先进控制与在线优化技术及其应用PDF|Epub|txt|kindle电子书版本网盘下载

先进控制与在线优化技术及其应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章　概述1

1.1　建模的目的和基本方法2

1.2　小波分析及其应用3

1.3　统计过程控制4

1.3.1　相关分析和回归分析4

1.3.2　主元分析法4

1.3.3　部分最小二乘法5

1.3.4　多变量统计过程控制5

1.4　软测量技术6

1.5　建模与系统辨识7

1.6　人工神经网络及其应用7

1.7　先进过程控制8

1.7.1　先进过程控制的特点8

1.7.2　先进控制的发展现状9

1.7.3　先进控制的核心内容10

1.7.4　先进控制软件的产业化11

1.7.5　先进控制的实施13

1.7.6　先进控制工程化方法13

1.7.7　需深入研究的问题15

1.8　在线优化15

参考文献16

第2章　小波算法用于数据处理17

2.1　傅里叶变换17

2.2　小波变换20

2.2.1 函数空间和广义空间20

2.2.2　小波变换原理21

2.2.3　傅里叶变换、短时傅里叶变换和小波变换的比较23

2.3　一维连续小波变换24

2.4　高维连续小波变换26

2.5　一维离散小波变换27

2.5.1　离散小波变换27

2.5.2　二进制小波变换27

2.6　多分辨分析29

2.7　一维Mallat算法33

2.8　提升小波变换34

2.9　几种常用的小波基函数37

2.9.1　Haar小波函数37

2.9.2　Mexican Hat（mexh）小波函数37

2.9.3　Daubechies小波函数系38

2.9.4　Biorthogonal小波函数系39

2.9.5　Symlets小波函数系39

2.9.6　Morlet小波40

2.9.7　Meyer小波41

2.10　小波分析在信号处理中的应用42

2.10.1　仿真信号42

2.10.2　一维连续小波分析42

2.10.3　一维离散小波分析43

2.10.4　用小波分析进行信号的消噪45

2.10.5　小波滤波的在线实现51

2.10.6　用小波分析进行信号的奇异性检测53

2.10.7　用小波分析进行信号的压缩55

2.10.8　用小波分析进行信号的发展趋势识别55

2.10.9　用小波分析进行信号的抑制与衰减56

2.10.10　用小波分析进行某频率区间信号的识别58

2.10.11 用小波分析进行信号的自相似性检测58

2.10.12　结论59

思考题与习题60

参考文献60

第3章　多变量统计建模方法及其在软测量和统计过程控制中的应用62

3.1　相关分析62

3.1.1　相关系数计算公式63

3.1.2　处理结果63

3.1.3　相关系数结果分析64

3.2　多元统计回归分析65

3.2.1 多元线性回归算法65

3.2.2　F检验和t检验66

3.2.3　线性化67

3.2.4　多元线性回归方法67

3.2.5　喷射塔中SO2吸收传质系数的软测量71

3.2.6　多元逐步回归73

3.2.7　多元逐步回归方法计算步骤75

3.3　主元分析法78

3.3.1　概述78

3.3.2　主元分析方法79

3.3.3　NIPALS方法80

3.3.4　主元回归方法80

3.3.5　多尺度主元分析81

3.3.6　递推PCA83

3.4　部分最小二乘法89

3.4.1　部分最小二乘回归法89

3.4.2　部分最小二乘回归的计算方法91

3.4.3　部分最小二乘递推算法96

3.5　4种建模方法的比较97

3.6　多变量统计过程监控100

3.6.1　单变量统计过程控制101

3.6.2　多变量统计过程监控方法104

3.6.3　基于多尺度主元分析的多元统计过程监控107

3.6.4　基于递推PCA的多元统计过程监控115

3.6.5　基于多PCA模型的多元统计过程监控116

思考题和习题118

参考文献118

第4章　鲁棒内模控制及其应用123

4.1　概述123

4.1.1　鲁棒控制124

4.1.2　内模控制125

4.1.3　IMC-PID控制125

4.2　鲁棒控制126

4.2.1　控制系统的鲁棒性126

4.2.2　SISO系统的鲁棒控制所需的系统信息126

4.2.3　标称性能127

4.2.4　鲁棒稳定性128

4.2.5　鲁棒性能129

4.3 内模控制129

4.3.1　SISO稳定系统的内模控制结构129

4.3.2　IMC控制器的性能130

4.3.3　SISO稳定系统IMC控制器的设计134

4.4　模型不确定性界和控制系统鲁棒性能的研究136

4.4.1　使用范数有界方法一136

4.4.2　使用精确不确定性138

4.4.3　使用范数有界方法二140

4.4.4　使用一阶Pade近似纯滞后计算模型不确定性界的方法140

4.4.5　比较讨论以上4种设计方法143

4.4.6　预测控制算法本质上都属于IMC结构146

4.5　IMC-PID控制150

4.5.1　IMC-PID控制器的设计150

4.5.2　IMC-PID控制器参数设计152

4.6　IMC-PID软件包154

4.6.1　IMC-PID软件包体系结构154

4.6.2　IMC-PID软件包所采用的技术155

4.6.3　实施IMC-PID前后的运行曲线155

4.7　多变量系统解耦内模控制158

4.7.1　多变量内模控制及NLJ随机搜索算法158

4.7.2　NLJ随机搜索算法160

4.7.3　多变量系统解耦内模控制设计及应用160

4.7.4　仿真161

4.7.5　结论163

4.8　模型PID控制163

4.8.1　模型PID控制概述163

4.8.2　过程模型的闭环辨识163

4.8.3　过渡过程衰减比的新要求和超调量的约束条件167

4.8.4　闭环系统控制器PID参数设计167

4.8.5　现场应用示例168

思考题与习题169

参考文献169

第5章　预测控制173

5.1　预测控制的产生和类型173

5.1.1　预测控制产生的背景173

5.1.2　预测控制的类型173

5.1.3　预测控制的分析方法175

5.1.4　预测控制软件包175

5.1.5　预测控制的应用概况178

5.2　预测控制的特点、现状和发展178

5.2.1　预测控制的特点178

5.2.2　预测控制的现状179

5.2.3　需要深入考虑的问题180

5.3　预测控制基本算法181

5.3.1　动态矩阵控制算法181

5.3.2　模型算法控制185

5.4　广义预测控制187

5.4.1 显式广义预测自校正控制188

5.4.2　隐式广义预测自校正控制192

5.4.3　广义预测控制仿真实验196

5.5　广义预测控制快速算法202

5.6　多变量单值预估控制204

5.6.1　多变量单值预估控制算法204

5.6.2　大滞后系统的多变量单值广义预测控制206

5.7　广义预测-PID串级控制209

5.7.1　GPC-PID串级控制的结构与特点209

5.7.2　仿真试验210

5.7.3　GPC-PID串级控制的实施方案213

5.8　基于差分方程的单变量预测函数控制214

5.8.1　概述214

5.8.2　基于差分方程的预测函数控制基本原理及算法研究214

5.8.3　基于差分方程的预测函数控制算法的仿真研究218

5.8.4　结论222

5.9　基于NLJ优化算法的多变量约束预测函数控制222

5.9.1　概述222

5.9.2　多变量预测函数控制算法223

5.9.3　NLJ算法225

5.9.4　仿真结果225

5.9.5　结论227

5.10　多变量协调预测控制及其应用227

5.10.1　约束协调控制227

5.10.2　多采样周期控制系统228

5.10.3　预测控制的实施方案228

5.10.4　催化裂化反应深度多变量预测控制229

思考题与习题232

参考文献232

第6章　人工神经网络理论及其在软测量中的应用235

6.1　人工神经网络235

6.2　BP神经网络及其应用237

6.2.1　BP网络结构237

6.2.2　BP算法238

6.2.3　BP算法的软件实现240

6.2.4　BP算法的性能和问题240

6.2.5　BP网络的应用241

6.2.6　建立非线性函数模型241

6.3　RBF神经网络及其应用242

6.3.1　RBF网络结构及工作过程242

6.3.2　RBF网络的学习方法244

6.3.3　RBF网络的算法249

6.3.4　用RBF神经网络建立系统模型250

6.3.5　RBF网络的编程实现252

6.3.6　用RBF网络建立油品粘度和闪点的软仪表模型252

6.3.7　乙醛氧化制醋酸氧化塔收率软仪表的RBF模型254

6.4　用PCA-RBFN建立可侦破故障的反应器自校正模型257

6.4.1　概述257

6.4.2　PCA-RBFN自校正模型258

6.4.3　用PCA-RBFN建立可侦破故障的反应器自校正模型260

6.4.4　结论261

6.5　B样条神经网络261

6.5.1　B样条函数的构成及其性质261

6.5.2　B样条神经网络算法263

6.5.3　B样条网络的训练264

6.5.4　建立聚合反应分子量分布静态模型265

6.6　用支持向量机构建软仪表270

6.6.1　概述270

6.6.2　最小二乘支持向量机算法271

6.6.3　床层温度拟定态模型272

思考题与习题274

参考文献274

第7章　模糊控制理论与应用277

7.1　传统控制的难题277

7.2　模糊控制技术的发展及应用277

7.3　模糊控制原理278

7.3.1　模糊控制的基本思路278

7.3.2　精确量的模糊化279

7.3.3　建立模糊控制规则及进行模糊判决281

7.3.4　反模糊化281

7.4　模糊控制器的设计283

7.4.1　基本模糊控制器的设计283

7.4.2　参数在线自校正模糊控制器的设计286

7.4.3 自适应模糊控制器287

7.4.4　常压塔塔底液位非线性控制289

7.5　模糊控制与PID控制的结合291

7.5.1　模糊控制与PID控制的比较291

7.5.2　模糊控制与PID控制串级控制292

7.6　小结293

思考题与习题294

参考文献294

第8章　遗传算法及其工程应用296

8.1　遗传算法的基本原理和方法296

8.1.1　概述296

8.1.2　遗传算法的基本方法296

8.1.3　遗传算法的理论基础298

8.1.4　遗传算法的研究进展及应用299

8.2 自适应遗传算法300

8.2.1　相似度对遗传算法的影响300

8.2.2　基于交叉相似度的自适应遗传算法302

8.2.3　函数优化问题303

8.3　实数编码遗传算法与优化分布交叉操作304

8.3.1　实数编码策略305

8.3.2　实数编码交叉操作的效率分析305

8.3.3　有效交叉操作和张弛交叉操作308

8.3.4　实数编码优化分布交叉操作309

8.3.5　仿真计算310

8.4　分布式遗传算法311

8.4.1　遗传算法的并行处理311

8.4.2　分布式混合遗传算法311

8.5　用遗传算法估计反应动力学参数313

8.6　遗传算法用于过程优化314

8.7　常减压蒸馏装置的优化315

8.7.1　建立收率的优化模型315

8.7.2　对收率优化模型进行优化316

8.7.3　优化结果分析316

8.8　遗传算法生成模糊规则316

8.8.1 问题的结构317

8.8.2　查询表的信息冗余及遗传个体的表示317

8.8.3　遗传算法的构造318

8.8.4　结论320

思考题与习题320

参考文献320

第9章　计算机监控系统和在线优化控制324

9.1　计算机监控系统324

9.1.1　计算机监控系统类型324

9.1.2　监测控制系统的功能325

9.1.3　监测控制系统设计要求326

9.1.4　监测控制系统设计步骤326

9.1.5　SCADA系统的功能及其发展趋势328

9.1.6　SCADA的硬件结构及数据库329

9.1.7　SCADA的软件331

9.2　在线优化控制332

9.2.1　优化控制的意义和必要性332

9.2.2　过程优化技术332

9.2.3　过程优化的描述333

9.2.4　优化算法的种类334

9.3　过程在线优化控制的应用335

9.3.1　NLJ优化算法335

9.3.2　复合形优化算法338

9.3.3　在线优化应用示例340

思考题与习题344

参考文献344

第10章　群集智能优化算法及其应用346

10.1　概述346

10.1.1　粒子群算法346

10.1.2　蚁群算法346

10.1.3　群智能的优点347

10.2　粒子群优化算法347

10.2.1　PSO算法基本原理348

10.2.2　PSO算法数学描述348

10.3　PSO算法的改进349

10.3.1　加入惯性权重因子w的PSO算法349

10.3.2　基本PSO的算法步骤350

10.3.3　Vmax与w对PSO算法的影响351

10.4　PSO算法的发展351

10.4.1 自适应PSO351

10.4.2　混合PSO352

10.4.3　协同PSO352

10.4.4　离散PSO353

10.5　离散三群粒子群优化算法353

10.5.1　基本离散粒子群优化算法353

10.5.2　离散三群粒子群优化算法354

10.5.3　工业现场的软测量应用355

10.6　蚁群算法358

10.6.1　蚁群算法概述358

10.6.2　蚁群算法的基本原理360

10.6.3　蚁群算法基本模型的改进技术363

10.6.4　蚁群算法在连续优化问题中的应用365

10.6.5　尚需深入研究的问题367

思考题与习题367

参考文献368

附录370

附录A　MATLAB程序370

附录B　F分布表和t分布表401