《動態數據驅動的間歇過程綜合學習型最佳化控制》是依託上海大學，由賈立擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：動態數據驅動的間歇過程綜合學習型最佳化控制
- 項目類別：青年科學基金項目
- 項目負責人：賈立
- 依託單位：上海大學
中文摘要,結題摘要,
中文摘要
間歇過程因其能夠滿足現代過程工業的特點和要求而被廣泛採用，但間歇過程具有很強的非線性及動態特性，這些特性決定了間歇過程控制要比連續過程控制複雜，需要新的非傳統的技術。如何將具有離散時間特徵（批次軸）和連續時間特徵（時間軸）的信息統一在同一個模型和控制系統框架下是間歇過程最佳化控制中面臨的挑戰。本項目引入動態數據驅動模式，建立間歇過程批次軸-時間軸綜合數據驅動模型。在此基礎上，重點研究間歇過程的學習型控制算法，包括批次軸上的最佳化性能函式分析、基於性能指標的智慧型學習控制律、最優求解問題以及時間軸上的實時預測控制問題，從而提出批次軸-時間軸綜合最佳化與協同設計方法，彌補當前研究工作中單純研究批次軸上前向控制或單純研究時間軸上反饋控制的欠缺，為間歇過程的最佳化控制提供新思路。這不僅在理論上具有先進性，也為間歇過程的套用研究提供有效的理論與實踐依據。
結題摘要
為滿足現代社會瞬息萬變的市場要求，現代過程工業正逐漸由生產大批量、通用性的基礎材料向既生產基礎材料又生產小批量、多品種、系列化、高附加值的專業產品發展。間歇過程具有小批量、多品種、系列化、合成步驟複雜、技術密集等特點，能夠滿足現代過程工業的特點和要求。間歇過程控制要比連續過程控制複雜，需要新的非傳統的技術。 本項目研究主要是以提高產品的質量、產量或縮短運行時間等為目標，目標的實現由最佳操作軌線來保證。項目開展了基於數據的間歇生產過程綜合學習型最佳化控制研究，從間歇過程具有較強非線性、動特性、多工作點等特點出發，充分利用了間歇過程有利於控制的一些特性，以神經模糊、疊代學習、粒子群等先進技術為理論基礎，建立了間歇過程的動態預測模型及其算法，設了計基於神經模糊技術的間歇過程學習型最佳化控制算法，進行了相應的穩定性理論分析研究，並提出了一套高質量的間歇過程批次軸-時間軸綜合學習型最佳化控制仿真系統，為間歇過程建模與控制提供了有效的理論與實踐依據。 此外，利用本項目課題組培養了間歇過程最佳化控制方向研究生7名，其中4名已獲得碩士學位，發表論文22篇，其中有7篇為SCI源刊論文，9篇EI收錄。登記軟體著作權1項。 已按原定指標按時完成了項目，主要研究成果如下： (1)根據間歇過程具有重複性的特性，提出一種新穎的動態神經模糊模型，引入時變權重的概念，從而使模型的結構中蘊含了間歇過程重複性的特性； (2)利用間歇過程具有重複性的特徵，提出了一種基於模型誤差機率密度函式控制的時變神經模糊模型； ( 3)將基於輔助誤差模型和誤差機率密度函式為辨識準則的混合學習算法引入到神經模糊模型中，通過輔助誤差模型構造出一個虛擬的自適應控制系統，利用機率密度函式控制來解決神經模糊模型中的辨識問題； (4)提出一種變R調節疊代學習控制算法，借鑑經典控制理論定義了有界跟蹤和零跟蹤概念，以此研究了能夠讓系統輸出誤差達到零跟蹤的疊代學習控制策略，並嚴格地證明了算法的穩定性； (5)提出一種基於微粒群算法的間歇過程多目標最佳化控制方法，引入了點間相似度概念，用相似度求取微粒的全局最優解gbest，從而使得微粒群算法具有了同時求解多個目標的能力； (6)提出基於模型線上修正的間歇過程綜合學習型最佳化控制，通過模型的線上修正不斷提高模型精度，實現批次軸-時間軸的協同設計，並對算法的收斂性給出了嚴格的數學分析。
