基于数据的生化过程自适应建模及多目标协同优化控制研究-东篱科研大数据发现系统（DRDS）

位置：立项数据库 > 立项详情页

基于数据的生化过程自适应建模及多目标协同优化控制研究

项目名称：基于数据的生化过程自适应建模及多目标协同优化控制研究
项目类别：面上项目
批准号：61173071
申请代码：F0205
项目来源：国家自然科学基金
研究期限：2012-01-01-2015-12-31

项目负责人：王鲜芳
依托单位：河南师范大学
批准年度：2011

中文摘要：

生化工业在国民经济中占有非常重要的地位，然而由于生化过程模型的不确定性导致现代控制理论不能在实际生化过程中应用，相对于其他模型一定的工业过程，其自动化水平还很低。本项目针对实际生化过程存在的模型容易失效问题，在充分研究基于统计学理论的SVM的基础上，利用在线数据和离线数据，拟提出具有记忆功能的MIMO-OLSSVM理论，结合生化过程机理模型，建立自适应混合模型，实现对一些关键生物变量的在线准确预测，并能够进行实时状态监控；针对生化过程要求的多目标优化问题，拟通过研究标准PSO、QDPSO，提出MQDPSO优化算法理论，结合自适应模型，实现生化过程的多目标协同优化控制；最后，我们将集成阶段性研究成果，构建生化过程监测和控制系统，并通过具体试验和实际应用进行分析与评价。

中文主题词：自适应混合模型；多目标协同优化；生化过程；MOPSO；SVM

英文摘要：

Adaptive hybrid models；Multi-objective coordinated optimization；biochemical process；MOPSO；SVM

英文主题词： Adaptive hybrid models；Multi-objective coordinated optimization；biochemical process；MOPSO；SVM

结论摘要：

生化工业在国民经济中占有非常重要的地位，然而由于生化过程模型的不确定性导致现代控制理论不能在实际生化过程中应用，相对于其他模型一定的工业过程，其自动化水平还很低。本项目主要针对生化过程模型不稳定和难以实施优化控制的问题展开，研究按项目计划进行，完成了要求任务，取得的主要成果如下 1.建立了自适应混合模型。生化过程具有很强的非线性、数据众多、特点不明，难以从中提取有用信息。本项目利用模糊C-均值算法，通过对在线数据和离线数据进行聚类及相关分析，得到数据特征，然后在充分研究基于统计学理论的SVM的基础上，结合生化过程机理模型，利用加权融合估计算法，建立了自适应混合模型，实现对一些关键生物变量的在线准确预测，并实现了生化过程的实时状态监控。 2.实现了生化过程的多目标协同优化控制。针对生化过程要求的多目标优化问题，通过研究标准粒子群优化算法（PSO)、自适应量子粒子群算法(AQPSO)、双向双向变异因子的粒子群算法、多目标自适应粒子群算法等，结合所建的自适应模型，设计多目标协同优化控制策略，实现了生化过程的多目标多变量协同优化控制。 3.构筑了生化过程计算机集散控制系统平台。合理选用工控机、PLC、相关执行器、被控对象等搭建硬件平台，利用本项目所建模型以及设计的相关优化算法构建软件平台，将二者有机结合起来，构筑了生化过程计算机集散控制系统平台，能够完成生化过程监测、故障诊断和优化控制。 4. 该项目获批软件著作权1项，通过河南省科技厅鉴定1项，发表学术论文29篇，其中SCI/EI检索16篇，中文核心13篇，培养毕业硕士研究生9名。

成果综合统计