《基於數據的複雜工業過程區間最佳化與區間建模方法》是依託東北大學，由關守平擔任項目負責人的面上項目。
基本介紹
- 中文名：基於數據的複雜工業過程區間最佳化與區間建模方法
- 項目類別：面上項目
- 項目負責人：關守平
- 依託單位：東北大學
中文摘要,結題摘要,
中文摘要
在工業過程最佳化控制中，常規最佳化算法所獲得的最優解表現為解空間中的一個最優點，即點最佳化。但是在實際過程控制中，或者由於過程的隨機干擾、強耦合、非線性等特性，或者由於缺乏足夠的控制自由度，導致迴路級難以實現設定點的精確跟蹤；甚至對於一類工業過程，並不需要將被控量嚴格維持在設定點上，因此在對複雜工業過程進行最佳化控制時，區域最佳化更為合適。本課題提出基於區間分析理論實現複雜工業過程區域最佳化的新方法，具體研究內容包括區間神經網路建模和區間最佳化算法，以及在發酵過程中的套用。基於過程的輸入輸出數據，研究區間前饋和反饋神經網路的結構和學習算法，並進行收斂性的理論分析；基於所建立的區間神經網路模型，研究單目標和多目標的區間最佳化算法，並進行算法的快速性、高維適應性、收斂性的研究。上述理論和方法是對常規點數據神經網路模型和最佳化算法的推廣（區間上、下限相等即為點），為複雜工業過程的建模和最佳化控制提供了一條新的途徑。
結題摘要
在工業過程運行最佳化控制中，設定值最佳化是一個熱點研究問題。本項目根據工業過程的運行數據，建立了複雜過程的區間神經網路模型，並以此為基礎，基於區間最佳化算法，實現了過程的區間設定值最佳化。主要研究內容包括：(1)基於區間分析理論和常規神經網路模型，提出了多種區間神經網路模型及其相應的學習算法，包括區間BP網路模型，區間RBF網路模型，區間連續小波網路模型，區間離散小波網路模型，區間隨機權值網路模型和區間反饋Elman網路模型，有效解決了網路激活函式線性與非線性、網路結構前饋和反饋等多種問題；(2)基於區間分析理論和常規進化算法，提出了單目標和多目標區間粒子群最佳化算法，並對常規區間二分最佳化算法提出了改進措施，有效解決了區間最佳化算法存在的相關性與維數災難等問題；(3)以上述理論研究為基礎，針對誤差未知但有界（UBB）的過程數據，提出了基於區間神經網路進行不確定過程建模的通用方法，解決了誤差界已知和未知兩種情況下的不確定過程建模問題；(4)基於所建立的複雜過程區間神經網路模型，並結合區間最佳化算法，實現了對複雜工業過程在單目標和多目標情況下的操作變數區間設定值最佳化;(5)藉助於谷氨酸發酵過程的實際數據和谷氨酸發酵過程仿真軟體平台，對上述理論進行了仿真研究，證明了所提出方法的有效性。通過本項目的研究，拓展了複雜工業過程建模與最佳化控制理論體系，取得了較好的研究成果。共發表標註本項目基金資助的學術論文34篇，其中被SCI檢索23篇，EI檢索11篇；獲得國家發明專利2項，申請中3項。
