控制理论与应用

作者：吴修粮,赵磊,曹茂永,孙凯

单位：山东科技大学电气与自动化工程学院,齐鲁工业大学(山东省科学院）信息与自动化学院,山东科技大学电气与自动化工程学院,齐鲁工业大学(山东省科学院）信息与自动化学院

关键词：循环神经网络; 空气分离过程; Log-Cosh估计; L1正则化; 增量学习; 软测量

基金：山东省自然科学基金项目(ZR2021MF022), 山东省科技型中小企业创新能力提升工程项目(2023TSGC0399)资助.

针对空气分离过程多模态、多变量、大时延及存在测量离群点等问题, 本文提出了一种基于Lipschitz循环神经网络(LRNN)的动态增量学习软测量算法. 首先, 利用易收敛、稳定性好的LRNN处理过程数据中存在的非线性和时延问题. 其次, 设计了一种新颖的 LRNN 损失函数, 该函数结合了Log-Cosh估计对离群点的鲁棒性和L1正则化的模型稀疏特性, 能够有效处理过程的测量离群点和模型冗余问题. 进一步, 对不同鲁棒LRNN基础模型进行动态加权集成, 提高了模型对生产过程模态变化的适应性. 最后, 将所提出的算法应用于某钢厂实际空气分离过程中低压塔出口O2浓度的软测量建模, 并通过与其他先进算法进行比较, 验证了所提出方法的有效性和优越性.

来源：2026年第4期

《控制理论与应用》期刊编辑部

查看控制理论与应用杂志2026年第4期