一、过程控制中的智能集成建模方法(论文文献综述)
于蒙[1](2021)在《基于数据驱动的间歇化工过程批次内和批次间复合优化控制策略研究》文中提出本文致力于研究针对特种精细化学品间歇生产过程的智能优化控制方法。特种精细化学品生产控制属于间歇过程控制,生产过程具有强非线性和批次重复特性,目前生产中采用的控制策略是经典PID控制,这种控制方式的特点是控制结构具有较高的可靠性,并且对控制器的维护较为简单,但是难以满足复杂工艺过程高精度控制的要求,历次特种化学品生产产品质量和运行过程均出现过不稳定的情况。如何对现有的PID控制策略进行改进,并充分利用批次生产的重复特性,针对无法用精确数学模型描述的被控对象,通过利用控制过程的在线或离线数据并开发智能控制算法,对复杂被控对象施以控制,为本文的研究重点。针对特种化学品间歇生产过程,如Chylla Haase间歇反应过程,本文采用一种复合控制方式,将间歇过程控制划分为批次内控制和批次间控制两个维度,设计复合控制策略,将批次内的智能自整定PID控制和批次间的迭代学习控制结合,充分利用批次间重复特性,并在批次内和批次间实现控制的自适应改进。在批次内控制中,采用PID控制架构,通过LM优化算法实现PID控制参数的自整定,利用RBF神经网络辨识优化过程产生的Jacobian信息,使用一种改进的差分进化算法优化PID自整定参数的初值以及径向基神经网络基函数的中心、宽度以及神经元连接权值的初值。批次内的控制策略不要求获得被控对象的数学模型,仅以过程数据为控制来源,具有较高实际应用价值。在批次间控制中,针对需要抑制的重复性干扰,采用具有实际应用价值的P型迭代学习控制,为实现这种控制方式数据驱动的自适应改进,设计限定参数集的去伪控制策略。这种控制策略既实现了抑制批次间重复扰动的功能,又具备实用性的自适应调整能力,取得优于固定参数迭代学习控制方法的效果。特种化学品D1的生产过程,对转馏分点的预测和控制十分重要。该间歇蒸馏过程存在反应蒸馏过程复杂多样的特性,需要进行分离处理的物质多种多样并且成分不断变化,而上升气温度可以对蒸馏过程需分离的物质有较高程度的反映,准确判断转馏分点是特种化学品D1生产的关键。从实际出发,建立一种数据驱动的LSTM预测模型,对转馏分点实施预测。LSTM结构复杂,需要进行参数优化,设计贝叶斯优化算法实现了参数的优选。针对D1生产过程,纯度数据作为关键指标只在生产终点时检测的情况,设计了一种基于BP神经网络的终点质量迭代学习控制算法,首先利用BP神经网络建立生产过程变量与终点产品纯度的预测模型,以神经网络预测模型为基础,实施终点纯度的迭代学习控制,实现了对具有批次重复特性的间歇蒸馏过程的质量控制。
马乐乐[2](2021)在《非线性迭代学习模型预测控制研究》文中进行了进一步梳理批次过程在现代智能制造工业中占据重要地位,用于生产具有高附加值的精细化产品,其产品质量在很大程度上取决于控制系统跟踪参考轨迹的精度。批次过程在有限时间区间内重复运行,而迭代学习控制能够通过学习历史运行数据修正当前控制输入,达到沿批次不断提高跟踪精度的目的,因而成为当今批次过程控制的主流方法。迭代学习控制是典型的一维控制算法,控制律只沿迭代轴更新,在时域上采用开环控制结构。因此,迭代学习控制不具备实时抗干扰能力,无法保证系统时域稳定性。模型预测控制作为一种广泛应用于工业优化的先进控制技术,通过预测未来的系统状态及输出进行滚动时域优化,能及时处理实时干扰,保证时域跟踪性能及闭环稳定性。迭代学习模型预测控制结合了迭代学习控制的点对点学习机制和模型预测控制的滚动时域优化框架,建立二维控制结构,同时实现批次过程迭代域和时域的控制目标。这种数据学习与过程控制的有机融合对推动批次制造业的智能化进程具有重大意义,是实施“中国制造2025”战略的重要环节。迭代学习模型预测控制理论仍处于发展初期,实际批次过程的强非线性、快动态、变参考轨迹及变批次长度等问题导致其应用面临着巨大挑战。本文考虑非线性批次过程的多种生产形式,提出了具有针对性的迭代学习模型预测控制策略,深入分析了算法稳定性、鲁棒性及收敛性问题。本文的主要研究工作包括:(1)建立了变参考轨迹下的非线性鲁棒迭代学习模型预测控制策略。采用线性参变模型建模非线性系统动态,在迭代学习模型预测控制中嵌入鲁棒H∞技术抑制变参考轨迹带来的跟踪误差波动,通过优化线性矩阵不等式约束下的目标函数求取控制输入信号。分析了鲁棒迭代学习模型预测控制的鲁棒稳定性和迭代收敛性。针对非线性数值算例和搅拌反应釜系统的仿真验证了所提出算法在适应变参考轨迹方面的有效性。(2)设计了快动态批次过程的非线性高效迭代学习预测函数控制策略。将非线性系统沿参考轨迹线性化得到二维跟踪误差预测模型,并在控制器设计中补偿所产生的线性化误差,构造优化目标函数为真实跟踪误差的上界。在时域上采用预测函数控制以减小待优化变量维数,从而有效降低计算负担。结合终端约束集理论,分析了迭代学习预测函数控制的时域稳定性及迭代收敛性。通过对无人车和快速间歇反应器系统的仿真,验证了所提出算法能够提高控制效率并实现高精度跟踪。(3)构造了复杂非线性批次过程的数据驱动迭代学习模型预测控制策略。利用批次过程不断累积的运行数据,构建仿射型前馈神经网络对系统非线性动态迭代辨识。考虑到神经网络建模误差导致的模型失配问题,设计了基于Tube框架的迭代学习模型预测控制策略,保证系统真实跟踪误差始终维持在Tube不变集内,从而提高系统跟踪精度。基于神经网络预测模型的仿射结构,实现对目标函数梯度的离线解析计算,提高Tube迭代学习模型预测控制的在线计算效率和优化可行性。证明了数据驱动机制下控制系统的鲁棒稳定性及迭代收敛性。针对间歇反应器的建模和控制仿真验证了所提出算法的有效性。(4)构建了变批次长度下的非线性事件触发迭代学习模型预测控制策略。采用神经网络预测序列对缺失信息进行高精度填补,保证各批次能够获得完整的高质量学习数据。根据相邻批次的运行长度关系设置事件触发条件,进行一阶学习结构和高阶学习结构的切换,实现对真实运行信息的高度利用。在以事件触发条件划分的两种控制模式下,证明了非线性迭代学习模型预测控制系统沿迭代轴的收敛性。通过对数值算例和注塑过程的仿真,验证了所提出算法的有效性。
彭泽栋[3](2021)在《面向石化企业的计划调度建模及优化算法研究》文中进行了进一步梳理随着物联网、人工智能、数字孪生等技术的快速发展,智能制造以智能工厂为载体、以关键制造环节智能化为核心、以端到端数据流为基础,构建了以“数据+模型+算法+算力”为核心的技术体系,赋能传统制造业提质降耗。智能制造已成为我国制造业数字化智能化转型升级的核心驱动力之一。其中,智能决策是智能制造的核心,决策质量以及其可靠性、时效性、鲁棒性是制造企业智能化水平的重要指标之一。在智能决策中,多层级多系统协同决策、不确定环境下的鲁棒决策以及大规模决策问题的快速寻优是研究热点。本文以石化行业供应链上游页岩气开采设计计划问题及中下游炼油化工生产计划调度问题为工业应用背景,分别研究了在典型不确定性条件下,石化企业设计与计划集成建模、生产计划与调度集成建模以及相应的大规模混合整数线性规划(Mixed-Integer Linear Programming,MILP)模型的分解算法。此外,针对石化企业原油操作调度、过程设计等问题中应用广泛的混合整数非线性规划(Mixed-Integer Nonlinear Programming,MINLP),本文对其通用分解算法及求解器技术进行了深入研究。从而依次从复杂系统集成建模、不确定性建模以及高效求解算法三个方面提升企业决策智能化水平。本文的主要内容和创新点如下:1.针对石化供应链上游页岩气田开发设计和计划问题,提出了一种基于页岩气田超结构的大规模混合整数线性规划模型,对页岩气田开发过程中钻井平台和页岩气井位置的选择、开采操作调度、输气管道的安装、管道尺寸的选择进行集成决策。考虑到传统求解方法和求解器的限制,通过对模型结构的分析,提出了一种基于解池的双层分解算法对模型进行高效求解,通过五个不同规模页岩气田工业案例验证了模型和双层分解算法的有效性。该模型通过对页岩气田开发问题中页岩气网络设计和开发计划协同决策,提升了页岩气开发项目的经济效益。2.针对产量不确定性下的页岩气田开采计划问题,提出了一种多阶段随机规划模型,其中页岩气井产量不确定性的观测时间由开发决策确定,属于2型内生不确定性。模型采用广义析取规划(Generalized Disjunctive Programming,GDP)对决策变量与不确定性参数之间的逻辑关系进行建模,并考虑了实际开发中产量不确定性参数的观测延迟。针对内生不确定性下多阶段随机规划模型的结构特点,采用拉格朗日分解算法和启发式策略对模型进行求解。案例分析表明该模型提供的最优决策可以通过对页岩气井开发顺序的调整来减少开发低产量井的风险。3.针对需求不确定性下的石化供应链中下游化工企业生产计划和调度问题,提出了一种基于多阶段随机规划的计划调度集成建模框架,通过耦合约束构建计划层和调度层在决策粒度和时间尺度上逻辑连接,并采用场景树对需求不确定性进行刻画。为了对通用模型进行有效求解,提出了一种包含多种加速策略的逐步对冲算法。状态任务网络(State-Task Network,STN)案例和实际乙烯工厂案例都验证了该建模框架及算法的优越性,有效解决了传统的生产计划和调度中分步决策导致的生产效益下降和无法处理不确定性干扰的问题。4.针对石化行业企业级优化问题中常见的混合整数非线性规划问题,以外逼近法为基础对其通用求解算法进行了深入研究。为了解决外逼近法在非凸MINLP模型中的收敛性问题,提出了基于McCormick松弛的全局外逼近法和全局LP/NLP分支定界算法,通过非凸约束的McCormick凸松弛和凹松弛生成其有效割平面,构建非凸MINLP问题可行域的多面体近似,并通过添加整数割平面或禁忌表保证算法的收敛性。两种算法均已部署在开源求解器MindtPy(Mixed-Integer Nonlinear Decomposition Toolbox in Pyomo)中。通过原油操作调度问题以及上百个数值案例和工程案例的测试,验证了该算法对非凸MINLP问题的求解性能。5.针对经典外逼近法在相邻迭代间主问题最优解大幅跳变的问题,提出了正则化外逼近法。通过加入正则化问题的求解,对主问题最优解进行信赖域投影,限制相邻迭代间暂行解的移动范围。其中正则化问题通过对目标函数的边界限制构建等价的信赖域约束,并提出了基于l1范数、l2范数、l∞范数、拉格朗日函数一阶和二阶近似等多种信赖域范围计算方法。上百个开源数值案例和工程案例测试表明正则化的加入可以大幅降低不可行整数组合的发生次数,有效减少算法收敛所需的迭代次数,验证了正则化外逼近法相比于经典外逼近法在求解性能上的优越性。最后在总结全文的基础上,提出了内生和外生不确定性下企业级优化集成建模框架和混合整数规划分解算法的未来研究方向。
孙明[4](2021)在《火电机组热工过程自抗扰控制的研究与应用》文中进行了进一步梳理燃煤机组热工过程普遍具有高阶惯性、时滞、非线性、多扰动、回路耦合以及不确定性等特点,使得探索更为高效的建模方法和高性能的鲁棒控制算法成为一直以来的研究热点和难点。尤其是当前火电机组需要通过深度调峰来有效平衡间歇性的新能源电力高比例接入电网引起的系统波动,使得热工过程自动控制系统的可靠性和鲁棒性面临着更为严峻的挑战。此外,分散控制系统的历史数据库中存储了因扰动或不确定因素而产生的大量过程数据,可以充分利用这些过程扰动数据,进而增强控制器的模型信息以提升控制系统的设定值跟踪、扰动抑制以及鲁棒性等控制性能。因此,本文以线性扩张状态观测器为主线,开展了广义积分串联型系统的相位分析、扰动数据驱动的扩张状态观测器模型参数智能辨识方法以及基于相位补偿的降阶自抗扰控制器设计等方面的理论研究、算例仿真与工程实现。论文主要工作有:1)在频域内详细分析了线性扩张状态观测器对总扰动进行估计和前馈补偿后,虚拟控制量与系统输出以及估计输出两者之间的广义积分串联型传递函数特性。当采用全阶扩张状态观测器时,仿真并分析了广义积分串联型逼近标准积分器串联型的影响因素;当采用低阶扩张状态观测器时,为保证广义扩张状态观测器与广义被控对象在相位上的近似同步,提出了增加部分模型信息对扩张状态观测器进行相位补偿的设计方法,算例仿真验证了该方法的有效性。2)针对零初始条件下输出信号中可能存在外部扰动作用的分量而导致闭环数据驱动建模准确性降低的问题,提出了一种利用控制回路中干扰作用产生的动态过渡到稳态这一特征的过程数据驱动扩张状态观测器参数辨识的新方法,也就是将过程数据中扰动作用结束时刻点的状态初值估计和总扰动中的确定性模型信息估计相结合,进而通过群体智能算法对模型参数进行优化和聚类分析,得到最佳辨识参数,算例仿真验证了所提建模方法的有效性和准确性。3)为了提高一类具有大惯性、时滞等特点的热工过程对象设定值跟踪能力和抗干扰性能,提出了基于相位补偿的降阶自抗扰控制设计方法,并完成了稳定性分析。考虑到运用低阶自抗扰控制器时,控制量增益难以确定的问题,给出了新的参数整定方法。而对于热工过程的多变量系统,则采用分散式相位补偿型降阶自抗扰控制策略,并将控制系统在频域内进行等效变换,揭示了自抗扰控制技术框架下的逆解耦器特性。同时,为了增强其逆向解耦能力,推导出一种针对多变量系统的相位补偿环节设计方法。算例仿真验证了所提控制算法的优越性。4)研究并解决了基于相位补偿的降阶自抗扰控制算法的逻辑组态、抗降阶扩张状态观测器饱和以及无扰切换等工程化设计中的具体问题,进而在激励式仿真机上进行了控制策略的仿真与实现。进而将其应用于现役火电机组的主汽温系统和负荷控制系统。实施结果表明所提改进自抗扰控制算法的可行性、有效性以及优越性,展现了该算法良好的工业应用前景。
莫中凯[5](2020)在《有色金属冶金工艺智能集成建模的软约束调整及锌电解综合优化控制技术》文中认为介绍了有色金属冶金工艺中的智能集成建模及建模常用方法和理论,包括基于连续搅拌釜反应机制器智能集成的建模方法。探讨了智能集成建模的描述方法及集成结构,并给出已工业应用的一些智能集成模型。研究了有色金属冶金过程的工程优化问题及工程优化方法,尤其是软约束调整优化及锌电解过程综合优化控制技术。指出了冶金过程建模和工艺优化所面临的一些问题。
付涛[6](2020)在《基于混合算法的稀土萃取过程组分含量预测》文中指出近年来随着人工智能技术的不断突破和普及,已逐渐应用到各种工业生产过程中。对于其中典型的生产工业—稀土工业,因其稀土作为一种战略资源可在一些新能源和新材料等高科技发展领域发挥不可替代的作用,使其在航天航空、国防军工等方面具有广泛的应用价值。此外,稀土工业过程具有大时延、非线性、时变、强耦合、多变量等特点使得人工智能技术显得更加尤为重要。而作为人工智能组成部分中的软测量技术可以解决工业过程中一些不能直接通过传感器获得或测出的重要过程参数或得到的测量单一参数并不能完整的体现设备运行工况以及稀土元素组分含量无法直接在线测量的问题。基于此,本文在分析了稀土元素在线测量现状和总结传统软测量建模方法不足的基础上,提出了基于混合算法的稀土萃取过程组分含量预测方法。具体研究内容如下:1、为保证本文方法的可行性,鉴于RBF核函数具有线性拟合性能好、训练时间短等诸多优点,因此LSSVM采用该核函数。通过与RBF神经网络进行对比,实验结果显示,LSSVM此类性能均优于RBF神经网络。2、LSSVM性能主要取决于它的惩罚因子和核函数参数,传统的参数选取方法主要是人工选择(如有试凑法、经验法等);而群体智能算法能自动搜寻参数,使LSSVM性能满足给定的要求。传统灰狼优化(GWO)算法作为一种群体智能算法,在处理目标函数是多峰函数问题时,算法中控制距离参数a的线性化,容易导致算法陷入局部最优。为尽可能地解决这一情况,本文采用改进GWO算法对LSSVM参数进行选取。首先,本文通过对控制距离参数a进行非线性化处理,减少了算法陷入局部最优的可能;其次,通过引入差分进化算法,对GWO算法后期得到的种群进行变异,并将变异种群与GWO算法后期的种群进行比对,仿真结果证明了所提方法的有效性。3、为了尽可能的提升预测模型的预测性能,引入集成学习Adaboost算法,将改进GWO-LSSVM作为集成学习算法中的弱学习器,通过调整弱预测器的个数来提升算法的预测性能,仿真结果证明了所提方法的有效性。研究结果可为实现稀土萃取生产过程组分含量的自动检测提供一种有效方法,对促进稀土工业生产过程综合自动化具有重要意义。
吕晶[7](2020)在《基于多模态融合的决策偏好挖掘方法及在过程控制中的应用》文中认为传统的工业过程优化控制,在面对复杂环境时难以建立精准的数学模型,解决如控制器参数整定等问题时,往往依赖于专家的决策经验,根据控制目标和操作工况进行参数试凑。然而,由于缺乏建立专家决策偏好模型的准确描述,面向不同的决策目标,专家的决策偏好和经验往往难以传承。因此,急需建立一种随专家试凑过程而逐步获得决策偏好模型的有效途径。决策偏好是基于专家个人的认知、情感、理论知识以及经验累积的一种综合表现,很难完全进行量化处理。同时,决策偏好也蕴含了专家期待的方向和目标。目前还没有统一的模型来解释和体现专家决策中的个人偏好。随着对人类心理学的深入研究和情感计算技术的进展表明:与传统的决策方法相比,认知情感不但可以更好地定量地表示人类在决策中的意愿,而且可以量化专家决策偏好的涌现过程。本文所述专家决策偏好特指在情感计算模型下的决策偏好。值得一提的是,专家决策偏好的表达是一个多模态的过程,不同的模态描述了情感的不同方面,并且包含互补信息。一般通过文本、语音、EEG等模态信息来进行情感识别,但是在工程实际操作中一般很难获得以上的识别数据。因此,面向工业控制过程,本文考虑对专家的面部表情和对应的控制曲线进行多模态融合,将这些信息结合起来可以构建鲁棒性更强的情感识别模型,进而可以识别专家决策过程中的决策偏好。此外,如何描述产生专家决策偏好的情感互动机制,并给出专家决策偏好的挖掘方法,是提高操作优化过程效率和辅助指导其他操作人员决策的有效途径。无疑具有学术研究意义和工程应用价值。本文的主要研究内容包括以下三部分:1.提出了一种新的基于个性和 PAD(Pleasure-Arousal-Dominance)情感空间状态模型的认知情感计算模型;此外,定义了一种新的情感状态参数来解释该情感计算模型在情感互动中的更新;同时,建立了基于遗传算法的决策偏好挖掘策略。2.构建了一种基于多模态融合的情感计算专家决策偏好挖掘方法。基于CNN-LSTM(Convolutional Neural-Long Short Term Memory Networks)的神经网络进行多模态特征融合过程,用于情感分类。随后,通过认知情感计算过程进行专家决策偏好的挖掘。3.将所提出的方法应用于一类工业控制过程耦合回路系统的PID控制器整定问题和啤酒发酵过程中的操纵向量优化问题,获得了良好的效果,验证了我们提出的基于多模态融合的专家决策偏好挖掘方法应用在工业过程中的可行性和有效性。
李牟腾[8](2020)在《组合积分系统在电渣重熔过程控制中的研究与应用》文中认为电渣重熔是冶金工业中一种钢铁二次精炼的方法。由于在重熔过程中去除了硫、磷等杂质,所以电渣钢质量好、应用广泛。随着经济的发展,市场对高端钢铁的需求越来越旺盛。然而,当前电渣重熔过程控制系统仍然以恒功率、恒熔速为主,控制算法也主要是传统PID。控制方案相对落后,控制效果也不够理想。本文采用了先进的电压摆动控制方案,研究了过程建模、控制器设计、控制器优化以及工程化实现等相关内容,设计了基于组合积分系统的电渣重熔控制系统。本文的主要创新点如下:(1)本文分析并建立了电渣重熔的过程模型。模型主要分为三个部分:电极驱动模型、电压摆动模型和电压摆动检测环节。其中,基于参考文献建立的电极驱动模型主要表现为积分特性,电压摆动模型通过与噪声信号相乘的方式模拟了电压摆动。在检测环节中利用组合积分对象的均值滤波性质设计了电压标准差计算模型以描述电压摆动的大小。相比传统上通过寄存器计算标准差的方法,基于组合积分的模型更有利于分析系统的特性,也方便控制器的设计。(2)本文将组合积分控制器应用到电渣重熔控制系统中,设计了先进的组合积分-双组合积分(CIC-DCIC)控制器,改进了电渣重熔过程的控制效果。本文针对建立的过程模型,采用了串级控制器结构,提高了控制系统的稳定性和抗干扰能力。对电极驱动模型设计了双组合积分控制器(DCIC),不仅保证了较快的响应速度,还解决了当控制器输出后面有扰动时存在稳态误差的问题。针对由DCIC控制器、过程模型和检测环节组成的广义被控对象设计了组合积分控制器(CIC),构成了CIC-DCIC控制器。相比传统的PID控制器,CICDCIC控制器响应速度快、鲁棒性好,有一定的工程应用价值。(3)优化控制器设计过程。CIC-DCIC控制器的设计过程中需要通过模型辨识简化复杂的广义被控对象模型。传统的最小二乘辨识方法需要提前估计出纯滞后环节的参数,这给参数辨识带来了不便。为了解决这一问题,本文将智能优化算法中的免疫算法用于参数辨识过程,优化了CIC-DCIC控制器的设计过程。基于免疫算法的参数辨识使用估计模型与实际输出的均方差来评价参数,经过多次迭代优化,找到最优参数。经仿真实验验证,免疫算法能准确、有效地辨识出组合积分对象参数,克服了最小二乘法的缺点。(4)本文基于PLC、Simulink和HMI人机界面设计了电渣重熔仿真监控系统。研究了控制系统工程化实现的基本步骤、组合积分控制器的离散化、数据通讯的配置、控制算法在PLC中的封装实现、Simulink模型的搭建以及HMI人机界面的设计。设计出的仿真系统运行正常,可以方便地配置控制器参数、观察响应曲线、导出存储数据,有助于熟悉控制系统的工艺流程,并为控制系统的应用打下基础。
张军[9](2013)在《温室环境系统智能集成建模与智能集成节能优化控制》文中研究说明温室节能控制的首要问题是如何建立温室的综合能耗模型。温室的培育对象——农作物,是有生命的,其生理响应和生态过程难于检测,温室环境影响植物的生长过程,反过来,植物的生理作用,如蒸腾作用、光合作用、呼吸作用等又影响温室环境,因此,对温室进行环境控制难度较大。温室生产过程运行机理复杂,非线性、时变性、强耦合性、多干扰性、不确定性、不精确性、时滞性严重,而温室中的能量关系更加复杂,为此,要找到一种更为有效的建模方法,用于温室节能目标与设备运行状态之间关系的描述,从而为节能优化控制创造条件,为实现面向节能减排降耗的温室环境系统的优化控制奠定精确的模型基础。本研究用智能集成建模的方式建立温室的能耗模型,并以此智能集成模型作为控制对象,实现温室的节能优化控制。对温室环境优化控制策略进行探讨和研究,通过控制温室环境因子(温度、湿度和CO2浓度)以使植物良好生长,同时尽可能降低能耗,以达到增产、节能、减排、降耗、增加种植者收益的目的。为实现上述目标,本文进行了如下几个方面的研究和探索:1.建模方法方面:提出了基于条件熵的GM(1,1)和GM(1,N)智能集成灰色预测建模,可有效应对农作物难以检测的生理响应和生态过程等植物特有特性。建立了温室环境系统的过程神经元网络模型,实现了对温室环境系统所有历史数据和实时数据的综合应用。由于受到输入的同步瞬时限制,传统人工神经网络难以表达时间序列中实际存在的时间累积效应,并且传统人工神经网络难以解决较大样本的学习和泛化问题,因此,传统人工神经网络在解决复杂非线性时间序列预测问题时还存在一定的局限性。本文采用过程神经元网络,网络的输入输出是过程或时变函数,放宽了传统神经元网络模型对输入的同步瞬时限制,解决了传统神经网络存在的上述问题。提出了基于信息熵的智能集成模型参数优化辨识方法,充分利用温室数据中更有价值的信息。在辨识机理分析模型的参数时,不是采用某种单一的辨识算法,而是将几种模型参数辨识算法有机集成起来,充分利用尽可能多的数据信息,发挥各类优化算法的长处,避免短处,使机理分析模型的参数尽可能最优。建立了温室系统基于灰色预测补偿的机理模型,对温室环境系统的不确定性、不精确性、多干扰性、农作物生理响应和生态过程难以检测的特性等进行了有效补偿。提出了基于信息熵的智能集成建模思想,利用信息熵对以上各类模型进行智能集成,充分利用每种模型中更有价值的信息。该集成算法能充分利用所采用的各种单独智能优化算法的所有有价值信息,能充分利用温室系统的所有历史数据所包涵的有价值信息。实现了将温室环境系统所有历史数据包含和隐藏的一切历史信息以及当前信息全部应用,让其在建模和控制中全部发挥出价值。提出了基于免疫优化算法的自校正广义方差最小二乘辨识、神经网络、最小二乘支持向量机的智能集成建模方法,在全封闭温室中央空调系统的建模中实现了效果良好的应用。将上述建模方法其应用到玻璃温室及全封闭温室中央空调系统的建模和能耗预测中,为实现节能优化控制奠定有效的准确的模型基础。上述建模方法能有效应对温室对象的特殊性:农作物是有生命的,其生理响应和生态过程难于检测;温室环境影响植物的生长,而植物的生理作用如蒸腾作用、光合作用、呼吸作用等又反过来影响温室环境。这种特殊性导致温室环境控制难度大,现有建模方法控制效果不理想,本文提出的建模思想和建模方法效果满意。智能集成建模的精度指标为:模型绝对误差均值0.166330255、相对误差均值-0.12%、RMSE平均为0.453116572、RE平均为3.72%、模型预测数据与温室对象实测数据相关系数为0.93315350.97287241、决定系数为0.8708584670.952664962,这些指标表明提出的温室智能集成建模方法是有效的和准确的。2.优化控制策略方面:提出了基于TOPSIS策略的智能集成节能优化控制策略,该策略不是仅仅把能耗最低作为唯一评价指标,不是以牺牲温室环境因子为代价而实现节能,而是对温室系统各种优化控制策略下的能耗情况、最适合作物生长的环境情况、算法的迭代次数、算法的收敛速度、算法的执行时间进行综合考虑,在充分满足多个评价指标的情况下实现节能,避免出现顾此失彼的情况,以便得到综合效益最好的节能优化控制策略。将遗传算法、粒子群算法、标准模拟退火算法、改进模拟退火算法一、改进模拟退火算法二分别应用于玻璃温室的节能优化控制,并用TOPSIS策略实现了这五种优化控制算法的智能集成节能优化控制。将遗传算法、模拟退火算法、改进模拟退火算法一分别应用于全封闭温室的智能节能优化控制,并用TOPSIS策略实现了这三种优化控制算法的智能集成节能优化控制。分别采用捕食搜索算法、禁忌搜索算法、改进模拟退火算法一、标准粒子群算法、改进粒子群算法对多台冷水机组的负荷优化分配问题进行了研究。将上述控制策略应用到了玻璃温室和全封闭温室的节能减排优化控制中,节能效果满意:单一智能优化控制策略节能率为最小10.80%、最大35.75%、平均20.93%;智能集成优化控制策略的节能率为最小37.32%%、最大44.19%、平均40.67%。3.优化算法方面:用上述多种标准智能优化算法实现了温室环境系统的建模和优化控制;对标准模拟退换算法进行了改进,提出了改进模拟退火算法一:变异操作变搜索空间单循环SA算法;提出了改进模拟退火算法二:混沌遍历搜索特殊算法确定初始温度增设方差判定准则作为停止条件的SA算法;对标准粒子群优化算法进行了改进。将上述多种智能优化算法及其改进算法在温室环境系统智能集成建模和智能集成节能减排优化控制中应用。4.其他方面:将统计学理论与方法应用在建模和控制领域,并对预测值与实测值进行统计学分析。对所建立的各种智能集成模型的有效性和准确性进行了统计学分析。分析数据均表明:模型准确,精度较高。对每种智能集成优化控制策略的控制效果进行了节能分析,也进行了减排分析。对温室常规的燃煤加热方式与地源热泵加热方式进行了经济性分析和减排分析。
李军杰[10](2011)在《鞍钢第二发电厂热工过程控制部分系统优化研究》文中提出本文旨在对鞍钢第二发电厂热工过程控制部分系统进行优化,在先进控制理论指导下,做了以下研究工作。发电厂热工过程控制系统中的控制器多为多闭环PID控制器,常规计算方法很难准确计算出多闭环PID控制器参数的稳定域,因此把计算稳定域问题转化为线性矩阵不等式问题,结合鲁棒稳定性判据,把模型化的描述方法与线性参数相关李雅普诺夫函数有效结合起来,研究了一种求解多闭环PID控制器参数稳定域的计算方法-LMI;应用结果表明,LMI计算多闭环PID控制器参数的稳定域是可行的。针对温度控制系统中存在锅炉受热不均匀和主蒸汽温度的大延迟性、非线性和时变性问题,研究了一种温度控制系统中保持加热均匀的控制方法;采用模糊控制技术设计了一个简单实用的高精度新型状态观测器,实现主蒸汽温度的导前气温重构、前馈控制和有效控制。针对母管锅炉蒸汽压力控制系统中普遍存在的被控对象特性复杂(非线性、强耦合、大滞后、工况变化频繁)现象,将模糊控制、控制参数鲁棒优化算法与传统PID控制技术有机结合起来,提出了基于参数自整定FUZZY-PID的母管制锅炉蒸汽压力控制新策略。采用这种控制策略能够明显优化系统的控制品质和有效地克服工况变化对控制性能的不利影响。
二、过程控制中的智能集成建模方法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、过程控制中的智能集成建模方法(论文提纲范文)
(1)基于数据驱动的间歇化工过程批次内和批次间复合优化控制策略研究(论文提纲范文)
缩略语表 |
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景和意义 |
1.1.1 研究背景 |
1.1.2 研究目的和意义 |
1.2 间歇化工生产过程控制的难点及常用控制策略 |
1.2.1 间歇化工生产过程控制难点 |
1.2.2 间歇生产过程的常用控制策略 |
1.3 数据驱动控制 |
1.3.1 模型驱动控制与数据驱动控制的比较 |
1.3.2 PID控制及自整定策略 |
1.3.3 迭代学习控制 |
1.4 间歇化工过程控制复合架构研究 |
1.4.1 复合架构研究的必要性 |
1.4.2 复合架构的形式 |
1.4.3 间歇化工过程中复合架构迭代学习控制的应用情况 |
1.5 时序预测技术与终点质量迭代学习控制 |
1.5.1 时序预测技术研究现状 |
1.5.2 终点质量迭代学习控制研究现状 |
1.6 研究论文的主要内容 |
第二章 间歇化工过程批次内时间域控制 |
2.1 引言 |
2.2 RBF神经网络及差分进化算法 |
2.2.1 RBF神经网络结构及学习算法 |
2.2.2 差分进化算法 |
2.3 IDE-RBF-LM-PID算法设计 |
2.3.1 RBF-PID控制算法 |
2.3.2 LM算法改进RBF-PID |
2.3.3 IDE算法优化RBF网络 |
2.4 智能自整定PID控制算法电加热控制实现 |
2.4.1 电热水浴装置 |
2.4.2 算法设计 |
2.4.3 仿真验证 |
2.5 智能自整定PID控制算法微化工过程制冷箱控制实现 |
2.5.1 制冷箱和控制系统设计 |
2.5.2 程序设计 |
2.5.3 控制结果 |
2.6 智能自整定PID控制算法Chylla Haase间歇反应釜控制实现 |
2.6.1 Chylla Haase间歇反应装置 |
2.6.2 数学模型 |
2.6.3 Matlab Simulink模型开发 |
2.6.4 算法设计 |
2.6.5 仿真验证 |
2.7 本章小结 |
第三章 间歇化工过程批次间迭代学习控制及复合控制实现 |
3.1 引言 |
3.2 复合结构的稳定性分析 |
3.2.1 系统形式 |
3.2.2 复合控制器结构 |
3.2.3 稳定性分析 |
3.3 批次间迭代学习控制自适应算法设计 |
3.3.1 去伪控制算法 |
3.3.2 设计批次间去伪控制算法 |
3.3.3 基于有限控制器参数集合的去伪控制策略自适应ILC及算法收敛性证明 |
3.4 自适应迭代学习控制算法应用设计 |
3.4.1 间歇化工过程批次间控制的难点及大小批次划分 |
3.4.2 大小批次划分后初始控制问题 |
3.5 Chylla Haase间歇反应过程复合控制实验结果及分析 |
3.5.1 方案设计 |
3.5.2 结果分析 |
3.6 本章小结 |
第四章 基于LSTM的间歇蒸馏过程转馏分点预测及终点质量迭代学习控制 |
4.1 引言 |
4.2 基于LSTM的时序预测建模 |
4.2.1 模型建立流程 |
4.2.2 数据重构 |
4.2.3 长短期记忆神经网络建模基础 |
4.2.4 模型搭建与预测 |
4.3 数据驱动终点质量迭代学习控制对D1 蒸馏过程纯度的控制 |
4.3.1 终点迭代学习控制算法设计 |
4.3.2 算法实现 |
4.4 系统GUI软件集成 |
4.5 本章小结 |
第五章 结论与展望 |
5.1 本文主要工作 |
5.2 主要创新点 |
5.3 下一步工作展望 |
参考文献 |
作者在学期间取得的学术成果 |
主要简历 |
致谢 |
(2)非线性迭代学习模型预测控制研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题背景及研究目的和意义 |
1.2 迭代学习模型预测控制理论的基本问题 |
1.2.1 二维预测模型 |
1.2.2 控制律迭代优化 |
1.2.3 二维稳定性分析 |
1.3 迭代学习模型预测控制面临的挑战 |
1.3.1 建模问题 |
1.3.2 优化问题 |
1.3.3 适应性问题 |
1.4 本文的研究内容 |
第2章 迭代学习模型预测控制基础理论 |
2.1 引言 |
2.2 迭代学习控制 |
2.2.1 控制问题描述 |
2.2.2 学习律 |
2.2.3 最优ILC算法收敛性分析 |
2.2.4 仿真算例 |
2.3 模型预测控制 |
2.3.1 预测控制基本原理 |
2.3.2 基于状态空间模型的预测控制 |
2.3.3 仿真算例 |
2.4 基于状态空间模型的迭代学习模型预测控制 |
2.4.1 二维预测模型 |
2.4.2 控制律求解 |
2.4.3 收敛性分析 |
2.4.4 仿真算例 |
2.5 本章小结 |
第3章 变参考轨迹非线性鲁棒迭代学习模型预测控制 |
3.1 引言 |
3.2 二维预测模型推导 |
3.2.1 非线性系统的LPV蕴含 |
3.2.2 增广迭代误差模型 |
3.2.3 二维增广误差模型 |
3.3 RILMPC算法 |
3.3.1 控制问题描述 |
3.3.2 鲁棒稳定状态反馈控制律 |
3.3.3 LMI求解 |
3.3.4 控制输入约束 |
3.4 收敛性分析 |
3.5 仿真研究 |
3.5.1 仿真一: 数值系统 |
3.5.2 仿真二: 搅拌反应釜系统 |
3.6 本章小结 |
第4章 快动态批次过程非线性高效迭代学习预测函数控制 |
4.1 引言 |
4.2 二维预测模型 |
4.2.1 非线性系统轨迹线性化 |
4.2.2 二维LTV增量预测模型 |
4.3 稳定ILMPC策略 |
4.3.1 ILMPC问题描述 |
4.3.2 ILMPC约束处理 |
4.4 高效ILPFC策略 |
4.4.1 ILPFC问题描述 |
4.4.2 ILPFC性能分析 |
4.5 ILPFC/ILMPC收敛性分析 |
4.6 仿真研究 |
4.6.1 仿真一: 无人地面车辆 |
4.6.2 仿真二: 非线性间歇反应器 |
4.7 本章小结 |
第5章 基于数据驱动建模的迭代学习模型预测控制 |
5.1 引言 |
5.2 非线性批次过程CAFNN建模 |
5.3 Tube CAFNN-ILMPC策略 |
5.3.1 标称ILMPC控制器 |
5.3.2 辅助控制器 |
5.4 Tube CAFNN-ILMPC 2D稳定性 |
5.4.1 时域稳定性 |
5.4.2 迭代收敛性 |
5.5 仿真研究 |
5.6 本章小结 |
第6章 变批次长度事件触发迭代学习模型预测控制 |
6.1 引言 |
6.2 变批次长度问题描述 |
6.2.1 基于预测的误差信息修正算法 |
6.2.2 基于修正误差信息的线性迭代学习模型预测控制 |
6.3 基于事件触发的非线性迭代学习模型预测控制 |
6.3.1 非线性ILMPC问题描述 |
6.3.2 基于EKF训练的二维神经网络预测模型 |
6.3.3 基于事件触发的非线性迭代学习模型预测控制器设计 |
6.3.4 收敛性分析 |
6.4 仿真研究 |
6.4.1 仿真一: 线性数值系统 |
6.4.2 仿真二: 非线性注塑过程 |
6.5 本章小结 |
第7章 结论与展望 |
7.1 研究结论 |
7.2 研究展望 |
参考文献 |
攻读博士学位期间发表的论文及其它成果 |
攻读博士学位期间参加的科研工作 |
致谢 |
作者简介 |
(3)面向石化企业的计划调度建模及优化算法研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
缩写、术语表 |
1 绪论 |
1.1 智能制造下企业级优化的背景和意义 |
1.2 企业级优化的挑战 |
1.3 石化企业决策建模 |
1.3.1 企业级建模方法 |
1.3.2 集成建模 |
1.3.3 不确定性建模与优化 |
1.4 大规模混合整数规划优化算法 |
1.4.1 针对MILP问题的分解算法 |
1.4.2 针对MINLP问题的分解算法 |
1.5 论文研究内容及组织结构 |
2 多周期页岩气田开发设计及计划问题研究 |
2.1 引言 |
2.2 相关工作 |
2.3 问题描述 |
2.4 模型假设 |
2.5 数学模型 |
2.5.1 符号说明 |
2.5.2 页岩气井开发约束 |
2.5.3 关井约束 |
2.5.4 钻机分配约束 |
2.5.5 流量平衡约束 |
2.5.6 管道尺寸约束 |
2.5.7 目标函数 |
2.6 双层分解算法 |
2.6.1 主问题定义 |
2.6.2 子问题定义 |
2.6.3 基于解池的双层分解算法 |
2.7 案例分析 |
2.7.1 模型性能分析 |
2.7.2 算法性能分析 |
2.7.3 最优决策分析 |
2.8 本章小结 |
3 产量不确定性下的页岩气田开发设计及计划问题研究 |
3.1 引言 |
3.2 问题描述 |
3.2.1 模型假设 |
3.3 确定性模型 |
3.3.1 符号说明 |
3.3.2 页岩气井开发约束 |
3.3.3 钻机分配约束 |
3.3.4 流量平衡约束 |
3.3.5 管道容量约束 |
3.3.6 目标函数 |
3.3.7 现金流约束 |
3.4 多阶段随机规划模型 |
3.4.1 流量约束 |
3.4.2 期望净现值 |
3.4.3 初始不可预期约束 |
3.4.4 条件不可预期约束 |
3.4.5 逻辑约束 |
3.5 拉格朗日分解 |
3.5.1 启发式算法 |
3.6 案例分析 |
3.6.1 拉格朗日分解算法计算结果 |
3.6.2 随机规划决策过程 |
3.6.3 产量系数方差灵敏度分析 |
3.6.4 增大区域间产量期望值差异 |
3.6.5 针对不确定性参数概率分布的灵敏度分析 |
3.6.6 不确定性参数观测延迟的影响 |
3.7 本章小结 |
4 需求不确定下的生产计划调度集成模型研究 |
4.1 引言 |
4.2 问题描述及通用模型 |
4.3 求解策略 |
4.3.1 基于逐步对冲算法的求解策略 |
4.3.2 加速策略 |
4.4 案例分析 |
4.4.1 应用案例 |
4.4.2 实际工业案例 |
4.5 本章小结 |
5 针对非凸MINLP问题的全局外逼近法研究 |
5.1 引言 |
5.2 外逼近法 |
5.3 基于LP/NLP的分支定界算法 |
5.4 基于McCormick松弛的全局外逼近法 |
5.4.1 McCormick松弛 |
5.4.2 基于McCormick的全局松弛外逼近法 |
5.4.3 基于McCormick松弛的LP/NLP分支定界算法 |
5.5 收敛性证明 |
5.6 工程实践细节 |
5.6.1 整数割平面 |
5.6.2 禁忌表 |
5.6.3 分支定界算法 |
5.7 算法性能测试 |
5.7.1 数值示例 |
5.7.2 工业案例:炼油厂原油操作调度问题 |
5.7.3 基准库测试 |
5.8 本章小结 |
6 正则化外逼近法及LP/NLP分支定界算法研究 |
6.1 引言 |
6.2 正则化外逼近法 |
6.3 基于拉格朗日函数的正则化 |
6.4 收敛性证明 |
6.5 正则化LP/NLP分支定界算法 |
6.6 算法性能测试 |
6.6.1 工程实践细节 |
6.6.2 外逼近法性能测试 |
6.6.3 正则化外逼近法性能测试 |
6.7 本章小结 |
7 总结与展望 |
7.1 研究工作总结 |
7.2 研究工作展望 |
参考文献 |
附录 |
A 拉格朗日分解中乘子更新方法 |
A.1 割平面法 |
A.2 次梯度法 |
B 第二章广义析取规划约束重构 |
C 非凸MINLP算例集 |
D 凸MINLP算例集 |
作者简历及在学期间所取得的科研成果 |
(4)火电机组热工过程自抗扰控制的研究与应用(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 研究进展及现状 |
1.2.1 热工过程控制研究现状 |
1.2.2 自抗扰控制理论的研究现状 |
1.2.3 自抗扰控制理论的应用现状 |
1.3 目前存在的问题 |
1.4 本文研究内容和技术路线 |
第2章 广义积分串联型的相位分析 |
2.1 引言 |
2.2 自抗扰控制结构 |
2.2.1 被控系统描述 |
2.2.2 跟踪微分器 |
2.2.3 扩张状态观测器 |
2.2.4 状态误差反馈控制律 |
2.3 线性ESO的收敛性分析 |
2.4 广义积分串联型的相位分析 |
2.4.1 标准积分串联型 |
2.4.2 无模型信息补偿的ESO分析 |
2.4.3 带模型信息补偿的ESO分析 |
2.5 仿真研究 |
2.5.1 无模型信息补偿的ESO |
2.5.2 带模型信息补偿的ESO |
2.6 本章小结 |
第3章 基于扩张状态观测器的模型参数智能辨识 |
3.1 引言 |
3.2 零初始条件下的数据驱动建模 |
3.2.1 连续系统的离散化 |
3.2.2 闭环扰动数据辨识分析 |
3.3 零终止条件下的数据驱动建模 |
3.4 基于ESO模型的参数智能辨识方法 |
3.4.1 热工过程的ESO建模 |
3.4.2 ESO的离散化与条件稳定 |
3.4.3 ESO参数的智能自寻优辨识 |
3.5 算例研究 |
3.5.1 零初始条件下的ESO参数辨识 |
3.5.2 基于扰动数据的ESO参数辨识 |
3.5.3 多变量系统的ESO参数辨识 |
3.6 本章小结 |
第4章 基于相位补偿的降阶自抗扰控制设计 |
4.1 引言 |
4.2 基于相位补偿的降阶ADRC |
4.2.1 降阶扩张状态观测器 |
4.2.2 基于相位补偿的降阶ADRC设计 |
4.2.3 稳定性分析 |
4.3 I_RADRC的二自由结构分析 |
4.4 I_RADRC的参数整定与数值仿真 |
4.4.1 I_RADRC的参数对控制性能的影响 |
4.4.2 I_RADRC参数的整定步骤 |
4.4.3 数值仿真 |
4.5 多变量系统的分散式I_RADRC控制 |
4.5.1 分散式I_RADRC的解耦能力分析 |
4.5.2 算例研究 |
4.6 本章小结 |
第5章 I_RADRC的工程应用 |
5.1 引言 |
5.2 I_RADRC算法的工程化设计 |
5.2.1 自动跟踪与无扰切换设计 |
5.2.2 抗积分饱和方案 |
5.2.3 I_RADRC控制策略实现 |
5.3 主汽温系统的串级自抗扰控制 |
5.3.1 被控过程的描述 |
5.3.2 仿真平台试验 |
5.3.3 现场应用 |
5.4 负荷系统的分散式自抗扰控制 |
5.4.1 被控过程描述 |
5.4.2 仿真平台试验 |
5.4.3 现场应用 |
5.5 本章小结 |
第6章 结论与展望 |
6.1 研究总结 |
6.2 进一步工作的建议与展望 |
参考文献 |
攻读博士学位期间发表的论文及其它成果 |
攻读博士学位期间参加的科研工作 |
致谢 |
作者简介 |
(5)有色金属冶金工艺智能集成建模的软约束调整及锌电解综合优化控制技术(论文提纲范文)
1 冶炼工艺智能集成建模 |
1.1 智能集成建模方法 |
1.1.1 CSTR模型 |
1.1.2 智能集成建模 |
1.1.2.1 智能集成建模理论 |
1.1.2.2 典型的智能集成建模方法 |
1) 基于残差补偿的智能集成建模方法 |
2) 模型嵌入式智能集成建模方法 |
3)基于多模型协调式智能集成建模方法 |
2 有色金属冶金工艺的工程优化 |
2.1 基于操作模式的流程优化 |
2.2 基于软约束调整的优化方法 |
3 锌电解过程综合优化控制技术 |
3.1 锌电解工艺功耗模型 |
3.2 多目标综合优化 |
3.3 锌电解整流器单元的智能优化控制 |
4 结论 |
(6)基于混合算法的稀土萃取过程组分含量预测(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题的研究背景和意义 |
1.2 课题相关领域现状及发展趋势 |
1.2.1 软测量建模研究现状 |
1.2.2 稀土萃取过程组分含量在线预测研究现状 |
1.3 本文研究的主要内容及结构布局 |
1.3.1 主要研究内容 |
1.3.2 章节安排 |
第二章 稀土萃取分离工艺流程及数学描述 |
2.1 稀土萃取工艺流程描述 |
2.2 稀土萃取分离过程动态数学描述 |
2.3 本章小结 |
第三章 LSSVM原理及仿真研究 |
3.1 统计学习理论 |
3.2 支持向量机原理及回归算法 |
3.2.1 支持向量机原理 |
3.2.2 支持向量机回归算法 |
3.3 最小二乘支持向量机的基本原理 |
3.4 仿真分析 |
3.4.1 建模步骤 |
3.4.2 仿真实例 |
3.5 本章总结 |
第四章 基于LSSVM的稀土元素组分含量软测量建模 |
4.1 软测量框架 |
4.2 变量选取 |
4.3 样本数据处理 |
4.4 灰狼优化算法的基本原理及改进 |
4.4.1 灰狼优化算法基本原理 |
4.4.2 算法的改进 |
4.5 基于改进GWO-LSSVM模型的建立与仿真 |
4.5.1 模型的建立 |
4.5.2 仿真分析 |
4.6 本章总结 |
第五章 基于集成学习的LSSVM软测量建模 |
5.1 集成学习的基本原理 |
5.2 Adaboost算法原理 |
5.3 基于Adaboost改进GWO-LSSVM的软测量 |
5.3.1 模型的建立 |
5.3.2 仿真分析 |
5.4 本章总结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
个人简历 在读期间发表的学术论文 |
致谢 |
(7)基于多模态融合的决策偏好挖掘方法及在过程控制中的应用(论文提纲范文)
学位论文数据集 |
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.2.1 认知情感 |
1.2.2 情感计算 |
1.2.3 决策偏好 |
1.2.4 多模态融合 |
1.2.5 工业过程控制中的工程优化问题 |
1.3 研究内容与结构安排 |
第二章 认知情感计算模型 |
2.1 认知,心情和情绪 |
2.2 情感计算模型 |
2.2.1 OCC(Ortony-Clore-Collins)模型 |
2.2.2 PAD模型 |
2.2.3 FFM模型 |
2.3 一种多层认知情感计算模型 |
2.3.1 个性特征的初始化 |
2.3.2 基于个性特征的心情计算 |
2.3.3 心情更新和情感状态参数 |
2.3.4 PAD心情状态与情绪状态的映射 |
2.4 实例分析 |
2.4.1 情感参数实验 |
2.4.2 情感强度实验 |
2.5 本章小结 |
第三章 基于多模态融合的专家决策偏好挖掘方法 |
3.1 多模态情感分类方法 |
3.1.1 多模态融合及情感分类模型 |
3.1.2 基于历史曲线图像的特征提取 |
3.1.3 基于面部表情图像的特征提取 |
3.1.4 多模态特征融合及情感分类 |
3.2 基于情感计算的专家决策偏好挖掘方法 |
3.3 实例分析 |
3.3.1 基于历史图像的多模态特征提取 |
3.3.2 多模态融合情感分类识别 |
3.3.3 专家决策偏好挖掘 |
3.3.4 分析与讨论 |
3.4 本章小节 |
第四章 专家决策偏好挖掘方法在过程控制中的应用 |
4.1 耦合回路的PID控制器参数整定 |
4.1.1 问题描述 |
4.1.2 基于专家经验的控制器参数整定方法 |
4.1.3 基于决策偏好的控制参数整定 |
4.1.4 结果分析与讨论 |
4.2 啤酒发酵过程的操作优化 |
4.2.1 问题描述 |
4.2.2 传统IEC的交互式操作优化 |
4.2.3 基于决策偏好的操作优化 |
4.2.4 结果分析与讨论 |
4.3 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
研究成果及发表的学术论文 |
作者及导师简介 |
附件 |
(8)组合积分系统在电渣重熔过程控制中的研究与应用(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 电渣重熔控制系统研究现状 |
1.2.1 电渣重熔国内外研究现状 |
1.2.2 电渣重熔控制模式的发展 |
1.3 本文研究内容 |
1.4 本文组织结构安排 |
第二章 组合积分系统 |
2.1 引言 |
2.2 组合积分对象的定义 |
2.3 组合积分对象的应用 |
2.3.1 保持器 |
2.3.2 均值滤波器 |
2.3.3 预测PI控制器 |
2.4 组合积分控制器 |
2.4.1 组合积分控制器设计 |
2.4.2 控制器效果比较 |
2.4.3 组合积分控制器性能分析 |
2.5 本章小结 |
第三章 电渣炉重熔过程建模 |
3.1 引言 |
3.2 电渣炉组成结构及工艺流程 |
3.2.1 电渣炉组成结构 |
3.2.2 电渣重熔工艺流程 |
3.3 电极驱动模型 |
3.4 电压摆动模型 |
3.5 检测环节模型 |
3.6 本章小结 |
第四章 电渣重熔过程控制器设计 |
4.1 引言 |
4.2 电极驱动控制器 |
4.2.1 电极驱动对象模型分析 |
4.2.2 电极驱动组合积分控制器设计 |
4.2.3 电极驱动双组合积分控制器设计 |
4.3 电压摆动控制器 |
4.3.1 广义被控对象模型分析 |
4.3.2 电压摆动控制器设计 |
4.4 控制算法比较 |
4.4.1 PID控制器参数整定 |
4.4.2 控制器对比 |
4.5 本章小结 |
第五章 电渣重熔过程控制器优化 |
5.1 引言 |
5.2 组合积分对象的参数辨识方法 |
5.2.1 最小二乘辨识法 |
5.2.2 免疫算法参数辨识原理 |
5.3 免疫算法设计 |
5.3.1 数据归一化 |
5.3.2 亲和力函数 |
5.3.3 抗体浓度 |
5.3.4 繁殖概率 |
5.3.5 精英保留策略 |
5.3.6 选择交叉变异算子 |
5.4 组合积分对象参数辨识 |
5.4.1 第二类组合积分对象辨识 |
5.4.2 第四类组合积分对象辨识 |
5.5 控制器设计优化 |
5.6 本章小结 |
第六章 电渣重熔控制系统的工程化实现 |
6.1 引言 |
6.2 工程化实现软件介绍及设计流程 |
6.2.1 Unity Pro |
6.2.2 OPC Factory Server(OFS) |
6.2.3 Matlab/Simulink |
6.2.4 MCGS组态软件 |
6.2.5 工程化实现设计流程 |
6.3 PLC控制器设计 |
6.3.1 控制器离散化 |
6.3.2 软件程序设计 |
6.4 数据通讯配置 |
6.4.1 OPC配置 |
6.4.2 Simulink配置 |
6.5 人机界面(HMI)设计 |
6.5.1 添加设备组态 |
6.5.2 主监控界面 |
6.5.3 基本参数设置界面 |
6.5.4 高级参数设置界面 |
6.5.5 历史曲线界面 |
6.5.6 数据导出界面 |
6.5.7 报警记录界面 |
6.6 系统仿真运行 |
6.7 本章小结 |
第七章 总结与展望 |
7.1 全文总结 |
7.2 工作展望 |
参考文献 |
攻读硕士期间发表的研究成果 |
致谢 |
附录 |
(9)温室环境系统智能集成建模与智能集成节能优化控制(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题来源 |
1.2 课题研究的意义和目的 |
1.2.1 设施农业的特点与能源利用 |
1.2.2 本课题在设施农业领域的研究意义 |
1.2.3 我国的能源形势和能源政策 |
1.2.4 温室环境系统的特点 |
1.2.5 本课题研究目的 |
1.2.6 本课题研究内容概览 |
1.3 国内外研究概况 |
1.3.1 温室系统的节能研究现状 |
1.3.1.1 温室系统热源现状 |
1.3.1.2 一般温室环境控制节能研究现状 |
1.3.1.3 全封闭温室节能控制研究现状 |
1.3.2 智能集成建模与智能集成优化控制研究现状 |
1.4 论文的主要研究内容 |
1.5 研究成果和创新点 |
第二章 智能集成建模概述 |
2.1 智能集成建模的定义 |
2.2 智能集成建模的形式 |
2.3 智能集成建模的形式化描述 |
第三章 温室环境控制系统智能集成建模 |
3.1 温室系统能耗模型智能集成建模的必要性和可行性 |
3.2 温室环境系统能耗模型智能集成建模和智能集成优化控制总体框架 |
3.3 建立温室环境系统能耗模型的技术路线 |
3.4 温室环境模型的一般描述 |
3.5 温室环境系统智能集成模型的建立及描述 |
3.6 基于能量平衡和物质平衡的温室环境机理分析模型 |
3.6.1 温室的能量和物质平衡分析 |
3.6.1.1 温室能量平衡机理分析模型 |
3.6.1.2 温室物质平衡机理分析模型 |
3.6.1.2.1 水汽平衡模型 |
3.6.1.2.2 CO_2平衡模型 |
3.6.2 温室环境系统智能集成建模之机理分析建模之一 |
3.6.2.1 通风模型 |
3.6.2.1.1 自然通风量模型 |
3.6.2.1.2 机械通风量模型 |
3.6.2.1.3 缝隙冷风渗透模型 |
3.6.2.2 热量平衡模型 |
3.6.2.2.1 热水管道释放的热量 |
3.6.2.2.2 太阳辐射的热量 |
3.6.2.2.3 通风消耗的热量 |
3.6.2.2.4 温室覆盖层与外界交换的热量 |
3.6.2.2.5 蒸腾作用热量 |
3.6.2.3 水汽平衡模型 |
3.6.2.3.1 植物蒸腾速率 |
3.6.2.3.2 湿度调节设备带来的温室空气水汽变化 |
3.6.2.3.3 通风和空气渗透带走的水分 |
3.6.2.3.4 水蒸气在覆盖层上的凝结 |
3.6.2.4 CO_2平衡模型 |
3.6.2.4.1 CO_2释放的速率 |
3.6.2.4.2 空气交换带来的 CO_2变化速率 |
3.6.2.4.3 净光合作用消耗的 CO_2速率 |
3.6.2.5 温室环境模型之一(内保温帘收拢时) |
3.6.3 温室环境系统智能集成建模之机理分析建模之二 |
3.6.3.1 温室环境模型之二(内保温帘展开时) |
3.7 温室环境系统智能集成建模的形式化描述 |
3.8 温室环境机理模型参数的智能集成优化辨识 |
3.8.1 温室环境机理模型参数辨识的抽象化统一描述 |
3.8.2 机理模型参数的 BP 神经网络辨识 |
3.8.3 机理模型参数的遗传算法辨识 |
3.8.4 基于信息熵的机理模型参数智能集成 |
3.8.5 机理模型参数智能集成优化辨识算法有效性和准确性的验证和分析 |
3.8.5.1 遗传算法辨识结果及其统计学分析 |
3.8.5.1.1 参数 F_2的遗传算法辨识结果及统计学分析 |
3.8.5.1.2 参数β_1遗传算法辨识结果及统计学分析 |
3.8.5.2 神经网络辨识结果及其统计学分析 |
3.8.5.2.1 参数 F_2的神经网络辨识结果及统计学分析 |
3.8.5.2.2 参数β_1的神经网络辨识结果及统计学分析 |
3.8.5.3 基于信息熵的智能集成算法辨识结果及其统计学分析 |
3.8.5.3.1 参数 F_2基于信息熵的智能集成辨识结果及统计学分析 |
3.8.5.3.2 参数β_1基于信息熵的智能集成辨识结果及统计学分析 |
3.8.6 机理模型参数智能集成优化辨识结果对比与分析 |
3.9 温室环境系统智能集成建模 |
3.9.1 温室环境系统灰色预测补偿机理建模 |
3.9.2 温室环境系统的灰色预测建模 |
3.9.2.1 温室环境系统的 GM(1,1)预测建模 |
3.9.2.2 温室环境系统的 GM(1,N)预测建模 |
3.9.2.3 基于条件熵的 GM(1,1)和 GM(1,N)智能集成预测建模 |
3.9.3 温室环境系统过程神经网络时间序列建模 |
3.9.4 基于信息熵的温室环境系统集成预测建模 |
3.10 温室环境系统智能集成建模试验结果及分析 |
3.10.1 温室 A 智能集成建模实测结果及统计学分析 |
3.10.1.1 智能集成模型的温度预测结果及分析 |
3.10.1.1.1 一月份温度预测结果及统计学分析 |
3.10.1.1.2 七月份温度预测结果及统计学分析 |
3.10.1.1.3 一月份湿度预测结果及统计学分析 |
3.10.1.1.4 七月份湿度预测结果及统计学分析 |
3.10.2 温室 B 智能集成建模实测结果及统计学分析 |
3.10.2.1 情形一研究结果及统计学分析 |
3.10.2.1.1 情形一实测环境状况 |
3.10.2.1.2 智能集成模型的温度预测结果及分析 |
3.10.2.1.3 智能集成模型的湿度预测结果及分析 |
3.10.2.2 情形二研究结果及统计学分析 |
3.10.2.2.1 情形二实测环境状况 |
3.10.2.2.2 智能集成模型的温度预测结果及分析 |
3.10.2.2.3 智能集成模型的湿度预测结果及分析 |
3.10.2.3 情形三研究结果及统计学分析 |
3.10.2.3.1 情形三实测环境状况 |
3.10.2.3.2 智能集成模型的温度预测结果及分析 |
3.10.2.3.3 智能集成模型的湿度预测结果及分析 |
3.11 本章小结 |
第四章 温室环境系统以节能减排降耗为目标的智能集成优化控制策略 |
4.1 温室加热热源能效比一般分析及选择 |
4.2 温室传统热源与地源热泵能耗经济性分析 |
4.3 温室燃煤热源与地源热泵的节能与减排分析与比较 |
4.4 地源热泵在温室设备节能减排优化控制中的层次地位 |
4.5 本研究中节能优化控制采用的各类优化控制策略算法 |
4.5.1 基于遗传算法的节能优化控制策略 |
4.5.1.1 遗传算法简略描述 |
4.5.1.2 遗传编码方式 |
4.5.1.3 初始种群的设定 |
4.5.1.4 种群规模的确定 |
4.5.1.5 适应度函数 |
4.5.1.6 遗传算子 |
4.5.1.6.1 选择算子 |
4.5.1.6.2 交叉算子 |
4.5.1.6.3 变异算子 |
4.5.1.7 迭代终止条件的选择 |
4.5.1.8 控制参数的选择 |
4.5.1.8.1 位串长度 L |
4.5.1.8.2 种群规模 n |
4.5.1.8.3 交叉概率 P_c |
4.5.1.8.4 变异概率 P_m |
4.5.2 基于粒子群算法的节能优化控制策略 |
4.5.2.1 粒子群优化算法描述 |
4.5.2.2 粒子群优化算法的实现 |
4.5.3 基于标准模拟退火算法的节能优化控制策略 |
4.5.3.1 问题描述及 SA 算法描述 |
4.5.3.1.1 SA 的计算步骤 |
4.5.3.1.2 SA 流程框图描述 |
4.5.3.2 关键参数和环节 |
4.5.3.2.1 状态产生函数 |
4.5.3.2.2 状态接受函数 |
4.5.3.2.3 初始温度 |
4.5.3.2.4 温度更新函数 |
4.5.3.2.5 内循环终止准则 |
4.5.3.2.6 外循环终止准则 |
4.5.4 变异操作、变搜索空间、单循环的改进型模拟退火算法节能优化控制策略 |
4.5.4.1 改进算法的主要特点 |
4.5.4.2 改进算法描述 |
4.5.5 混沌遍历搜索、特殊算法确定初温度、方差判定准则的改进型模拟退火算法节能优化控制策略 |
4.5.5.1 基于混沌的温度初值的选取 |
4.5.5.2 基于混沌的遍历搜索 |
4.5.5.3 基于方差准则的终止搜索策略 |
4.6 基于 TOPSIS 分析法的温室能耗智能集成优化控制的集成策略 |
4.6.1 TOPSIS 分析法算法描述 |
4.6.2 基于 TOPSIS 分析法的温室能耗智能集成优化控制的集成策略结果与分析 |
4.7 温室环境系统智能集成优化控制结果及能耗比较、节能减排分析 |
4.7.1 温室 A 环境系统智能集成优化控制结果 |
4.7.1.1 一月份温室环境系统设备运行状况 |
4.7.1.2 七月份温室环境系统设备运行状况 |
4.7.2 温室 A 环境系统智能集成优化控制能耗比较、节能减排分析 |
4.7.2.1 一月份温室环境系统智能集成优化控制能耗分析 |
4.7.2.2 七月份温室环境系统智能集成优化控制能耗分析 |
4.7.2.3 一月份和七月份能耗比较、节能分析 |
4.7.3 温室 A 智能集成优化控制策略下的实际运行结果 |
4.7.4 温室 A 一月份和七月份减排分析 |
4.7.5 温室 B 环境系统智能集成优化控制结果 |
4.7.5.1 不采取优化控制的常规控制策略控制结果 |
4.7.5.2 遗传算法优化控制策略优化控制结果 |
4.7.5.3 粒子群算法优化控制策略优化控制结果 |
4.7.5.4 标准模拟退火算法优化控制策略优化控制结果 |
4.7.5.5 变异操作变搜索空间单循环模拟退火算法优化控制策略控制结果 |
4.7.5.6 混沌搜索特殊算法确定初始温度增方差判断为停止条件的改进模拟退火算法优化控制策略控制结果 |
4.7.6 温室 B 环境系统智能集成优化控制能耗分析 |
4.7.6.1 不采取优化控制的常规控制策略能耗分析 |
4.7.6.2 遗传算法优化控制策略能耗分析 |
4.7.6.3 粒子群算法优化控制策略能耗分析 |
4.7.6.4 标准模拟退火算法优化控制策略能耗分析 |
4.7.6.5 变异操作变搜索空间单循环改进模拟退火算法优化控制策略能耗分析 |
4.7.6.6 混沌搜索特殊算法确定初始温度增方差判断为停止条件的改进模拟退火算法优化控制策略能耗分析 |
4.7.6.7 TOPSIS 集成策略下的总能耗 |
4.7.7 温室 B 基于 TOPSIS 集成策略的智能集成优化控制能耗比较与节能分析 |
4.7.8 温室 B 智能集成优化控制策略下能耗实测结果 |
4.7.9 温室 B 环境系统智能集成优化控制减排分析 |
4.8 本章小结 |
第五章 全封闭温室环境控制系统智能集成建模 |
5.1 全封闭温室环境控制的目标和特点 |
5.2 全封闭温室中央空调系统能耗模型概论 |
5.3 全封闭温室中央空调系统能耗机理分析模型 |
5.3.1 全封闭温室冷水机组能耗机理分析模型 |
5.3.2 全封闭温室冷水泵能耗机理分析模型 |
5.3.3 全封闭温室风机能耗机理分析模型 |
5.3.4 全封闭温室冷却塔和冷却泵能耗机理分析模型 |
5.3.5 全封闭温室空调系统模型辨识阶段需要确定的参数 |
5.3.6 全封闭温室空调系统各设备模型的参数辨识 |
5.3.6.1 冷水机组模型中的参数辨识 |
5.3.6.2 冷水泵能耗模型中的参数辨识 |
5.3.6.3 冷却水泵能耗模型中的参数辨识 |
5.3.6.4 冷却塔能耗模型中的参数辨识 |
5.3.6.5 风机盘管能耗模型中的参数辨识 |
5.3.6.6 全封闭温室空调系统各设备模型参数辨识结果 |
5.3.6.6.1 参数辨识使用的原始数据 |
5.3.6.6.2 递推最小二乘算法辨识结果 |
5.3.7 全封闭温室空调系统自校正广义最小方差能耗预测模型预测结果及精度分析 |
5.4 全封闭温室空调系统智能集成能耗模型 |
5.4.1 全封闭温室空调系统 BP 神经网络能耗模型 |
5.4.1.1 BP 神经网络算法描述 |
5.4.1.2 输入输出量确定 |
5.4.1.3 网络层数的确定 |
5.4.1.4 隐含层节点数设计 |
5.4.1.5 传输函数选择 |
5.4.2 全封闭温室空调系统最小二乘支持向量机能耗模型 |
5.4.2.1 LSSVM 简述 |
5.4.2.2 用于函数估计的 LSSVM 算法 |
5.4.3 基于免疫算法的全封闭温室空调系统智能集成能耗预测模型 |
5.4.3.1 免疫算法描述 |
5.4.3.2 免疫算法流程图及算法步骤 |
5.4.3.3 基于免疫算法的智能集成预测算法 |
5.4.4 全封闭温室中央空调系统智能集成能耗模型预测结果及精度分析 |
5.5 本章小结 |
第六章 全封闭温室环境系统智能集成节能优化控制 |
6.1 优化控制中的优化算法及选择 |
6.2 全封闭温室环境调控系统节能优化控制策略及能耗分析 |
6.2.1 试验时的环境条件和设备运行参数 |
6.2.2 优化前系统设备运行状态及能耗分析 |
6.2.3 遗传算法优化后系统设备运行状态及能耗分析 |
6.2.4 模拟退火算法优化后系统设备运行状态及能耗分析 |
6.2.5 改进模拟退火算法优化后系统设备运行状态及能耗分析 |
6.2.6 采用 TOPSIS 策略实现全封闭温室中央空调系统智能集成节能优化控制 |
6.2.7 几种优化控制策略的能耗比较及节能分析 |
6.2.8 智能集成优化控制策略下能耗结果 |
6.3 智能集成优化控制策略减排分析 |
6.4 本章小结 |
第七章 结论与展望 |
7.1 结论 |
7.2 展望 |
附录 A 图索引 |
附录 B 表索引 |
参考文献 |
作者在攻读博士学位期间公开发表的论文 |
作者在攻读博士学位期间所做的项目 |
致谢 |
(10)鞍钢第二发电厂热工过程控制部分系统优化研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 选题的背景及意义 |
1.2 鞍钢第二发电厂现状及趋势研究 |
1.2.1 鞍钢电厂热工过程控制研究现状及趋势 |
1.2.2 鞍钢电厂先进控制策略研究现状及趋势 |
1.3 先进控制理论 |
1.3.1 先进控制的发展简况 |
1.3.2 先进控制技术应用成果的关键 |
1.3.4 本文涉及的先进控制方法及策略介绍 |
1.4 论文的研究内容 |
2 鞍钢第二发电厂多闭环PID 控制器参数优化 |
2.1 线性矩阵不等式概述 |
2.1.1 优化方法提出 |
2.1.2 优化的理论依据 |
2.1.3 算法结论 |
2.2 多闭环PID 控制器参数优化过程 |
2.2.1 问题转化 |
2.2.2. PID 控制的三种特殊情况 |
2.2.3 优化步骤总结 |
2.3 优化算法在鞍钢火电厂的实际应用 |
2.3.1 系统传递函数及最小实现 |
2.3.2 多闭环PID 控制器参数稳定域计算 |
2.4 本章小结 |
3 鞍钢第二发电厂温控系统优化 |
3.1 火电厂温度控制中保持加热均匀的控制方法研究 |
3.1.1 常规控制 |
3.1.2 解耦控制 |
3.1.3 加热均匀温度控制模式探讨 |
3.1.4 优化后的加热均匀温度控制系统 |
3.1.5 预补偿器设计 |
3.1.6 转化器设计 |
3.1.7 PID 设计 |
3.2 基于多智能控制技术的主蒸汽温度控制系统优化 |
3.2.1 电厂主蒸汽温度控制系统优化对象及策略 |
3.2.2 电厂主蒸汽温度被控对象的动态特性分析 |
3.2.3 电厂主蒸汽温度控制系统数学建模 |
3.2.4 控制优化策略研究 |
3.2.5 主蒸汽温度控制对象的特征模型 |
3.2.6 基于多种智能控制技术集成的主蒸汽温度优化控制系统 |
3.3 本章小结 |
4 鞍钢第二发电厂主蒸汽压力控制系统优化 |
4.1 锅炉蒸汽压力控制系统介绍 |
4.1.1 锅炉蒸汽压力系统原理和控制任务 |
4.1.2 锅炉主蒸汽压力动态特性分析和控制难题 |
4.2 母管蒸汽压力系统的动态数学建模 |
4.2.1 基于机理分析建模方法 |
4.2.2 被控对象数学模型 |
4.3 母管蒸汽压力控制系统优化模型 |
4.3.1 模糊PID 控制器设计与参数优化方法介绍 |
4.3.2 优化了的控制系统结构 |
4.3.3 实验结论分析 |
4.4 锅炉主蒸汽压力保护系统优化 |
4.5 本章小结 |
结论 |
参考文献 |
附录A 主蒸汽温度阶跃响应曲线 |
作者简历 |
学位论文数据集 |
四、过程控制中的智能集成建模方法(论文参考文献)
- [1]基于数据驱动的间歇化工过程批次内和批次间复合优化控制策略研究[D]. 于蒙. 军事科学院, 2021(02)
- [2]非线性迭代学习模型预测控制研究[D]. 马乐乐. 华北电力大学(北京), 2021(01)
- [3]面向石化企业的计划调度建模及优化算法研究[D]. 彭泽栋. 浙江大学, 2021(01)
- [4]火电机组热工过程自抗扰控制的研究与应用[D]. 孙明. 华北电力大学(北京), 2021(01)
- [5]有色金属冶金工艺智能集成建模的软约束调整及锌电解综合优化控制技术[J]. 莫中凯. 湿法冶金, 2020(05)
- [6]基于混合算法的稀土萃取过程组分含量预测[D]. 付涛. 华东交通大学, 2020(06)
- [7]基于多模态融合的决策偏好挖掘方法及在过程控制中的应用[D]. 吕晶. 北京化工大学, 2020(02)
- [8]组合积分系统在电渣重熔过程控制中的研究与应用[D]. 李牟腾. 东华大学, 2020(01)
- [9]温室环境系统智能集成建模与智能集成节能优化控制[D]. 张军. 上海大学, 2013(05)
- [10]鞍钢第二发电厂热工过程控制部分系统优化研究[D]. 李军杰. 辽宁工程技术大学, 2011(06)