基于关联变量时滞分析的卷积神经网络模型预测控制方法

摘要

面向生产过程的数据驱动控制问题，论文提出了一种基于关联变量时滞分析的卷积神经网络(CNN)预测模型，并将其应用于预测控制方法之中，论文主要的研究工作如下:
　　1.提出了一个基于关联变量时滞分析的CNN预测模型，利用状态变量与输出间的时滞关系，来确定关联变量及其时间窗大小，进而确定卷积神经网络的结构，设计了多个不同的CNN网络预测模型结构，验证了模型的有效性。
　　2.针对模型预测控制，将CNN预测模型进行了改进，重新确定网络的输入输出，将控制量加入了网络的输入，设计了同时在一个模型中进行多步预测的CNN网络结构，大幅提升了算法的实效性，并且使用粒子群算法进行滚动优化，实时利用预测误差对模型进行反馈校正实时更新，实现预测控制策略。
　　3.在某反应与精馏过程模型上进行了仿真实验，利用Caffe深度学习框架进行卷积神经网络的训练与测试，验证了所提方法的有效性。

目录

声明

摘要

第一章 前言

1．1 研究背景和意义

1．2 相关技术综述

1．2．1 卷积神经网络模型

1．2．2 关联变量的时滞分析

1．2．3 模型预测控制方法

1．3 内容及章节安排

第二章 基于关联变量时滞分析的卷积神经网络预测模型

2．1 引言

2．2 关联变量的时滞分析

2．3 卷积神经网络算法

2．3．1 卷积层

2．3．2 pooling层

2．3．3 全连接层

2．3．4 损失函数

2．3．5 激活函数

2．4 卷积神经网络预测模型

2．5 实例研究

2．5．1 Y-Y模型

2．5．2 U-Y模型

2．5．3 U-E模型

2．5．4 UY-Y模型

2．5．5 结果分析

2．6 本章小结

第三章 基于卷积神经网络模型的预测控制方法

3．1 引言

3．2 基于卷积神经网络模型的预测控制结构

3．2．1 参考轨迹

3．2．2 预测模型

3．2．3 滚动优化

3．2．4 反馈校正

3．2．5 基于卷积神经网络预测控制结构

3．3 粒子群优化方法

3．3．1 有约束多目标优化问题

3．3．2 常见优化算法

3．3．3 粒子群优化方法

3．4 预测控制算法及其实现

3．5 本章小结

第四章 应用研究

4．1 引言

4．2 反应精馏过程

4．3 基于CNN的反应精馏过程预测模型

4．3．1 预测模型输入输出选取

4．3．2 CNN预测模型

4．4 预测控制实现

4．4．1 粒子群算法滚动优化与反馈校正

4．4．2 算法实时性分析

4．5 本章小结

第五章 结论与展望

参考文献

致谢

研究成果及发表的学术论文

作者及导师简介