复杂系统FSR-FNN多模型分层自适应柔性计算

现代化工、钢铁等工业生产过程是一类典型的复杂系统，难以建立精确的数学模型。虽然智能计算的一些方法，如神经网络、遗传算法和模糊系统等已部分应用于这类系统，但由于单个智能计算模型很难反映这类复杂系统的全貌，所以应用效果极其有限；传统自适应技术及现有多模型自适应切换理论和方法也都存在一定缺陷。本项目利用粗糙集理论处理不确定性数据的突出优点和模糊神经网络强大的学习及非线性逼近能力，以轧钢生产过程为背景，研究面向复杂系统的函数S-粗集-模糊神经网络多模型分层自适应切换柔性计算的新理论和新方法。设计合适的模型参数、结构与层次，快速、准确地实现复杂系统柔性建模和在线调整，以适应不同工况下模型参数的突变；进行算法及计算条件的研究，设计具有自适应特性的多模型分层柔性计算系统，研究模型分层切换技术及同时存在建模误差和切换误差时模型的柔性切换条件。项目研究成果有望广泛应用于复杂非线性系统建模、预测与优化设计。

复杂工业生产过程如钢铁、化工等是一类典型的多变量、强耦合、大滞后、非线性系统，难以建立精确的数学模型。长期以来，轧钢生产现场依据经验及传统机理模型进行建模。本项目以轧钢生产过程为研究背景，利用粗糙集对海量数据的处理能力，研究了面向复杂系统的多模型分层自适应切换柔性计算理论和方法。对厚度、板形等模型参数、模型结构与模型层次进行了研究、设计，实现了这一复杂系统的柔性建模和部分参数在线调整，以适应多种不同工况下模型参数的突变。取得的主要成果如下：.1）双隐层神经网络用于板形识别与控制.双隐层BP网络是在三层前馈神经网络的基础上，增加一个隐含层。隐含层节点的确定采用试差法，即当第一个隐层节点数增加到最大值同时网络误差不会再减小时，增加第二个隐层，直至网络误差达到最小，得到一个大小合适的神经网络模型。.2）热轧宽度智能控制方法研究；3）对一般粗集进行了改进，给出了S-灰粗集的概念及其基本模型，在决策生成、信息获取、知识发现等诸多领域有着非常高的应用价值；.4）利用双隐层BP神经网络，对Sigmoid激活函数的形状进行调节，有效提高了学习速度，改善了网络的泛化能力，为板带负荷分配设定计算提供了一种新思路；.5）利用P-集合的动态特性，将P-集合与电力系统结合，给出电力系统规律生成、电力系统内嵌规律、外推规律生成方法，对电力系统可能出现的故障进行及时预警并排除，并可应用于类似领域。.6）部分成果进行了现场实验。