基于SVM的复杂工业过程自适应解耦控制理论及其应用

本项目主要研究基于SVM的复杂工业过程自适应解耦控制的理论及工程应用方法。本项目通过自适应解耦系统的稳定性和鲁棒性分析设计闭环控制器，建立基于SVM的多变量系统自适应解耦控制的基本理论与系统设计方法，并将其应用于解决大型超临界循环流化床锅炉燃烧系统的自动控制问题。本项目通过着重解决和实现自适应解耦系统的稳定性和鲁棒性分析、基于递增和递减方法的在线SVM回归算法、多输入多输出SVM回归算法以及SVM辨识与控制方法的硬件平台实现等关键理论问题，建立物理概念清晰、操作性强的基于SVM的逆系统自适应解耦控制理论，探索其实现方法与手段，对丰富多变量逆系统自适应解耦控制理论，完善大型超临界循环流化床锅炉燃烧系统控制技术，提高锅炉燃烧效率以及节能减排，推广循环流化床这一新型煤洁净燃烧技术具有重要意义。

本项目研究和分析了循环流化床局部颗粒浓度分布规律及燃烧过程机理，提出了基于颗粒浓度信号的双树复小波滤波器以及数据点稀疏组合的鲁棒椭圆拟合方法，为实现基于图像方法的循环流化床燃烧控制机理与建模提供了手段；完成并实现了基于支持向量机的超临界CFB锅炉燃烧系统自适应解耦控制、基于在线LSSVM逆系统的多变量隐式广义预测控制以及基于在线最小二乘支持向量机的模糊神经网络控制研究，丰富了基于SVM的逆系统自适应非线性系统控制方法；完成了基于FPGA平台的SVM训练算法实现研究，为进一步算法的实际应用打下了很好的基础。本项目取得了一系列有特色的创新成果，四年来，共完成SCI论文5篇，其中IEEE Trans. Image Processing 2篇，自动化学报1篇，组织国际学术会议3次，参加国际、国内学术会议8次。