CN107943119A - 基于控制网格精细化的催化剂混合动态优化系统 - Google Patents

基于控制网格精细化的催化剂混合动态优化系统 Download PDF

Info

Publication number
CN107943119A
CN107943119A CN201711116245.0A CN201711116245A CN107943119A CN 107943119 A CN107943119 A CN 107943119A CN 201711116245 A CN201711116245 A CN 201711116245A CN 107943119 A CN107943119 A CN 107943119A
Authority
CN
China
Prior art keywords
mrow
msub
blending ratio
mfrac
mtd
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
CN201711116245.0A
Other languages
English (en)
Other versions
CN107943119B (zh
Inventor
刘兴高
李国栋
王雅琳
卢建刚
阳春华
孙优贤
桂卫华
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201711116245.0A priority Critical patent/CN107943119B/zh
Publication of CN107943119A publication Critical patent/CN107943119A/zh
Application granted granted Critical
Publication of CN107943119B publication Critical patent/CN107943119B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D11/00—Control of flow ratio
    • G05D11/02—Controlling ratio of two or more flows of fluid or fluent material
    • G05D11/13—Controlling ratio of two or more flows of fluid or fluent material characterised by the use of electric means
    • G05D11/135—Controlling ratio of two or more flows of fluid or fluent material characterised by the use of electric means by sensing at least one property of the mixture
    • G05D11/138—Controlling ratio of two or more flows of fluid or fluent material characterised by the use of electric means by sensing at least one property of the mixture by sensing the concentration of the mixture, e.g. measuring pH value

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Exhaust Gas Treatment By Means Of Catalyst (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了基于控制网格精细化的催化剂混合动态优化系统，由间歇反应装置、混合比率传感器、模数转换器、现场总线网络、DCS、主控室混合比率及产品浓度显示、混合比率控制阀门端的数模转换器、混合比率控制阀门构成。控制室工程师指定反应持续时间、反应装置中物料的初始浓度状态、需要提高浓度的目标产品后，DCS通过控制网格精细化优化方法得出使目标产品浓度最大的催化剂混合比率并转换为混合比率控制阀门的开度指令，通过现场总线网络发送给混合比率控制阀门端的数模转换器，使混合比率控制阀门执行相应动作，混合比率传感器实时采集催化剂的混合比率并回送给DCS。本发明能够最大化目标产品的浓度，实现挖潜增效。

Description

基于控制网格精细化的催化剂混合动态优化系统
技术领域
本发明涉及反应器控制领域，主要是基于控制网格精细化的催化剂混合动态优化系统。能够对间歇反应装置的催化剂混合比率进行自动控制，以提高目标产品的浓度。
背景技术
间歇反应装置，广泛应用于石油化工、精细化工、农药等工业生产中。
对于结构固定的间歇反应装置，当原料配额比、物料浓度、反应温度等参数确定以后，在充分搅拌的条件下，影响产品产量的一个关键因素就是催化剂的混合比率。由于不同产品的生产工艺要求不同，所以按生产工艺要求对间歇反应装置自动地进行催化剂混合动态优化具有重要意义。
当前国内间歇反应器的控制方法中很少采用动态优化理论及对应方法，控制器中的参数往往凭已有经验设定。采用动态优化方法后的间歇反应装置的产品浓度可以进一步提高，实现挖潜增效。
发明内容
为了提高间歇反应装置目标产品的浓度，本发明提供了基于控制网格精细化的催化剂混合动态优化系统。
本发明的目的是通过以下技术方案来实现的：基于控制网格精细化的催化剂混合动态优化系统，能够对反应装置中催化剂的混合比率进行自动控制，以最大化目标产品的浓度。其特征是：由间歇反应装置、混合比率传感器、模数转换器、现场总线网络、DCS、主控室混合比率及产品浓度显示、混合比率控制阀门端的数模转换器、混合比率控制阀门构成。所述系统的运行过程包括：
步骤A1：控制室工程师指定反应持续时间、反应装置中物料的初始浓度状态、需要提高浓度的目标产品；
步骤A2：DCS执行内部的控制网格精细化优化方法，获得使目标产品浓度最大的催化剂混合比率；
步骤A3：DCS将计算获得的催化剂混合比率转换为混合比率控制阀门的开度指令，通过现场总线网络发送给混合比率控制阀门端的数模转换器，使混合比率控制阀门根据收到的控制指令执行相应动作；
步骤A4：间歇反应装置端的混合比率传感器实时采集催化剂的混合比率，经过模数转换器后用现场总线网络回送给DCS，并在主控室内显示，使控制室工程师随时掌握生产过程。
所述的DCS，包括信息采集模块、初始化模块、控制网格精细化模块、ODE求解模块、梯度计算模块、非线性规划(Non-linear Programming，简称NLP)问题求解模块、精细化收敛性判断模块、控制指令输出模块。其中信息采集模块包括反应持续时间采集、初始浓度状态采集、目标产品采集三个子模块，NLP问题求解模块包括寻优方向计算、寻优步长计算、NLP收敛性判断三个子模块。
间歇反应装置中目标产品的生产过程可以描述为：
其中，t表示时间，u(t)表示催化剂混合比率，x(t)表示反应装置中随时间变化的物料浓度；F(·)是根据物料平衡、能量平衡等建立的微分方程组。从该描述可以看出，间歇反应装置中目标产品的生产过程可以用数学上的一组微分方程组来表示。
要使间歇反应装置中目标产品的浓度最大化，等价于：当生产过程完成后，使该产品的浓度最大。以x1(t)代表该产物随时间变化的浓度，则该问题的最终表达式为：
其中，t0表示反应过程的开始时间，tf表示反应过程的结束时间，J表示需要最大化的目标函数。该问题本质上是动态优化问题。但是，传统方法对于这类问题的求解，具有效率低、精度差的缺陷，难以满足实际生产时高效率的要求。
本发明解决其技术问题所采用的技术方案是：在DCS中集成了控制网格精细化优化方法，并以此为基础构建了一套动态优化控制系统。所述的系统的完整结构包括间歇反应装置21、混合比率传感器22、模数转换器23、现场总线网络24、DCS25、主控室混合比率及产品浓度显示26、混合比率控制阀门端的数模转换器27、混合比率控制阀门28。
所述的系统的运行过程包括：
步骤A1：控制室工程师指定反应持续时间、反应装置中物料的初始浓度状态、需要提高浓度的目标产品；
步骤A2：DCS执行内部的控制网格精细化优化方法，获得使目标产品浓度最大的催化剂混合比率；
步骤A3：DCS将计算获得的催化剂混合比率转换为混合比率控制阀门的开度指令，通过现场总线网络发送给混合比率控制阀门端的数模转换器，使混合比率控制阀门根据收到的控制指令执行相应动作；
步骤A4：间歇反应装置端的混合比率传感器实时采集催化剂的混合比率，经过模数转换器后用现场总线网络回送给DCS，并在主控室内显示，使控制室工程师随时掌握生产过程。
所述的DCS，包括信息采集模块、初始化模块、控制网格精细化模块、ODE求解模块、梯度计算模块、非线性规划(Non-linear Programming，简称NLP)问题求解模块、精细化收敛性判断模块、控制指令输出模块。其中信息采集模块包括反应持续时间采集、初始浓度状态采集、目标产品采集三个子模块，NLP问题求解模块包括寻优方向计算、寻优步长计算、NLP收敛性判断三个子模块。
为获得使目标产品浓度最大的催化剂混合比率，所述的DCS执行的控制网格精细化优化，运行步骤如下：
步骤B1：信息采集模块31获取工程师指定的反应持续时间、反应装置中物料的初始浓度状态、以及需要提高浓度的目标产品；
步骤B2：初始化模块32开始运行，采用分段常量参数化，设置反应持续时间的分段数为N、对应的控制网格为催化剂混合比率的参数化向量的初始猜测值设定NLP问题的计算精度tol1和网格精细化的收敛精度tol2，将迭代次数k1和精细化次数k2置零；
步骤B3：当k2＝0时，执行步骤B4；否则，通过控制网格精细化模块33对控制网格进行精细化处理，得到新的控制网格及其对应的参数化向量
步骤B4：通过ODE求解模块34获取本次迭代的物料浓度和目标函数值
步骤B5：通过梯度计算模块35获取本次迭代的梯度信息当k1＝0时跳过步骤B6直接执行步骤B7；
步骤B6：NLP问题求解模块36运行，通过NLP收敛性判断模块进行收敛性判断，如果与上一次迭代的目标函数值之差的绝对值小于精度tol1，则判断收敛性满足，执行步骤B9；如果收敛性不满足，则继续执行步骤B7；
步骤B7：用的值覆盖的值，并将迭代次数k1增加1；
步骤B8：NLP问题求解模块36利用在步骤B4和B5中获得的目标函数值和梯度信息，通过计算寻优方向和寻优步长，获得比更优的新的催化剂混合比率该步骤执行完成后再次跳转至步骤B4；
步骤B9：精细化收敛性判断模块37运行，记当k2＝0时，执行步骤B10，否则，判断与上一次精细化的目标函数值之差的绝对值是否小于精度tol2，如果是，则判断收敛性满足，并将本次迭代的催化剂混合比率转换为混合比率控制阀门的开度指令输出，否则收敛性不满足，置精细化次数k2:＝k2+1，继续执行步骤B3，直至精细化收敛性判断模块满足为止。
所述的控制网格精细化模块，采用如下步骤实现：
步骤C1：由以下公式计算网格节点处的左斜率和右斜率(k＝1,…,N-1)：
其中，uk表示催化剂混合比率的参数化向量u的第k个分量，tk表示uk和uk+1之间的网格节点。
步骤C2：若网格节点tk处的左右斜率满足如下要求，则从网格中剔除该节点：
其中，εe是一个较小的正实数。网格节点tk剔除后，uk和uk+1所对应的网格合并为一个新的网格，其上的参数更新为(uk+uk+1)/2。
步骤C3：若网格节点tk处的左斜率满足：
其中，εi是一个大于εe的正实数，则在[tk-1,tk]上插入网格节点；若网格节点tk处的右斜率满足：
则在[tk-1,tk]上插入网格节点。实际应用时，可根据左右斜率的绝对值大小自由设定加入节点的个数。
步骤C4：根据步骤C2和C3中剔除和插入的节点，生成新的控制网格和相应的参数化向量。
所述的ODE求解模块，采用的是四步Runge-Kutta方法，计算公式为：
其中，t表示时间，ti表示Runge-Kutta方法选择的积分时刻，ti+1表示位于时刻ti后的积分时刻，积分步长h为任意两相邻积分时刻之差，x(ti)表示反应装置中在ti时刻的物料浓度，F(·)是描述状态微分方程的函数，K1、K2、K3、K4分别表示Runge-Kutta法积分过程中的4个节点的函数值。
所述的梯度计算模块，采用的是伴随方法:
步骤D1：令λ(t)为协态向量，它的值由伴随方程确定：
其中，tf表示反应过程的结束时间，H表示哈密尔顿函数，且H＝L+λ(t)TF，L为目标函数的积分项，Φ[x(tf)]为目标函数的稳态项。
步骤D2：对于伴随方程，采用四步Runge-Kutta方法得到协态向量λ(t)在各积分时刻的值，计算公式为：
其中，t表示时间，ti为ODE求解模块中选择的积分时刻，ti+1表示位于时刻ti后的积分时刻，并且ti+1＝ti+h，h为积分步长，Q1、Q2、Q3、Q4分别表示Runge-Kutta法积分过程中的4个节点的函数值。
步骤D3：基于得到的协态向量λ(t)的值，由以下公式得到梯度信息
其中，和表示的第一个和第二个分量，依此类推。
所述的NLP问题求解模块，采用如下步骤实现：
步骤E1：如果与上一次迭代的目标函数值的绝对值之差小于精度tol1，则判断收敛性满足，返回本次迭代得到的催化剂混合比率；如果收敛性不满足，则继续执行步骤E2；
步骤E2：用的值覆盖的值，并将迭代次数k1增加1；
步骤E3：将催化剂混合比率作为向量空间中的某个点，记作P1，P1对应的目标函数值就是
步骤E4：从点P1出发，根据选用的NLP算法和点P1处的梯度信息构造向量空间中的一个寻优方向和步长
步骤E5:通过式构造向量空间中对应的另外一个点P2，使得P2对应的目标函数值比更优，其中I是与同维数的单位向量。
本发明的有益效果主要表现在：基于控制向量参数化方法的催化剂混合动态优化系统，能够计算出催化剂混合问题的最优控制策略，可以适应问题的最优控制曲线，特别是找到问题的不连续点，因此能够获得较高的精度；采用基于斜率的网格精细化自适应策略之后，下一次最优控制问题的初始估计值是当前迭代的最优曲线值，另一方面梯度求解模块给出了梯度的求解方法，由此可以获得较快的收敛速度，减少催化剂问题最优的控制策略的计算时间。本发明能够最大化目标产品的浓度，实现挖潜增效。
附图说明
图1是本发明的功能示意图；
图2是本发明的结构示意图；
图3是本发明DCS内部模块结构图；
图4是对实施例1获得的催化剂混合比率图；
图5是图4中催化剂混合比率对应的产品浓度变化图。
具体实施方式
如图1所示，间歇反应装置中目标产品的生产过程可以描述为：
其中，t表示时间，u(t)表示催化剂混合比率，x(t)表示反应装置中随时间变化的物料浓度；F(·)是根据物料平衡、能量平衡等建立的微分方程组。从该描述可以看出，间歇反应装置中目标产品的生产过程可以用数学上的一组微分方程组来表示。
要使间歇反应装置中目标产品的浓度最大化，等价于：当生产过程完成后，使该产品的浓度最大。以x1(t)代表该产物随时间变化的浓度，则该问题的最终表达式为：
其中，t0表示反应过程的开始时间，tf表示反应过程的结束时间，J表示需要最大化的目标函数。该问题本质上是动态优化问题。但是，传统方法对于这类问题的求解，具有效率低、精度差的缺陷，难以满足实际生产时高效率的要求。
本发明解决其技术问题所采用的技术方案是：在DCS中集成了控制网格精细化优化方法，并以此为基础构建了一套动态优化控制系统。所述的系统的完整结构如图2所示，包括间歇反应装置21、混合比率传感器22、模数转换器23、现场总线网络24、DCS25、主控室混合比率及产品浓度显示26、混合比率控制阀门端的数模转换器27、混合比率控制阀门28。
所述的系统的运行过程包括：
步骤A1：控制室工程师指定反应持续时间、反应装置中物料的初始浓度状态、需要提高浓度的目标产品；
步骤A2：DCS执行内部的控制网格精细化优化方法，获得使目标产品浓度最大的催化剂混合比率；
步骤A3：DCS将计算获得的催化剂混合比率转换为混合比率控制阀门的开度指令，通过现场总线网络发送给混合比率控制阀门端的数模转换器，使混合比率控制阀门根据收到的控制指令执行相应动作；
步骤A4：间歇反应装置端的混合比率传感器实时采集催化剂的混合比率，经过模数转换器后用现场总线网络回送给DCS，并在主控室内显示，使控制室工程师随时掌握生产过程。
所述的DCS，包括信息采集模块、初始化模块、控制网格精细化模块、ODE求解模块、梯度计算模块、非线性规划(Non-linear Programming，简称NLP)问题求解模块、精细化收敛性判断模块、控制指令输出模块。其中信息采集模块包括反应持续时间采集、初始浓度状态采集、目标产品采集三个子模块，NLP问题求解模块包括寻优方向计算、寻优步长计算、NLP收敛性判断三个子模块。
为获得使目标产品浓度最大的催化剂混合比率，所述的DCS执行的控制网格精细化优化，运行步骤如下：
步骤B1：信息采集模块31获取工程师指定的反应持续时间、反应装置中物料的初始浓度状态、以及需要提高浓度的目标产品；
步骤B2：初始化模块32开始运行，采用分段常量参数化，设置反应持续时间的分段数为N、对应的控制网格为催化剂混合比率的参数化向量的初始猜测值设定NLP问题的计算精度tol1和网格精细化的收敛精度tol2，将迭代次数k1和精细化次数k2置零；
步骤B3：当k2＝0时，执行步骤B4；否则，通过控制网格精细化模块33对控制网格进行精细化处理，得到新的控制网格及其对应的参数化向量
步骤B4：通过ODE求解模块34获取本次迭代的物料浓度和目标函数值
步骤B5：通过梯度计算模块35获取本次迭代的梯度信息当k1＝0时跳过步骤B6直接执行步骤B7；
步骤B6：NLP问题求解模块36运行，通过NLP收敛性判断模块进行收敛性判断，如果与上一次迭代的目标函数值之差的绝对值小于精度tol1，则判断收敛性满足，执行步骤B9；如果收敛性不满足，则继续执行步骤B7；
步骤B7：用的值覆盖的值，并将迭代次数k1增加1；
步骤B8：NLP问题求解模块36利用在步骤B4和B5中获得的目标函数值和梯度信息，通过计算寻优方向和寻优步长，获得比更优的新的催化剂混合比率该步骤执行完成后再次跳转至步骤B4；
步骤B9：精细化收敛性判断模块37运行，记当k2＝0时，执行步骤B10，否则，判断与上一次精细化的目标函数值之差的绝对值是否小于精度tol2，如果是，则判断收敛性满足，并将本次迭代的催化剂混合比率转换为混合比率控制阀门的开度指令输出，否则收敛性不满足，置精细化次数k2:＝k2+1，继续执行步骤B3，直至精细化收敛性判断模块满足为止。
所述的控制网格精细化模块，采用如下步骤实现：
步骤C1：由以下公式计算网格节点处的左斜率和右斜率(k＝1,…,N-1)：
其中，uk表示催化剂混合比率的参数化向量u的第k个分量，tk表示uk和uk+1之间的网格节点。
步骤C2：若网格节点tk处的左右斜率满足如下要求，则从网格中剔除该节点：
其中，εe是一个较小的正实数。网格节点tk剔除后，uk和uk+1所对应的网格合并为一个新的网格，其上的参数更新为(uk+uk+1)/2。
步骤C3：若网格节点tk处的左斜率满足：
其中，εi是一个大于εe的正实数，则在[tk-1,tk]上插入网格节点；若网格节点tk处的右斜率满足：
则在[tk-1,tk]上插入网格节点。实际应用时，可根据左右斜率的绝对值大小自由设定加入节点的个数。
步骤C4：根据步骤C2和C3中剔除和插入的节点，生成新的控制网格和相应的参数化向量。
所述的ODE求解模块，采用的是四步Runge-Kutta方法，计算公式为：
其中，t表示时间，ti表示Runge-Kutta方法选择的积分时刻，ti+1表示位于时刻ti后的积分时刻，积分步长h为任意两相邻积分时刻之差，x(ti)表示反应装置中在ti时刻的物料浓度，F(·)是描述状态微分方程的函数，K1、K2、K3、K4分别表示Runge-Kutta法积分过程中的4个节点的函数值。
所述的梯度计算模块，采用的是伴随方法:
步骤D1：令λ(t)为协态向量，它的值由伴随方程确定：
其中，tf表示反应过程的结束时间，H表示哈密尔顿函数，且H＝L+λ(t)TF，L为目标函数的积分项，Φ[x(tf)]为目标函数的稳态项。
步骤D2：对于伴随方程，采用四步Runge-Kutta方法得到协态向量λ(t)在各积分时刻的值，计算公式为：
其中，t表示时间，ti为ODE求解模块中选择的积分时刻，ti+1表示位于时刻ti后的积分时刻，并且ti+1＝ti+h，h为积分步长，Q1、Q2、Q3、Q4分别表示Runge-Kutta法积分过程中的4个节点的函数值。
步骤D3：基于得到的协态向量λ(t)的值，由以下公式得到梯度信息
其中，和表示的第一个和第二个分量，依此类推。
所述的NLP问题求解模块，采用如下步骤实现：
步骤E1：如果与上一次迭代的目标函数值的绝对值之差小于精度tol1，则判断收敛性满足，返回本次迭代得到的催化剂混合比率；如果收敛性不满足，则继续执行步骤E2；
步骤E2：用的值覆盖的值，并将迭代次数k1增加1；
步骤E3：将催化剂混合比率作为向量空间中的某个点，记作P1，P1对应的目标函数值就是
步骤E4：从点P1出发，根据选用的NLP算法和点P1处的梯度信息构造向量空间中的一个寻优方向和步长
步骤E5:通过式构造向量空间中对应的另外一个点P2，使得P2对应的目标函数值比更优，其中I是与同维数的单位向量。
实施例1
在间歇反应装置中发生反应：反应速率常数分别为k1、k2和k3，A是原料，B是中间产物，C是目标产品，反应和B→C分别在两种不同的催化剂α和β的作用下进行。生产过程的持续时间为1小时，设催化剂α在催化剂混合物中的比率为u(t)，目标是控制催化剂的混合比率u(t)使得目标产品C在生产结束时浓度最大。该问题的数学模型为：
其中，J表示要最大化的物料C的浓度，xA(0)和xB(0)表示物料A和B的初始浓度。
控制室工程师指定反应持续时间为1小时、反应装置中物料的初始浓度状态xA(0)＝1，xB(0)＝0，xC(0)＝0、需要提高浓度的目标产品C。DCS执行控制网格精细化优化方法，其运行过程如图3所示，执行步骤为：
步骤F1：信息采集模块31获取工程师指定的反应持续时间、反应装置中物料的初始浓度状态、以及需要提高浓度的目标产品；
步骤F2：初始化模块32开始运行，采用分段常量参数化，设置反应持续时间的分段数为8、对应的控制网格为均匀划分、催化剂混合比率的参数化向量的初始猜测值为0.5，设定NLP问题的计算精度tol1和网格精细化的收敛精度tol2分别为10-7和10-6，将迭代次数k1和精细化次数k2置零；
步骤F3：当k2＝0时，执行步骤F4；否则，通过控制网格精细化模块33对控制网格进行精细化处理，得到新的控制网格及其对应的参数化向量
步骤F4：通过ODE求解模块34获取本次迭代的物料浓度和目标函数值
步骤F5：通过梯度计算模块35获取本次迭代的梯度信息当k1＝0时跳过步骤F6直接执行步骤F7；
步骤F6：NLP问题求解模块36运行，通过NLP收敛性判断模块进行收敛性判断，如果与上一次迭代的目标函数值之差的绝对值小于精度tol1，则判断收敛性满足，执行步骤F9；如果收敛性不满足，则继续执行步骤F7；
步骤F7：用的值覆盖的值，并将迭代次数k1增加1；
步骤F8：NLP问题求解模块36利用在步骤F4和F5中获得的目标函数值和梯度信息，通过计算寻优方向和寻优步长，获得比更优的新的催化剂混合比率该步骤执行完成后再次跳转至步骤F4；
步骤F9：精细化收敛性判断模块37运行，记当k2＝0时，执行步骤F10，否则，判断与上一次精细化的目标函数值之差的绝对值是否小于精度tol2，如果是，则判断收敛性满足，并将本次迭代的催化剂混合比率转换为混合比率控制阀门的开度指令输出，否则收敛性不满足，置精细化次数k2:＝k2+1，继续执行步骤F3，直至精细化收敛性判断模块满足为止。
控制网格精细化优化方法得到的催化剂混合比率如图4所示，图5是图4中催化剂混合比率对应的物料A、B和C的浓度变化轨迹。
最后，DCS将通过控制网格精细化优化方法获得的催化剂混合比率转换为混合比率控制阀门的开度指令，通过现场总线网络发送给混合比率控制阀门端的数模转换器，使混合比率控制阀门根据收到的控制指令执行相应动作，同时用间歇反应装置端的混合比率传感器实时采集催化剂的混合比率，经过模数转换器后用现场总线网络回送给DCS，并在主控室内显示。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (1)

1.基于控制网格精细化的催化剂混合动态优化系统，能够对反应装置中催化剂的混合比率进行自动控制，以最大化目标产品的浓度。其特征是：由间歇反应装置、混合比率传感器、模数转换器、现场总线网络、DCS、主控室混合比率及产品浓度显示、混合比率控制阀门端的数模转换器、混合比率控制阀门构成。所述系统的运行过程包括：
步骤A1：控制室工程师指定反应持续时间、反应装置中物料的初始浓度状态、需要提高浓度的目标产品；
步骤A2：DCS执行内部的控制网格精细化优化方法，获得使目标产品浓度最大的催化剂混合比率；
步骤A3：DCS将计算获得的催化剂混合比率转换为混合比率控制阀门的开度指令，通过现场总线网络发送给混合比率控制阀门端的数模转换器，使混合比率控制阀门根据收到的控制指令执行相应动作；
步骤A4：间歇反应装置端的混合比率传感器实时采集催化剂的混合比率，经过模数转换器后用现场总线网络回送给DCS，并在主控室内显示，使控制室工程师随时掌握生产过程。
所述的DCS，包括信息采集模块、初始化模块、控制网格精细化模块、ODE求解模块、梯度计算模块、非线性规划(Non-linear Programming，简称NLP)问题求解模块、精细化收敛性判断模块、控制指令输出模块。其中信息采集模块包括反应持续时间采集、初始浓度状态采集、目标产品采集三个子模块，NLP问题求解模块包括寻优方向计算、寻优步长计算、NLP收敛性判断三个子模块。
为获得使目标产品浓度最大的催化剂混合比率，所述的DCS执行的控制网格精细化优化方法，运行步骤如下：
步骤B1：信息采集模块31获取工程师指定的反应持续时间、反应装置中物料的初始浓度状态、以及需要提高浓度的目标产品；
步骤B2：初始化模块32开始运行，采用分段常量参数化，设置反应持续时间的分段数为N、对应的控制网格为催化剂混合比率的参数化向量的初始猜测值设定NLP问题的计算精度tol1和网格精细化的收敛精度tol2，将迭代次数k1和精细化次数k2置零；
步骤B3：当k2＝0时，执行步骤B4；否则，通过控制网格精细化模块33对控制网格进行精细化处理，得到新的控制网格及其对应的参数化向量
步骤B4：通过ODE求解模块34获取本次迭代的物料浓度和目标函数值
步骤B5：通过梯度计算模块35获取本次迭代的梯度信息当k1＝0时跳过步骤B6直接执行步骤B7；
步骤B6：NLP问题求解模块36运行，通过NLP收敛性判断模块进行收敛性判断，如果与上一次迭代的目标函数值之差的绝对值小于精度tol1，则判断收敛性满足，执行步骤B9；如果收敛性不满足，则继续执行步骤B7；
步骤B7：用的值覆盖的值，并将迭代次数k1增加1；
步骤B8：NLP问题求解模块36利用在步骤B4和B5中获得的目标函数值和梯度信息，通过计算寻优方向和寻优步长，获得比更优的新的催化剂混合比率该步骤执行完成后再次跳转至步骤B4；
步骤B9：精细化收敛性判断模块37运行，记当k2＝0时，执行步骤B10，否则，判断与上一次精细化的目标函数值之差的绝对值是否小于精度tol2，如果是，则判断收敛性满足，并将本次迭代的催化剂混合比率转换为混合比率控制阀门的开度指令输出，否则收敛性不满足，置精细化次数k2:＝k2+1，继续执行步骤B3，直至精细化收敛性判断模块满足为止。
所述的控制网格精细化模块，采用如下步骤实现：
步骤C1：由以下公式计算网格节点处的左斜率和右斜率(k＝1,…,N-1)：
<mrow> <msubsup> <mi>s</mi> <mi>k</mi> <mo>-</mo> </msubsup> <mo>=</mo> <mfrac> <mrow> <msub> <mi>u</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>-</mo> <msub> <mi>u</mi> <mi>k</mi> </msub> </mrow> <mrow> <msub> <mi>t</mi> <mi>k</mi> </msub> <mo>-</mo> <msub> <mi>t</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>s</mi> <mi>k</mi> <mo>+</mo> </msubsup> <mo>=</mo> <mfrac> <mrow> <msub> <mi>u</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>-</mo> <msub> <mi>u</mi> <mi>k</mi> </msub> </mrow> <mrow> <msub> <mi>t</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>-</mo> <msub> <mi>t</mi> <mi>k</mi> </msub> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中，uk表示催化剂混合比率的参数化向量u的第k个分量，tk表示uk和uk+1之间的网格节点。
步骤C2：若网格节点tk处的左右斜率满足如下要求，则从网格中剔除该节点：
<mrow> <mo>|</mo> <msubsup> <mi>s</mi> <mi>k</mi> <mo>-</mo> </msubsup> <mo>|</mo> <mo>+</mo> <mo>|</mo> <msubsup> <mi>s</mi> <mi>k</mi> <mo>+</mo> </msubsup> <mo>|</mo> <mo>&amp;le;</mo> <msub> <mi>&amp;epsiv;</mi> <mi>e</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
其中，εe是一个较小的正实数。网格节点tk剔除后，uk和uk+1所对应的网格合并为一个新的网格，其上的参数更新为(uk+uk+1)/2。
步骤C3：若网格节点tk处的左斜率满足：
<mrow> <mo>|</mo> <msubsup> <mi>s</mi> <mi>k</mi> <mo>-</mo> </msubsup> <mo>|</mo> <mo>&amp;GreaterEqual;</mo> <msub> <mi>&amp;epsiv;</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
其中，εi是一个大于εe的正实数，则在[tk-1,tk]上插入网格节点；若网格节点tk处的右斜率满足：
<mrow> <mo>|</mo> <msubsup> <mi>s</mi> <mi>k</mi> <mo>+</mo> </msubsup> <mo>|</mo> <mo>&amp;GreaterEqual;</mo> <msub> <mi>&amp;epsiv;</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
则在[tk-1,tk]上插入网格节点。实际应用时，可根据左右斜率的绝对值大小自由设定加入节点的个数。
步骤C4：根据步骤C2和C3中剔除和插入的节点，生成新的控制网格和相应的参数化向量。
所述的ODE求解模块，采用的是四步Runge-Kutta方法，计算公式为：
<mrow> <mtable> <mtr> <mtd> <mrow> <mi>x</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mi>x</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mfrac> <mi>h</mi> <mn>6</mn> </mfrac> <mo>&amp;lsqb;</mo> <mi>K</mi> <mn>1</mn> <mo>+</mo> <mn>2</mn> <mi>K</mi> <mn>2</mn> <mo>+</mo> <mn>2</mn> <mi>K</mi> <mn>3</mn> <mo>+</mo> <mi>K</mi> <mn>4</mn> <mo>&amp;rsqb;</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>K</mi> <mn>1</mn> <mo>=</mo> <mi>F</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>x</mi> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>)</mo> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>K</mi> <mn>2</mn> <mo>=</mo> <mi>F</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>+</mo> <mfrac> <mi>h</mi> <mn>2</mn> </mfrac> <mo>,</mo> <mi>x</mi> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>)</mo> <mo>+</mo> <mfrac> <mi>h</mi> <mn>2</mn> </mfrac> <mi>K</mi> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>K</mi> <mn>3</mn> <mo>=</mo> <mi>F</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>+</mo> <mfrac> <mi>h</mi> <mn>2</mn> </mfrac> <mo>,</mo> <mi>x</mi> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>)</mo> <mo>+</mo> <mfrac> <mi>h</mi> <mn>2</mn> </mfrac> <mi>K</mi> <mn>2</mn> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>K</mi> <mn>4</mn> <mo>=</mo> <mi>F</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>+</mo> <mi>h</mi> <mo>,</mo> <mi>x</mi> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>)</mo> <mo>+</mo> <mi>h</mi> <mi>K</mi> <mn>3</mn> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
其中，t表示时间，ti表示Runge-Kutta方法选择的积分时刻，ti+1表示位于时刻ti后的积分时刻，积分步长h为任意两相邻积分时刻之差，x(ti)表示反应装置中在ti时刻的物料浓度，F(`)是描述状态微分方程的函数，K1、K2、K3、K4分别表示Runge-Kutta法积分过程中的4个节点的函数值。
所述的梯度计算模块，采用的是伴随方法:
步骤D1：令λ(t)为协态向量，它的值由伴随方程确定：
<mrow> <mtable> <mtr> <mtd> <mrow> <mover> <mi>&amp;lambda;</mi> <mo>&amp;CenterDot;</mo> </mover> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>H</mi> </mrow> <mrow> <mo>&amp;part;</mo> <mi>x</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;rsqb;</mo> </mrow> <mi>T</mi> </msup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>&amp;lambda;</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>f</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>&amp;Phi;</mi> <mo>&amp;lsqb;</mo> <mi>x</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>f</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mrow> <mo>&amp;part;</mo> <mi>x</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;rsqb;</mo> </mrow> <mi>T</mi> </msup> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
其中，tf表示反应过程的结束时间，H表示哈密尔顿函数，且H＝L+λ(t)TF，L为目标函数的积分项，Φ[x(tf)]为目标函数的稳态项。
步骤D2：对于伴随方程，采用四步Runge-Kutta方法得到协态向量λ(t)在各积分时刻的值，计算公式为：
<mrow> <mtable> <mtr> <mtd> <mrow> <mi>&amp;lambda;</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mi>&amp;lambda;</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mfrac> <mi>h</mi> <mn>6</mn> </mfrac> <mo>&amp;lsqb;</mo> <mi>Q</mi> <mn>1</mn> <mo>+</mo> <mn>2</mn> <mi>Q</mi> <mn>2</mn> <mo>+</mo> <mn>2</mn> <mi>Q</mi> <mn>3</mn> <mo>+</mo> <mi>Q</mi> <mn>4</mn> <mo>&amp;rsqb;</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>Q</mi> <mn>1</mn> <mo>=</mo> <mi>&amp;lambda;</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>,</mo> <mi>x</mi> <mo>(</mo> <msub> <mi>t</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>Q</mi> <mn>2</mn> <mo>=</mo> <mi>&amp;lambda;</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>-</mo> <mfrac> <mi>h</mi> <mn>2</mn> </mfrac> <mo>,</mo> <mi>x</mi> <mo>(</mo> <msub> <mi>t</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> <mo>-</mo> <mfrac> <mi>h</mi> <mn>2</mn> </mfrac> <mi>Q</mi> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>Q</mi> <mn>3</mn> <mo>=</mo> <mi>&amp;lambda;</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>-</mo> <mfrac> <mi>h</mi> <mn>2</mn> </mfrac> <mo>,</mo> <mi>x</mi> <mo>(</mo> <msub> <mi>t</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> <mo>-</mo> <mfrac> <mi>h</mi> <mn>2</mn> </mfrac> <mi>Q</mi> <mn>2</mn> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>Q</mi> <mn>4</mn> <mo>=</mo> <mi>&amp;lambda;</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>-</mo> <mi>h</mi> <mo>,</mo> <mi>x</mi> <mo>(</mo> <msub> <mi>t</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> <mo>-</mo> <mi>h</mi> <mi>Q</mi> <mn>3</mn> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
其中，t表示时间，ti为ODE求解模块中选择的积分时刻，ti+1表示位于时刻ti后的积分时刻，并且ti+1＝ti+h，h为积分步长，Q1、Q2、Q3、Q4分别表示Runge-Kutta法积分过程中的4个节点的函数值。
步骤D3：基于得到的协态向量λ(t)的值，由以下公式得到梯度信息
<mrow> <msup> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> </msup> <mo>=</mo> <msup> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msubsup> <mo>&amp;Integral;</mo> <msub> <mi>t</mi> <mn>0</mn> </msub> <msub> <mi>t</mi> <mi>f</mi> </msub> </msubsup> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>H</mi> </mrow> <mrow> <mo>&amp;part;</mo> <msubsup> <mi>u</mi> <mn>1</mn> <mrow> <mo>(</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> </msubsup> </mrow> </mfrac> <mi>d</mi> <mi>t</mi> </mrow> </mtd> <mtd> <mrow> <msubsup> <mo>&amp;Integral;</mo> <msub> <mi>t</mi> <mn>0</mn> </msub> <msub> <mi>t</mi> <mi>f</mi> </msub> </msubsup> <mfrac> <mrow> <mo>&amp;part;</mo> <mi>H</mi> </mrow> <mrow> <mo>&amp;part;</mo> <msubsup> <mi>u</mi> <mn>2</mn> <mrow> <mo>(</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> </msubsup> </mrow> </mfrac> <mi>d</mi> <mi>t</mi> </mrow> </mtd> <mtd> <mn>...</mn> </mtd> </mtr> </mtable> </mfenced> <mi>T</mi> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
其中，和表示的第一个和第二个分量，依此类推。
所述的NLP问题求解模块，采用如下步骤实现：
步骤E1：如果与上一次迭代的目标函数值的绝对值之差小于精度tol1，则判断收敛性满足，返回本次迭代得到的催化剂混合比率；如果收敛性不满足，则继续执行步骤E2；
步骤E2：用的值覆盖的值，并将迭代次数k1增加1；
步骤E3：将催化剂混合比率作为向量空间中的某个点，记作P1，P1对应的目标函数值就是
步骤E4：从点P1出发，根据选用的NLP算法和点P1处的梯度信息构造向量空间中的一个寻优方向和步长
步骤E5:通过式构造向量空间中对应的另外一个点P2，使得P2对应的目标函数值比更优，其中I是与同维数的单位向量。
CN201711116245.0A 2017-11-13 2017-11-13 基于控制网格精细化的催化剂混合动态优化系统 Expired - Fee Related CN107943119B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711116245.0A CN107943119B (zh) 2017-11-13 2017-11-13 基于控制网格精细化的催化剂混合动态优化系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711116245.0A CN107943119B (zh) 2017-11-13 2017-11-13 基于控制网格精细化的催化剂混合动态优化系统

Publications (2)

Publication Number Publication Date
CN107943119A true CN107943119A (zh) 2018-04-20
CN107943119B CN107943119B (zh) 2020-01-14

Family

ID=61934885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711116245.0A Expired - Fee Related CN107943119B (zh) 2017-11-13 2017-11-13 基于控制网格精细化的催化剂混合动态优化系统

Country Status (1)

Country Link
CN (1) CN107943119B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710299A (zh) * 2018-05-30 2018-10-26 重庆邮电大学 一种连续搅拌釜反应器催化剂补料最优控制系统及方法
CN110119085A (zh) * 2019-04-03 2019-08-13 杭州电子科技大学 一种Manutec R3型工业机器人动态优化系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070038335A1 (en) * 2005-07-22 2007-02-15 Mcintyre Timothy J Real Power Regulation for the Utility Power Grid Via Responsive Loads
CN101464664A (zh) * 2009-01-09 2009-06-24 浙江工业大学 基于单种群和预交叉的差分进化算法的间歇反应器最优控制方法
CN101763083A (zh) * 2009-12-29 2010-06-30 浙江大学 一种有效的控制变量参数化的工业过程动态优化系统及方法
CN101763086A (zh) * 2009-12-29 2010-06-30 浙江大学 一种高效的工业过程动态优化系统及方法
US20100241249A1 (en) * 2006-04-25 2010-09-23 Pegasus Technologies, Inc. System for optimizing oxygen in a boiler
CN103309234A (zh) * 2013-06-08 2013-09-18 浙江大学 一种基于正交配置优化的间歇反应釜控制系统
CN103324086A (zh) * 2013-06-08 2013-09-25 浙江大学 一种基于精确惩罚优化的间歇反应釜控制系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070038335A1 (en) * 2005-07-22 2007-02-15 Mcintyre Timothy J Real Power Regulation for the Utility Power Grid Via Responsive Loads
US20100241249A1 (en) * 2006-04-25 2010-09-23 Pegasus Technologies, Inc. System for optimizing oxygen in a boiler
CN101464664A (zh) * 2009-01-09 2009-06-24 浙江工业大学 基于单种群和预交叉的差分进化算法的间歇反应器最优控制方法
CN101763083A (zh) * 2009-12-29 2010-06-30 浙江大学 一种有效的控制变量参数化的工业过程动态优化系统及方法
CN101763086A (zh) * 2009-12-29 2010-06-30 浙江大学 一种高效的工业过程动态优化系统及方法
CN103309234A (zh) * 2013-06-08 2013-09-18 浙江大学 一种基于正交配置优化的间歇反应釜控制系统
CN103324086A (zh) * 2013-06-08 2013-09-25 浙江大学 一种基于精确惩罚优化的间歇反应釜控制系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡云卿: "基于控制变量参数化的带约束最优控制问题计算方法", 《中国博士学位论文全文数据库信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710299A (zh) * 2018-05-30 2018-10-26 重庆邮电大学 一种连续搅拌釜反应器催化剂补料最优控制系统及方法
CN110119085A (zh) * 2019-04-03 2019-08-13 杭州电子科技大学 一种Manutec R3型工业机器人动态优化系统
CN110119085B (zh) * 2019-04-03 2022-03-15 杭州电子科技大学 一种Manutec R3型工业机器人动态优化系统

Also Published As

Publication number Publication date
CN107943119B (zh) 2020-01-14

Similar Documents

Publication Publication Date Title
CN112615379B (zh) 基于分布式多智能体强化学习的电网多断面功率控制方法
CN103591637B (zh) 一种集中供热二次网运行调节方法
Chen et al. Dynamic optimization of industrial processes with nonuniform discretization-based control vector parameterization
CN103309234B (zh) 一种基于正交配置优化的间歇反应釜控制系统
CN101976835B (zh) 一种大规模电力系统牛顿潮流的并行计算方法
CN103280821B (zh) 智能配电系统多时段动态无功优化方法
CN105119275B (zh) 一种计及统一潮流控制器的电力系统动态最优潮流的算法
CN112636331B (zh) 智能电网的动态经济调度分布式优化方法及系统
CN107943119A (zh) 基于控制网格精细化的催化剂混合动态优化系统
CN107908110A (zh) 基于控制网格精细化的管式反应器动态优化系统
CN105391056B (zh) 一种考虑不平衡通信网络的电力系统分布式经济调度方法
CN110688744A (zh) 一种应用于热电耦合网络的异步分布式状态估计方法
CN108092284A (zh) 一种基于线性模型的三相不平衡智能配电网网络重构方法
CN103324086B (zh) 一种基于精确惩罚优化的间歇反应釜控制系统
CN103246207B (zh) 一种基于实时仿真系统的在线无功优化控制方法
CN108154266A (zh) 一种含风电电力系统经济调度算法
CN108710299A (zh) 一种连续搅拌釜反应器催化剂补料最优控制系统及方法
Liu et al. Modelling and optimal state-delay control in microbial batch process
CN104901318A (zh) 求解Pareto最优解集的多目标无功优化方法
CN107748963A (zh) 一种基于ocd分散式优化的电‑热网协调运行方法
CN107703899B (zh) 一种基于经验模态分解动态优化的催化剂混合反应控制装置
CN106253288A (zh) 一种基于自动微分的含统一潮流控制器的最优潮流算法
CN107807528A (zh) 一种基于自适应优化控制节点的活塞流管式反应器最优控制系统
CN105406517A (zh) 基于有限时间平均一致性算法的电力系统经济调度方法
Costa et al. D-ADMM based distributed MPC with input-output models

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200114

Termination date: 20211113

CF01 Termination of patent right due to non-payment of annual fee