融合机理信息的混合智能建模、优化与控制方法研究

随着数据存储技术的发展，现代过程工业开始使用数据采集系统，基于数据驱动的过程建模技术得到广泛的应用。这种基于数据驱动的建模方法在复杂系统中能否成功应用，关键在于模型能否掌握过程机理知识，而不仅仅在于对数据的挖掘，即取决于该模型能否真正地理解并学会系统所遵循的客观规律。本课题提出将专家知识信息添加到这种基于数据驱动的建模过程中。在模型学习训练过程中，每次迭代学习时对关键的输入输出变量进行相关性分析，如果得到的分析信息与专家经验知识相一致，则不对模型训练的目标函数进行惩罚，否则根据违反程度施加不同程度的惩罚。这样最终得到的模型一方面符合历史数据的统计信息，另一方面由于模型在一定程度上包含了机理（专家经验）信息，模型的外推性将加强。.本课题包括以下几个方面工作：(1)复杂过程机理（专家经验）信息提取。专家信息可以是输出值范围、输入-输出单调性和凹凸性信息，提出采用定步扫描法进行专家经验信息的定量验证；(2)混合智能建模方法的理论分析。利用贝叶斯推理结合先验概率、似然函数和后验概率的关系从理论上分析提出建模方法的可行性；(3)结合BPNN和机理信息先验的混合智能建模方法的实现。详细分析了混合建模方法的步骤流程，为了提高建模的速度，提出“非线性层采用智能算法搜索、线性层采用最小二乘回归求解”的参数搜索策略，取得显著效果；（4）针对复杂体系优化问题，进行一种基于Alopex进化优化算法的完善。分别研究了将加权正态分布估计法、差分进化算法、蜂群算法、文化算法、正态copula函数、局部搜索技术以及二次插值法融于AEA算法中，提高算法的收敛速度及精度。针对测试函数和实际过程的优化，改进的算法都取得较好的结果；（5）基于AEA算法提出了一种新的自适应惩罚函数法处理约束问题。该方法充分利用函数各约束条件被违反次数统计量来判定约束强弱，动态自适应地调整各个约束的惩罚系数，同时考虑到目标函数与惩罚项之间的关系，对目标函数做出了相适应修改，使得两者间的关系更加趋于平衡，避免惩罚力度过大或过小。(6)混合建模方法在实际生产过程中的应用研究。分别在乙炔加氢反应器和纳滤膜溶胶平均粒径估计取得较好的效果，验证了本项目提出混合建模方法的可行性。本项目研究成果已经公开1项国家发明专利、申请6项软件著作权证书。发表期刊论文24篇，会议论文1篇。培养硕士研究生15人（其中，已毕业9人，在读6人）。