数据驱动建模、控制与监测：以高炉炼铁过程为例

目录
前言
第1章 绪论 1
1.1 引言 1
1.2 高炉炼铁过程及建模、控制与监测相关问题描述 3
1.2.1 高炉炼铁过程描述 3
1.2.2 高炉铁水质量指标 5
1.2.3 高炉铁水质量相关变量分析 7
1.2.4 高炉炼铁生产的基本操作制度 9
1.2.5 高炉炼铁过程动态特性及复杂性分析 10
1.3 高炉炼铁过程建模、控制与监测方法 12
1.3.1 高炉炼铁过程建模方法 12
1.3.2 高炉炼铁过程质量相关监测方法 14
1.3.3 高炉炼铁过程控制方法 16
1.4 本书主要内容 18
参考文献 19
第2章 基于随机权神经网络的高炉铁水质量建模 22
2.1 随机权神经网络理论基础 23
2.1.1 随机权神经网络算法简介 24
2.1.2 随机权神经网络算法实现要点 26
2.2 集成自编码器与PCA的高炉铁水质量RVFLNs建模 27
2.2.1 自编码器简介 28
2.2.2 集成自编码器与PCA的RVFLNs算法 28
2.2.3 工业数据验证 32
2.3 高炉铁水质量鲁棒正则化RVFLNs建模 40
2.3.1 正则化与鲁棒估计简介 41
2.3.2 鲁棒正则化RVFLNs算法 49
2.3.3 工业数据验证 54
2.4 高炉铁水质量鲁棒OS-RVFLNs建模 62
2.4.1 建模策略 62
2.4.2 带有遗忘因子的在线序贯学习RVFLNs算法 63
2.4.3 鲁棒OS-RVFLNs算法 66
2.4.4 工业数据验证 71
2.5 基于GM-估计与PLS的铁水质量鲁棒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-估计与PLS的鲁棒RVFLNs算法 80
2.5.4 工业数据验证 83
参考文献 89
第3章 基于支持向量回归的高炉铁水质量鲁棒建模 91
3.1 支持向量回归理论基础 92
3.1.1 支持向量分类机 92
3.1.2 支持向量回归机 93
3.1.3 核函数 95
3.2 基于稀疏化鲁棒LSSVR的铁水硅含量建模 97
3.2.1 建模问题描述 97
3.2.2 稀疏化鲁棒LSSVR建模算法 97
3.2.3 R-S-LSSVR参数多目标遗传优化 100
3.2.4 工业数据验证 102
3.3 基于多输出鲁棒LSSVR的多元铁水质量建模 107
3.3.1 建模问题描述 107
3.3.2 多输出鲁棒LSSVR建模算法 108
3.3.3 多输出鲁棒LSSVR参数多目标遗传优化 112
3.3.4 工业数据验证 114
参考文献 120
第4章 基于子空间辨识的高炉铁水质量建模 121
4.1 子空间辨识算法理论基础 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 奇异值分解 123
4.2 基于线性子空间辨识的高炉铁水质量建模 124
4.2.1 系统状态空间描述 124
4.2.2 子空间辨识数据矩阵构造 125
4.2.3 线性子空间辨识算法 127
4.2.4 工业数据验证 129
4.3 基于递推子空间辨识的高炉铁水质量在线建模 132
4.3.1 递推子空间辨识算法 132
4.3.2 工业数据验证 134
4.4 基于递推双线性子空间辨识的高炉铁水质量在线建模 136
4.4.1 递推双线性子空间辨识算法 137
4.4.2 工业数据验证 141
4.5 基于非线性子空间辨识的高炉铁水质量建模 142
4.5.1 基于LSSVM的非线性子空间辨识算法 143
4.5.2 工业数据验证 149
参考文献 153
第5章 高炉炼铁过程其他数据驱动建模方法 155
5.1 高炉十字测温中心温度估计的M-ARMAX建模 155
5.1.1 高炉十字测温过程及建模问题描述 156
5.1.2 建模算法 158
5.1.3 工业数据验证 163
5.2 建模误差PDF形状优化的高炉十字测温中心温度估计 169
5.2.1 小波神经网络算法简介 170
5.2.2 建模策略与建模算法 173
5.2.3 工业数据验证 179
5.3 面向建模误差PDF形状与趋势拟合优度多目标优化的铁水
质量建模 181
5.3.1 建模策略 182
5.3.2 建模算法 183
5.3.3 数值仿真 185
5.3.4 工业数据验证 187
参考文献 188
第6章 高炉铁水质量数据驱动预测控制 189
6.1 预测控制及相关问题 190
6.2 基于单输出LSSVR建模的铁水硅含量非线性预测控制 191
6.2.1 控制算法 192
6.2.2 工业数据验证 193
6.3 基于多输出LSSVR逆系统辨识的铁水质量预测控制 194
6.3.1 控制算法 195
6.3.2 工业数据验证 198
6.4 基于线性子空间在线预测建模的铁水质量自适应预测控制 201
6.4.1 控制算法 202
6.4.2 工业数据验证 203
6.5 基于双线性子空间在线预测建模的铁水质量自适应预测控制 208
6.5.1 控制算法 209
6.5.2 工业数据验证 210
参考文献 214
第7章 基于即时学习的高炉铁水质量自适应预测控制 216
7.1 即时学习方法理论基础 217
7.1.1 即时学习基本原理 217
7.1.2 即时学习的几个主要问题 218
7.2 基于线性即时学习的铁水硅含量自适应预测控制 221
7.2.1 控制算法 221
7.2.2 工业数据验证 226
7.3 基于快速JITL-R-M-LSSVR的铁水质量自适应预测控制 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的非线性预测控制 241
7.3.4 工业数据验证 242
参考文献 252
第8章 高炉铁水质量无模型自适应控制 254
8.1 基本MFAC算法及其在高炉铁水质量控制的问题分析 255
8.1.1 基于紧格式动态线性化的铁水质量MFAC设计算法 256
8.1.2 基于偏格式动态线性化的铁水质量MFAC设计算法 259
8.1.3 基于全格式动态线性化的铁水质量MFAC设计算法 261
8.1.4 基本MFAC算法的铁水质量控制效果及问题分析 264
8.2 基于多参数灵敏度分析与遗传算法参数优化的铁水质量MFAC方法 271
8.2.1 多参数灵敏度分析与遗传算法参数优化简述 272
8.2.2 改进MFAC控制策略与算法 274
8.2.3 基于多参数灵敏度分析和遗传算法参数优化的MFAC控制器参数整定方法 275
8.2.4 工业数据验证 281
8.3 高炉铁水质量鲁棒无模型自适应预测控制方法 288
8.3.1 高炉铁水质量扩展MFAPC方法 289
8.3.2 高炉铁水质量鲁棒MFAPC方法 298
8.3.3 工业数据验证 302
参考文献 310
第9章 集成PCA-ICA的高炉炼铁过程异常工况监测 312
9.1 集成PCA-ICA的高炉炼铁过程异常工况监测策略 313
9.2 过程监测算法 316
9.2.1 基于PCA的高炉炼铁过程监测算法 316
9.2.2 基于ICA的高炉炼铁过程监测算法 317
9.2.3 高炉炼铁过程集成PCA-ICA的统一贡献图辨识算法 318
9.3 工业数据验证 320
9.3.1 所提方法过程变量权值参数分配 320
9.3.2 高炉炼铁过程异常监测与辨识效果 322
参考文献 326
第10章 基于KPLS鲁棒重构误差的高炉燃料比监测方法 328
10.1 基于KPLS的非线性过程检测方法 330
10.2 基于KPLS鲁棒重构误差的故障识别方法 333
10.2.1 故障识别算法 333
10.2.2 故障识别指标 336
10.3 数值仿真 337
10.4 工业数据验证 340
10.4.1 高炉燃料比检测效果 340
10.4.2 基于KPLS鲁棒重构误差的燃料比异常识别效果 342
参考文献 344
第11章 基于自适应阈值KPLS的高炉铁水质量异常检测方法 346
11.1 基于自适应阈值的KPLS异常检测算法 347
11.1.1 基于EWMA的自适应阈值 347
11.1.2 异常检测策略与算法 349
11.2 数值仿真 350
11.3 工业数据验证 357
11.3.1 高炉铁水质量异常检测问题描述 357
11.3.2 高炉铁水质量异常检测结果分析 358
参考文献 361
第12章 基于改进贡献率KPLS的高炉铁水质量监测与异常识别 363
12.1 铁水质量相关过程监测的问题分析 364
12.2 高炉炼铁过程质量相关故障识别 366
12.2.1 所提方法基本思想 366
12.2.2 故障识别的贡献推导 367
12.2.3 相对贡献率及控制限 369
12.3 数值仿真 370
12.4 工业数据验证 374
参考文献 380