基于多层递归模糊神经网络的间歇过程批次间优化控制

针对间歇过程,基于多层递归模糊神经网络和混沌搜索实现了终点产品质量的批次间迭代控制策略,并在此基础上提出了间歇过程温度控制的批次间迭代控制策略。多层递归模糊神经网络被用于间歇过程对象建模,混沌搜索用于过程建模和优化计算。由于存在模型误差和未知干扰,基于模型所计算出来的最优控制输入在实际运用到对象上后并不是最优的。利用间歇过程的重复特性,根据以前批次的模型预测误差来修正模型预测,并据此计算下一批次的最优控制输入。随着批次的进行,跟踪误差逐渐减小。仿真实验验证了该方法的有效性。     

连续发酵过程的神经网络预测和控制

给出了神经网络趋化性算法的一种新的实现策略，在此基础上，提出了一种动态递归神经网络建模方法和一种控制作用受限的自学习非线性控制方法。将其用于连续搅拌签式发酵器的状态变量的在线预测和优化控制，仿真结果表明，预测精度高，控制效果好，具有强抗扰和强鲁棒性。在不知道生化过程模型结构的情况下，神经网络模型，可取很容易地通过在线或离线学习到高度复杂的非线性生化过程的输入．输出关系。对于经过最优操作点，稳态增益的符号会发生变化的这类难以控制的生化过程，神经网络非线性控制策略，可以使生化反应器始终维持在最优状况。本方法有望在实际工业过程中得到应用。     

用于动态过程监测的非线性PLS小波神经网络

将小波理论与非线性ＰＬＳ方法结合提出一种新的处理多维分类问题的非线性ＰＬＳ小波基神经网络模型用于动态过程监测。     

基于小波神经网络的饮用水水质预测模型研究

目的:为饮用水水质预测提供方法学参考.方法:采用小波神经网络(Wavelet neural network,WNN)方法建立水质预测模型,对重庆市某主城区饮用水水质参数高锰酸钾月平均浓度进行预测,并同BP神经网络的预测结果进行比较分析.结果:采用均方根误差(Root mean square error,RMSE)和平均绝对百分比误差(Mean absolute percentage error,MAPE)来评价模型预测效果.预测实例表明WNN模型具有较高的预测精度,并且预测精度高于BP神经网络.结论:利用WNN对水质参数具有较好的预测效果.     

基于WaveARX神经网络的非线性动态过程故障检测

研究了利用ＷａｖｅＡＲＸ神经网络构造非线性动态过程的非参数化逼近模型，在分析其逼近偏差的基础上提出了一种非线性次优滤波器设计方法，用于非线性动态过程的故障检测。理论分析和仿真研究证实了其可行性和有效性。     

基于支持向量回归模型的间歇过程优化

针对间歇过程的优化问题,提出了一种基于支持向量回归模型的批次到批次的优化控制策略。通过对支持向量回归模型在当前控制轨迹处的线性化,构造了一种批次到批次的优化控制方法。在苯乙烯聚合反应器的仿真实验中,该方法能够在存在模型失配与过程扰动的情况下,逐批次地改善过程性能。     

基于神经网络的非正常工况预报

分析了PTA生产中氧化反应器尾氧浓度的影响因素，提出一种用小波分析对数据进行降噪处理的方法。采用BP神经网络并对其进行了一定程度的改进。通过降噪前后的网络仿真结果对比，表明基于小波降噪的神经网络具有更好的精度和更强的泛化能力。用此网络预测尾氧浓度，实现了对非正常工况的预报。通过实际对比，表明该网络能够较理想地预报出非正常情况。     

基于改进量子遗传算法的小波神经网络优化及其软测量应用

针对简单量子遗传算法在优化高维问题寻优速度慢、收敛率低的缺陷,提出一种改进的量子遗传算法,通过搜索各种群中最优染色体组成当前最优个体,并依此个体来确定量子门的全局最优搜索方向.将改进算法用于优化小波神经网络,藉此建立了4-CBA浓度的软测量模型.仿真结果表明:与简单量子遗传算法相比,改进算法对复杂优化问题具有全局快速寻优性能.     

Parex过程基于神经网络简化模型的操作优化

以芳烃吸附Ｐａｒｅｘ过程为例，在建立其稳态机理模型的基础上，采用正交设计方法获得了 特性数据；根据这些数据建立具有一个隐层的神经网络模型，并以此作为优化操作的简化模型。采用一种新的优化方法，得到吸附塔的最佳操作条件，以实现计算机的二级优化控制。     

基于混合混沌搜索方法的多层递归模糊神经网络建模

提出了一种多层递归模糊神经网络（MRFNN）,并提出混合混沌搜索方法用于网络学习。该网络融合了T—S模糊模型．在隶属函数层和规则层有局部反馈连接。网络的学习分为结构学习和参数学习两部分。结构学习确定隶属函数层和规则层的节点数;参数学习由混合混沌搜索方法完成,利用混沌搜索优化前件参数。同时利用最小二乘法实现后件系数更新。对非线性系统辨识进行,仿真实验并对连续搅拌釜式反应器系统建模。结果表明：本文方法能够有效捕捉系统的动态特性。所建模型具有良好的精度。     

基于MWMKPCA和CPI的间歇过程控制性能监测与评估

针对限定控制器结构下的间歇过程控制系统性能监测与评估的问题,采用引力搜索算法优化控制器参数,在最优控制参数的基础上得到控制性能较优的输出误差数据集;通过采用多种多元统计过程控制（MSPC）方法对数据集进行主元建模,用得到的主元模型对新的间歇过程批次进行在线监测,并提出一种基于控制图的综合控制性能指标（CPI）。仿真结果验证了采用移动窗口核主元分析法（MWMKPCA）在监测间歇过程控制性能时的准确性,同时验证了所提出的综合控制性能指标的有效性。     

基于伪阻抗学习的神经网络状态估计方法

针对反向传播算法收敛速度慢，且常收敛于局部极小值的缺陷，讨论了伪阻抗学习算法；并利用神经网络的学习能力和非线性特性，讨论了非线性动态系统的状态估计方法。     

基于即时学习的集成神经网络及其干点预测

针对单个神经网络泛化能力差、对不同样本预测精度波动大的问题,提出了一种基于即时学习集成神经网络方法。首先,基于训练样本,建立多个不同的神经网络模型。其次,根据即时学习的思想,在对样本进行预测时,在训练样本中寻找与预测样本最接近的若干邻近样本,根据各网络对邻近样本的训练误差,即时形成各神经网络的集成权重,实时构造集成神经网络模型,对预测样本进行预测。最后,将该方法应用于初顶石脑油干点的预测,相比于文献中提出的方法,得到了更好的预测结果。     

一种基于BP网络的预测控制算法及其应用

将传统预测控制的优化策略与神经网络逼近任意非线性函数的能力相结合,提出了一种基于BP神经网络的新的预测控制算法,并针对一个工业装置控制实例,探讨了该算法在工业过程控制中的应用。仿真研究结果表明,该神经网络预测控制算法是切实可行的。     

基于小波核函数极限学习机的模型预测控制模拟

针对醋酸精馏控制中,产品质量采用常规的温度间接控制存在精度低的问题,提出了一种基于小波核函数极限学习机的模型预测控制（KMPC）策略,在醋酸浓度软测量的基础上直接控制产品质量。鉴于小波核函数极限学习机（KELM）算法训练速度快并且稳定的特点,该控制系统采用KELM建立醋酸浓度控制器预测模型,以预测控制器的输出作为再沸器蒸汽流量控制器的设定值,构成串级调节系统,同时,以灵敏板温度、塔底温度、再沸器入口温度、压力等变量作为扰动变量,实现了对复杂精馏过程的前馈控制和非线性预测控制。运用ASPEN DYNAMICS流程模拟软件建立的醋酸精馏塔动态模型对KMPC策略进行仿真研究,结果表明,与传统DMC预测控制方案比较,塔底醋酸浓度控制精度有较大提高,控制结构简单,易于实施,能够实现产品质量的卡边控制。     

基于PID神经网络的非线性系统辨识与控制

针对工业控制领域中非线性系统采用传统的控制方法不能达到满意的控制效果,提出一种基于P ID神经网络的控制方案,以对其进行辨识和控制。将P ID神经网络引入控制系统中,既具有常规P ID控制结构简单、参数物理意义明确等优点,同时又具有神经网络的并行结构和学习记忆功能及非线性映射能力。仿真结果表明:该控制系统响应速度快、超调量小、稳态精度高,能够快速跟踪系统输出并进行有效控制,且具有一定的自适应性和鲁棒性,满足实时控制的要求。     

基于模糊神经模型的自适应单神经元控制系统设计

提出一种基于模糊神经模型的自适应单神经元控制系统.该控制系统首先根据采集到的输入输出数据建立被控过程模型,并在此基础上引入单神经元控制器.通过李亚普诺夫方法对控制器参数进行在线调节,从而使得系统输出值能够较快跟踪设定值.理论分析和仿真结果表明:本文提出的单神经元控制器和传统的PID控制器具有极其相似的结构,因此,具有结构简单、易于操作的特点,具有较快的跟踪速度,并且控制参数可以在线调节.