论文部分内容阅读
近年来，随着工业技术的进步，以及人们对工业产品要求的不断提升，传统的机理建模方法和控制策略已难以满足目前工业过程的发展需求。因此，基于数据处理的方法被广泛地应用于复杂工业控制领域中。基于此本文将典型相关分析(CCA)、仿射传播聚类(AP)、偏最小二乘(PLS)与预测控制(MPC)相结合，提出了基于CCA-PLS的分布式预测控制算法和基于AP的多模型预测控制方法。为了对算法的有效性进行验证，本文以Tennessee Eastman过程为对象进行研究。本研究主要内容包括： ⑴以CCA和PLS为研究基础，提出了一种基于分布式策略的建模方法。首先对工业数据进行采集，并确定其输入、输出变量集;对各输入、输出变量进行CCA分析，求出它们之间的相关系数，并根据其大小将系统分解成若干独立子系统和关联子系统;再采用PLS算法分别建立对应的子模型，最后根据这两部分的共同作用确定各子系统的输出，并对TE过程进行仿真验证。通过对比RMSE和MAXE，发现该方法较分散式建模而言，所建模型精度更高。 ⑵结合目前化工过程复杂化特点，本文给出了基于关联子系统的分布式预测控制算法的推导过程。首先，为各个子系统建立预测模型，并建立各自的目标函数，此时子系统自身的作用需要考虑，同时又要兼顾其关联子系统的影响。在此基础上计算出各个子系统的最优控制律。然后，对系统的稳定性进行了分析，得到了系统渐进稳定的条件。最后，结合TE化工过程，分别进行分散式预测控制与分布式预测控制仿真研究。结果显示，本文给出的算法具有更好的控制效果。 ⑶在AP聚类的基础上，研究了一种基于AP-PLS的多模型预测算法，并结合TE进行仿真研究。通过比较RMSE和MAXE可以看出，较单模型建模方法和基于K均值聚类的多模型建模而言，采用AP聚类建立的多模型，精度更高。最后本文将基于AP-PLS的建模算法和PSO相结合，进行多模型预测控制算法研究，采用PSO算法对性能指标函数进行求解，求得系统的最优控制量，通过对TE过程仿真研究，发现本文所提方法的控制效果更好。