英文翻译
微型换热器的智能预测控制
摘要一个微型智能预测温度控制的换热器处理器。首先，微型热交换器的动态确定采用局部线性模型。然后，基于这种装置的模型的预测控制策略应用于提供装置输出值的跟踪点。
1引言大多数现有的预测控制装置是使用一个明确的流程模型来预测未来变化的，图[1,2]的模型就是利用预测控制（MPC）模型来控制的策略。MPC技术之所以成功的一个重要特点是MPC的算法在未来的时间里考虑到了装置的性能。因此， 前馈和反馈的影响都可以预测并干扰消除,事实上,它允许在控制器驱动过程中输出更密切的参考轨迹。
尽管工业生产过程中通常包含复杂的非线性，但是大多数MPC的算法都是基于线性模型的过程。线性模型,例如阶跃响应以及脉冲响应模型，首选是来源于全积分,因为他们可以确定在一个直接的方式从流程中测试数据。此外,对于大多数应用程序来说,他们的目标是维护系统的稳定状态,而不是改变快速不同的操作点,所以线性模型的精确识别是提供相邻的单个操作点。
由于线性模型是可靠的，从这个角度来看，他们将从MPC技术中获利。即便如此，如果这个过程是高度非线性并且受到了频繁的干扰，该过程中的行为将如所示改变为非线性模型。
近年来，在建立复杂的非线性系统模型中,神经网络已经成为一个具有吸引力的工具。大多数的非线性预测控制算法就是成本函数的最小化，通过计算方法可以得到运行过程中的最佳指令。对于实时控制，实现非线性预测控制的算法是非常困难的，因为最小化算法必须收敛到无穷小次的解决方案，并且必须在很短的时间内完成操作（对应的采样周期）。在本文中，我们将在微型电加热换热器装置中，应用预测控制器跟踪其输出温度。首先，过程中的非线性行为，认定为使用局部线性模型树（LOLIMOT）网络，然后预测。控制器适用于工厂模拟过程，跟踪温度分布然后处理问题。与经典的PID控制器相比较，该控制器的性能模拟结果显示出与拟议预测控制器更好的匹配。
2 微型电加热换热器
微型电加热换热器可以在较小空间内加速流体流动，并加热燃气。 该系统由许多粘结的金属箔凹槽堆叠而成，加热元件之间的箔如（图1）所示。一个小的体积，15千瓦的电量就可以实现转换。此热交换器的优势如下：
·被加热的液体和气体是通过电源被加热的而不是通过额外的周期流动。 ·将电能高效的转化为热能。
·对于温度快速变化及对温度敏感的介质是一个不错的选择。
·运用微系统技术，结构紧凑。
Fig.1. 微型电加热换热器
3 非线性系统局部线性模型树辨识
图2描绘是局部线性神经模糊模型的网络结构图。每个神经元实现了与其相关的有效性函数为一个局部线性模型（LLM），它确定了LLM的有效性区域方程，如下：
任何模型输入z。
该模型的输出计算公式为
局部线性模型依赖于，有效性的函数依赖于因此，
被解析成取决网络输出是一个加权求和，计算局部线性模型的输出，其中
于操作点加权因素的方程。在不同的局部线性模型（LLMs）与网络之间插入有效性函数。权值是线性网络参数。有效性函数通常选择高斯模型。如果这些高斯模型进一步轴正交，则有效性函数如下：
同
这些中心和标准偏差为非线性的网络参数。在模糊系统中每个神经元诠释一个参数。有效性函数表示规则的前提，LLMs表示规则的结果。一维高斯隶属函数如下：
在方程3中多维隶属函数可以实现T-范数与产品操作员的结合。局部线性神经模糊模型的主要优势之一是和随之产生的结果没有依靠相同的变量，即Z和X可以自主选择。在该规则的前提下由外环LOLIMOT算法确定的结构和嵌套的内部循环中的规则后适当地估计参数并进行优化。
1.开始初始模型
2.查找最坏的LLM
3.检查所有部门
4.寻找最好的分工
5.收敛测试
对于终端标准则存在各种选项，例如，一个极大复杂的模型，会导致一个极大的LLMs数，统计验证试验，或信息标准。需要注意的是有效的参数必须要插入到这些终止条件中。图3说明操作的LOLIMOT算法前四个为一个迭代的二维输入空间，并阐明了 “树”缩写为LOLIMOT的原因。尤其是是两个特性使得LOLIMOT速度极快。首先，在每次迭代中，并不是所有的LLMs都用除法。相反，第2步选择只有最差LLM的分工才最有可能收益最高的性能增率。例如，在图3中方程3的迭代只有LLM3-2被认为是进一步的细化。所有的其他LLMs保持固定。其次，在步骤3c当地的估计方法，估计只有通过分工才会产生两个新的LLMs参数。例如，在图3中方程3的迭代，LLM3-2分为LLM4-2和LLM4-3，LLM3-1和3-3 LLMs可以直接传递到在接下来LLM4-1和LLM4-3 LLMs的迭代没有任何估计。
23 图图
英文翻译
微型换热器的智能预测控制
摘要一个微型智能预测温度控制的换热器处理器。首先，微型热交换器的动态确定采用局部线性模型。然后，基于这种装置的模型的预测控制策略应用于提供装置输出值的跟踪点。
1引言大多数现有的预测控制装置是使用一个明确的流程模型来预测未来变化的，图[1,2]的模型就是利用预测控制（MPC）模型来控制的策略。MPC技术之所以成功的一个重要特点是MPC的算法在未来的时间里考虑到了装置的性能。因此， 前馈和反馈的影响都可以预测并干扰消除,事实上,它允许在控制器驱动过程中输出更密切的参考轨迹。
尽管工业生产过程中通常包含复杂的非线性，但是大多数MPC的算法都是基于线性模型的过程。线性模型,例如阶跃响应以及脉冲响应模型，首选是来源于全积分,因为他们可以确定在一个直接的方式从流程中测试数据。此外,对于大多数应用程序来说,他们的目标是维护系统的稳定状态,而不是改变快速不同的操作点,所以线性模型的精确识别是提供相邻的单个操作点。
由于线性模型是可靠的，从这个角度来看，他们将从MPC技术中获利。即便如此，如果这个过程是高度非线性并且受到了频繁的干扰，该过程中的行为将如所示改变为非线性模型。
近年来，在建立复杂的非线性系统模型中,神经网络已经成为一个具有吸引力的工具。大多数的非线性预测控制算法就是成本函数的最小化，通过计算方法可以得到运行过程中的最佳指令。对于实时控制，实现非线性预测控制的算法是非常困难的，因为最小化算法必须收敛到无穷小次的解决方案，并且必须在很短的时间内完成操作（对应的采样周期）。在本文中，我们将在微型电加热换热器装置中，应用预测控制器跟踪其输出温度。首先，过程中的非线性行为，认定为使用局部线性模型树（LOLIMOT）网络，然后预测。控制器适用于工厂模拟过程，跟踪温度分布然后处理问题。与经典的PID控制器相比较，该控制器的性能模拟结果显示出与拟议预测控制器更好的匹配。
2 微型电加热换热器
微型电加热换热器可以在较小空间内加速流体流动，并加热燃气。 该系统由许多粘结的金属箔凹槽堆叠而成，加热元件之间的箔如（图1）所示。一个小的体积，15千瓦的电量就可以实现转换。此热交换器的优势如下：
·被加热的液体和气体是通过电源被加热的而不是通过额外的周期流动。 ·将电能高效的转化为热能。
·对于温度快速变化及对温度敏感的介质是一个不错的选择。
·运用微系统技术，结构紧凑。
Fig.1. 微型电加热换热器
3 非线性系统局部线性模型树辨识
图2描绘是局部线性神经模糊模型的网络结构图。每个神经元实现了与其相关的有效性函数为一个局部线性模型（LLM），它确定了LLM的有效性区域方程，如下：
任何模型输入z。
该模型的输出计算公式为
局部线性模型依赖于，有效性的函数依赖于因此，
被解析成取决网络输出是一个加权求和，计算局部线性模型的输出，其中
于操作点加权因素的方程。在不同的局部线性模型（LLMs）与网络之间插入有效性函数。权值是线性网络参数。有效性函数通常选择高斯模型。如果这些高斯模型进一步轴正交，则有效性函数如下：
同
这些中心和标准偏差为非线性的网络参数。在模糊系统中每个神经元诠释一个参数。有效性函数表示规则的前提，LLMs表示规则的结果。一维高斯隶属函数如下：
在方程3中多维隶属函数可以实现T-范数与产品操作员的结合。局部线性神经模糊模型的主要优势之一是和随之产生的结果没有依靠相同的变量，即Z和X可以自主选择。在该规则的前提下由外环LOLIMOT算法确定的结构和嵌套的内部循环中的规则后适当地估计参数并进行优化。
1.开始初始模型
2.查找最坏的LLM
3.检查所有部门
4.寻找最好的分工
5.收敛测试
对于终端标准则存在各种选项，例如，一个极大复杂的模型，会导致一个极大的LLMs数，统计验证试验，或信息标准。需要注意的是有效的参数必须要插入到这些终止条件中。图3说明操作的LOLIMOT算法前四个为一个迭代的二维输入空间，并阐明了 “树”缩写为LOLIMOT的原因。尤其是是两个特性使得LOLIMOT速度极快。首先，在每次迭代中，并不是所有的LLMs都用除法。相反，第2步选择只有最差LLM的分工才最有可能收益最高的性能增率。例如，在图3中方程3的迭代只有LLM3-2被认为是进一步的细化。所有的其他LLMs保持固定。其次，在步骤3c当地的估计方法，估计只有通过分工才会产生两个新的LLMs参数。例如，在图3中方程3的迭代，LLM3-2分为LLM4-2和LLM4-3，LLM3-1和3-3 LLMs可以直接传递到在接下来LLM4-1和LLM4-3 LLMs的迭代没有任何估计。
23 图图