1.4　本书主要内容

针对当前非高斯工业过程控制与优化等方面存在的问题，笔者总结了近年来研究团队在非高斯工业过程的建模、控制和优化方面的相关研究成果，主要内容如下。

第2章为非高斯随机分布控制基础。本章简要介绍本书所涉及的基础理论，主要包括非高斯随机分布系统建模机理、四类常见的B样条模型、RBF样条模型和基于样条模型的随机分布控制等。

第3章为基于几何分析双闭环迭代学习控制（Iterative Learning Control，ILC）的非高斯工业过程随机分布控制。本章主要针对由于采用传统机理分析方法无法建立非高斯工业过程数学模型，进而难以实现过程控制的难题，将数据驱动建模和控制相结合，集成数据驱动子空间参数辨识、几何分析双闭环ILC与随机分布控制（SDC）等理论方法，提出基于几何分析双闭环ILC的非高斯工业过程控制方法。所提方法针对具有非高斯工业过程特有的时空特征设计双闭环控制结构，分别基于ILC原理通过跟踪误差实现随机分布模型和控制量的迭代更新。在内回路，基于ILC原理构建非高斯工业过程的PDF模型和参数自适应调节机制，包括权值向量的线性子空间参数辨识和基于迭代学习的基函数参数自适应调整；在外回路，通过引入基于几何分析ILC算法实现控制量的更新，从而提升闭环控制系统的收敛速度等控制性能。基于造纸制浆过程数据的仿真实验结果表明：所提方法通过过程空间变量（基函数形状）和时域变量（权值向量）的混合动态控制，实现工业过程输出纤维长度分布形状的跟踪控制。

第4章为基于数据驱动预测PDF控制的非高斯工业过程随机分布控制。本章考虑到非高斯工业过程运行时变的存在情况，针对采用传统线性子空间辨识建立的输出PDF模型存在泛化能力弱、精度不高等问题，将智能建模、数据驱动预测控制及随机分布控制等相集成，提出了基于数据驱动预测PDF控制的非高斯工业过程随机分布控制方法。首先，利用数据驱动智能建模方法构建表征控制输入与权值向量之间动态关系的非线性模型，通过引入基函数参数的迭代学习更新机制，根据动态PDF模型误差对基函数参数进行自适应调节；其次，在构建输出PDF动态模型的基础上，综合随机分布控制和数据驱动预测控制，将控制器设计转化为求解有约束的最优化问题；最后，基于造纸制浆生产过程数据的仿真实验，验证了所提方法的有效性。

第5章为基于多目标非线性预测控制的非高斯工业过程随机分布控制。本章针对以单一的产品质量PDF形状为控制模式难以全面实现非高斯工业过程有效控制的问题，进一步提出面向时空域内运行指标输出PDF和纯时域内运行指标的非高斯工业过程多目标非线性随机分布控制方法。所提方法以基于数据驱动RVFLN的动态混合建模算法构建纯时域内运行指标的混合动态预测模型，综合数据驱动控制、随机分布控制和多目标优化控制，在建立的混合动态预测模型的基础上，提出基于多目标非线性预测控制的非高斯工业过程随机分布控制策略。所述的混合动态预测模型包括时空域内运行指标输出PDF和纯时域内运行指标的混合预测模型，即具有时空动态特性的输出PDF模型和纯时域动态特性的运行指标模型；最终，将多目标控制设计问题转化为具有约束多目标优化的求解问题，并基于造纸制浆生产过程数据的仿真实验，验证了所提方法的有效性。

第6章为基于目标函数分布形状的非高斯工业过程概率约束随机优化。为了解决具有非高斯分布特征的工业过程随机优化问题，引入表征工业过程运行品质的目标函数PDF形状对工业过程运行随机性进行定量分析，同时在具有概率约束的情况下，提出一种基于概率约束下目标函数PDF形状的非高斯工业过程随机优化方法，并将随机分布控制的思想进一步推广到优化方法中。所提出的基于目标函数PDF形状的随机优化方法可以看作随机系统输出PDF控制问题，并进一步提出具有均值约束的随机系统最小熵控制方法推广到基于目标函数PDF形状的随机优化方法中；最后，基于高炉炼铁过程数据仿真实验，验证了所提方法的有效性和先进性。 0Y5uuKXwXdqqCmyOz9zsj2t41XZpgmKeXz3ru22ZX/i3FtWwFD3lor8h26I3P7Kl