基于即时学习的高炉炼铁过程数据驱动自适应预测控制

摘要：

针对高炉炼铁过程,本文提出一种基于即时学习的高炉铁水质量自适应预测控制方法(JITL-APC).该方法的特点是控制器通过k向量近邻(k-VNN)方法搜索数据库中的输入输出(I/O)数据信息,对非线性系统进行局部建模,并在此基础上计算控制律.而且,该方法中引入了工业异常数据处理机制,利用JITL学习子集中的平均数据项,对异常数据项进行填补或替换,从而消除异常数据对控制系统的影响.此外,本文提出一种JITL模型保留策略(MRS),避免由于数据库中相似数据样本不足导致的局部模型严重失配,并通过实时收集I/O数据更新数据库,使控制器自适应不同的工况条件,MRS还可以有效抑制噪声干扰的影响,从而提高控制系统的稳定性.最后,基于某大型钢铁厂2#高炉的数值仿真实验,充分验证了该方法的有效性.

关键词：高炉、数据驱动、即时学习、线性化、模型预测控制、工业数据异常

所属期刊栏目：37

资助基金：国家自然科学基金项目;中央高校基本科研业务费项目

在线出版日期：2020-07-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：295-306