摘要：针对双盘磨机在运行过程中具有大滞后、大惯性及非线性等特点,内模控制作为一种先进控制策略,鉴于其对过程模型精度要求不高等优点,提出了一种基于内模控制原理的PI控制方法,该方法设计的控制器仅有一个可调参数,且通过最大灵敏度指标实现其整定,有效避免了控制器整定的复杂性与随机性.仿真结果表明,与常规PID控制相比,所提方法可有效减小模型参数变化及各种干扰对系统性能的影响,满足机械制浆生产过程对控制器性能的要求,保证磨机安全稳定运行,实现了磨机负荷的稳定化控制,为机械制浆过程综合自动化系统的实施奠定基础.

摘要：磨浆过程作为制浆和造纸工业最为重要的生产环节之一,其输出纤维长度随机分布(Fiber length stochastic distribution,FLSD)形状直接决定着后续造纸过程的能耗和纸品质量.针对传统的均值和方差难以描述输出FLSD特征,即具有非高斯分布特性,本文提出一种磨浆过程输出FLSD的预测概率密度函数(Probability density function,PDF)控制方法.首先,采用径向基函数(Radical basis function,RBF)神经网络逼近输出FLSD的PDF,在采用迭代学习方法完成基函数参数整定基础上对相应权值向量进行估计.其次,针对权值之间存在强耦合特点,利用随机权神经网络(Random vector functional-networks,RVFLNs)建立表征输入变量和权值之间关系的预测模型.最后,基于建立的输出FLSD模型设计预测PDF控制器,最终实现对期望输出PDF的跟踪控制.基于工业数据实验验证了所提方法的有效性,为磨浆过程优化运行和控制提供理论依据.

摘要：提出一种可有效提高常规预测控制方法控制性能与计算效率的数据驱动自适应非线性模型预测控制方法.首先,为了提高多输出非线性系统最小二乘支持向量回归(least squares support vector regression, LS–SVR)建模的精度,考虑各维输出间的耦合关系,采用在目标函数中加入样本整体拟合误差项,实现多输出LS–SVR(multi-output LS–SVR,M–LS–SVR)预测建模,同时采用粒子群算法优化模型参数;其次,针对动态过程建模的模型失配问题以及由于M–LS–SVR模型复杂导致传统智能算法求解预测控制律缓慢的问题,提出自适应非线性模型预测控制策略,包括两个非线性优化层:第1层采用梯度下降算法实时优化模型和实际过程输出的偏差,以自适应调节模型参数;第2层采用具有全局收敛性和超线性收敛速度序列二次规划(sequential quadratic programming, SQP)算法设计非线性预测控制器,以加速预测控制律的求解速度. Benchmark仿真实例及在高炉炼铁过程的数据试验表明:所提基于M–LS–SVR预测建模的自适应非线性模型预测控制具有较快的求解速度、较好的设定值跟踪和干扰抑制性能以及较强的鲁棒性.