基于动态概率分布的复杂流程工业混合过程鲁棒优化方法研究

The blending process is a very important procedure of the production in many complex process industries such as metallurgy, steel and chemical industry, which not only directly relates to the production stability of downstream processes but also make great influence on the energy consumption and the productivity of whole enterprise. However, a lot of complexity，such as complex materials, various kind of indices, strong coupling, nonlinearity,great difficulty of online detection and unknown process mechanism and so on, generally exists in these blending processes, so as to it is very difficult for classical methods to effectively realize the optimization control of blending processes. In the project, based on stochastic programming, robust optimization and predictive control, the robust optimization method with dynamic probability distribution is studied for the blending operation of complex process industry. The statistical method of the dynamic probability distribution is proposed by combining trend prediction and random compensation strategy. The robust stochastic optimization model with stochastic parameters, quality prediction model and robust evaluation indices is constructed. And the two-level intelligent algorithm with an efficient stochastic simulation technique is put forward to effectively solve it. Finally, a robust optimization method is developed to effectively overcome influence of parameter randomness for blending operation of complex process industries, its industrial application can improve the production of process industry in our country.

混合过程是冶金、化工、钢铁等许多复杂流程工业中一道非常重要的工序，其混合操作的合理性不仅直接关系到下一个工序生产的稳定，而且对整个企业资源能源的消耗及最终产品质量产量的提高都有重要影响。复杂混合过程普遍具有生产用料复杂、工艺指标多、强耦合、非线性、在线检测困难和过程机理不明确等复杂特点，特别是多种混合原料质量参数表现出不同程度的随机性，严重影响了传统优化方法的实施效果。本项目结合随机规划、鲁棒优化和预测控制的思想，研究一种基于随机参数概率分布函数的复杂混合过程鲁棒优化方法，给出基于实时趋势预测和随机补偿策略的随机参数动态概率分布统计方法，建立融合质量预测模型和鲁棒评价指标的鲁棒随机优化模型，提出一种基于高效随机仿真技术的两层智能鲁棒优化算法，形成一套能有效克服参数随机性影响的工业过程鲁棒优化理论和方法，研究成果的工业应用可有效提升我国流程工业的生产水平。

针对复杂流程工业混合过程中原料质量参数在线检测困难和不确定性，研究了基于小波分析的时间序列预测方法，在此基础上，将原料质量参数视为以预测值为均值的随机数，考虑不同的生产要求，分别构建了以原料成本消耗最小为目标的单目标随机优化模型和以产品质量指标为目标的字典序多目标随机优化模型，并运用高效的HSS技术实现了模型的求解。同时，以多目标随机优化模型为基础，提出了一种不需要任何不确定参数先验知识的新的鲁棒实时优化方法。该方法模型结构简单，计算成本低，所需数据少，能有效克服各种不确定性对优化结果的影响。工业应用实验结果表明，所提出的方法能够在不确定环境下，有效实现混合过程的优化控制，为其他流程工业的不确定优化提供了一种全新的模式。.本项目通过三年的研究工作，已完成项目计划内容。此外，将鲁棒优化方法扩展到复杂网络控制系统中，研究了其参数时延具有不确定性时，系统的鲁棒滤波问题，提出了一种基于线性矩阵不等式的鲁棒滤波器设计方法， 同时，针对网络控制系统中控制器参数具有的不确定因素，设计了一种非脆弱模糊控制器。.本项目的主要研究成果和结论：.（1）深入分析了复杂混合过程机理，提出了基于小波分析的时间序列参数预测方法；.（2）根据混合过程的不同生产要求，分别构建了以原料消耗为目标的单目标随机优化模型和以产品质量为目标的字典序多目标随机优化模型，并根据模型结构，分别设计了基于HSS技术和不同智能算法的优化求解方法。.（3）根据复杂混合过程非线性、在线检测困难和机理不明等复杂特点，提出了一种不需要不确定参数任何先验知识的鲁棒实时优化方法，为不确定环境下的鲁棒实时优化提供了一种全新的模式。.共发表（含录用）科技论文16篇（期刊论文11篇，会议论文5篇），其中SCI收录4篇， EI收录10篇，CSCD收录2篇。另外，向SCI源期投寄论文1篇（终审阶段）、EI源期投寄论文1篇（终审阶段）。