新思路。(1)针对小样本环境下动态过程的建模与监测问题,提出了一种基于稀疏偏最小二乘的动态过程建模方法。稀疏偏最小二乘方法通过对投影向量加入稀疏性约束,可以获得稀疏的投影矩阵,从而对子空间辨识时的输入变量进行变量选择。该方法在模型训练样本比较少的情况下,也能获得较好的建模结果,大大减弱了模型的过拟合问题,增强了模型对样本外数据的推广能力。在过程监测的应用上,基于稀疏偏最小二乘模型的过程监测方法的性能优于没有加稀疏约束的偏最小二乘方法。(2)对于噪声环境下的动态过程监测,提出了一种基于数据的线性高斯状态空间模型。类似于概率主成分分析和因子分析,线性高斯状态空间模型同时考虑到了过程噪声的统计特性。该模型的参数通过期望最大化算法估计出来。在模型中,采用卡尔曼滤波器来进行状态估计与输出预测,在状态空间和残差空间分别建立监测统计量,并提出了基于残差监测统计量贡献的故障识别算法。与传统的基于主成分分析的故障识别算法相比,本文提出的故障识别算法有效的避免了故障干扰问题,在对动态过程进行故障识别时,可以获得更加准确的识别结果。(3)考虑到多工况过程的动态特性,提出了一种多工况动态过程监测的混合规范变量分析模型。该模型既考虑到了过程的多工况特性,将过程分解为不同的高斯分布子模态；同时也考虑到了过程数据的动态特性,对于每一个子模态,分别采用子空间方法建立动态子模型。在对过程样本进行监测时,可以通过贝叶斯公式和边缘概率分布求取样本从属于每一个子模型的后验概率。并且在不同的子模型下,分别计算局部监测统计量,最后根据后验概率,将不同子模型的局部监测统计量综合起来,构成全局的监测统计量。相比于传统的用于多模态过程监测的高斯混合模型和用于动态过程监测的规范变量分析方法,本文提出的方法是一种更可行的多模态动态过程监测方法,能够取得更好的监测性能。(4)提出了一种基于核偏最小二乘的非线性非高斯动态过程的监测方法。与基于偏最小二乘的线性子空间方法不同的是,核偏最小二乘方法将模型的输入变量经过非线性投影到高维特征空间以后,再建立和输出变量的关系。因此,核偏最小二乘方法中可以同时对过程数据的非线性和动态性进行建模。而核函数的引入可以将这种非线性投影隐式表达,应用中不需要关心其复杂的非线性投影形式,简化了计算的复杂性。在过程监测中,对于非高斯分布的核偏最小二乘得分变量,传统的基于高斯分布变量的监测统计量不再有效。为了解决非高斯分布变量的监测问题,提出了基于支持向量数据描述的监测方法。该监测方法对过程变量的统计分布没有要求。因此,在非线性非高斯的动态过程中,本文提出的方法也能取得良好的监测性能。
刘春风[7]2007年在《非线性预测控制研究及其在聚酯工业中的应用》文中进行了进一步梳理预测控制是一种新型的计算机控制算法，近年来在工业实践中得到了越来越广泛的应用。这主要是由于它对模型的精度要求不高，建模方便；采用滚动优化策略，能及时弥补由于模型失配、干扰等因素引起的不确定性；能有效处理多变量、有约束问题。现代工业发展和科学技术的进步，对产品质量和产量要求的不断提高，对生产经济效益的不断追求以及工业生产过程的日趋大型化、复杂化，工作点在较大范围内变化，这使得以往的线性预测控制方法已不能胜任。因此，非线性预测控制已成为预测控制中一个越来越重要的课题。本文在前人研究成果的基础上，对线性预测控制，特别是非线性预测控制进行了较深入的研究，主要内容包括：1．简要介绍了模型预测控制的发展概况，较为详细的介绍了非线性预测控制的特点和基本原理，并进行了仿真，综述了预测控制的理论研究和应用现状。2．重点研究了非线性模型预测控制，提出了一种具有非线性状态空间模型的预测控制算法，并进行了大量的仿真。3．将非线性预测控制方法应用于聚酯的酯化工业生产过程中，对酯化产品的质量指标实现了优化控制，经现场运行，取得了令人满意的效果。
佟哲琼[8]2005年在《基于神经网络的非线性预测控制的研究》文中研究指明随着在工业中取得的成功应用,基于线性模型的预测控制己成为当前控制理论界和工业控制界十分关注的一个热门课题。在实际中,工业生产过程常表现出非最小相位、多变量强耦合等强非线性特性,预测控制技术己被扩展到非线性过程。近年来,神经网络以其独特的优势被广泛应用于非线性系统的建模与控制中。基于神经网络模型的非线性预测控制逐渐成为解决复杂非线性系统控制问题的重要方法,在工业过程控制中已显示了其优良的控制性能,有着非常广阔的应用前景。 本文综述了预测控制和神经网络在理论和应用上的进展,并以神经网络为基础,围绕神经网络建模、预测与控制等主题展开了一系列研究。将传统PID控制和神经网络相结合,针对非最小相位系统、多变量强耦合非线性系统分别设计了有效实用的预测控制方案。由于递归神经网络是一种非线性动态网络,能够很好地模拟动态系统和过程,因此,本文采用的神经网络类型为递归神经网络。 本文以传统PID控制器为基础,结合神经网络与预测控制,针对非线性系统提出了在PID型预测性能指标函数下的控制方法。并将其用于两种类型的非线性系统:一种是单输入—单输出(SISO)系统;另一种是多输入—多输出(MIMO)系统。对于SISO系统,先分析了直接多步预测和递推多步预测各自的特点,提出一种较为准确的去误差直接预测方法,仿真验证了该方法的有效性。再分别利用前馈神经网络和局部递归神经网络实现了非线性系统辨识和控制器参数的在线整定,设计了一种线性预测型PID控制器。通过仿真研究验证了对非线性系统的优良控制性能。对于MIMO系统,针对其耦合性,在前面SISO系统提出的非线性PID控制器基础上,以多个控制器采用并联形式构造了多变量系统的解耦控制器,进一步研究了多变量系统的两种预测控制方法:基于递归多步预测的控制和多步预测目标函数下的控制。
陈岳峰[9]2006年在《多变量时滞系统的内模控制方法研究》文中提出传统的控制与辨识理论主要是基于线性系统的，多变量非线性控制仍是当前研究的热点和难点；同时纯滞后多变量系统存在着解耦控制的问题。本论文针对这些问题，采用模糊理论与内模控制相结合的方法，进行了一定的研究。 本文的研究重点主要有两个方面： 一、过程对象的系统模型参数辨识； 二、内模控制器的设计和控制方法、控制律的选择。 论文采用内模控制方法，针对多变量非线性纯滞后系统模型，结合模糊控制理论思想，实现了对系统的模糊内模解耦控制，并且实现了反馈滤波器时间常数的在线调整；另外研究了多变量系统的模型降阶辨识和模糊系统理论在非线性系统及多变量辨识中的应用；以此为基础，进行了控制系统的仿真实验和实例设计。 具体研究内容如下： 首先，阐述了内模控制原理、发展和内模控制应用于时滞系统控制的优越性，以及其在控制领域内的各种应用； 其次，将模型降阶方法成功地应用于高阶非线性系统，研究了基于最小
余建波, 李传锋, 吴昊, 程辉[10]2016年在《基于自组织混合模型的多变量航天产品加工过程控制方法研究》文中指出为解决航天产品因制造过程的随机性和动态性而在复杂的多变量加工过程中表现出非线性或多模态等特性,用传统多变量过程控制方法无法有效监控的困难,提出了一种基于自组织混合模型(SOMM)的过程监控方法,以实现非线性和多模态等过程的状态建模和在线异常监控。采用自组织映射结合混合模型,对非线性和多模态等过程状态进行建模,设置控制图阈值;提出了基于最小欧氏距离和负对数似然值的制造过程控制图,在线识别和评估制造过程运行状态。设计的基于SOMM的制造过程监控系统由离线建模和在线监控两部分组成。为验证所提方法在非线性和多模态制造过程中的监控效果,进行了两个仿真实验,并与主元分析、自组织映射等传统监控方法性能进行比较。实验结果表明所提方法在非线性及多模态过程中均有更好的过程监控性能,可用于航天产品加工过程的质量控制。
参考文献：
[1]. 多变量非线性过程控制[D]. 黄道平. 华南理工大学. 1998
[2]. 多变量非线性系统的逆方法解耦控制研究[D]. 张碧琰. 东北大学. 2010
[3]. 基于模糊ARX模型的水泥回转窑预测控制算法研究[D]. 郭峰. 燕山大学. 2012
[4]. 基于块状结构模型的非线性预测函数控制研究[D]. 倪文涛. 浙江大学. 2008
[5]. 基于降维映射的工业过程建模与监测[D]. 魏驰航. 浙江大学. 2018
[6]. 基于状态空间模型的复杂动态过程监测方法研究[D]. 文巧钧. 浙江大学. 2014
[7]. 非线性预测控制研究及其在聚酯工业中的应用[D]. 刘春风. 郑州大学. 2007
[8]. 基于神经网络的非线性预测控制的研究[D]. 佟哲琼. 大连理工大学. 2005
[9]. 多变量时滞系统的内模控制方法研究[D]. 陈岳峰. 北京化工大学. 2006
[10]. 基于自组织混合模型的多变量航天产品加工过程控制方法研究[J]. 余建波, 李传锋, 吴昊, 程辉. 上海航天. 2016
标签：自动化技术论文; 过程控制论文; 模型预测控制论文; 神经网络模型论文; 预测模型论文; 线性系统论文; 控制变量论文; 线性模型论文; 系统辨识论文; 非线性论文; 数据建模论文; 质量特性论文; 线性回归模型论文; 动态模型论文; 高斯论文; 变量论文; 回转窑论文;