基于数据驱动的过程优化控制方法的研究

论文摘要

基于数据驱动的过程优化控制方法是解决难以建立过程模型的复杂生产过程以及拥有大量数据的生产过程优化控制问题的有效途径。由于这种方法通过对数据进行挖掘直接由数据驱动进行生产过程优化控制,能够更加有效地对数据进行统计、分析、评估与利用,进而提供有效可行的优化策略。可见,研究基于数据驱动的过程优化控制方法具有重要的理论与实际意义。本文首先介绍了无模型自适应控制的基本原理与算法,在此基础上,将基础控制级无模型自适应控制思想应用到过程级,提出基于无模型自适应控制的过程优化控制方法。即通过一系列的动态线性时变模型对过程系统模型进行近似描述,并结合迭代学习控制思想利用过程系统批次指标信息在线估计过程系统的伪梯度向量,从而实现过程优化控制。仿真研究验证了方法的有效性。同时,通过对基于无模型自适应控制的过程优化控制方法关键参数对优化控制性能作用的分析,本文提出了参数自整定方法,即通过模糊规则实现关键参数的优化自整定。仿真结果验证了该方法提高了优化控制性能。在基于无模型自适应控制的过程优化控制方法的基础上,为了更有效地利用优化控制经验,采用基于粗糙集的数据挖掘方法从累积的大量优化控制数据中提取出对运行过程优化效果比较好的经验规则。在实际的生产条件发生变化时,应用经验规则对生产过程进行优化控制,当规则不匹配时,采用上述基于无模型自适应控制的过程优化控制方法进行优化控制,然后,将优化控制案例补充入案例库并进行规则更新,最终实现基于无模型自适应控制的过程优化控制与案例规则决策相结合的基于数据驱动的优化控制方法。通过对酒精发酵过程的补料优化控制的仿真研究,验证了该方法的有效性和可行性。

论文目录

• 摘要
• Abstract
• 目录
• 第1章 绪论
• 1.1 数据驱动的研究背景
• 1.2 研究目的与意义
• 1.3 全文结构安排
• 第2章 基于数据驱动的优化控制方法概述
• 2.1 数据驱动方法概述
• 2.2 基于数据驱动的过程优化研究现状与趋势
• 2.3 本文的优化思路与方案
• 2.4 本章小结
• 第3章 无模型自适应优化控制
• 3.1 无模型控制方法（MFC）的综述
• 3.2 系统的线性化处理
• 3.2.1 紧格式线性化
• 3.2.2 偏格式线性化
• 3.3 无模型自适应控制系统设计
• 3.3.1 控制输入策略算法
• 3.3.2 伪偏导数估计算法
• 3.4 无模型自适应优化控制方法
• 3.5 无模型自适应优化控制方法的仿真研究
• 3.5.1 发酵过程简介
• 3.5.2 酒精补料的微分方程的处理
• 3.5.3 无模型自适应优化控制方法的仿真研究
• 3.6 无模型自适应控制的过程优化控制方法的改进
• 3.6.1 无模型自适应控制的过程优化控制方法的改进
• 3.6.2 分配模糊输入和输出变量的值
• 3.6.3 归纳模糊规则
• 3.7 本章小结
• 第4章 基于规则补偿的优化控制方法研究
• 4.1 基于数据驱动的过程优化策略
• 4.2 基于粗糙集理论的关联规则挖掘算法研究
• 4.2.1 基于粗糙集的数据挖掘方法的特点及其应用
• 4.2.2 基于粗糙集的数据挖掘过程
• 4.3 基于粗糙集理论的挖掘算法的研究
• 4.3.1 数据离散化
• 4.3.2 属性约简与属性值约简
• 4.3.3 规则提取
• 4.3.4 规则查询
• 4.3.5 规则更新
• 4.4 仿真研究
• 4.4.1 构建决策表
• 4.4.2 补偿值的决策表离散化
• 4.4.3 补偿值决策表属性约简及属性值约简
• 4.4.4 补偿规则的生成
• 4.4.5 规则查询
• 4.4.6 规则更新
• 4.5 本章小结
• 第5章 总结与展望
• 参考文献
• 致谢