传统的优化控制方法很难在浮选过程状态发生变化时准确、快速做出决策,导致精矿品位和尾矿品位大幅度波动、出现产品质量不稳定.此外,浮选过程难以对精矿品位进行在线检测,导致其实用性下降.针对上述问题采用混合模型对浮选过程建模,并...传统的优化控制方法很难在浮选过程状态发生变化时准确、快速做出决策,导致精矿品位和尾矿品位大幅度波动、出现产品质量不稳定.此外,浮选过程难以对精矿品位进行在线检测,导致其实用性下降.针对上述问题采用混合模型对浮选过程建模,并基于示例的安全增强值评估(safety augmented value estimation from demonstrations,SAVED)的强化学习算法,控制浮选溢出气泡的尺寸分布,从而间接实现对精矿品位和尾矿品位的控制.通过仿真实验验证了所提算法的有效性.与人工经验和数据驱动模型相比,基于混合模型的SAVED算法在保证安全约束的条件下能够实现更好的控制效果.展开更多
传统模型预测控制中,将来的控制作用是基于前移因子的方法计算出来的,这样的设计方法导致在快速采样、复杂动态特性或者高的闭环系统性能要求下,满意的控制作用需要大量的前移因子来计算,即大量的优化变量需要计算进而带来繁重的计算量...传统模型预测控制中,将来的控制作用是基于前移因子的方法计算出来的,这样的设计方法导致在快速采样、复杂动态特性或者高的闭环系统性能要求下,满意的控制作用需要大量的前移因子来计算,即大量的优化变量需要计算进而带来繁重的计算量。为此将Laguerre网络引入,用于设计受限预测控制,提出了一种基于Laguerre函数的无限时域优化预测控制(constrained infinite-time receding horizonpredictive control besed on laguerre model,CIRHPCL)除可以克服上述缺点外又使优化变量减少,结果使计算负荷大大降低,通过选取无限时域性能指标,既改进了控制效果又保证了系统的稳定性,且所提出的CIRHPCL可调参数少,易于工程整定。展开更多
文摘传统的优化控制方法很难在浮选过程状态发生变化时准确、快速做出决策,导致精矿品位和尾矿品位大幅度波动、出现产品质量不稳定.此外,浮选过程难以对精矿品位进行在线检测,导致其实用性下降.针对上述问题采用混合模型对浮选过程建模,并基于示例的安全增强值评估(safety augmented value estimation from demonstrations,SAVED)的强化学习算法,控制浮选溢出气泡的尺寸分布,从而间接实现对精矿品位和尾矿品位的控制.通过仿真实验验证了所提算法的有效性.与人工经验和数据驱动模型相比,基于混合模型的SAVED算法在保证安全约束的条件下能够实现更好的控制效果.
文摘传统模型预测控制中,将来的控制作用是基于前移因子的方法计算出来的,这样的设计方法导致在快速采样、复杂动态特性或者高的闭环系统性能要求下,满意的控制作用需要大量的前移因子来计算,即大量的优化变量需要计算进而带来繁重的计算量。为此将Laguerre网络引入,用于设计受限预测控制,提出了一种基于Laguerre函数的无限时域优化预测控制(constrained infinite-time receding horizonpredictive control besed on laguerre model,CIRHPCL)除可以克服上述缺点外又使优化变量减少,结果使计算负荷大大降低,通过选取无限时域性能指标,既改进了控制效果又保证了系统的稳定性,且所提出的CIRHPCL可调参数少,易于工程整定。
