本书从块结构模型中间变量不可测量的角度出发,结合块结构模型辨识的基本过程和特点,分析块结构模型各串联模块在不同激励信号作用下的特性,研究和设计组合式多源激励信号,以解决块结构模型的可辨识性问题和各模块的参数估计分离问题。在此基础上,系统地研究和提出能够抑制干扰的块结构复杂非线性工业过程辨识新方法,包括采用集成建模技术的串联模块建模方法、全新智能分离算法和模块参数辨识算法、利用补偿技术的块结构非线性动态系统过程噪声建模方法等,并利用随机过程理论分析和比较提出方法的性能。本书紧密结合复杂工业过程控制的需要,解决块结构模型中的难题,形成一种面向实际工业生产过程系统化的建模方法。
更多科学出版社服务,请扫码获取。
长期以来,我国产业结构不合理,往往设备已经实现了国产化,而控制系统和优化策略仍然采用国外技术,造成工业行业“重设备、轻优化控制”的现象,普遍存在“有壳无脑”的局面。随着行业技术的发展,先进优化控制技术的重要性正逐步体现出来,已成为我国进一步实现节能增效和推进工业可持续发展的突破口。化工、炼油、冶金、轻工、建材和制药等过程工业是我国国民经济的重要支柱产业,要想在全球化的大趋势下始终保持强大的竞争力,必须加强先进优化和控制技术的研发与技术储备。
过程工业是通过物理变化和化学变化进行的生产过程,在新物质生成的同时伴随有能量的吸收与释放,是一个复杂的大工业系统,各生产装置之间存在着复杂的耦合和制约关系。各生产过程只有从实时性和整体性上全局协调,才能保证整个生产装置平稳、高效、安全的运行,这对工业过程的优化和控制提出了更高的要求。模型是现代工业过程先进优化和控制技术的基础。在工业过程生产装置中,由于原料特性变化较为频繁,参与过程实时控制的模型不仅要简单、准确,而且要具有较好的外推性和自适应性,能够正确反映过程的机理特性。这涉及过程对象的非线性、时变性、不确定性、强耦合和大时滞等内在复杂的机理问题,客观环境和人为因素。随着过程工业的大型化、综合化和复杂化,上述因素使得建模的难度越来越大。工业过程的建模应当从优化与控制的实际需求出发,突破传统的建模方法和辨识算法结构,以较为宽广的视野综合运用人工智能、现代统计理论、控制理论和优化技术等来有效地实现。
目前,在非线性动态建模方面,一类新颖的块结构非线性动态模型是其中的一个研究热点,它同时结合了动态线性模型和静态(无记忆)非线性函数模型,具有较易辨识、计算量少、能较好地反映过程特征的特点,适合作为过程控制模型使用。按其具体连接形式,可分为Hammerstein模型、Wiener模型、Hammerstein-Wiener模型和Wiener-Hammerstein模型。Hammerstein-Wiener模型(简称为N-L-N模型)包含Hammerstein模型和Wiener模型结构,比这两种模型中的任意一种都更接近实际工业过程中的非线性特性。这种模型能较好地描述工业设备和过程,如精馏塔、热交换器、连续搅拌反应釜(continuousstirredtankreactor,CSTR)、PTA生产中的浆料配置系统以及具有幂函数、死区、开关等特性的非线性过程。更为重要的是,可以利用模型的特殊结构把非线性控制问题简化为线性模型预测控制问题,解决了传统非线性控制方法计算量大、收敛性和稳定性不能得到保证等诸多问题,从而可以直接利用线性控制系统中的成熟理论,便于现场操作人员理解。因此,块结构模型是工业过程中最有效的模型之一,也是研究的热点。
目录
《智能科学技术著作丛书》序
前言
第一部分 块结构模型
第1章 块结构模型概述3
1.1引言3
1.2静态非线性环节与动态线性环节的同步辨识法4
1.2.1过参数化法4
1.2.2子空间法6
1.2.3调制函数法6
1.2.4直接辨识法7
1.3静态非线性环节与动态线性环节的分步辨识法8
1.3.1迭代法8
1.3.2分离最小二乘法9
1.3.3多信号源法10
1.3.4盲辨识法11
1.3.5频域法12
1.3.6随机法12
1.4基于Hammerstein模型的控制系统设计13
1.5块结构模型研究中存在的关键问题15
1.6全书概况16
参考文献18
第二部分 基于二进制-随机复合信号源的块结构模型辨识方法
第2章 基于二进制-随机复合信号源的Hammerstein模型辨识方法27
2.1基于泰勒级数展开法的Hammerstein模型辨识27
2.1.1基于神经模糊的Hammerstein模型27
2.1.2基于神经模糊Hammerstein模型的辨识30
2.1.3实验结果32
2.1.4小结41
2.2基于Lyapunov方法的Hammerstein模型辨识43
2.2.1神经模糊Hammerstein模型43
2.2.2神经模糊Hammerstein模型辨识44
2.2.3实验结果47
2.2.4小结54
参考文献54
第3章 基于二进制-随机复合信号源的Hammerstein-Wiener模型辨识方法56
3.1基于二进制-随机复合信号源的Hammerstein-Wiener 模型56
3.1.1神经模糊Hammerstein-Wiener模型57
3.1.2神经模糊 Hammerstein-Wiener 模型各串联环节的分离58
3.1.3基于神经模糊Hammerstein-Wiener模型的控制系统64
3.1.4实验结果64
3.1.5小结67
3.2基于两阶段复合信号的Hammerstein-Wiener模型68
3.2.1基于两阶段复合信号的神经模糊Hammerstein-Wiener模型68
3.2.2实验结果71
3.2.3小结73
参考文献74
第4章 含过程噪声的块结构模型二进制-随机复合信号源辨识方法76
4.1基于辅助模型递推最小二乘法的Hammerstein模型76
4.1.1一类含过程噪声的Hammerstein模型76
4.1.2基于辅助模型递推最小二乘法的Hammerstein模型多信号源辨识方法77
4.1.3实验结果79
4.1.4小结82
4.2基于偏差补偿递推最小二乘法的Hammerstein-Wiener模型82
4.2.1一类含过程噪声的Hammerstein-Wiener模型83
4.2.2基于偏差补偿递推最小二乘法的Hammerstein-Wiener模型多信号源辨识方法84
4.2.3实验结果87
4.2.4小结90
4.3基于辅助模型多新息随机梯度法的Hammerstein模型92
4.3.1基于辅助模型多新息随机梯度法的Hammerstein模型多信号源辨识方法92
4.3.2实验结果95
4.3.3小结98
参考文献98
第三部分 基于可分离信号源的块结构模型辨识方法
第5章 基于可分离信号源的多输入多输出Hammerstein模型辨识方法101
5.1多输入多输出Hammerstein模型101
5.2基于可分离信号源的多输入多输出Hammerstein模型辨识102
5.2.1基于神经模糊的多输入多输出Hammerstein模型102
5.2.2基于可分离信号源的多输入多输出Hammerstein模型辨识103
5.2.3实验结果109
5.2.4小结117
参考文献117
第6章 含过程噪声的多输入多输出Hammerstein模型可分离信号源辨识方法119
6.1含过程噪声的多输入多输出Hammerstein模型辨识119
6.1.1含过程噪声的多输入多输出Hammerstein模型119
6.1.2含过程噪声的多输入多输出Hammerstein模型辨识120
6.1.3实验结果124
6.1.4小结135
6.2基于可分离信号的Hammerstein输出误差滑动平均系统辨识136
6.2.1Hammerstein输出误差滑动平均系统136
6.2.2神经模糊Hammerstein输出误差滑动平均系统辨识137
6.2.3实验结果143
6.2.4小结146
参考文献148
第7章 含过程噪声的Hammerstein-Wiener模型可分离信号源辨识方法149
7.1基于可分离信号的Hammerstein-Wiener模型辨识方法149
7.1.1神经模糊FIR Hammerstein-Wiener模型149
7.1.2神经模糊Hammerstein-Wiener模型辨识方法150
7.1.3基于Hammerstein-Wiener模型的控制系统设计154
7.1.4实验结果154
7.1.5结论159
7.2基于递推广义增广最小二乘法的Hammerstein-Wiener模型可分离信号源辨识159
7.2.1噪声干扰下的FIR Hammerstein-Wiener模型159
7.2.2基于递推广义增广最小二乘法的Hammerstein-Wiener辨识160
7.2.3实验结果166
7.2.4小结170
参考文献171