论文部分内容阅读
面向生产过程的数据驱动控制问题，论文提出了一种基于关联变量时滞分析的卷积神经网络(CNN)预测模型，并将其应用于预测控制方法之中，论文主要的研究工作如下: 1.提出了一个基于关联变量时滞分析的CNN预测模型，利用状态变量与输出间的时滞关系，来确定关联变量及其时间窗大小，进而确定卷积神经网络的结构，设计了多个不同的CNN网络预测模型结构，验证了模型的有效性。 2.针对模型预测控制，将CNN预测模型进行了改进，重新确定网络的输入输出，将控制量加入了网络的输入，设计了同时在一个模型中进行多步预测的CNN网络结构，大幅提升了算法的实效性，并且使用粒子群算法进行滚动优化，实时利用预测误差对模型进行反馈校正实时更新，实现预测控制策略。 3.在某反应与精馏过程模型上进行了仿真实验，利用Caffe深度学习框架进行卷积神经网络的训练与测试，验证了所提方法的有效性。