數(shù)據(jù)驅(qū)動(dòng)建模、控制與監(jiān)測(cè)：以高爐煉鐵過(guò)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(guò)程及建模、控制與監(jiān)測(cè)相關(guān)問(wèn)題描述 3
1.2.1 高爐煉鐵過(guò)程描述 3
1.2.2 高爐鐵水質(zhì)量指標(biāo) 5
1.2.3 高爐鐵水質(zhì)量相關(guān)變量分析 7
1.2.4 高爐煉鐵生產(chǎn)的基本操作制度 9
1.2.5 高爐煉鐵過(guò)程動(dòng)態(tài)特性及復(fù)雜性分析 10
1.3 高爐煉鐵過(guò)程建模、控制與監(jiān)測(cè)方法 12
1.3.1 高爐煉鐵過(guò)程建模方法 12
1.3.2 高爐煉鐵過(guò)程質(zhì)量相關(guān)監(jiān)測(cè)方法 14
1.3.3 高爐煉鐵過(guò)程控制方法 16
1.4 本書(shū)主要內(nèi)容 18
參考文獻(xiàn) 19
第2章 基于隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)的高爐鐵水質(zhì)量建模 22
2.1 隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ) 23
2.1.1 隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)算法簡(jiǎn)介 24
2.1.2 隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)要點(diǎn) 26
2.2 集成自編碼器與PCA的高爐鐵水質(zhì)量RVFLNs建模 27
2.2.1 自編碼器簡(jiǎn)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(shù)據(jù)驗(yàn)證 32
2.3 高爐鐵水質(zhì)量魯棒正則化RVFLNs建模 40
2.3.1 正則化與魯棒估計(jì)簡(jiǎn)介 41
2.3.2 魯棒正則化RVFLNs算法 49
2.3.3 工業(yè)數(shù)據(jù)驗(yàn)證 54
2.4 高爐鐵水質(zhì)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(xué)習(xí)RVFLNs算法 63
2.4.3 魯棒OS-RVFLNs算法 66
2.4.4 工業(yè)數(shù)據(jù)驗(yàn)證 71
2.5 基于GM-估計(jì)與PLS的鐵水質(zhì)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(jì)與PLS的魯棒RVFLNs算法 80
2.5.4 工業(yè)數(shù)據(jù)驗(yàn)證 83
參考文獻(xiàn) 89
第3章 基于支持向量回歸的高爐鐵水質(zhì)量魯棒建模 91
3.1 支持向量回歸理論基礎(chǔ) 92
3.1.1 支持向量分類機(jī) 92
3.1.2 支持向量回歸機(jī) 93
3.1.3 核函數(shù) 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(wèn)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(shù)多目標(biāo)遺傳優(yōu)化 100
3.2.4 工業(yè)數(shù)據(jù)驗(yàn)證 102
3.3 基于多輸出魯棒LSSVR的多元鐵水質(zhì)量建模 107
3.3.1 建模問(wèn)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(shù)多目標(biāo)遺傳優(yōu)化 112
3.3.4 工業(yè)數(shù)據(jù)驗(yàn)證 114
參考文獻(xiàn) 120
第4章 基于子空間辨識(shí)的高爐鐵水質(zhì)量建模 121
4.1 子空間辨識(shí)算法理論基礎(chǔ) 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(shí)的高爐鐵水質(zhì)量建模 124
4.2.1 系統(tǒng)狀態(tài)空間描述 124
4.2.2 子空間辨識(shí)數(shù)據(jù)矩陣構(gòu)造 125
4.2.3 線性子空間辨識(shí)算法 127
4.2.4 工業(yè)數(shù)據(jù)驗(yàn)證 129
4.3 基于遞推子空間辨識(shí)的高爐鐵水質(zhì)量在線建模 132
4.3.1 遞推子空間辨識(shí)算法 132
4.3.2 工業(yè)數(shù)據(jù)驗(yàn)證 134
4.4 基于遞推雙線性子空間辨識(shí)的高爐鐵水質(zhì)量在線建模 136
4.4.1 遞推雙線性子空間辨識(shí)算法 137
4.4.2 工業(yè)數(shù)據(jù)驗(yàn)證 141
4.5 基于非線性子空間辨識(shí)的高爐鐵水質(zhì)量建模 142
4.5.1 基于LSSVM的非線性子空間辨識(shí)算法 143
4.5.2 工業(yè)數(shù)據(jù)驗(yàn)證 149
參考文獻(xiàn) 153
第5章 高爐煉鐵過(guò)程其他數(shù)據(jù)驅(qū)動(dòng)建模方法 155
5.1 高爐十字測(cè)溫中心溫度估計(jì)的M-ARMAX建模 155
5.1.1 高爐十字測(cè)溫過(guò)程及建模問(wèn)題描述 156
5.1.2 建模算法 158
5.1.3 工業(yè)數(shù)據(jù)驗(yàn)證 163
5.2 建模誤差PDF形狀優(yōu)化的高爐十字測(cè)溫中心溫度估計(jì) 169
5.2.1 小波神經(jīng)網(wǎng)絡(luò)算法簡(jiǎn)介 170
5.2.2 建模策略與建模算法 173
5.2.3 工業(yè)數(shù)據(jù)驗(yàn)證 179
5.3 面向建模誤差PDF形狀與趨勢(shì)擬合優(yōu)度多目標(biāo)優(yōu)化的鐵水
質(zhì)量建模 181
5.3.1 建模策略 182
5.3.2 建模算法 183
5.3.3 數(shù)值仿真 185
5.3.4 工業(yè)數(shù)據(jù)驗(yàn)證 187
參考文獻(xiàn) 188
第6章 高爐鐵水質(zhì)量數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)控制 189
6.1 預(yù)測(cè)控制及相關(guān)問(wèn)題 190
6.2 基于單輸出LSSVR建模的鐵水硅含量非線性預(yù)測(cè)控制 191
6.2.1 控制算法 192
6.2.2 工業(yè)數(shù)據(jù)驗(yàn)證 193
6.3 基于多輸出LSSVR逆系統(tǒng)辨識(shí)的鐵水質(zhì)量預(yù)測(cè)控制 194
6.3.1 控制算法 195
6.3.2 工業(yè)數(shù)據(jù)驗(yàn)證 198
6.4 基于線性子空間在線預(yù)測(cè)建模的鐵水質(zhì)量自適應(yīng)預(yù)測(cè)控制 201
6.4.1 控制算法 202
6.4.2 工業(yè)數(shù)據(jù)驗(yàn)證 203
6.5 基于雙線性子空間在線預(yù)測(cè)建模的鐵水質(zhì)量自適應(yīng)預(yù)測(cè)控制 208
6.5.1 控制算法 209
6.5.2 工業(yè)數(shù)據(jù)驗(yàn)證 210
參考文獻(xiàn) 214
第7章 基于即時(shí)學(xué)習(xí)的高爐鐵水質(zhì)量自適應(yīng)預(yù)測(cè)控制 216
7.1 即時(shí)學(xué)習(xí)方法理論基礎(chǔ) 217
7.1.1 即時(shí)學(xué)習(xí)基本原理 217
7.1.2 即時(shí)學(xué)習(xí)的幾個(gè)主要問(wèn)題 218
7.2 基于線性即時(shí)學(xué)習(xí)的鐵水硅含量自適應(yīng)預(yù)測(cè)控制 221
7.2.1 控制算法 221
7.2.2 工業(yè)數(shù)據(jù)驗(yàn)證 226
7.3 基于快速JITL-R-M-LSSVR的鐵水質(zhì)量自適應(yīng)預(yù)測(cè)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(yù)測(cè)控制 241
7.3.4 工業(yè)數(shù)據(jù)驗(yàn)證 242
參考文獻(xiàn) 252
第8章 高爐鐵水質(zhì)量無(wú)模型自適應(yīng)控制 254
8.1 基本MFAC算法及其在高爐鐵水質(zhì)量控制的問(wèn)題分析 255
8.1.1 基于緊格式動(dòng)態(tài)線性化的鐵水質(zhì)量MFAC設(shè)計(jì)算法 256
8.1.2 基于偏格式動(dòng)態(tài)線性化的鐵水質(zhì)量MFAC設(shè)計(jì)算法 259
8.1.3 基于全格式動(dòng)態(tài)線性化的鐵水質(zhì)量MFAC設(shè)計(jì)算法 261
8.1.4 基本MFAC算法的鐵水質(zhì)量控制效果及問(wèn)題分析 264
8.2 基于多參數(shù)靈敏度分析與遺傳算法參數(shù)優(yōu)化的鐵水質(zhì)量MFAC方法 271
8.2.1 多參數(shù)靈敏度分析與遺傳算法參數(shù)優(yōu)化簡(jiǎn)述 272
8.2.2 改進(jìn)MFAC控制策略與算法 274
8.2.3 基于多參數(shù)靈敏度分析和遺傳算法參數(shù)優(yōu)化的MFAC控制器參數(shù)整定方法 275
8.2.4 工業(yè)數(shù)據(jù)驗(yàn)證 281
8.3 高爐鐵水質(zhì)量魯棒無(wú)模型自適應(yīng)預(yù)測(cè)控制方法 288
8.3.1 高爐鐵水質(zhì)量擴(kuò)展MFAPC方法 289
8.3.2 高爐鐵水質(zhì)量魯棒MFAPC方法 298
8.3.3 工業(yè)數(shù)據(jù)驗(yàn)證 302
參考文獻(xiàn) 310
第9章 集成PCA-ICA的高爐煉鐵過(guò)程異常工況監(jiān)測(cè) 312
9.1 集成PCA-ICA的高爐煉鐵過(guò)程異常工況監(jiān)測(cè)策略 313
9.2 過(guò)程監(jiān)測(cè)算法 316
9.2.1 基于PCA的高爐煉鐵過(guò)程監(jiān)測(cè)算法 316
9.2.2 基于ICA的高爐煉鐵過(guò)程監(jiān)測(cè)算法 317
9.2.3 高爐煉鐵過(guò)程集成PCA-ICA的統(tǒng)一貢獻(xiàn)圖辨識(shí)算法 318
9.3 工業(yè)數(shù)據(jù)驗(yàn)證 320
9.3.1 所提方法過(guò)程變量權(quán)值參數(shù)分配 320
9.3.2 高爐煉鐵過(guò)程異常監(jiān)測(cè)與辨識(shí)效果 322
參考文獻(xiàn) 326
第10章 基于KPLS魯棒重構(gòu)誤差的高爐燃料比監(jiān)測(cè)方法 328
10.1 基于KPLS的非線性過(guò)程檢測(cè)方法 330
10.2 基于KPLS魯棒重構(gòu)誤差的故障識(shí)別方法 333
10.2.1 故障識(shí)別算法 333
10.2.2 故障識(shí)別指標(biāo) 336
10.3 數(shù)值仿真 337
10.4 工業(yè)數(shù)據(jù)驗(yàn)證 340
10.4.1 高爐燃料比檢測(cè)效果 340
10.4.2 基于KPLS魯棒重構(gòu)誤差的燃料比異常識(shí)別效果 342
參考文獻(xiàn) 344
第11章 基于自適應(yīng)閾值KPLS的高爐鐵水質(zhì)量異常檢測(cè)方法 346
11.1 基于自適應(yīng)閾值的KPLS異常檢測(cè)算法 347
11.1.1 基于EWMA的自適應(yīng)閾值 347
11.1.2 異常檢測(cè)策略與算法 349
11.2 數(shù)值仿真 350
11.3 工業(yè)數(shù)據(jù)驗(yàn)證 357
11.3.1 高爐鐵水質(zhì)量異常檢測(cè)問(wèn)題描述 357
11.3.2 高爐鐵水質(zhì)量異常檢測(cè)結(jié)果分析 358
參考文獻(xiàn) 361
第12章 基于改進(jìn)貢獻(xiàn)率KPLS的高爐鐵水質(zhì)量監(jiān)測(cè)與異常識(shí)別 363
12.1 鐵水質(zhì)量相關(guān)過(guò)程監(jiān)測(cè)的問(wèn)題分析 364
12.2 高爐煉鐵過(guò)程質(zhì)量相關(guān)故障識(shí)別 366
12.2.1 所提方法基本思想 366
12.2.2 故障識(shí)別的貢獻(xiàn)推導(dǎo) 367
12.2.3 相對(duì)貢獻(xiàn)率及控制限 369
12.3 數(shù)值仿真 370
12.4 工業(yè)數(shù)據(jù)驗(yàn)證 374
參考文獻(xiàn) 380