基于数据的复杂工业过程区间优化与区间建模方法

For the industrial process optimal control, the optimal solution obtained from the conventional optimization algorithms is an optimal point in the solutions space, which is called the input set-point optimization. However, in the real process control, the set-point for lower control loop is very hard to be tracked accurately for the reasons of the process stochastic disturbance, strong coupling, nonlinear, and so on; or the reasons for the lack of control degrees of freedom. Even for a class of industrial processes, it is not necessary to keep the control loop outputs at the set-points. So the use of the set-zone optimization arises naturally for the complex industrial optimal control. This project proposes a new method to realize the set-zone optimization by using the interval analysis theory, which includes the research of the interval neural networks, the interval optimization algorithms, and the application in the glutamic acid fermentation process. The first two detailed contents can be described as: a) research the structure, learning algorithm, convergence, and so on, for the interval feedforward and feedback neural networks; b) research the single and multiple objective interval optimization algorithms, and the properties of the rapidity, high-dimensional adaptation, convergence, and so on, related to these algorithms. The aforementioned theory and method can be regarded as the generalization of the conventional neural networks and the optimization algorithms because the interval data equals the point data when the upper bound and lower bound are the same, and provide a new approach for the modeling and optimal control of the complex industrial processes.

在工业过程优化控制中，常规优化算法所获得的最优解表现为解空间中的一个最优点，即点优化。但是在实际过程控制中，或者由于过程的随机干扰、强耦合、非线性等特性，或者由于缺乏足够的控制自由度，导致回路级难以实现设定点的精确跟踪；甚至对于一类工业过程，并不需要将被控量严格维持在设定点上，因此在对复杂工业过程进行优化控制时，区域优化更为合适。本课题提出基于区间分析理论实现复杂工业过程区域优化的新方法，具体研究内容包括区间神经网络建模和区间优化算法，以及在发酵过程中的应用。基于过程的输入输出数据，研究区间前馈和反馈神经网络的结构和学习算法，并进行收敛性的理论分析；基于所建立的区间神经网络模型，研究单目标和多目标的区间优化算法，并进行算法的快速性、高维适应性、收敛性的研究。上述理论和方法是对常规点数据神经网络模型和优化算法的推广（区间上、下限相等即为点），为复杂工业过程的建模和优化控制提供了一条新的途径。

在工业过程运行优化控制中，设定值优化是一个热点研究问题。本项目根据工业过程的运行数据，建立了复杂过程的区间神经网络模型，并以此为基础，基于区间优化算法，实现了过程的区间设定值优化。主要研究内容包括：(1)基于区间分析理论和常规神经网络模型，提出了多种区间神经网络模型及其相应的学习算法，包括区间BP网络模型，区间RBF网络模型，区间连续小波网络模型，区间离散小波网络模型，区间随机权值网络模型和区间反馈Elman网络模型，有效解决了网络激活函数线性与非线性、网络结构前馈和反馈等多种问题；(2)基于区间分析理论和常规进化算法，提出了单目标和多目标区间粒子群优化算法，并对常规区间二分优化算法提出了改进措施，有效解决了区间优化算法存在的相关性与维数灾难等问题；(3)以上述理论研究为基础，针对误差未知但有界（UBB）的过程数据，提出了基于区间神经网络进行不确定过程建模的通用方法，解决了误差界已知和未知两种情况下的不确定过程建模问题；(4)基于所建立的复杂过程区间神经网络模型，并结合区间优化算法，实现了对复杂工业过程在单目标和多目标情况下的操作变量区间设定值优化;(5)借助于谷氨酸发酵过程的实际数据和谷氨酸发酵过程仿真软件平台，对上述理论进行了仿真研究，证明了所提出方法的有效性。通过本项目的研究，拓展了复杂工业过程建模与优化控制理论体系，取得了较好的研究成果。共发表标注本项目基金资助的学术论文34篇，其中被SCI检索23篇，EI检索11篇；获得国家发明专利2项，申请中3项。