先进控制与在线优化技术及其应用PDF电子书下载

第1章　概述 1

1.1　建模的目的和基本方法 2

1.2　小波分析及其应用 3

1.3　统计过程控制 4

1.3.1　相关分析和回归分析 4

1.3.2　主元分析法 4

1.3.3　部分最小二乘法 5

1.3.4　多变量统计过程控制 5

1.4　软测量技术 6

1.5　建模与系统辨识 7

1.6　人工神经网络及其应用 7

1.7　先进过程控制 8

1.7.1　先进过程控制的特点 8

1.7.2　先进控制的发展现状 9

1.7.3　先进控制的核心内容 10

1.7.4　先进控制软件的产业化 11

1.7.5　先进控制的实施 13

1.7.6　先进控制工程化方法 13

1.7.7　需深入研究的问题 15

1.8　在线优化 15

参考文献 16

第2章　小波算法用于数据处理 17

2.1　傅里叶变换 17

2.2　小波变换 20

2.2.1 函数空间和广义空间 20

2.2.2　小波变换原理 21

2.2.3　傅里叶变换、短时傅里叶变换和小波变换的比较 23

2.3　一维连续小波变换 24

2.4　高维连续小波变换 26

2.5　一维离散小波变换 27

2.5.1　离散小波变换 27

2.5.2　二进制小波变换 27

2.6　多分辨分析 29

2.7　一维Mallat算法 33

2.8　提升小波变换 34

2.9　几种常用的小波基函数 37

2.9.1　Haar小波函数 37

2.9.2　Mexican Hat（mexh）小波函数 37

2.9.3　Daubechies小波函数系 38

2.9.4　Biorthogonal小波函数系 39

2.9.5　Symlets小波函数系 39

2.9.6　Morlet小波 40

2.9.7　Meyer小波 41

2.10　小波分析在信号处理中的应用 42

2.10.1　仿真信号 42

2.10.2　一维连续小波分析 42

2.10.3　一维离散小波分析 43

2.10.4　用小波分析进行信号的消噪 45

2.10.5　小波滤波的在线实现 51

2.10.6　用小波分析进行信号的奇异性检测 53

2.10.7　用小波分析进行信号的压缩 55

2.10.8　用小波分析进行信号的发展趋势识别 55

2.10.9　用小波分析进行信号的抑制与衰减 56

2.10.10　用小波分析进行某频率区间信号的识别 58

2.10.11 用小波分析进行信号的自相似性检测 58

2.10.12　结论 59

思考题与习题 60

参考文献 60

第3章　多变量统计建模方法及其在软测量和统计过程控制中的应用 62

3.1　相关分析 62

3.1.1　相关系数计算公式 63

3.1.2　处理结果 63

3.1.3　相关系数结果分析 64

3.2　多元统计回归分析 65

3.2.1 多元线性回归算法 65

3.2.2　F检验和t检验 66

3.2.3　线性化 67

3.2.4　多元线性回归方法 67

3.2.5　喷射塔中SO2吸收传质系数的软测量 71

3.2.6　多元逐步回归 73

3.2.7　多元逐步回归方法计算步骤 75

3.3　主元分析法 78

3.3.1　概述 78

3.3.2　主元分析方法 79

3.3.3　NIPALS方法 80

3.3.4　主元回归方法 80

3.3.5　多尺度主元分析 81

3.3.6　递推PCA 83

3.4　部分最小二乘法 89

3.4.1　部分最小二乘回归法 89

3.4.2　部分最小二乘回归的计算方法 91

3.4.3　部分最小二乘递推算法 96

3.5　4种建模方法的比较 97

3.6　多变量统计过程监控 100

3.6.1　单变量统计过程控制 101

3.6.2　多变量统计过程监控方法 104

3.6.3　基于多尺度主元分析的多元统计过程监控 107

3.6.4　基于递推PCA的多元统计过程监控 115

3.6.5　基于多PCA模型的多元统计过程监控 116

思考题和习题 118

参考文献 118

第4章　鲁棒内模控制及其应用 123

4.1　概述 123

4.1.1　鲁棒控制 124

4.1.2　内模控制 125

4.1.3　IMC-PID控制 125

4.2　鲁棒控制 126

4.2.1　控制系统的鲁棒性 126

4.2.2　SISO系统的鲁棒控制所需的系统信息 126

4.2.3　标称性能 127

4.2.4　鲁棒稳定性 128

4.2.5　鲁棒性能 129

4.3 内模控制 129

4.3.1　SISO稳定系统的内模控制结构 129

4.3.2　IMC控制器的性能 130

4.3.3　SISO稳定系统IMC控制器的设计 134

4.4　模型不确定性界和控制系统鲁棒性能的研究 136

4.4.1　使用范数有界方法一 136

4.4.2　使用精确不确定性 138

4.4.3　使用范数有界方法二 140

4.4.4　使用一阶Pade近似纯滞后计算模型不确定性界的方法 140

4.4.5　比较讨论以上4种设计方法 143

4.4.6　预测控制算法本质上都属于IMC结构 146

4.5　IMC-PID控制 150

4.5.1　IMC-PID控制器的设计 150

4.5.2　IMC-PID控制器参数设计 152

4.6　IMC-PID软件包 154

4.6.1　IMC-PID软件包体系结构 154

4.6.2　IMC-PID软件包所采用的技术 155

4.6.3　实施IMC-PID前后的运行曲线 155

4.7　多变量系统解耦内模控制 158

4.7.1　多变量内模控制及NLJ随机搜索算法 158

4.7.2　NLJ随机搜索算法 160

4.7.3　多变量系统解耦内模控制设计及应用 160

4.7.4　仿真 161

4.7.5　结论 163

4.8　模型PID控制 163

4.8.1　模型PID控制概述 163

4.8.2　过程模型的闭环辨识 163

4.8.3　过渡过程衰减比的新要求和超调量的约束条件 167

4.8.4　闭环系统控制器PID参数设计 167

4.8.5　现场应用示例 168

思考题与习题 169

参考文献 169

第5章　预测控制 173

5.1　预测控制的产生和类型 173

5.1.1　预测控制产生的背景 173

5.1.2　预测控制的类型 173

5.1.3　预测控制的分析方法 175

5.1.4　预测控制软件包 175

5.1.5　预测控制的应用概况 178

5.2　预测控制的特点、现状和发展 178

5.2.1　预测控制的特点 178

5.2.2　预测控制的现状 179

5.2.3　需要深入考虑的问题 180

5.3　预测控制基本算法 181

5.3.1　动态矩阵控制算法 181

5.3.2　模型算法控制 185

5.4　广义预测控制 187

5.4.1 显式广义预测自校正控制 188

5.4.2　隐式广义预测自校正控制 192

5.4.3　广义预测控制仿真实验 196

5.5　广义预测控制快速算法 202

5.6　多变量单值预估控制 204

5.6.1　多变量单值预估控制算法 204

5.6.2　大滞后系统的多变量单值广义预测控制 206

5.7　广义预测-PID串级控制 209

5.7.1　GPC-PID串级控制的结构与特点 209

5.7.2　仿真试验 210

5.7.3　GPC-PID串级控制的实施方案 213

5.8　基于差分方程的单变量预测函数控制 214

5.8.1　概述 214

5.8.2　基于差分方程的预测函数控制基本原理及算法研究 214

5.8.3　基于差分方程的预测函数控制算法的仿真研究 218

5.8.4　结论 222

5.9　基于NLJ优化算法的多变量约束预测函数控制 222

5.9.1　概述 222

5.9.2　多变量预测函数控制算法 223

5.9.3　NLJ算法 225

5.9.4　仿真结果 225

5.9.5　结论 227

5.10　多变量协调预测控制及其应用 227

5.10.1　约束协调控制 227

5.10.2　多采样周期控制系统 228

5.10.3　预测控制的实施方案 228

5.10.4　催化裂化反应深度多变量预测控制 229

思考题与习题 232

参考文献 232

第6章　人工神经网络理论及其在软测量中的应用 235

6.1　人工神经网络 235

6.2　BP神经网络及其应用 237

6.2.1　BP网络结构 237

6.2.2　BP算法 238

6.2.3　BP算法的软件实现 240

6.2.4　BP算法的性能和问题 240

6.2.5　BP网络的应用 241

6.2.6　建立非线性函数模型 241

6.3　RBF神经网络及其应用 242

6.3.1　RBF网络结构及工作过程 242

6.3.2　RBF网络的学习方法 244

6.3.3　RBF网络的算法 249

6.3.4　用RBF神经网络建立系统模型 250

6.3.5　RBF网络的编程实现 252

6.3.6　用RBF网络建立油品粘度和闪点的软仪表模型 252

6.3.7　乙醛氧化制醋酸氧化塔收率软仪表的RBF模型 254

6.4　用PCA-RBFN建立可侦破故障的反应器自校正模型 257

6.4.1　概述 257

6.4.2　PCA-RBFN自校正模型 258

6.4.3　用PCA-RBFN建立可侦破故障的反应器自校正模型 260

6.4.4　结论 261

6.5　B样条神经网络 261

6.5.1　B样条函数的构成及其性质 261

6.5.2　B样条神经网络算法 263

6.5.3　B样条网络的训练 264

6.5.4　建立聚合反应分子量分布静态模型 265

6.6　用支持向量机构建软仪表 270

6.6.1　概述 270

6.6.2　最小二乘支持向量机算法 271

6.6.3　床层温度拟定态模型 272

思考题与习题 274

参考文献 274

第7章　模糊控制理论与应用 277

7.1　传统控制的难题 277

7.2　模糊控制技术的发展及应用 277

7.3　模糊控制原理 278

7.3.1　模糊控制的基本思路 278

7.3.2　精确量的模糊化 279

7.3.3　建立模糊控制规则及进行模糊判决 281

7.3.4　反模糊化 281

7.4　模糊控制器的设计 283

7.4.1　基本模糊控制器的设计 283

7.4.2　参数在线自校正模糊控制器的设计 286

7.4.3 自适应模糊控制器 287

7.4.4　常压塔塔底液位非线性控制 289

7.5　模糊控制与PID控制的结合 291

7.5.1　模糊控制与PID控制的比较 291

7.5.2　模糊控制与PID控制串级控制 292

7.6　小结 293

思考题与习题 294

参考文献 294

第8章　遗传算法及其工程应用 296

8.1　遗传算法的基本原理和方法 296

8.1.1　概述 296

8.1.2　遗传算法的基本方法 296

8.1.3　遗传算法的理论基础 298

8.1.4　遗传算法的研究进展及应用 299

8.2 自适应遗传算法 300

8.2.1　相似度对遗传算法的影响 300

8.2.2　基于交叉相似度的自适应遗传算法 302

8.2.3　函数优化问题 303

8.3　实数编码遗传算法与优化分布交叉操作 304

8.3.1　实数编码策略 305

8.3.2　实数编码交叉操作的效率分析 305

8.3.3　有效交叉操作和张弛交叉操作 308

8.3.4　实数编码优化分布交叉操作 309

8.3.5　仿真计算 310

8.4　分布式遗传算法 311

8.4.1　遗传算法的并行处理 311

8.4.2　分布式混合遗传算法 311

8.5　用遗传算法估计反应动力学参数 313

8.6　遗传算法用于过程优化 314

8.7　常减压蒸馏装置的优化 315

8.7.1　建立收率的优化模型 315

8.7.2　对收率优化模型进行优化 316

8.7.3　优化结果分析 316

8.8　遗传算法生成模糊规则 316

8.8.1 问题的结构 317

8.8.2　查询表的信息冗余及遗传个体的表示 317

8.8.3　遗传算法的构造 318

8.8.4　结论 320

思考题与习题 320

参考文献 320

第9章　计算机监控系统和在线优化控制 324

9.1　计算机监控系统 324

9.1.1　计算机监控系统类型 324

9.1.2　监测控制系统的功能 325

9.1.3　监测控制系统设计要求 326

9.1.4　监测控制系统设计步骤 326

9.1.5　SCADA系统的功能及其发展趋势 328

9.1.6　SCADA的硬件结构及数据库 329

9.1.7　SCADA的软件 331

9.2　在线优化控制 332

9.2.1　优化控制的意义和必要性 332

9.2.2　过程优化技术 332

9.2.3　过程优化的描述 333

9.2.4　优化算法的种类 334

9.3　过程在线优化控制的应用 335

9.3.1　NLJ优化算法 335

9.3.2　复合形优化算法 338

9.3.3　在线优化应用示例 340

思考题与习题 344

参考文献 344

第10章　群集智能优化算法及其应用 346

10.1　概述 346

10.1.1　粒子群算法 346

10.1.2　蚁群算法 346

10.1.3　群智能的优点 347

10.2　粒子群优化算法 347

10.2.1　PSO算法基本原理 348

10.2.2　PSO算法数学描述 348

10.3　PSO算法的改进 349

10.3.1　加入惯性权重因子w的PSO算法 349

10.3.2　基本PSO的算法步骤 350

10.3.3　Vmax与w对PSO算法的影响 351

10.4　PSO算法的发展 351

10.4.1 自适应PSO 351

10.4.2　混合PSO 352

10.4.3　协同PSO 352

10.4.4　离散PSO 353

10.5　离散三群粒子群优化算法 353

10.5.1　基本离散粒子群优化算法 353

10.5.2　离散三群粒子群优化算法 354

10.5.3　工业现场的软测量应用 355

10.6　蚁群算法 358

10.6.1　蚁群算法概述 358

10.6.2　蚁群算法的基本原理 360

10.6.3　蚁群算法基本模型的改进技术 363

10.6.4　蚁群算法在连续优化问题中的应用 365

10.6.5　尚需深入研究的问题 367

思考题与习题 367

参考文献 368

附录 370

附录A　MATLAB程序 370

附录B　F分布表和t分布表 401