.png){kind=icon}
返回
DK-MAOS: A Data-Knowledge-Driven Multiobjective Adaptive Optimization Method for Process Industries Under Multiple Operating Conditions
.png){kind=icon}
PRE
AI
DOI：10.1109/tii.2026.3722022.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
流程工业在变化的操作条件下运行，导致不同的操作状态。因此，设计基于状态识别的优化策略以确保可靠运行至关重要。本文提出了一种数据知识驱动的多目标自适应优化策略（DK-MAOS），用于流程工业在变化操作条件下的操作状态预测和最优控制。首先，构建了一个原型时序网络来预测未来的操作状态。设计的网络通过软条件嵌入和原型向量机制，在少样本场景下可实现准确预测。其次，设计了自适应目标模型以满足每种操作条件下的操作要求，通过自适应调整操作指标权重。它整合了操作要求和跟踪误差，以确保在设定点优化期间控制器的可行性。最后，开发了一种动态步长自适应序列二次规划方法，用于优化与控制的协同多目标求解。在酒精蒸馏过程和柴油加氢精制过程中验证了所提出的DK-MAOS方法的有效性。结果表明，该方法在减少能源消耗的同时，能有效将产品质量维持在规定范围内。
Keyword:
Adaptive objective function (AOF)
multiobjective optimization
multiple operating conditions
operation status prediction
process industries
期刊
IF:
9.9
论文数:
8.6K
被引数:
6.0W
机构
引用论文
暂无论文信息