氧化亚铁(FeO)含量是衡量烧结矿强度和还原性的重要指标,烧结过程FeO含量的实时准确预测对于提升烧结质量、优化烧结工艺具有重要意义.然而烧结过程热状态参数缺失、过程参数波动频繁给FeO含量的高精度预测带来巨大的挑战,为此,提出一...氧化亚铁(FeO)含量是衡量烧结矿强度和还原性的重要指标,烧结过程FeO含量的实时准确预测对于提升烧结质量、优化烧结工艺具有重要意义.然而烧结过程热状态参数缺失、过程参数波动频繁给FeO含量的高精度预测带来巨大的挑战,为此,提出一种基于知识与变权重回声状态网络融合(Fusion of data-knowledge and adaptive weight echo state network, DK-AWESN)的烧结过程FeO含量预测方法.首先,针对烧结过程热状态参数缺失的问题,建立烧结料层最高温度分布模型,实现基于料层温度分布特征的FeO含量等级划分;其次,针对烧结过程参数波动频繁的问题,提出基于核函数高维映射的多尺度数据配准方法,有效抑制离群点的影响,提升建模数据的质量;最后,针对烧结过程数据驱动模型缺乏机理认知致使模型预测精度不高的问题,将过程数据中提取得到的FeO含量等级知识与AW-ESN (Adaptive weight echo state network)结合,建立DK-AWESN模型,有效提升复杂工况下FeO含量的预测精度.现场工业数据试验表明,所提方法能实时准确地预测烧结过程FeO含量,为烧结过程的智能化调控提供实时有效的FeO含量反馈信息.展开更多
针对传统的控制理论对实际的工业生产过程中的被控系统,特别是具有强非线性的系统控制效果不是很理想,而应用非线性模型预测控制算法能够较好解决非线性系统的控制问题,提出了一种基于回声状态网络(Echo State Network,ESN)模型进行非...针对传统的控制理论对实际的工业生产过程中的被控系统,特别是具有强非线性的系统控制效果不是很理想,而应用非线性模型预测控制算法能够较好解决非线性系统的控制问题,提出了一种基于回声状态网络(Echo State Network,ESN)模型进行非线性系统辨识和粒子群优化(Particle Swarm Optimization,PSO)进行滚动优化的非线性模型预测控制系统的算法。ESN能够很好地辨识非线性系统,其计算时间、数据训练和稳定性相对于传统递归神经网络有了较大进步,PSO具有全局优化和较快的寻优速度。针对典型化工非线性对象连续搅拌槽反应器(Continue Stirred Tank Reactor,CSTR)的仿真实例表明,此模型在预测控制优于BP和PSO结合的非线性预测控制,以及传统的PID控制,证明了该算法运用于非线性模型预测控制中的有效性。展开更多
针对污水处理过程具有非线性的特点,建立基于PSO-ESN神经网络的污水处理软测量模型,来对于污水处理关键水质参数BOD(Biochemical Oxygen Demand)进行预测。由于回声状态网络(Echo State Network,ESN)学习算法无法有效解决高维矩阵训练...针对污水处理过程具有非线性的特点,建立基于PSO-ESN神经网络的污水处理软测量模型,来对于污水处理关键水质参数BOD(Biochemical Oxygen Demand)进行预测。由于回声状态网络(Echo State Network,ESN)学习算法无法有效解决高维矩阵训练不可逆,采用基于粒子群优化算法对于回声状态神经网络输出权重进行训练,进而有效解决回声状态网络病态解的问题。仿真结果证明,所设计的基于关键水质参数生化需氧量(BOD)软测量模型,其应用在污水处理关键水质参数预测的有效性,且该软测量模型具有较高测量精度。展开更多
神经网络模型经线性化后可构建神经预测控制框架,但是,对高阶项的忽略会产生大量未建模动态.本文以回声状态网络(Echo State Network,ESN)为代表,提出基于岭回归的未建模动态补偿方法.以线性化前后ESN内部状态观测的偏差作为表征未建模...神经网络模型经线性化后可构建神经预测控制框架,但是,对高阶项的忽略会产生大量未建模动态.本文以回声状态网络(Echo State Network,ESN)为代表,提出基于岭回归的未建模动态补偿方法.以线性化前后ESN内部状态观测的偏差作为表征未建模动态的样本,通过岭回归估计未建模动态与ESN状态变量之间的线性依存关系.将回归得到的补偿项内化为ESN储备池吸引子的平移和旋转,体现了吸引子的吸引力对激活函数边界约束作用的有效补充.两个实例验证了补偿方法对提高控制精度具有积极作用.展开更多
文摘氧化亚铁(FeO)含量是衡量烧结矿强度和还原性的重要指标,烧结过程FeO含量的实时准确预测对于提升烧结质量、优化烧结工艺具有重要意义.然而烧结过程热状态参数缺失、过程参数波动频繁给FeO含量的高精度预测带来巨大的挑战,为此,提出一种基于知识与变权重回声状态网络融合(Fusion of data-knowledge and adaptive weight echo state network, DK-AWESN)的烧结过程FeO含量预测方法.首先,针对烧结过程热状态参数缺失的问题,建立烧结料层最高温度分布模型,实现基于料层温度分布特征的FeO含量等级划分;其次,针对烧结过程参数波动频繁的问题,提出基于核函数高维映射的多尺度数据配准方法,有效抑制离群点的影响,提升建模数据的质量;最后,针对烧结过程数据驱动模型缺乏机理认知致使模型预测精度不高的问题,将过程数据中提取得到的FeO含量等级知识与AW-ESN (Adaptive weight echo state network)结合,建立DK-AWESN模型,有效提升复杂工况下FeO含量的预测精度.现场工业数据试验表明,所提方法能实时准确地预测烧结过程FeO含量,为烧结过程的智能化调控提供实时有效的FeO含量反馈信息.
文摘针对传统的控制理论对实际的工业生产过程中的被控系统,特别是具有强非线性的系统控制效果不是很理想,而应用非线性模型预测控制算法能够较好解决非线性系统的控制问题,提出了一种基于回声状态网络(Echo State Network,ESN)模型进行非线性系统辨识和粒子群优化(Particle Swarm Optimization,PSO)进行滚动优化的非线性模型预测控制系统的算法。ESN能够很好地辨识非线性系统,其计算时间、数据训练和稳定性相对于传统递归神经网络有了较大进步,PSO具有全局优化和较快的寻优速度。针对典型化工非线性对象连续搅拌槽反应器(Continue Stirred Tank Reactor,CSTR)的仿真实例表明,此模型在预测控制优于BP和PSO结合的非线性预测控制,以及传统的PID控制,证明了该算法运用于非线性模型预测控制中的有效性。
文摘针对污水处理过程具有非线性的特点,建立基于PSO-ESN神经网络的污水处理软测量模型,来对于污水处理关键水质参数BOD(Biochemical Oxygen Demand)进行预测。由于回声状态网络(Echo State Network,ESN)学习算法无法有效解决高维矩阵训练不可逆,采用基于粒子群优化算法对于回声状态神经网络输出权重进行训练,进而有效解决回声状态网络病态解的问题。仿真结果证明,所设计的基于关键水质参数生化需氧量(BOD)软测量模型,其应用在污水处理关键水质参数预测的有效性,且该软测量模型具有较高测量精度。
文摘神经网络模型经线性化后可构建神经预测控制框架,但是,对高阶项的忽略会产生大量未建模动态.本文以回声状态网络(Echo State Network,ESN)为代表,提出基于岭回归的未建模动态补偿方法.以线性化前后ESN内部状态观测的偏差作为表征未建模动态的样本,通过岭回归估计未建模动态与ESN状态变量之间的线性依存关系.将回归得到的补偿项内化为ESN储备池吸引子的平移和旋转,体现了吸引子的吸引力对激活函数边界约束作用的有效补充.两个实例验证了补偿方法对提高控制精度具有积极作用.
