动态环境下复杂工业全过程多工序工艺指标闭环优化决策方法

动态环境下生产全过程的各个工序的工艺指标及时有效的协调决策，对实现其全局优化具有重要意义。本项目将研究动态环境下复杂工业全过程多工序工艺指标的优化决策问题，充分利用自然启发式智能优化算法不需要过程数学模型的特性以及在动态环境下的鲁棒性与适应性，在深入分析多工序工艺指标决策过程的动态变化因素及其特点的基础上，设计适应于大幅度不规律等特征动态变化的新型动态适应策略以及基于自然启发式的智能优化算法，充分利用反馈信息及过程数据中蕴含的工艺知识，采用反馈、预测与补偿等基本控制思想，在目前的开环优化方法的基础上，提出一种利用反馈信息的多工序工艺指标动态闭环优化决策的结构与方法，并以典型的流程工业生产实例为背景进行仿真验证和工业应用验证研究。本项申请不仅在理论上具有先进性，为解决动态环境下面向全局优化的复杂工业全过程的多工序工艺指标决策问题提供有效的理论方法，而且在工业实际应用方面也具有广阔的前景。

动态环境下生产全过程的各个工序的工艺指标及时有效的协调决策，对实现其全局优化具有重要意义。本项目针对复杂工业全过程多工序工艺指标优化决策问题，将运行管理专家的领域知识与反馈、预测和前馈的控制思想相结合，将进化算法与案例推理相结合，提出了动态环境下工艺指标的新的多目标闭环优化决策结构与方法。在复杂工业全过程多工序工艺指标的建模方面（包括性能指标模型和预报模型），提出了基于建模误差概率密度函数分布和最小熵的建模方法。采用案例推理与进化计算相结合来设计新型动态适应策略，在此基础上，采用案例推理与多目标优化方法NSGAII相结合，提出了多目标动态混合智能优化方法。利用粗糙集在过程运行数据中挖掘全流程生产指标与各工序工艺指标增量间的规则，提出了基于粗糙集规则挖掘的动态校正方法。研制了可组态、模块化的多工序工艺指标决策过程研究实验平台。并采用所提出的方法，结合选矿过程工艺指标决策问题，开展了仿真验证和工业应用实验验证研究。不仅为解决动态环境下的复杂工业全过程的多工序工艺指标决策问题提供方法，而且具有工业实际应用前景。