基于支持向量机的木材干燥预测控制技术

论文摘要

木材作为当今生产、生活中广泛关注和使用的资源之一,虽属于可再生资源范畴,但是区别于风能、太阳能、水能和地热能等,具有缓慢自更新性,再生周期长,因人类现有生产方式造成的木材资源过度耗竭使生态问题不断加剧。如何高效利用木材资源、降低消耗和提升木材制品质量一直以来都是国内、外相关领域的研究重点,其中木材性能的提高是解决上述问题的关键,而改善干燥质量又是提高木材性能的重要突破口。本文针对木材的多孔性渗水和吸湿、水分以多种形式存在且不同木材含水率差别大等特性,结合木材干燥过程具有滞后、时变、强耦合、非线性特征,在深入研究木材干燥机理和内部水分合理、有序地向外渗透干燥工艺基础上,展开木材干燥机理最优模型的建立和基于干燥模型的干燥闭环控制系统构建等两个主要研究工作,其中干燥机理模型应有很高的动态含水率变化曲线逼近效果;闭环控制系统则应具有快速、准确响应干燥空间细微变化并制定下一时刻干燥控制策略的特性。在干燥模型建立上,本文针对现有各类非线性模型存在约束条件多,导致模型复杂难以实际应用,而基于神经网络建模的途径常存在过学习、欠学习以及“维数灾难”等问题。本文依据统计学习思想和结构风险最小化原则,引入一种基于最小二乘向量机的非线性回归预测方式,提高了模型的泛化能力,简化训练过程;引入墨西哥帽小波函数作为最小二乘向量机的核函数,充分发挥小波函数在信号捕捉、信号分析中的良好特性,通过尺度变化有效地检测瞬变信号,有效提高支持向量机的泛化能力。在干燥过程的控制上,本文针对传统的基于被测对象精确模型的控制方式,往往由于不具备精确的模型而采用固定的控制算法,使整个系统控制置于模型框架中,缺乏灵活性和应变能力。本文引入基于模型的预测控制方法,以基于小波支持向量机的干燥模型作为预测函数,通过滚动优化、滚动实施以实现木材干燥过程中有限含水率区间上的最优控制过程,引用粒子群优化方式实现多变量的随机迭代搜索方法来解决预测控制器设计中目标函数的优化的问题。为了验证预测控制系统的实际效果,本文分别进行了小型木材干燥窑的实际验证和模型数值仿真,实验数据表明本文构建的木材干燥模型和预测控制系统能够满足精度要求,控制效果良好。本课题的研究为木材干燥过程的控制水平及干燥过程的自动控制做出了有益探索,为木材资源的高效利用以及相关产业的良性发展提供了重要的理论和技术基础。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题研究背景和意义
• 1.2 木材干燥原理与过程控制
• 1.2.1 木材干燥原理和目的
• 1.2.2 木材干燥过程
• 1.2.3 木材干燥基准
• 1.2.4 木材干燥的自动控制
• 1.3 木材干燥国内外现状与发展趋势
• 1.3.1 木材干燥的现状
• 1.3.2 木材干燥的发展趋势
• 1.4 主要研究内容
• 2 基于小波支持向量机系统辨识模型的构建
• 2.1 引言
• 2.2 面向木材干燥的小样本学习和预测理论
• 2.2.1 VC 维
• 2.2.2 经验风险最小化原则
• 2.2.3 结构风险最小化准则
• 2.3 面向干燥室温、湿度控制的支持向量机
• 2.3.1 最小二乘支持向量机
• 2.3.2 小波核函数
• 2.4 基于墨西哥帽小波核函数的木材含水率辨识模型
• 2.4.1 墨西哥帽小波核函数
• 2.4.2 小波支持向量机
• 2.5 面向木材干燥的多模式LS-WSVM 学习算法
• 2.6 本章小结
• 3 非线性系统预测控制方法
• 3.1 引言
• 3.2 线性预测控制（MPC）
• 3.2.1 MPC 基本特征
• 3.2.2 MPC 的研究方法
• 3.3 非线性模型预测控制（NMPC）
• 3.3.1 NMPC 的研究方法
• 3.3.2 NMPC 重要环节
• 3.4 基于粒子群优化（PSO）算法的NMPC
• 3.4.1 PSO 算法
• 3.4.2 基于PSO 算法的NMPC
• 3.5 本章小结
• 4 木材干燥系统的辨识与控制
• 4.1 引言
• 4.2 木材干燥系统
• 4.2.1 木材干燥支持向量机模型
• 4.2.2 木材干燥模型结构
• 4.2.3 基于支持向量机的温、湿度控制模型的辨识
• 4.2.4 木材干燥基准模型的SVM 辨识
• 4.3 木材干燥模型辨识仿真及实验
• 4.4 本章小结
• 5 木材干燥预测控制仿真及实验
• 5.1 引言
• 5.2 木材干燥预测控制方法
• 5.2.1 预测控制器设计
• 5.2.2 预测控制算法步骤
• 5.3 木材干燥控制仿真及结果
• 5.4 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢
• 个人简历