CN102880046A - 一种化工多变量过程解耦预测函数控制方法 - Google Patents

一种化工多变量过程解耦预测函数控制方法 Download PDF

Info

Publication number
CN102880046A
CN102880046A CN2012103573720A CN201210357372A CN102880046A CN 102880046 A CN102880046 A CN 102880046A CN 2012103573720 A CN2012103573720 A CN 2012103573720A CN 201210357372 A CN201210357372 A CN 201210357372A CN 102880046 A CN102880046 A CN 102880046A
Authority
CN
China
Prior art keywords
matrix
variable
control
output
input
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012103573720A
Other languages
English (en)
Other versions
CN102880046B (zh
Inventor
张日东
薛安克
王建中
葛铭
孔亚广
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201210357372.0A priority Critical patent/CN102880046B/zh
Publication of CN102880046A publication Critical patent/CN102880046A/zh
Application granted granted Critical
Publication of CN102880046B publication Critical patent/CN102880046B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Feedback Control In General (AREA)

Abstract

本发明涉及一种化工多变量过程解耦预测函数控制方法。传统的控制手段中控制参数完全依赖技术人员经验,控制效果不好。本发明方法首先基于化工过程模型建立解耦状态空间模型,挖掘出基本的过程特性;然后基于该解耦状态空间模型建立预测函数控制回路;最后通过计算预测函数控制器的参数,将过程对象整体实施预测函数控制。本发明的技术方案是通过数据采集、过程处理、预测机理、数据驱动、优化等手段,确立了一种化工多变量过程解耦预测函数控制方法,利用该方法可有效提高控制的精度,提高控制平稳度。本发明方法弥补了传统控制的不足,并有效地方便了控制器的设计,保证控制性能的提升,同时满足给定的生产性能指标。

Description

一种化工多变量过程解耦预测函数控制方法
技术领域
本发明属于自动化技术领域,涉及一种化工多变量过程解耦预测函数控制方法。
背景技术
化工多变量过程是我国流程工业过程的重要组成部分,其要求是供给合格的工业产品,以满足我国工业发展的需要。作为工业生产的一个重要主体,流程工业生产过程水平的提高对整个工业经济效益的提高起着至关重要的作用。为此,生产过程的各个主要工艺参数必须严格控制。随着工业的发展以及对产品的质量、能源消耗和环境保护的要求越来越高,对工业过程的控制精度要求也越来越严格,传统的控制方法虽满足了一定的要求,但难以进一步提升控制水平,加上工艺过程变得更加复杂。简单的单回路过程控制已经无法满足控制精度和平稳性的要求,产品合格率低,装置效率低下。而目前实际工业中控制基本上采用传统的简单的控制手段,控制参数完全依赖技术人员经验,使生产成本增加,控制效果很不理想。我国炼油化工过程控制与优化技术比较落后,能耗居高不下,控制性能差,自动化程度低,很难适应节能减排以及间接环境保护的需求,这其中直接的影响因素之一便是系统的控制方案问题。
发明内容
本发明的目标是针对现有的化工过程系统控制技术的不足之处,提供一种化工多变量过程解耦预测函数控制方法。该方法弥补了传统控制方式的不足,保证控制具有较高的精度和稳定性的同时,也保证形式简单并满足实际工业过程的需要。
本发明方法首先基于化工过程模型建立解耦状态空间模型,挖掘出基本的过程特性;然后基于该解耦状态空间模型建立预测函数控制回路;最后通过计算预测函数控制器的参数,将过程对象整体实施预测函数控制。
本发明的技术方案是通过数据采集、过程处理、预测机理、数据驱动、优化等手段,确立了一种化工多变量过程解耦预测函数控制方法,利用该方法可有效提高控制的精度,提高控制平稳度。
本发明方法的步骤包括:
(1)利用化工过程模型建立解耦状态空间模型,具体方法是:
首先采集化工过程的输入输出数据,利用该数据建立输入输出模型如下:
Figure 2012103573720100002DEST_PATH_IMAGE002
其中
Figure 2012103573720100002DEST_PATH_IMAGE004
Figure 2012103573720100002DEST_PATH_IMAGE008
分别为输出向量
Figure 2012103573720100002DEST_PATH_IMAGE010
变换、传递函数矩阵、输入向量
Figure 406701DEST_PATH_IMAGE010
变换; 
Figure 2012103573720100002DEST_PATH_IMAGE012
Figure 2012103573720100002DEST_PATH_IMAGE014
,,,
Figure 2012103573720100002DEST_PATH_IMAGE020
表示过程的各回路传递函数,
Figure 2012103573720100002DEST_PATH_IMAGE022
Figure 2012103573720100002DEST_PATH_IMAGE024
分别为第
Figure 2012103573720100002DEST_PATH_IMAGE026
个输入和输出变量的变换,
Figure 2012103573720100002DEST_PATH_IMAGE028
Figure 505161DEST_PATH_IMAGE010
为计算机控制系统的离散变换算子,
Figure 2012103573720100002DEST_PATH_IMAGE030
Figure 446441DEST_PATH_IMAGE010
的倒数,
Figure 2012103573720100002DEST_PATH_IMAGE032
为过程的输入输出变量个数,所述的输入输出数据为数据采集器中存储的数据;
进一步对上述方程选取伴随矩阵解耦阵为:
其中,是伴随矩阵解耦阵,
Figure 2012103573720100002DEST_PATH_IMAGE038
Figure 704159DEST_PATH_IMAGE006
的伴随矩阵。
将上述伴随矩阵解耦阵与过程输入输出模型合并得到:
Figure 2012103573720100002DEST_PATH_IMAGE040
其中,
Figure 2012103573720100002DEST_PATH_IMAGE042
是得到的解耦过程模型,
Figure 2012103573720100002DEST_PATH_IMAGE044
Figure 352179DEST_PATH_IMAGE006
的行列式,
Figure 2012103573720100002DEST_PATH_IMAGE046
为以
Figure 641077DEST_PATH_IMAGE006
的行列式为元素的对角矩阵。
 
将上述解耦过程模型处理成
Figure 820386DEST_PATH_IMAGE032
个单变量过程的离散表示方式:
其中
Figure 2012103573720100002DEST_PATH_IMAGE052
Figure 2012103573720100002DEST_PATH_IMAGE054
分别是第
Figure 485723DEST_PATH_IMAGE026
个过程的输出和输入变量,
Figure 2012103573720100002DEST_PATH_IMAGE056
Figure 2012103573720100002DEST_PATH_IMAGE058
分别是
Figure 988248DEST_PATH_IMAGE052
Figure 2012103573720100002DEST_PATH_IMAGE062
的系数矩阵多项式; 
                           
Figure 2012103573720100002DEST_PATH_IMAGE064
其中是相应的系数矩阵,为后移
Figure 2012103573720100002DEST_PATH_IMAGE070
步算子,
Figure 2012103573720100002DEST_PATH_IMAGE072
是得到的模型阶次;
将过程模型通过后移算子
Figure 2012103573720100002DEST_PATH_IMAGE074
处理成过程的状态空间表示方式:
Figure 2012103573720100002DEST_PATH_IMAGE076
其中, 
Figure 2012103573720100002DEST_PATH_IMAGE082
分别是第时刻的变量值,
Figure 2012103573720100002DEST_PATH_IMAGE086
为第时刻的输入增量变量值,
Figure 2012103573720100002DEST_PATH_IMAGE090
Figure 2012103573720100002DEST_PATH_IMAGE092
分别为第时刻的输出变量增量和输入变量增量值,
Figure 2012103573720100002DEST_PATH_IMAGE098
分别为对应的状态矩阵、输入矩阵和输出矩阵,为取转置符号。
Figure 2012103573720100002DEST_PATH_IMAGE104
Figure 2012103573720100002DEST_PATH_IMAGE106
定义一过程期望输出为
Figure 2012103573720100002DEST_PATH_IMAGE110
,并且输出误差
Figure 2012103573720100002DEST_PATH_IMAGE112
为:
 进一步得到第
Figure 99248DEST_PATH_IMAGE084
时刻的输出误差
Figure 2012103573720100002DEST_PATH_IMAGE116
为:
Figure 2012103573720100002DEST_PATH_IMAGE118
其中,
Figure 2012103573720100002DEST_PATH_IMAGE120
为第
Figure 874174DEST_PATH_IMAGE084
时刻的过程期望输出增量。
     定义一个新的复合状态变量:
Figure 2012103573720100002DEST_PATH_IMAGE122
  将上述处理过程综合为一个部分解耦的过程模型:
Figure 2012103573720100002DEST_PATH_IMAGE124
其中,
Figure 2012103573720100002DEST_PATH_IMAGE126
为第
Figure 467836DEST_PATH_IMAGE084
时刻的复合状态变量,
Figure 2012103573720100002DEST_PATH_IMAGE130
Figure 2012103573720100002DEST_PATH_IMAGE132
分别为对应复合状态变量的状态矩阵、输入矩阵和输出矩阵,具体是:
Figure 2012103573720100002DEST_PATH_IMAGE134
Figure 2012103573720100002DEST_PATH_IMAGE136
Figure 2012103573720100002DEST_PATH_IMAGE138
(2)基于该解耦状态空间模型设计预测函数控制器,具体方法是:
a.定义该预测函数控制器的目标函数为:
Figure 2012103573720100002DEST_PATH_IMAGE140
其中为目标函数,
Figure 2012103573720100002DEST_PATH_IMAGE144
是预测步长,
Figure 2012103573720100002DEST_PATH_IMAGE146
是加权矩阵,
Figure 2012103573720100002DEST_PATH_IMAGE148
是第
Figure 2012103573720100002DEST_PATH_IMAGE150
时刻的复合状态变量。
b.定义控制变量的组成为:
Figure 2012103573720100002DEST_PATH_IMAGE152
其中,
Figure 2012103573720100002DEST_PATH_IMAGE154
是控制变量的加权系数,
Figure 2012103573720100002DEST_PATH_IMAGE156
 是第
Figure 391579DEST_PATH_IMAGE070
时刻的基函数数值,
Figure 2012103573720100002DEST_PATH_IMAGE158
是控制步长。
c.计算控制器的参数
Figure 2012103573720100002DEST_PATH_IMAGE160
Figure 2012103573720100002DEST_PATH_IMAGE164
,具体是:
Figure 2012103573720100002DEST_PATH_IMAGE166
其中
Figure 2012103573720100002DEST_PATH_IMAGE168
是当前时刻的基函数数值,
Figure 2012103573720100002DEST_PATH_IMAGE170
Figure 2012103573720100002DEST_PATH_IMAGE172
Figure 2012103573720100002DEST_PATH_IMAGE174
为控制量计算参数,最终控制器为:
Figure 2012103573720100002DEST_PATH_IMAGE176
其中,
Figure 2012103573720100002DEST_PATH_IMAGE178
是第
Figure 2012103573720100002DEST_PATH_IMAGE180
时刻的控制变量数值,
Figure 2012103573720100002DEST_PATH_IMAGE182
是依控制目标设计的参考轨迹向量增量。
本发明提出的一种化工多变量过程解耦预测函数控制方法弥补了传统控制的不足,并有效地方便了控制器的设计,保证控制性能的提升,同时满足给定的生产性能指标。
本发明提出的控制技术可以有效减少理想工艺参数与实际工艺参数之间的误差,进一步弥补了传统控制器的不足,同时保证控制装置操作在最佳状态,使生产过程的工艺参数达到严格控制。
具体实施方式
以焦化加热炉辐射出口温度过程控制为例:
这里以焦化加热炉辐射出口温度过程控制作为例子加以描述。该过程是一个多变量耦合的过程,出口温度不仅受到燃料量流量的影响,同时也受炉膛压力,进风流量的影响。调节手段采用燃料量流量,其余的影响作为不确定因素。
(1)建立解耦状态空间模型,具体方法是:
首先利用数据采集器采集化工过程输入数据(燃料流量)和输出数据(加热炉辐射出口温度),建立输入输出模型如下:
其中,
Figure 2012103573720100002DEST_PATH_IMAGE186
,
Figure DEST_PATH_IMAGE188
,
Figure DEST_PATH_IMAGE190
,表示加热炉出口温度过程的传递函数方程, 
Figure DEST_PATH_IMAGE194
分别为燃料流量、加热炉出口温度数据
Figure DEST_PATH_IMAGE196
变换;
然后定义三个变量
Figure DEST_PATH_IMAGE198
Figure DEST_PATH_IMAGE200
Figure DEST_PATH_IMAGE202
如下:
Figure DEST_PATH_IMAGE204
将以上过程的输入数据和输出数据表示为:
Figure 489459DEST_PATH_IMAGE002
进一步对上述方程选取伴随矩阵解耦阵为:
其中,是伴随矩阵解耦阵,
Figure 737404DEST_PATH_IMAGE038
Figure 679952DEST_PATH_IMAGE006
的伴随矩阵。
将上述过程模型展开得到:
Figure 304837DEST_PATH_IMAGE040
其中,
Figure 928716DEST_PATH_IMAGE042
是得到的解耦过程模型,
Figure 436107DEST_PATH_IMAGE006
的行列式,
Figure 299021DEST_PATH_IMAGE046
为以
Figure 716139DEST_PATH_IMAGE006
的行列式为元素的对角矩阵。
 
将上述解耦过程模型处理成
Figure 186620DEST_PATH_IMAGE032
个单变量过程的离散表示方式:
Figure 599147DEST_PATH_IMAGE050
其中,
Figure 564829DEST_PATH_IMAGE052
Figure DEST_PATH_IMAGE206
分别是第
Figure 871046DEST_PATH_IMAGE026
个过程的输出、输入变量,
Figure 513248DEST_PATH_IMAGE058
Figure 147492DEST_PATH_IMAGE060
分别是
Figure 651286DEST_PATH_IMAGE052
的系数矩阵多项式,
Figure 703741DEST_PATH_IMAGE072
是得到的模型阶次,
Figure 825281DEST_PATH_IMAGE066
是相应的系数矩阵,
Figure 382033DEST_PATH_IMAGE068
为后移步算子。
                           
Figure 459896DEST_PATH_IMAGE064
将过程模型通过后移算子处理成过程的状态空间表示方式:
其中, 
Figure 111961DEST_PATH_IMAGE080
Figure 17600DEST_PATH_IMAGE082
分别是第
Figure 294823DEST_PATH_IMAGE084
时刻的变量值,
Figure 6427DEST_PATH_IMAGE086
为第
Figure 809298DEST_PATH_IMAGE088
时刻的输入增量变量值,
Figure 135106DEST_PATH_IMAGE090
Figure 656217DEST_PATH_IMAGE092
分别为第
Figure 171512DEST_PATH_IMAGE094
时刻的输出变量增量和输入变量增量值,
Figure 78157DEST_PATH_IMAGE096
Figure 325599DEST_PATH_IMAGE098
分别为对应的状态矩阵、输入矩阵和输出矩阵,
Figure 574363DEST_PATH_IMAGE102
为取转置符号。
Figure 414144DEST_PATH_IMAGE078
Figure 81754DEST_PATH_IMAGE104
Figure 577457DEST_PATH_IMAGE106
Figure 355927DEST_PATH_IMAGE108
定义一过程期望输出为
Figure 987896DEST_PATH_IMAGE110
,并且输出误差
Figure 905037DEST_PATH_IMAGE112
为:
 进一步得到第
Figure 204617DEST_PATH_IMAGE084
时刻的输出误差
Figure 205940DEST_PATH_IMAGE116
为:
Figure 28402DEST_PATH_IMAGE118
其中,
Figure 233119DEST_PATH_IMAGE120
为第
Figure 624829DEST_PATH_IMAGE084
时刻的过程期望输出增量。
     最后定义一个新的复合状态变量:
Figure 231391DEST_PATH_IMAGE122
  将上述处理过程综合为一个部分解耦的过程模型:
Figure 411705DEST_PATH_IMAGE124
其中,为第
Figure 840729DEST_PATH_IMAGE084
时刻的复合状态变量,
Figure 551065DEST_PATH_IMAGE128
Figure 918593DEST_PATH_IMAGE130
Figure 347169DEST_PATH_IMAGE132
分别为对应复合状态变量的状态矩阵、输入矩阵和输出矩阵,具体是:
Figure DEST_PATH_IMAGE208
(2)设计出口温度解耦预测函数控制器,具体方法是:
第一步:定义该预测函数控制器的目标函数为:
Figure DEST_PATH_IMAGE210
其中
Figure 746926DEST_PATH_IMAGE144
是预测步长,
Figure 328080DEST_PATH_IMAGE146
是加权矩阵,
Figure 850197DEST_PATH_IMAGE148
是第
Figure 516802DEST_PATH_IMAGE150
时刻的复合状态变量。
第二步:定义控制变量的组成为:
Figure 595617DEST_PATH_IMAGE152
其中,是控制变量的加权系数, 是第
Figure 127464DEST_PATH_IMAGE070
时刻的基函数数值,
Figure 9969DEST_PATH_IMAGE158
是控制步长。
第三步:计算温度控制器的参数,具体是:
其中
Figure 447213DEST_PATH_IMAGE168
是当前时刻的基函数数值,
Figure 822831DEST_PATH_IMAGE170
Figure 430399DEST_PATH_IMAGE172
Figure 902968DEST_PATH_IMAGE174
为控制量计算参数,最终控制器为:
Figure 954101DEST_PATH_IMAGE176
其中,
Figure DEST_PATH_IMAGE212
是第
Figure 66282DEST_PATH_IMAGE180
时刻的控制变量数值,
Figure 228273DEST_PATH_IMAGE182
是依控制目标设计的参考轨迹向量增量。

Claims (1)

1. 一种化工多变量过程解耦预测函数控制方法,其特征在于该方法的具体步骤是:
(1)利用化工过程模型建立解耦状态空间模型,具体方法是:
首先采集化工过程的输入输出数据,利用该数据建立输入输出模型如下:
Figure 2012103573720100001DEST_PATH_IMAGE002
其中
Figure DEST_PATH_IMAGE004
Figure DEST_PATH_IMAGE006
Figure DEST_PATH_IMAGE008
分别为输出向量
Figure DEST_PATH_IMAGE010
变换、传递函数矩阵、输入向量
Figure 375220DEST_PATH_IMAGE010
变换; 
Figure DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE018
,
Figure DEST_PATH_IMAGE020
,
Figure DEST_PATH_IMAGE022
,
Figure DEST_PATH_IMAGE024
表示过程的各回路传递函数,
Figure DEST_PATH_IMAGE028
分别为第
Figure DEST_PATH_IMAGE030
个输入和输出变量的
Figure 175684DEST_PATH_IMAGE010
变换,
Figure DEST_PATH_IMAGE032
Figure 712844DEST_PATH_IMAGE010
为计算机控制系统的离散变换算子,
Figure DEST_PATH_IMAGE034
的倒数,
Figure DEST_PATH_IMAGE036
为过程的输入输出变量个数,所述的输入输出数据为数据采集器中存储的数据;
进一步对上述方程选取伴随矩阵解耦阵为:
Figure DEST_PATH_IMAGE038
其中,
Figure DEST_PATH_IMAGE040
是伴随矩阵解耦阵,
Figure DEST_PATH_IMAGE042
Figure 171693DEST_PATH_IMAGE006
的伴随矩阵;
将上述伴随矩阵解耦阵与过程输入输出模型合并得到:
Figure DEST_PATH_IMAGE044
其中,
Figure DEST_PATH_IMAGE046
是得到的解耦过程模型,
Figure DEST_PATH_IMAGE048
Figure 672951DEST_PATH_IMAGE006
的行列式,
Figure DEST_PATH_IMAGE050
为以的行列式为元素的对角矩阵;
 
Figure DEST_PATH_IMAGE052
将上述解耦过程模型处理成
Figure 207060DEST_PATH_IMAGE036
个单变量过程的离散表示方式:
Figure DEST_PATH_IMAGE054
其中
Figure DEST_PATH_IMAGE056
分别是第
Figure 820313DEST_PATH_IMAGE030
个过程的输出和输入变量,
Figure DEST_PATH_IMAGE064
分别是
Figure 243204DEST_PATH_IMAGE056
的系数矩阵多项式; 
                           
Figure DEST_PATH_IMAGE068
其中
Figure DEST_PATH_IMAGE070
是相应的系数矩阵,
Figure DEST_PATH_IMAGE072
为后移
Figure DEST_PATH_IMAGE074
步算子,
Figure DEST_PATH_IMAGE076
是得到的模型阶次;
将过程模型通过后移算子
Figure DEST_PATH_IMAGE078
处理成过程的状态空间表示方式:
Figure DEST_PATH_IMAGE080
Figure DEST_PATH_IMAGE082
其中, 
Figure DEST_PATH_IMAGE084
Figure DEST_PATH_IMAGE086
分别是第
Figure DEST_PATH_IMAGE088
时刻的变量值,
Figure DEST_PATH_IMAGE090
为第
Figure DEST_PATH_IMAGE092
时刻的输入增量变量值,
Figure DEST_PATH_IMAGE096
分别为第
Figure DEST_PATH_IMAGE098
时刻的输出变量增量和输入变量增量值,
Figure DEST_PATH_IMAGE100
Figure DEST_PATH_IMAGE102
Figure DEST_PATH_IMAGE104
分别为对应的状态矩阵、输入矩阵和输出矩阵,
Figure DEST_PATH_IMAGE106
为取转置符号;
Figure DEST_PATH_IMAGE110
Figure DEST_PATH_IMAGE112
定义一过程期望输出为
Figure DEST_PATH_IMAGE114
,并且输出误差
Figure DEST_PATH_IMAGE116
为:
Figure DEST_PATH_IMAGE118
 进一步得到第
Figure 933119DEST_PATH_IMAGE088
时刻的输出误差
Figure DEST_PATH_IMAGE120
为:
Figure DEST_PATH_IMAGE122
其中,
Figure DEST_PATH_IMAGE124
为第
Figure 427554DEST_PATH_IMAGE088
时刻的过程期望输出增量;
     定义一个新的复合状态变量:
Figure DEST_PATH_IMAGE126
  将上述处理过程综合为一个部分解耦的过程模型:
Figure DEST_PATH_IMAGE128
其中,
Figure DEST_PATH_IMAGE130
为第
Figure 380466DEST_PATH_IMAGE088
时刻的复合状态变量,
Figure DEST_PATH_IMAGE132
Figure DEST_PATH_IMAGE134
Figure DEST_PATH_IMAGE136
分别为对应复合状态变量的状态矩阵、输入矩阵和输出矩阵,具体是:
Figure DEST_PATH_IMAGE138
Figure DEST_PATH_IMAGE140
Figure DEST_PATH_IMAGE142
(2)基于该解耦状态空间模型设计预测函数控制器,具体方法是:
a.定义该预测函数控制器的目标函数为:
其中
Figure DEST_PATH_IMAGE146
为目标函数,
Figure DEST_PATH_IMAGE148
是预测步长,
Figure DEST_PATH_IMAGE150
是加权矩阵,
Figure DEST_PATH_IMAGE152
是第时刻的复合状态变量;
b.定义控制变量的组成为:
Figure DEST_PATH_IMAGE156
其中,
Figure DEST_PATH_IMAGE158
是控制变量的加权系数,
Figure DEST_PATH_IMAGE160
 是第
Figure 868866DEST_PATH_IMAGE074
时刻的基函数数值,是控制步长;
c.计算控制器的参数
Figure DEST_PATH_IMAGE164
Figure DEST_PATH_IMAGE166
,具体是:
Figure DEST_PATH_IMAGE170
其中
Figure DEST_PATH_IMAGE172
是当前时刻的基函数数值,
Figure DEST_PATH_IMAGE174
Figure DEST_PATH_IMAGE176
Figure DEST_PATH_IMAGE178
为控制量计算参数,最终控制器为:
Figure DEST_PATH_IMAGE180
其中,
Figure DEST_PATH_IMAGE182
是第
Figure DEST_PATH_IMAGE184
时刻的控制变量数值,
Figure DEST_PATH_IMAGE186
是依控制目标设计的参考轨迹向量增量。
CN201210357372.0A 2012-09-24 2012-09-24 一种化工多变量过程解耦预测函数控制方法 Active CN102880046B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210357372.0A CN102880046B (zh) 2012-09-24 2012-09-24 一种化工多变量过程解耦预测函数控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210357372.0A CN102880046B (zh) 2012-09-24 2012-09-24 一种化工多变量过程解耦预测函数控制方法

Publications (2)

Publication Number Publication Date
CN102880046A true CN102880046A (zh) 2013-01-16
CN102880046B CN102880046B (zh) 2014-09-17

Family

ID=47481420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210357372.0A Active CN102880046B (zh) 2012-09-24 2012-09-24 一种化工多变量过程解耦预测函数控制方法

Country Status (1)

Country Link
CN (1) CN102880046B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103064294A (zh) * 2013-01-18 2013-04-24 杭州电子科技大学 化工过程解耦非最小实现扩展状态空间二次型控制方法
CN103076744A (zh) * 2013-01-18 2013-05-01 杭州电子科技大学 化工过程非最小实现状态空间线性二次型控制方法
CN103076741A (zh) * 2013-01-18 2013-05-01 杭州电子科技大学 化工过程非最小实现扩展状态空间二次型控制方法
CN108490779A (zh) * 2018-03-20 2018-09-04 华东交通大学 一种稀土萃取过程解耦控制方法
CN108803329A (zh) * 2018-06-19 2018-11-13 长春工业大学 一种超临界萃取过程溶解度优化方法
CN113326469A (zh) * 2021-08-02 2021-08-31 南京信息工程大学 一种基于分级状态机的信号解耦方法
CN114217526A (zh) * 2021-11-29 2022-03-22 华中科技大学 一种工业过程控制系统的前馈预测控制方法及系统
CN114839864A (zh) * 2022-07-04 2022-08-02 中国飞机强度研究所 空天飞机热强度试验控制系统的辐射干涉解耦控制方法
CN111796513B (zh) * 2019-04-08 2022-09-09 阿里巴巴集团控股有限公司 一种数据处理方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1664726A (zh) * 2005-03-17 2005-09-07 上海交通大学 化工多变量生产过程的两自由度解耦控制系统
US20100228370A1 (en) * 2009-03-03 2010-09-09 Taiwan Semiconductor Manufacturing Company, Ltd. Method and system for tuning advanced process control parameters
CN102520615A (zh) * 2011-12-28 2012-06-27 东方电气集团东方汽轮机有限公司 一种空分装置的自动变负荷多变量控制方法
CN102520617A (zh) * 2011-12-30 2012-06-27 杭州电子科技大学 一种炼油工业过程的部分解耦非最小化模型预测控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1664726A (zh) * 2005-03-17 2005-09-07 上海交通大学 化工多变量生产过程的两自由度解耦控制系统
US20100228370A1 (en) * 2009-03-03 2010-09-09 Taiwan Semiconductor Manufacturing Company, Ltd. Method and system for tuning advanced process control parameters
CN102520615A (zh) * 2011-12-28 2012-06-27 东方电气集团东方汽轮机有限公司 一种空分装置的自动变负荷多变量控制方法
CN102520617A (zh) * 2011-12-30 2012-06-27 杭州电子科技大学 一种炼油工业过程的部分解耦非最小化模型预测控制方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103076744A (zh) * 2013-01-18 2013-05-01 杭州电子科技大学 化工过程非最小实现状态空间线性二次型控制方法
CN103076741A (zh) * 2013-01-18 2013-05-01 杭州电子科技大学 化工过程非最小实现扩展状态空间二次型控制方法
CN103076744B (zh) * 2013-01-18 2015-11-18 杭州电子科技大学 化工过程非最小实现状态空间线性二次型控制方法
CN103076741B (zh) * 2013-01-18 2015-11-25 杭州电子科技大学 化工过程非最小实现扩展状态空间二次型控制方法
CN103064294A (zh) * 2013-01-18 2013-04-24 杭州电子科技大学 化工过程解耦非最小实现扩展状态空间二次型控制方法
CN108490779B (zh) * 2018-03-20 2021-01-08 华东交通大学 一种稀土萃取过程解耦控制方法
CN108490779A (zh) * 2018-03-20 2018-09-04 华东交通大学 一种稀土萃取过程解耦控制方法
CN108803329A (zh) * 2018-06-19 2018-11-13 长春工业大学 一种超临界萃取过程溶解度优化方法
CN108803329B (zh) * 2018-06-19 2021-06-18 长春工业大学 一种超临界萃取过程溶解度优化方法
CN111796513B (zh) * 2019-04-08 2022-09-09 阿里巴巴集团控股有限公司 一种数据处理方法及装置
CN113326469A (zh) * 2021-08-02 2021-08-31 南京信息工程大学 一种基于分级状态机的信号解耦方法
CN113326469B (zh) * 2021-08-02 2021-11-02 南京信息工程大学 一种基于分级状态机的信号解耦方法
CN114217526A (zh) * 2021-11-29 2022-03-22 华中科技大学 一种工业过程控制系统的前馈预测控制方法及系统
CN114839864A (zh) * 2022-07-04 2022-08-02 中国飞机强度研究所 空天飞机热强度试验控制系统的辐射干涉解耦控制方法
CN114839864B (zh) * 2022-07-04 2022-09-13 中国飞机强度研究所 空天飞机热强度试验控制系统的辐射干涉解耦控制方法

Also Published As

Publication number Publication date
CN102880046B (zh) 2014-09-17

Similar Documents

Publication Publication Date Title
CN102880046A (zh) 一种化工多变量过程解耦预测函数控制方法
CN102520616B (zh) 炼油工业过程的部分解耦非最小化模型预测函数控制方法
CN102520617B (zh) 一种炼油工业过程的部分解耦非最小化模型预测控制方法
CN102156496B (zh) 一种反应釜温度混合控制方法
CN102053562B (zh) 一种裂解炉出口温度混合控制方法
CN103472723A (zh) 基于多模型广义预测控制器的预测控制方法及系统
CN111522233B (zh) 参数自整定的mimo异因子全格式无模型控制方法
CN106482507B (zh) 一种水泥分解炉燃烧自动控制方法
CN111522229A (zh) 参数自整定的mimo异因子偏格式无模型控制方法
CN102902201A (zh) 一种化工多变量过程的解耦状态空间预测控制方法
Wu et al. Integrated soft sensing of coke-oven temperature
CN111365733A (zh) 一种燃煤锅炉经济氧量动态寻优方法、系统及设备
CN104950945A (zh) 一种水泥烧成分解炉全工况自适应温度优化控制方法
CN103064293A (zh) 化工过程解耦非最小实现状态空间线性二次型控制方法
CN103439968B (zh) 存在控制阀粘滞特性的化工过程的控制性能测定方法
CN102520618A (zh) 误差容忍限机制下的焦化加热炉辐射出口温度控制方法
CN103064294A (zh) 化工过程解耦非最小实现扩展状态空间二次型控制方法
CN102880047B (zh) 炼油工业加热炉温度过程的伴随矩阵解耦预测控制方法
CN102436178B (zh) 一种误差容忍限机制下的焦化加热炉氧含量控制方法
CN109635330B (zh) 一种基于直接法的复杂优化控制问题准确和快速求解方法
CN102866634A (zh) 一种炼油工业过程的伴随矩阵解耦预测函数控制方法
CN113176797B (zh) 一种青瓷素烧过程的炉窑温度自动控制方法
CN103076741B (zh) 化工过程非最小实现扩展状态空间二次型控制方法
CN103363812A (zh) 一种水泥熟料篦冷机控制方法
CN103076744B (zh) 化工过程非最小实现状态空间线性二次型控制方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant