控制管控理论与控制管控工程专题-软测量与推断控制管控.pptVIP

控制理论与控制工程专题;上课时间与考核方法;课程导论——关于控制理论; 基础内容 线性系统理论 系统辨识与参数估计 其它各种建模技术 最优化与最优控制 随机过程与随机控制; 前沿内容 非线性控制 鲁棒控制 自适应控制 多模或切换控制 信息融合与数据挖掘; 不作为本课重点 时间原因 数学基础 学科定位 学习兴趣 具体内容，部分涉及;课程导论——关于控制工程; 本课注重工程性 学科定位决定 ;软测量技术 ;软测量技术 Soft Sensing Technique ;1 软测量概述 ;2软测量建模方法;2.2软测量建模的主要数学基础 ;2.2.2回归分析法 ;（1）多元线性回归（MLR） ;（2）多元逐步回归（MSR） （3）主元分析和主元回归（PCA、PCR） X 相关 (XTX)-1 数据共线性现象 用少数不相关的综合变量反映原来较多的相关变量所包含的大部分信息 （4）部分最小二乘法（PLS） 对冗余的、高度相关数据进行压缩提取信息 ;（5）简单比较 多元线性回归 模型物理意义明确 计算简单 泛化能力 内插 外推 PCR 线性组合 共线性 只考虑了输入 PLS PCA 单步分解和回归 含噪音的样本 计算速度低 难以理解和解释 ;2.2.3人工神经网络 ;???能够以任意精度逼近任意复杂的非线性映射 ?? 具有自适应的能力 ?? 具有并行结构和并行处理的特点 ?? 容错性 ???定量与定性数据 MIMO ;???? 没有根本突破 ?????泛化能力不足 ?????黑箱式内部知识 ?? 有局部极值问题;（1）BP网络 Backpropgation Algorithm 多层前向神经网络 ;; 改进算法 ;（2）RBF网络 ;2.3 软测量建模的主要方法 ;2.3.2 基于回归分析的软测量建模;2.3.3 基于辨识和参数估计的软测量建模 ; 基于输入输出的估计 ;2.3.4 基于模式识别的软测量建模 ;2.3.5 基于人工神经网络的软测量建模 ;（1）数据采集 （2）数据准备 （3）数据预处理 （4）模型建立 x1 x2=f1(x1) x3=f2(x1) x2= x1(k-1) x3= x1(k-2) 训练和输出（估计） 训练和验证 训练、测试和验证 ;2.3.7 基于支持向量机的软测量建模 ;3 工程化设计步骤及实施 ;??? 变量类型的选择 ; ??变量数目的选择 Overparameterization 适当有一定冗余性 ? ???测量点位置的选择 分布参数过程 ;3.2 现场数据采集与预处理 ;3.3 建立软测量模型 ;3.4 设计软测量模型的校正模块 ;3.5软测量模型的实施 ;4 软测量模型的校正及维护 ;;4.2 模型更新 ;5 软测量的实际应用问题 ; 大型流程工业的软测量问题 连续操作方式 DCS系统 数据量大 辅助变量多 采样周期短 主导变量的采样周期长 常用经验方法（数据驱动）建模 回归方法 神经网络 ;类型; 生物发酵过程的软测量问题 间歇操作方式 控制系统简单 非线性特性 数据量小 辅助变量 内部机理很关键 机理+经验 模型结构：动力学、代谢网络、控制论模型 模型参数： 各种优化方法 发酵时间 辅助变量;模型类型;推断控制Inferential Control C. B. Brosilow;1 简单推断控制;Cp ?;1.2 热焓控制;To;1.3流化床干燥器湿含量推断控制;;2 基本推断控制系统 ;A^(S) = A(S) B^(S) = B(S) G^p(S) = Gp(S) G^ps(S) = Gps(S) ;2.1 信号分离 ;2.2 估计器E(S) ;Y(S) = GI(S)Gp(S){Yd(S) – E(S)[Ys(S)-G^ps(S) U(S)]} + B(S)D(S) B^(S)/A^(S) = ?(S)/ ?(S) Ys(S) = A(S)D(S) + G^ps(S) U(S) Y(S) = - GI(S)G^p(S) ?(S)+ ?(S) = 0 GI(S) = 1/G^p(S) ;