12、工业过程控制中的智能优化与神经网络应用

工业过程控制中的智能优化与神经网络应用

在工业过程控制领域，如何实现高效、精准的控制一直是研究的重点。本文将介绍两种不同但又都与神经网络相关的控制方法，一种是基于递归神经网络（RNN）的间歇过程迭代优化控制，另一种是用于动态系统控制的时滞递归神经网络（TDRNN）。

基于递归神经网络的间歇过程迭代优化控制

在间歇过程中，获得能够提供准确长期预测的精确模型对于实现良好的最优控制性能至关重要。由于开发机理模型存在困难，基于过程运行数据的经验模型成为了一种可行的选择。神经网络因其能够逼近任何连续非线性函数，被广泛应用于识别经验模型。在本文中，递归神经网络（RNN）被用于表示间歇过程中产品质量与控制轨迹之间的非线性关系。

然而，在实际应用中，间歇过程优化往往受到模型 - 工厂不匹配和未知干扰的阻碍。“模型上的最优”不一定意味着“实际过程中的最优”。由于间歇过程具有重复性，利用先前运行的信息来改进当前运行是可行的，这就是所谓的“运行到运行”或“批次到批次”优化。

间歇过程建模

考虑一个间歇过程，其运行长度（$t_f$）固定并被划分为 $N$ 个相等的间隔。输入和产品质量序列定义为 $U_k=[u_k(0),…, u_k(N - 1)]^T$，$Y_k=[y_k(1),…, y_k(N)]^T$，其中 $k$ 是批次运行索引，$y\in R^n$ 是产品质量变量，$u\in R^m$ 是用于产品质量的输入（操纵）变量。

RNN 模型用于建模 $u_k$ 和 $y_k$ 之间的非线性关系，公式为：
$\hat{y}_k(t + 1) = RNN [ \hat{y}_k(t), \hat{y}_k(t - 1), u_k(