CN103268069A - 基于Hammerstein模型的自适应预测控制方法 - Google Patents

基于Hammerstein模型的自适应预测控制方法 Download PDF

Info

Publication number
CN103268069A
CN103268069A CN2013101907401A CN201310190740A CN103268069A CN 103268069 A CN103268069 A CN 103268069A CN 2013101907401 A CN2013101907401 A CN 2013101907401A CN 201310190740 A CN201310190740 A CN 201310190740A CN 103268069 A CN103268069 A CN 103268069A
Authority
CN
China
Prior art keywords
model
controller
data
adaptive
control
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
CN2013101907401A
Other languages
English (en)
Other versions
CN103268069B (zh
Inventor
潘赛虎
马正华
邹凌
周炯如
何可人
许淮
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.)
Liyang Chang Technology Transfer Center Co.,Ltd.
Original Assignee
Changzhou 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 Changzhou University filed Critical Changzhou University
Priority to CN201310190740.1A priority Critical patent/CN103268069B/zh
Publication of CN103268069A publication Critical patent/CN103268069A/zh
Application granted granted Critical
Publication of CN103268069B publication Critical patent/CN103268069B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明公开了一种基于Hammerstein模型的自适应预测控制方法，具体包括以下步骤：（1）数据采集通道实时采集间歇化工生产过程的工艺参数值，进行数据预处理；（2）处理后的数据传递给神经网络辨识器，由神经网络辨识器进行建模，建模后的模型经过仿真修正；（3）混合自适应预测控制器读取模型参数，生成控制参数，控制执行机构动作；（4）控制算法实现。本发明结合间歇化工过程模型特点，采用基于hammerstein模型的控制方法设计控制系统，引入非线性求逆环节，针对线性环节做预测策略设计，再通过求解非线性代数方程组来确定实际控制量，从而降低在线优化的计算量，实现间歇化工过程精确有效控制。

Description

基于Hammerstein模型的自适应预测控制方法
技术领域
本发明涉及一种化工生产过程的先进控制方法，特别涉及一种基于Hammerstein模型的间歇化工生产过程智能自适应预测控制方法，属于工业控制领域。
背景技术
间歇过程是指将有限量的物料按规定的加工顺序在一个或多个设备中加工以获得有限量产品的加工过程。由于间歇生产具有流程短、设备简单、投资少、见效快、易于更换品种等优点，广泛应用在精细化工、农药化工和生物医药生产中，应用前景十分乐观。近些年来，精细化工生产过程规模不断扩大，工艺过程复杂性增加，产品质量要求提高，环境保护要求越来越严格，同时，原料和能源紧缺，市场不断变化，迫切要求企业节能降耗，实现安全、稳定、长期、满负荷和优化运行，这些对过程控制提出了新的挑战。
例如，丙环唑原药生产过程，主要通过有机合成反应获得，而其合成反应机理复杂，控制精度要求高，控制难度大。需要深入研究丙环唑原药环化、溴化、缩合及精制反应釜的运行特性、工艺特点的基础上，广泛收集历史数据、专家经验和操作规程，确定总体控制目标及主要的控制变量。
由于间歇过程具有时变、非线性等特性, 基于线性系统理论设计控制器不能达到控制需求，因为这种方法计算简单，实时性强，但是其设计结构复杂，计算量大，且稳定性难以得到保证。由于实际的间歇化工过程系统各种不确定性因素的影响，使得设计者难以获得热力系统对象在较大工作范围内的精确模型描述。传统基于物质能量平衡方程的机理模型方法一方面由于建模过程、模型结构以及计算方法的复杂性，难以满足控制优化的实时性要求，同时由于未专门考虑系统对象的连续运行磨损、老化、工况偏离，因此其计算结果不可避免的与实际运行数据存在相当大的偏差，降低了其实用性；另一方面，为获得与实际系统较为贴近的经验模型而进行的大量现场试验，不仅需要增加额外的费用，甚至有可能干扰正常的安全生产。许多过程特性参数难以测量,具有多种操作约束条件, 存在较多干扰, 过程不可逆转和难以采取补救措施等特点, 使间歇过程的控制存在很大的难度, 因此在间歇生产过程中研究和推广应用各种有效的先进控制策略十分必要和迫切。
发明内容
针对现有技术中间歇化工生产过程的控制方法存在的上述问题，本发明结合间歇化工过程模型特点，采用基于hammerstein模型的控制方法设计控制系统，引入非线性求逆环节，针对线性环节做预测策略设计，再通过求解非线性代数方程组来确定实际控制量，从而降低在线优化的计算量。同时，本发明采用智能自适应预测控制方法，可根据环境条件改变而相应地改变控制器的参数，以适应其特性的变化，又可进行鲁棒控制抵抗外部干扰，保证整个系统的稳定运行及性能指标达到要求，进而实现间歇化工过程精确有效控制。
本发明的技术方案是：
基于Hammerstein模型的自适应预测控制方法，具体包括以下步骤：
（1）数据采集通道实时采集间歇化工生产过程的工艺参数值，进行数据预处理；
（2）处理后的数据传递给神经网络辨识器，由神经网络辨识器进行建模，建模后的模
型经过仿真修正；
（3）混合自适应预测控制器读取模型参数，生成控制参数，控制执行机构动作；
（4）控制算法实现。
进一步，所述步骤（1）包括：在底层应用DDE技术、OPC技术和 API HOOK技术，远程进程数据交换技术作为数据源适配器，针对不同的DCS系统平台实现统一接口、结构类似的适配器，各个适配器采用统一的，基于消息的通讯协议同一级中心服务器进行数据交换；一级中心服务器再对数据进行进一步的封装、筛选、压缩，并根据上层应用的时间特性等要求或者转发到上一级中心服务器，或者直接提供给本层所挂接的各种应用，同时每一层级的中心服务器同所挂接的应用之间的数据交互，采用网络穿透性强、平台无关、语言无关的基于SOAP的数据格式。
进一步，所述步骤（2）包括：神经网络辨识器的建模依据所获得的数据建立数学模型，考虑间歇化工生产过程生产具有时变、非线性等特点，考虑将间歇过程建模为特定结构的控制系统，针对生产过程易受环境条件影响、间歇过程难以建模及过程参数不确定的特点,将间歇过程看作由静态非线性子系统和动态线性子系统串联组成，即非线性子系统输出为线性子系统输入，将非线性部分建模成具有特定结构的非线性函数，即典型的非线性Hammerstein模型，利用神经网络具有逼近函数的能力，用神经网络建模非线性未知部分的模型，模型仿真器利用获得的数据对神经网络建模建立的模型进行有效性验证；模型编辑模块依据仿真结果对神经网络建模模块建立的非线性模型进行修正；神经网络建模模块将模型数据存储入模型库中。
进一步，所述步骤（3）包括：首先设计线性子系统控制器，同时根据系统稳定性分析，李亚普诺夫函数                                               
Figure 2013101907401100002DEST_PATH_IMAGE002
，设计线性控制器
Figure 2013101907401100002DEST_PATH_IMAGE004
和自适应率，使控制对象在控制器
Figure 573559DEST_PATH_IMAGE004
的作用下，在未来优化时域的
Figure 2013101907401100002DEST_PATH_IMAGE006
时刻的预测值
Figure 2013101907401100002DEST_PATH_IMAGE008
尽量接近参考输入值；针对非线性部分，引入非线性求逆，结合粒子群优化算法全局搜索求解非线性方程组初值，再采用拟牛顿法局部搜索进一步得到非线性方程组的精确解，从而完成间歇化工生产过程控制系统的实际的自适应预测控制器
Figure 2013101907401100002DEST_PATH_IMAGE012
设计；自适应控制器
Figure 2013101907401100002DEST_PATH_IMAGE014
包括以下4部分：①用以参数化系统未知函数的神经网络、②自适应线性控制器
Figure 739967DEST_PATH_IMAGE004
、③监督代理
Figure 2013101907401100002DEST_PATH_IMAGE016
，系统产生奇异时，用来暂时移交控制权给第④鲁棒控制器、④鲁棒控制器，设计方法李亚普诺夫型自适应律结合使用，综合考虑控制器
Figure 2013101907401100002DEST_PATH_IMAGE020
和自适应律，使整个系统满足期望的系统动态和静态性能指标；混合自适应神经网络预测控制器设计，进一步将自适应控制器
Figure 395070DEST_PATH_IMAGE020
采用如下的混合形式设计为：
Figure 2013101907401100002DEST_PATH_IMAGE024
，
Figure 727963DEST_PATH_IMAGE016
为切换函数。 
进一步，所述自适应预测控制方法有两种工作方式，即自适应线性控制器和鲁棒控制器，当存在模型参数不确定时，选用自适应线性控制器，用来补偿参数不确定性，而当干扰存在时，选用鲁棒控制器
Figure 290387DEST_PATH_IMAGE018
，用来抵抗系统所受的外部干扰。
进一步，所述步骤（4）包括：基于DCS的数据采集系统和组态王软件作为上位机软件的数据处理和显示系统构成，同时组态王软件支持DDE技术，通过DDE协议将组态王与Matlab进行数据交换，实现复杂的混合智能自适应预测控制算法，通过实时仿真验证设计控制器的有效性，并将部分成果应用于实际。
本发明的有益效果是：
本发明充分利用先进的控制理论、神经网络、系统辨识、智能算法等，对间歇化工生产过程实现检测、控制、建模、管理、调度和决策，设计一种针对间歇化工生产过程的关键工艺参数的建模与控制。针对基于hammerstein模型系统特有的控制方法，针对线性子系统设计预测控制器，针对非线性部分进行非线性稳态求解优化实际控制量，从而降低在线优化的计算量，进而实现间歇化工过程精确有效控制。设计采用智能自适应预测控制方法，可根据环境条件改变而相应地改变控制器的参数，以适应其特性的变化，又可进行鲁棒控制抵抗外部干扰，保证整个系统的稳定运行及性能指标达到要求。从而减少能耗，降低成本，提高经济效益等目的的综合性技术。本发明通过进行仿真研究，并将部分研究成果推广应用于实际间歇化工生产中，提高了控制质量。
附图说明
图1 是本发明基于Hammerstein模型的自适应预测控制方法所用建模与控制系统的原理框图；
图2 是建模与控制系统中的神经网络辨识器结构框图；
图3 是本发明中hammerstein模型预测控制系统的流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明基于Hammerstein模型的自适应预测控制方法所用建模与控制系统如图1所示，包括数据采集模块、间歇化工过程、神经网络辨识器、自适应控制器、模型库。间歇化工生产对象的输出端通过数据采集通道与神经网络辨识器输入端连接，神经网络辨识器输出端与混合自适应控制器的输入端连接，混合自适应控制器的输出端与间歇化工生产对象的输入端连接。同时，为了实现对建模过程的仿真修正，所述神经网络辨识器包括神经网络建模模块、模型仿真模块、模型编辑模块；数据采集通道的输出端与神经网络建模模块的输入端连接；数据采集通道与模型仿真模块连接；模型仿真模块输出端与神经网络建模模块连接；神经网络建模模块输出端与模型编辑模块的输入端和模型库的输入端连接。数据采集通道包括依次连接的数据采集模块、数据预处理模块。
其中，数据采集模块：基于Web Service的数据采集交换平台，应用数据通信与采集技术获取对象和控制所需数据，操纵生产装置参数以及输出控制参数。
模型库：考虑间歇化工生产具有时变、非线性等生产的特点，即形成典型的hammerstein模型，即将复杂的间歇化工生产过程分解成静态非线性子系统和动态线性子系统，从而设计该控制策略来预测控制整个生产过程中温度、压力、电机搅拌调速、物料流量等多变量参数的调节。同时考虑生产过程的系统不确定性不能参数化时，过程模型不可知，传统的预测控制在运行初期具有良好的控制效果，但随时间的推移，操作条件、生产环境等因素发生改变，预测控制器性能下降，无法达到预期效益。本发明针对间歇化工生产过程模型未知及外部干扰的情况，运用神经网络预测模型。
自适应控制器：智能自适应预测控制器提高系统性能，弥补现有的预测控制器随生产条件改变(即模型参数未知的情况)而影响控制系统性能下降，及存在外部干扰，影响系统稳定运行，从而无法达到预期效益的缺陷。
本发明的工作原理为通过对间歇化工生产过程的分析，以黑箱建模原理，应用系统结构和神经网络建模算法，根据间歇化工生产过程的历史数据，建立间歇化工生产过程的非线性hammerstein模型，依据建立的模型，设计智能自适应预测控制，输出控制量控制执行机构动作，实现对间歇化工生产过程的预测控制。  
本发明基于hammerstein模型的自适应预测控制方法，包括如下步骤：A、数据采集通道实时采集间歇化工生产过程的工艺参数值，进行数据预处理；B、处理后的数据传递给神经网络辨识器，由神经网络辨识器进行建模，建模后的模型经过仿真修正；C、混合自适应预测控制器读取模型参数，生成控制参数，控制执行机构动作；D:控制算法实现。
所述步骤A包括：A1、在底层应用DDE技术、OPC技术(COM技术)和 API HOOK技术，远程进程数据交换技术作为数据源适配器，针对不同的DCS系统平台开发实现了统一接口，结构类似的适配器。A2、各个适配器采用统一的，基于消息的通讯协议同一级中心服务器进行数据交换。一级中心服务器再对数据进行进一步的封装、筛选、压缩，并根据上层应用的时间特性等要求或者转发到上一级中心服务器，或者直接提供给本层所挂接的各种应用。同时每一层级的中心服务器同所挂接的应用之间的数据交互，将采用网络穿透性强、平台无关、语言无关的基于SOAP的数据格式，应用不但可以调用中心服务器的数据，还能注册额外的数据处理程序，为异构的控制系统与应用交换和共享数据提供了一个开放的、统一的应用集成环境。
所述步骤B如附图2所示，包括：B1、神经网络辨识器的建模依据所获得的数据建立数学模型，考虑间歇化工生产过程生产具有时变、非线性等特点，则考虑将间歇过程建模为特定结构的控制系统。针对生产过程易受环境条件影响，间歇过程难以建模及过程参数不确定, 可考虑将间歇过程看作由静态非线性子系统和动态线性子系统串联组成，即非线性子系统输出为线性子系统输入，针对这种结构，可考虑将非线性部分建模成具有特定结构的非线性函数，即典型的非线性Hammerstein模型。利用神经网络具有逼近函数的能力，考虑用神经网络建模非线性未知部分的模型。同时，模型仿真器利用获得的数据对神经网络建模建立的模型进行有效性验证；B2、模型编辑模块依据仿真结果对神经网络建模模块建立的非线性模型进行修正；B3、神经网络建模模块将模型数据存储入模型库中。
所述步骤C包括：C1、根据间歇化工生产过程控制系统Hammerstein模型结构的特点如
附图3，可考虑运将复杂的间歇化工生产过程分解成静态非线性子系统和动态线性子系统，该控制策略分两步设计。C2、首先设计线性子系统控制器，可同时根据系统稳定性分析，李亚普诺夫函数
Figure 896949DEST_PATH_IMAGE002
，设计线性控制器
Figure 890312DEST_PATH_IMAGE004
和自适应率(即神经网络权重参数估计), 使得控制对象在控制器
Figure 582325DEST_PATH_IMAGE004
的作用下，在未来优化时域的
Figure 319337DEST_PATH_IMAGE006
时刻的预测值
Figure 842722DEST_PATH_IMAGE008
尽量接近参考输入值
Figure 210249DEST_PATH_IMAGE010
。C3、针对非线性部分，引入非线性求逆，结合粒子群优化算法全局搜索求解非线性方程组初值，再采用拟牛顿法局部搜索进一步得到非线性方程组的精确解，从而完成间歇化工生产过程控制系统的实际的自适应预测控制器设计。C4、自适应控制器
Figure 726998DEST_PATH_IMAGE014
包括以下4部分：①用以参数化系统未知函数的神经网络；②自适应线性控制器
Figure 806688DEST_PATH_IMAGE004
；③监督代理
Figure 141854DEST_PATH_IMAGE016
(即切换函数)，系统产生奇异时，用来暂时移交控制权给第④鲁棒控制器；④鲁棒控制器
Figure 808459DEST_PATH_IMAGE018
；设计方法与设计步骤C中的C1提到的李亚普诺夫型自适应律结合使用，综合考虑控制器和自适应律
Figure 385251DEST_PATH_IMAGE022
，使整个系统满足期望的系统动态和静态性能指标。C3、混合自适应神经网络预测控制器设计，进一步将上述步骤C2和C3得到的自适应控制器
Figure 94581DEST_PATH_IMAGE020
，采用如下的混合形式设计为：
Figure 45219DEST_PATH_IMAGE024
，
Figure 927724DEST_PATH_IMAGE016
为切换函数，本系统有两种工作方式，即步骤C4包括的为自适应线性控制器
Figure 217891DEST_PATH_IMAGE004
和鲁棒控制器
Figure 160440DEST_PATH_IMAGE018
。当存在模型参数不确定时，选用自适应线性控制器
Figure 34592DEST_PATH_IMAGE004
，用来补偿参数不确定性，而当干扰存在时，选用鲁棒控制器
Figure 455209DEST_PATH_IMAGE018
，用来抵抗系统所受的外部干扰。
所述步骤D控制算法实现,包括系统由基于DCS的数据采集系统和组态王软件作为上位机软件的数据处理和显示系统构成，同时组态王软件支持DDE技术，可通过DDE协议将组态王与Matlab进行数据交换，实现复杂的混合智能自适应预测控制算法。并通过大量的实时仿真验证设计控制器的有效性，并将部分成果应用于实际。
本发明充分利用先进的控制理论、神经网络、系统辨识、智能算法等，对间歇化工生产过程实现检测、控制、建模、管理、调度和决策，设计一种针对间歇化工生产过程的关键工艺参数的建模与控制。针对基于hammerstein模型系统特有的控制方法，针对线性子系统设计预测控制器，针对非线性部分进行非线性稳态求解优化实际控制量，从而降低在线优化的计算量，进而实现间歇化工过程精确有效控制。设计采用智能自适应预测控制方法，可根据环境条件改变而相应地改变控制器的参数，以适应其特性的变化，又可进行鲁棒控制抵抗外部干扰，保证整个系统的稳定运行及性能指标达到要求。从而减少能耗，降低成本，提高经济效益等目的的综合性技术。因而本发明提出通过进行仿真研究，并将部分研究成果推广应用于实际间歇化工生产中，提高控制质量。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于Hammerstein模型的自适应预测控制方法，具体包括以下步骤：
（1）数据采集通道实时采集间歇化工生产过程的工艺参数值，进行数据预处理；
（2）处理后的数据传递给神经网络辨识器，由神经网络辨识器进行建模，建模后的模型经过仿真修正；
（3）混合自适应预测控制器读取模型参数，生成控制参数，控制执行机构动作；
（4）控制算法实现。
2.根据权利要求1所述的基于Hammerstein模型的自适应预测控制方法，其特征在于：所述步骤（1）包括：在底层应用DDE技术、OPC技术和 API HOOK技术，远程进程数据交换技术作为数据源适配器，针对不同的DCS系统平台实现统一接口、结构类似的适配器，各个适配器采用统一的，基于消息的通讯协议同一级中心服务器进行数据交换；一级中心服务器再对数据进行进一步的封装、筛选、压缩，并根据上层应用的时间特性等要求或者转发到上一级中心服务器，或者直接提供给本层所挂接的各种应用，同时每一层级的中心服务器同所挂接的应用之间的数据交互，采用网络穿透性强、平台无关、语言无关的基于SOAP的数据格式。
3.根据权利要求1所述的基于Hammerstein模型的自适应预测控制方法，其特征在于：所述步骤（2）包括：神经网络辨识器的建模依据所获得的数据建立数学模型，考虑间歇化工生产过程生产具有时变、非线性等特点，考虑将间歇过程建模为特定结构的控制系统，针对生产过程易受环境条件影响、间歇过程难以建模及过程参数不确定的特点,将间歇过程看作由静态非线性子系统和动态线性子系统串联组成，即非线性子系统输出为线性子系统输入，将非线性部分建模成具有特定结构的非线性函数，即典型的非线性Hammerstein模型，利用神经网络具有逼近函数的能力，用神经网络建模非线性未知部分的模型，模型仿真器利用获得的数据对神经网络建模建立的模型进行有效性验证；模型编辑模块依据仿真结果对神经网络建模模块建立的非线性模型进行修正；神经网络建模模块将模型数据存储入模型库中。
4.根据权利要求1所述的基于Hammerstein模型的自适应预测控制方法，其特征在于：所述步骤（3）包括：首先设计线性子系统控制器，同时根据系统稳定性分析，李亚普诺夫函数                                                
Figure 2013101907401100001DEST_PATH_IMAGE001
，设计线性控制器
Figure 494600DEST_PATH_IMAGE002
和自适应率，使控制对象在控制器的作用下，在未来优化时域的
Figure 2013101907401100001DEST_PATH_IMAGE003
时刻的预测值
Figure 459462DEST_PATH_IMAGE004
尽量接近参考输入值
Figure 2013101907401100001DEST_PATH_IMAGE005
；针对非线性部分，引入非线性求逆，结合粒子群优化算法全局搜索求解非线性方程组初值，再采用拟牛顿法局部搜索进一步得到非线性方程组的精确解，从而完成间歇化工生产过程控制系统的实际的自适应预测控制器
Figure 461791DEST_PATH_IMAGE006
设计；自适应控制器
Figure 2013101907401100001DEST_PATH_IMAGE007
包括以下4部分：①用以参数化系统未知函数的神经网络、②自适应线性控制器
Figure 638825DEST_PATH_IMAGE002
、③监督代理
Figure 999399DEST_PATH_IMAGE008
，系统产生奇异时，用来暂时移交控制权给第④鲁棒控制器、④鲁棒控制器
Figure 2013101907401100001DEST_PATH_IMAGE009
，设计方法李亚普诺夫型自适应律结合使用，综合考虑控制器
Figure 324201DEST_PATH_IMAGE010
和自适应律
Figure 2013101907401100001DEST_PATH_IMAGE011
，使整个系统满足期望的系统动态和静态性能指标；混合自适应神经网络预测控制器设计，进一步将自适应控制器
Figure 130221DEST_PATH_IMAGE010
采用如下的混合形式设计为：，
Figure 693238DEST_PATH_IMAGE008
为切换函数。
5.根据权利要求4所述的基于Hammerstein模型的自适应预测控制方法，其特征在于：所述自适应预测控制方法有两种工作方式，即自适应线性控制器和鲁棒控制器，当存在模型参数不确定时，选用自适应线性控制器
Figure 423930DEST_PATH_IMAGE002
，用来补偿参数不确定性，而当干扰存在时，选用鲁棒控制器，用来抵抗系统所受的外部干扰。
6.根据权利要求1所述的基于Hammerstein模型的自适应预测控制方法，其特征在于：所述步骤（4）包括：基于DCS的数据采集系统和组态王软件作为上位机软件的数据处理和显示系统构成，同时组态王软件支持DDE技术，通过DDE协议将组态王与Matlab进行数据交换，实现复杂的混合智能自适应预测控制算法，通过实时仿真验证设计控制器的有效性，并将部分成果应用于实际。
CN201310190740.1A 2013-05-22 2013-05-22 基于Hammerstein模型的自适应预测控制方法 Active CN103268069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310190740.1A CN103268069B (zh) 2013-05-22 2013-05-22 基于Hammerstein模型的自适应预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310190740.1A CN103268069B (zh) 2013-05-22 2013-05-22 基于Hammerstein模型的自适应预测控制方法

Publications (2)

Publication Number Publication Date
CN103268069A true CN103268069A (zh) 2013-08-28
CN103268069B CN103268069B (zh) 2015-10-28

Family

ID=49011705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310190740.1A Active CN103268069B (zh) 2013-05-22 2013-05-22 基于Hammerstein模型的自适应预测控制方法

Country Status (1)

Country Link
CN (1) CN103268069B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103472727A (zh) * 2013-09-22 2013-12-25 浙江大学 群智加权的农药焚烧炉有害物排放达标控制系统及方法
CN103616817A (zh) * 2013-12-03 2014-03-05 安徽大学 一种基于非线性切换系统的伺服转台控制器
CN104503243A (zh) * 2014-12-26 2015-04-08 常州大学 基于Hammerstein-Wiener模型的钢包精炼炉电极调节系统的预测控制方法
CN105425587A (zh) * 2015-11-16 2016-03-23 北京理工大学 迟滞非线性电机辨识与控制方法
CN106950822A (zh) * 2017-03-22 2017-07-14 北京化工大学 复杂重尾噪声影响下多变量Hammerstein模型的辨识方法
CN107807524A (zh) * 2017-10-20 2018-03-16 东南大学 一种微型燃气轮机冷热电三联供系统鲁棒自适应控制方法
CN109816103A (zh) * 2017-11-20 2019-05-28 天津大学 一种pso-bfgs神经网络训练算法
CN111338302A (zh) * 2020-02-28 2020-06-26 合肥力拓云计算科技有限公司 基于工业大数据和工业物联网的化工工艺建模处理系统
CN112947648A (zh) * 2021-03-04 2021-06-11 江西理工大学 一种农业温室环境预测方法及系统
CN115145211A (zh) * 2022-09-06 2022-10-04 上海桁壹高科技有限公司 一种非开关量设备的控制方法、系统、介质和电子设备
CN116400596A (zh) * 2023-04-03 2023-07-07 中国矿业大学 针对带输入死区的工业时变系统二维递推辨识建模方法
CN117291230A (zh) * 2023-11-23 2023-12-26 湘江实验室 一种状态闭合的Hammerstein非线性系统混合辨识方法
CN117590745A (zh) * 2023-11-14 2024-02-23 江南大学 一种非线性间歇过程的二维复合模糊迭代学习控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040249483A1 (en) * 2003-06-05 2004-12-09 Wojsznis Wilhelm K. Multiple-input/multiple-output control blocks with non-linear predictive capabilities
CN1996175A (zh) * 2006-12-30 2007-07-11 辽宁省粮食科学研究所 基于模糊神经网络的谷物干燥预测控制系统及方法
CN101276207A (zh) * 2008-05-07 2008-10-01 浙江大学 基于哈默斯坦模型的多变量非线性系统预测函数控制方法
CN101320960A (zh) * 2008-07-18 2008-12-10 东南大学 基于模糊神经网络的哈默斯坦模型的功放预失真方法
JP2012064245A (ja) * 2005-09-30 2012-03-29 Fisher-Rosemount Systems Inc バッチプロセスを制御するためのシステムおよび方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040249483A1 (en) * 2003-06-05 2004-12-09 Wojsznis Wilhelm K. Multiple-input/multiple-output control blocks with non-linear predictive capabilities
JP2012064245A (ja) * 2005-09-30 2012-03-29 Fisher-Rosemount Systems Inc バッチプロセスを制御するためのシステムおよび方法
CN1996175A (zh) * 2006-12-30 2007-07-11 辽宁省粮食科学研究所 基于模糊神经网络的谷物干燥预测控制系统及方法
CN101276207A (zh) * 2008-05-07 2008-10-01 浙江大学 基于哈默斯坦模型的多变量非线性系统预测函数控制方法
CN101320960A (zh) * 2008-07-18 2008-12-10 东南大学 基于模糊神经网络的哈默斯坦模型的功放预失真方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冯少辉、钱锋: "基于Hammerstein模型的预测控制在化工过程中的应用", 《石油化工自动化》 *
满红、邵诚: "基于Hammerstein-Wiener模型的连续搅拌反应釜神经网络预测控制", 《化工学报》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103472727B (zh) * 2013-09-22 2016-08-24 浙江大学 群智加权的农药焚烧炉有害物排放达标控制系统及方法
CN103472727A (zh) * 2013-09-22 2013-12-25 浙江大学 群智加权的农药焚烧炉有害物排放达标控制系统及方法
CN103616817A (zh) * 2013-12-03 2014-03-05 安徽大学 一种基于非线性切换系统的伺服转台控制器
CN103616817B (zh) * 2013-12-03 2016-09-28 安徽大学 一种基于非线性切换系统的伺服转台控制器
CN104503243A (zh) * 2014-12-26 2015-04-08 常州大学 基于Hammerstein-Wiener模型的钢包精炼炉电极调节系统的预测控制方法
CN105425587A (zh) * 2015-11-16 2016-03-23 北京理工大学 迟滞非线性电机辨识与控制方法
CN106950822A (zh) * 2017-03-22 2017-07-14 北京化工大学 复杂重尾噪声影响下多变量Hammerstein模型的辨识方法
CN107807524A (zh) * 2017-10-20 2018-03-16 东南大学 一种微型燃气轮机冷热电三联供系统鲁棒自适应控制方法
CN109816103A (zh) * 2017-11-20 2019-05-28 天津大学 一种pso-bfgs神经网络训练算法
CN111338302B (zh) * 2020-02-28 2022-12-02 合肥力拓云计算科技有限公司 基于工业大数据和工业物联网的化工工艺建模处理系统
CN111338302A (zh) * 2020-02-28 2020-06-26 合肥力拓云计算科技有限公司 基于工业大数据和工业物联网的化工工艺建模处理系统
CN112947648A (zh) * 2021-03-04 2021-06-11 江西理工大学 一种农业温室环境预测方法及系统
CN112947648B (zh) * 2021-03-04 2021-11-23 江西理工大学 一种农业温室环境预测方法及系统
CN115145211A (zh) * 2022-09-06 2022-10-04 上海桁壹高科技有限公司 一种非开关量设备的控制方法、系统、介质和电子设备
CN115145211B (zh) * 2022-09-06 2022-12-09 上海桁壹高科技有限公司 一种非开关量设备的控制方法、系统、介质和电子设备
CN116400596A (zh) * 2023-04-03 2023-07-07 中国矿业大学 针对带输入死区的工业时变系统二维递推辨识建模方法
CN116400596B (zh) * 2023-04-03 2024-04-09 中国矿业大学 针对带输入死区的工业时变系统二维递推辨识建模方法
CN117590745A (zh) * 2023-11-14 2024-02-23 江南大学 一种非线性间歇过程的二维复合模糊迭代学习控制方法
CN117291230A (zh) * 2023-11-23 2023-12-26 湘江实验室 一种状态闭合的Hammerstein非线性系统混合辨识方法
CN117291230B (zh) * 2023-11-23 2024-03-08 湘江实验室 一种状态闭合的Hammerstein非线性系统混合辨识方法

Also Published As

Publication number Publication date
CN103268069B (zh) 2015-10-28

Similar Documents

Publication Publication Date Title
CN103268069A (zh) 基于Hammerstein模型的自适应预测控制方法
CN103336433A (zh) 基于反步法的混合自适应预测控制系统及其预测控制方法
CN112365029B (zh) 用于空调负荷预测的缺失值处理方法及空调负荷预测系统
CN1694109B (zh) 一种应用于化工炼油生产过程的物流数据校正方法
EP3872432A1 (en) Method, apparatus and electronic device for constructing reinforcement learning model
CN101619850A (zh) 基于热电系统负荷在线预测的调度方法与系统
CN104102212A (zh) 一种钢铁企业中煤气和蒸汽系统的调度方法、设备和系统
CN108062598A (zh) 一种多情景下的新态势负荷潜力预测方法
CN104899425A (zh) 一种高炉铁水硅含量的变量选择预报方法
CN109325880A (zh) 一种基于Verhulst-SVM的中长期负荷预测方法
CN103279075A (zh) 一种间歇化工生产过程及其控制方法
CN104050547A (zh) 一种油田开发规划方案非线性优选决策方法
CN109961147A (zh) 一种基于Q-Learning算法的自动化模型压缩方法
Zhang et al. DEA efficiency prediction based on IG–SVM
CN112308270A (zh) 一种长期用电负荷预测方法、装置及计算机实现系统
CN113887809A (zh) 双碳目标下配电网供需平衡方法、系统、介质及计算设备
Ji et al. Application of the improved the ELM algorithm for prediction of blast furnace gas utilization rate
Yan et al. Service caching for meteorological emergency decision-making in cloud-edge computing
KR102389217B1 (ko) 실시간 소비전력 모니터링 기반 전력패턴 분석을 통한 전력 관리 시스템
CN114970357A (zh) 节能效果评价方法、系统、装置及存储介质
CN106452822B (zh) 一种大规模服务器集群的在线能耗管理方法与装置
CN111859783B (zh) 水压预测方法、系统、存储介质、设备、城市供水系统
Shi et al. Application on stock price prediction of Elman neural networks based on principal component analysis method
CN114118543A (zh) 基于联合学习的烟气含氧量负荷预测方法及装置
Weng et al. Interdependence Analysis and Co-optimization of Scattered Data Centers and Power Systems

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
TR01 Transfer of patent right

Effective date of registration: 20201202

Address after: 213311 building 7, No. 8-2, Dutou street, Daitou Town, Liyang, Changzhou City, Jiangsu Province

Patentee after: Liyang Chang Technology Transfer Center Co.,Ltd.

Address before: Gehu Lake Road Wujin District 213164 Jiangsu city of Changzhou province No. 1

Patentee before: CHANGZHOU University

TR01 Transfer of patent right