[01833945]基于人工智能理论的复杂工业过程建模与优化控制

人工智能理论与技术主要包括人工神经网络、支持向量机、数据挖掘、云模型、云计算、智能优化算法和进化计算等理论与技术方法，而且利用人工智能理论与技术可以解决许多从前难以解决的问题。正基于此，该项目利用人工智能理论与技术中的人工神经网络、支持向量机、智能优化和进化算法，有效地解决了一类典型复杂工业过程（电站燃煤锅炉和汽轮发电机组）的全局自动控制和全局优化控制问题，而这两个问题同时属于计算机科学技术和控制工程技术领域的世界性难题。该项目已获如下成果：发表SCI收录论文30多篇，EI收录论文40多篇，他引SCI论文120次，他引EI论文110篇，其中主要8篇SCI收录论文SCI他引86次；完成国家自然科学基金项目和省自然科学基金项目；培养获博士学位3人，获硕士学位32人。上述成果得到国内外同行专家的高度评价和广泛认可。该项目主要创新点和科学价值如下：首次阐明了自适应谐振神经网络ART-2与误差反向传播神经网络BP相融合实现复杂工业过程聚类融合控制与建模的内在机理和时空关系，并首次将聚类融合控制应用于电站燃煤锅炉燃烧过程全局自动控制中，解决了该领域存在的一个世界性难题——电站燃煤锅炉燃烧过程无法实现全局自动控制的问题。首次提出一种具有快速学习功能的全新人工神经网络——快速学习网(FLN)，其输出神经元不仅接收来自隐层神经元的信息，而且还可以直接从输入神经元提取信息，并通过经典的回归数据集验证了算法的有效性。之后，应用FLN对两台电站燃煤锅炉进行了燃烧过程优化模型建模实验，取得了很好的建模实验效果，同时也表明了算法具有很高的辨识性、稳定性和普适性。另外，针对某热电厂的300MW锅炉所采集的历史数据特征，还提出了一类组合型离线建模方法，其主要是由主模型和补偿模型组合而成，实验证明其具有很高的辨识性能和泛化能力。首次提出两类改进的人工蜂群算法，并通过测试函数验证了改进的算法具有非常快的收敛速度、非常强的全局优化能力和很好的稳定性，同时利用该算法有效地解决了FLN输入权值和隐层阈值的优化问题。另外，结合建立的锅炉燃烧过程优化模型，采用改进的人工蜂群算法优化锅炉可调运行参数，实现了锅炉燃烧过程的全局优化控制，解决了该领域存在的另一个世界性难题——电站燃煤锅炉燃烧过程无法实现全局优化控制的问题。首次提出一种自适应最小二乘支持向量回归(ALSSVR)模型，并通过数值仿真实验验证了该模型能够用于建立在线预测模型，适用于复杂工业过程动态系统的在线预测，同时将其应用于汽轮机主蒸汽流量和热耗率的在线预测，都取得了满意的预测效果。另外，该模型对汽轮机组变工况运行时的节能降耗还具有重要的指导意义。首次提出一种改进的万有引力搜索算法(IGSA)，并通过13个基准函数的测试，验证了该算法比其它算法具有更高的寻优精度和更好的稳定性，将其应用于最小二乘支持向量机热耗率建模超参数的优化中，表现出比其它常见智能优化算法具有更好的优化效果。