復(fù)雜工業(yè)過程動(dòng)態(tài)演化建模與決策參數(shù)穩(wěn)健優(yōu)化.pdf

1、復(fù)雜工業(yè)過程具有參數(shù)多、耦合性強(qiáng)、不確定性、性能指標(biāo)波動(dòng)大等特征，致使工業(yè)生產(chǎn)企業(yè)在全球競(jìng)爭(zhēng)中面臨著資源、能源與環(huán)境的嚴(yán)重制約和挑戰(zhàn)。而復(fù)雜工業(yè)過程建模與優(yōu)化是其提高性能指標(biāo)和實(shí)現(xiàn)節(jié)能降耗的關(guān)鍵技術(shù)之一。本課題旨在利用數(shù)據(jù)挖掘等理論方法，建立具有適應(yīng)生產(chǎn)過程變化的復(fù)雜系統(tǒng)動(dòng)態(tài)演化模型及決策參數(shù)穩(wěn)健優(yōu)化方法，并以鋁電解實(shí)際生產(chǎn)過程為例開展以下三個(gè)方面工作:
　　第一，鋁電解工藝過程的決策變量選擇。選擇出最佳決策變量集是建立精確模型的

2、前提。本文提出結(jié)合KPLS(Kernel Partial Least Square)和FR(False Nearest Neighborsand Randomization Method)的工業(yè)過程變量選擇方法，首先將原始空間通過核映射的方法轉(zhuǎn)化到偏最小二乘空間;同時(shí)提出在該空間運(yùn)用FR的變量選擇策略，選擇出最佳決策變量集，剔除在統(tǒng)計(jì)意義上不顯著的變量。
　　第二，建立鋁電解槽工藝能耗動(dòng)態(tài)演化模型。建立精準(zhǔn)的過程模型是實(shí)現(xiàn)優(yōu)化的前

3、提。本文提出強(qiáng)跟蹤平方根無跡Kalman神經(jīng)網(wǎng)絡(luò)(STR-UKFNN)，并用其建立鋁電解槽工藝能耗的動(dòng)態(tài)演化模型。該方法利用誤差協(xié)方差陣的平方根代替UKFNN算法中的協(xié)方差陣，避免誤差協(xié)方差陣可能出現(xiàn)負(fù)定而導(dǎo)致濾波發(fā)散，并在UKFNN算法中引入漸消因子和弱化因子，實(shí)時(shí)調(diào)整濾波增益，提高模型收斂速度和其對(duì)突變狀態(tài)的跟蹤能力。
　　第三，鋁電解過程工藝能耗決策參數(shù)的穩(wěn)健優(yōu)化。鋁電解過程所受的不確定因素干擾對(duì)最優(yōu)參數(shù)的設(shè)計(jì)和實(shí)現(xiàn)能產(chǎn)生不

4、良影響。本文提出結(jié)合動(dòng)態(tài)建模和穩(wěn)健優(yōu)化策略的工業(yè)過程最優(yōu)參數(shù)設(shè)計(jì)方案，在STR-UKFNN精確能耗模型的基礎(chǔ)上，采用改進(jìn)的強(qiáng)度Pareto穩(wěn)健多目標(biāo)優(yōu)化方法進(jìn)行最優(yōu)參數(shù)的設(shè)計(jì)，得出在系統(tǒng)受不確定因素干擾時(shí)，能夠保證系統(tǒng)具有穩(wěn)健最優(yōu)輸出的工藝決策參數(shù)，達(dá)到改善鋁電解過程能耗指標(biāo)的目的。
　　綜上所述，該研究提出了:(1)結(jié)合KPLS和FR的工藝參數(shù)選擇方法;(2)基于STR-UKFNN的動(dòng)態(tài)演化模型建立方法;(3)基于動(dòng)態(tài)模型的強(qiáng)度