论文部分内容阅读
针对间歇工业过程的智能控制问题,本文提出一种由历史数据驱动的基于核独立元回归的间歇过程控制方案(KICR-ILC),该控制策略分别需要解决两个技术问题,核独立元回归(KICR)预测模型的建立和批次迭代学习控制算法(ILC)的设计。KICR建模通过将非线性输入数据矩阵通过核独立元分析(KICA)算法提取核独立元矩阵(KIC),以KIC为自变量,目标真值矩阵为应变量求取训练组最小二乘回归(PLSR)系数,最终建立测试组的多元线性回归(MLR)预测模型。该回归方法有效弥补了本质线性的快速独立元回归(Fast-ICR)方法在非高斯分布数据上预测精度的不足。通过非线性数值方程预测模型的数值仿真,表明该方法在合适的高斯基核函数映射下拥有比Fast-ICR更高的回归预测精度,同时对比神经网络回归(NNR)方法,表明KICR方法具有更快的运行效率。将KICR预测模型转化为一个回归预测输出关于带未知输入控制变量的观测输入核矩阵的关系式,以一个离线训练的方式输出相应拉格朗日算子和输出响应关于控制变量的偏导矩阵。通过控制二次型性能函数优化收敛来设计对应的迭代学习控制(ILC)算法,批次间误差通过多次迭代消除。该控制方案避免了间歇过程的精确模型的求取,基于小样本理论,具有较强的鲁棒性,有效弥补传统智能控制方案在非高斯分布数据建模控制方面的不足。间歇反应器案例的数值仿真表明,该方法有效实现目标变量精确控制,对比经典支持向量机间歇迭代学习控制(SVM-ILC)方案具有较慢的收敛响应但却有较高的控制精度。