數據驅動建模、控制與監(jiān)測：以高爐煉鐵過程為例

目錄
前言
第1章 緒論 1
1.1 引言 1
1.2 高爐煉鐵過程及建模、控制與監(jiān)測相關問題描述 3
1.2.1 高爐煉鐵過程描述 3
1.2.2 高爐鐵水質量指標 5
1.2.3 高爐鐵水質量相關變量分析 7
1.2.4 高爐煉鐵生產的基本操作制度 9
1.2.5 高爐煉鐵過程動態(tài)特性及復雜性分析 10
1.3 高爐煉鐵過程建模、控制與監(jiān)測方法 12
1.3.1 高爐煉鐵過程建模方法 12
1.3.2 高爐煉鐵過程質量相關監(jiān)測方法 14
1.3.3 高爐煉鐵過程控制方法 16
1.4 本書主要內容 18
參考文獻 19
第2章 基于隨機權神經網絡的高爐鐵水質量建模 22
2.1 隨機權神經網絡理論基礎 23
2.1.1 隨機權神經網絡算法簡介 24
2.1.2 隨機權神經網絡算法實現要點 26
2.2 集成自編碼器與PCA的高爐鐵水質量RVFLNs建模 27
2.2.1 自編碼器簡介 28
2.2.2 集成自編碼器與PCA的RVFLNs算法 28
2.2.3 工業(yè)數據驗證 32
2.3 高爐鐵水質量魯棒正則化RVFLNs建模 40
2.3.1 正則化與魯棒估計簡介 41
2.3.2 魯棒正則化RVFLNs算法 49
2.3.3 工業(yè)數據驗證 54
2.4 高爐鐵水質量魯棒OS-RVFLNs建模 62
2.4.1 建模策略 62
2.4.2 帶有遺忘因子的在線序貫學習RVFLNs算法 63
2.4.3 魯棒OS-RVFLNs算法 66
2.4.4 工業(yè)數據驗證 71
2.5 基于GM-估計與PLS的鐵水質量魯棒RVFLNs建模 77
2.5.1 建模策略 77
2.5.2 PLS-RVFLNs算法 78
2.5.3 基于GM-估計與PLS的魯棒RVFLNs算法 80
2.5.4 工業(yè)數據驗證 83
參考文獻 89
第3章 基于支持向量回歸的高爐鐵水質量魯棒建模 91
3.1 支持向量回歸理論基礎 92
3.1.1 支持向量分類機 92
3.1.2 支持向量回歸機 93
3.1.3 核函數 95
3.2 基于稀疏化魯棒LSSVR的鐵水硅含量建模 97
3.2.1 建模問題描述 97
3.2.2 稀疏化魯棒LSSVR建模算法 97
3.2.3 R-S-LSSVR參數多目標遺傳優(yōu)化 100
3.2.4 工業(yè)數據驗證 102
3.3 基于多輸出魯棒LSSVR的多元鐵水質量建模 107
3.3.1 建模問題描述 107
3.3.2 多輸出魯棒LSSVR建模算法 108
3.3.3 多輸出魯棒LSSVR參數多目標遺傳優(yōu)化 112
3.3.4 工業(yè)數據驗證 114
參考文獻 120
第4章 基于子空間辨識的高爐鐵水質量建模 121
4.1 子空間辨識算法理論基礎 121
4.1.1 正交投影 122
4.1.2 斜向投影 122
4.1.3 QR分解 123
4.1.4 奇異值分解 123
4.2 基于線性子空間辨識的高爐鐵水質量建模 124
4.2.1 系統狀態(tài)空間描述 124
4.2.2 子空間辨識數據矩陣構造 125
4.2.3 線性子空間辨識算法 127
4.2.4 工業(yè)數據驗證 129
4.3 基于遞推子空間辨識的高爐鐵水質量在線建模 132
4.3.1 遞推子空間辨識算法 132
4.3.2 工業(yè)數據驗證 134
4.4 基于遞推雙線性子空間辨識的高爐鐵水質量在線建模 136
4.4.1 遞推雙線性子空間辨識算法 137
4.4.2 工業(yè)數據驗證 141
4.5 基于非線性子空間辨識的高爐鐵水質量建模 142
4.5.1 基于LSSVM的非線性子空間辨識算法 143
4.5.2 工業(yè)數據驗證 149
參考文獻 153
第5章 高爐煉鐵過程其他數據驅動建模方法 155
5.1 高爐十字測溫中心溫度估計的M-ARMAX建模 155
5.1.1 高爐十字測溫過程及建模問題描述 156
5.1.2 建模算法 158
5.1.3 工業(yè)數據驗證 163
5.2 建模誤差PDF形狀優(yōu)化的高爐十字測溫中心溫度估計 169
5.2.1 小波神經網絡算法簡介 170
5.2.2 建模策略與建模算法 173
5.2.3 工業(yè)數據驗證 179
5.3 面向建模誤差PDF形狀與趨勢擬合優(yōu)度多目標優(yōu)化的鐵水
質量建模 181
5.3.1 建模策略 182
5.3.2 建模算法 183
5.3.3 數值仿真 185
5.3.4 工業(yè)數據驗證 187
參考文獻 188
第6章 高爐鐵水質量數據驅動預測控制 189
6.1 預測控制及相關問題 190
6.2 基于單輸出LSSVR建模的鐵水硅含量非線性預測控制 191
6.2.1 控制算法 192
6.2.2 工業(yè)數據驗證 193
6.3 基于多輸出LSSVR逆系統辨識的鐵水質量預測控制 194
6.3.1 控制算法 195
6.3.2 工業(yè)數據驗證 198
6.4 基于線性子空間在線預測建模的鐵水質量自適應預測控制 201
6.4.1 控制算法 202
6.4.2 工業(yè)數據驗證 203
6.5 基于雙線性子空間在線預測建模的鐵水質量自適應預測控制 208
6.5.1 控制算法 209
6.5.2 工業(yè)數據驗證 210
參考文獻 214
第7章 基于即時學習的高爐鐵水質量自適應預測控制 216
7.1 即時學習方法理論基礎 217
7.1.1 即時學習基本原理 217
7.1.2 即時學習的幾個主要問題 218
7.2 基于線性即時學習的鐵水硅含量自適應預測控制 221
7.2.1 控制算法 221
7.2.2 工業(yè)數據驗證 226
7.3 基于快速JITL-R-M-LSSVR的鐵水質量自適應預測控制 231
7.3.1 快速JITL-R-M-LSSVR策略 232
7.3.2 快速JITL-R-M-LSSVR算法 234
7.3.3 基于快速JITL-R-M-LSSVR的非線性預測控制 241
7.3.4 工業(yè)數據驗證 242
參考文獻 252
第8章 高爐鐵水質量無模型自適應控制 254
8.1 基本MFAC算法及其在高爐鐵水質量控制的問題分析 255
8.1.1 基于緊格式動態(tài)線性化的鐵水質量MFAC設計算法 256
8.1.2 基于偏格式動態(tài)線性化的鐵水質量MFAC設計算法 259
8.1.3 基于全格式動態(tài)線性化的鐵水質量MFAC設計算法 261
8.1.4 基本MFAC算法的鐵水質量控制效果及問題分析 264
8.2 基于多參數靈敏度分析與遺傳算法參數優(yōu)化的鐵水質量MFAC方法 271
8.2.1 多參數靈敏度分析與遺傳算法參數優(yōu)化簡述 272
8.2.2 改進MFAC控制策略與算法 274
8.2.3 基于多參數靈敏度分析和遺傳算法參數優(yōu)化的MFAC控制器參數整定方法 275
8.2.4 工業(yè)數據驗證 281
8.3 高爐鐵水質量魯棒無模型自適應預測控制方法 288
8.3.1 高爐鐵水質量擴展MFAPC方法 289
8.3.2 高爐鐵水質量魯棒MFAPC方法 298
8.3.3 工業(yè)數據驗證 302
參考文獻 310
第9章 集成PCA-ICA的高爐煉鐵過程異常工況監(jiān)測 312
9.1 集成PCA-ICA的高爐煉鐵過程異常工況監(jiān)測策略 313
9.2 過程監(jiān)測算法 316
9.2.1 基于PCA的高爐煉鐵過程監(jiān)測算法 316
9.2.2 基于ICA的高爐煉鐵過程監(jiān)測算法 317
9.2.3 高爐煉鐵過程集成PCA-ICA的統一貢獻圖辨識算法 318
9.3 工業(yè)數據驗證 320
9.3.1 所提方法過程變量權值參數分配 320
9.3.2 高爐煉鐵過程異常監(jiān)測與辨識效果 322
參考文獻 326
第10章 基于KPLS魯棒重構誤差的高爐燃料比監(jiān)測方法 328
10.1 基于KPLS的非線性過程檢測方法 330
10.2 基于KPLS魯棒重構誤差的故障識別方法 333
10.2.1 故障識別算法 333
10.2.2 故障識別指標 336
10.3 數值仿真 337
10.4 工業(yè)數據驗證 340
10.4.1 高爐燃料比檢測效果 340
10.4.2 基于KPLS魯棒重構誤差的燃料比異常識別效果 342
參考文獻 344
第11章 基于自適應閾值KPLS的高爐鐵水質量異常檢測方法 346
11.1 基于自適應閾值的KPLS異常檢測算法 347
11.1.1 基于EWMA的自適應閾值 347
11.1.2 異常檢測策略與算法 349
11.2 數值仿真 350
11.3 工業(yè)數據驗證 357
11.3.1 高爐鐵水質量異常檢測問題描述 357
11.3.2 高爐鐵水質量異常檢測結果分析 358
參考文獻 361
第12章 基于改進貢獻率KPLS的高爐鐵水質量監(jiān)測與異常識別 363
12.1 鐵水質量相關過程監(jiān)測的問題分析 364
12.2 高爐煉鐵過程質量相關故障識別 366
12.2.1 所提方法基本思想 366
12.2.2 故障識別的貢獻推導 367
12.2.3 相對貢獻率及控制限 369
12.3 數值仿真 370
12.4 工業(yè)數據驗證 374
參考文獻 380