CN107957680A - 基于生存信息势的批式反应器反应过程的控制器 - Google Patents

基于生存信息势的批式反应器反应过程的控制器 Download PDF

Info

Publication number
CN107957680A
CN107957680A CN201711157111.3A CN201711157111A CN107957680A CN 107957680 A CN107957680 A CN 107957680A CN 201711157111 A CN201711157111 A CN 201711157111A CN 107957680 A CN107957680 A CN 107957680A
Authority
CN
China
Prior art keywords
batch
deviation
reaction process
information potential
existence information
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
CN201711157111.3A
Other languages
English (en)
Other versions
CN107957680B (zh
Inventor
任密蜂
赵雅兰
陈荣辉
续欣莹
程兰
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.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
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 Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN201711157111.3A priority Critical patent/CN107957680B/zh
Publication of CN107957680A publication Critical patent/CN107957680A/zh
Application granted granted Critical
Publication of CN107957680B publication Critical patent/CN107957680B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/021—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a variable is automatically adjusted to optimise the performance

Abstract

基于生存信息势的批式反应器反应过程的控制器，属于过程控制领域，其特征在于：将批式反应器批次与批次的反应过程和每个批次内的反应过程这两个追踪问题转化为两个优化问题；先降低期望轨迹的标准，再逐步提高标准达到期望的轨迹。本发明既能抑制高斯噪声的影响，更能抑制非高斯噪声的影响。本可以控制结果的随机性为零从而具有最小的随机性，解决了现有的高斯和非高斯噪声下的控制结果具有较大随机性的问题。

Description

基于生存信息势的批式反应器反应过程的控制器
技术领域
本发明涉及一种基于生存信息势(the survival information potential,SIP)的批式反应器反应过程的控制器，属于过程控制领域。
背景技术
近二十年来，随着经济成本的升高，全球产品价格和质量的竞争日益激烈以及消费者日趋多样化的需求，批次过程越来越多的被应用到化学工业中。批次过程，简单说就是一个批次生产过程结束后再进行下一个批次。值得注意的是，批次过程是一个连续的执行过程，会一直执行到生产出预定的产品或达到预定的性能；每一个批次是在有限的时间内运行的，也称每一个批次为一个周期；每个批次(周期)结束，开始运行下一个批次(周期)时，要重置初始工艺条件为零或固定的非零值。批式反应器反应过程是典型的批次过程。
在批式反应器反应过程中，噪声普遍存在，且其产生的影响是无法避免的。在多数控制情况下虽然可以忽略噪声，但当这些噪声不能忽略时，按确定性理论设计的控制系统的输出和性能就会偏离期望的要求。所以，当噪声不能忽略时，能抑制噪声干扰的控制器对批式反应器反应过程进行适当控制使其达到期望的运行状态就具有广泛的应用前景。传统的控制理论基于确定性模型，在建模时通常忽略其中的噪声等随机现象。近几十年来，系统的控制问题获得了广泛的研究，其中伴随高斯白噪声扰动的随机系统引起了人们的广泛关注。随机系统的控制已经取得了大量的理论成果，主要包括最小方差控制、随机预测控制、神经网络控制和自适应非线性随机控制。其中最小方差控制是最早最有效的控制方法之一。在这些随机控制系统中，大多数都是基于随机噪声服从高斯分布的假设。然而，实际系统中的噪声大多是具有非高斯噪声的，即使噪声是高斯的，系统的非线性特征也可能使得系统具有非高斯特性。在这种情况下，传统的随机控制方法的控制效果可能变差，甚至失效。为了解决上述问题，随机分布控制理论近年来得到了高度重视。这种方法的核心思想是设计控制器使得系统输出的PDF尽可能跟随一个预先给定的PDF。通过用B-样条神经网络逼近输出的PDF给出一系列随机分布控制算法理论和应用。然而，在一些情况下，输出PDF不可测，不能用B-样条模型进行逼近。因此，提出了基于熵的随机分布控制方法。然而，任何熵都是在PDF的基础上进行定义的。这类熵具有以下三方面的缺点：当PDF不存在时将无法定义；熵值有可能是负数，这时作为随机性度量比较牵强；通常情况下，无法用经验分布进行近似。另外Badong Chen、Pingping Zhu和JoséC.Principe提出生存信息势(the survivalinformation potential,SIP)构成非高斯随机控制系统的性能指标。SIP准则具有平移变化特性，对跟踪误差偏差的约束项(误差均值或平方误差均值)可以忽略。与熵相比，SIP具有鲁棒性强和计算简单诸多优点。所以，为了达到满意的控制效果，将SIP刻画系统的随机性引用到非高斯批次过程种具有实际的理论意义和广泛的应用场合。
发明内容
本发明的目的是为了解决批式反应器反应过程在高斯和非高斯噪声环境下的追踪问题，将批式反应器反应过程的批次与批次间和每个批次内的两个追踪问题转化为两个优化问题，采用梯度最速下降法算法实现该问题的全局优化，实现了一种基于SIP的批式反应器反应过程的控制器。
基于生存信息势的批式反应器反应过程的控制器，其特征在于：
将批式反应器批次与批次的反应过程和每个批次内的反应过程这两个追踪问题转化为两个优化问题；先降低期望轨迹的标准，再逐步提高标准达到期望的轨迹；
所述批次与批次间的反应过程包括下述步骤：
(1)计算出批次输出和期望轨迹的相邻批间偏差；
(2)计算相邻批间偏差的批间生存信息势；
(3)采用梯度最速下降法最小化所述批间生存信息势，并将最小化后的批间生存信息势作为下一个批次内的设定轨迹；
所述每个批次内的反应过程包括下述步骤：
(1)计算当前批次输出和当前批次的设定轨迹的批次内偏差；
(2)计算当前批次内偏差的生存信息势；
(3)采用梯度最速下降法最小化当前批次内偏差的生存信息势，并将当前批次内偏差的生存信息势作为下一时刻的控制输入。
批次输出通过采样数据得到，计算批次输出和期望轨迹的偏差时，将不同时刻的批次输出分别和不同时刻的期望轨迹值相减，同时计算出所有时刻的相邻批间偏差。
通过过采样的方法在当前时刻得到200个样本数量，通过200个样本计算出当前批次当前时刻的偏差的生存信息势值，依照此方法计算出所有时刻的生存信息势值。
采用梯度最速下降法最小化该批间性能指标时所有时刻都要计算。
所述批次与批次的反应过程即：将第i个批次第k个时刻控制输出和第k个时刻期望轨迹相减得到第i批次第k个时刻的批间偏差，计算第i批次第k个时刻的批间偏差的生存信息势，并将该生存信息势作为第i批次第k个时刻的批间性能指标，再采用梯度最速下降法最小化第i批次第k个时刻的批间性能指标作为第i+1批次第k个时刻的设定轨迹；
所述每个批次内的反应过程即：将第i批次第k个时刻控制输出和第i批次第k个时刻的设定轨迹相减得到第i批次第k个时刻的批次内偏差，计算第i批次第k个时刻的批次内偏差的生存信息势，并将该生存信息势作为第i批次第k个时刻的批次内性能指标，再采用梯度最速下降法最小化第i批次第k个时刻的批次内性能指标得到第i批次第k+1个时刻的控制输入。
与现有技术相比，本发明的优点是：
1)本发明是数据驱动的，对于模型复杂难以建立的批式反应器反应过程具有实际意义。
2)考虑已发明的控制器多为只能处理噪声为高斯类型，本发明既能抑制高斯噪声的影响，更能抑制非高斯噪声的影响，因而较之前的设计更有实际工程的意义。
3)本发明将批式反应器反应过程的批次与批次和每个批次间的两个追踪问题转化为优化问题，采用梯度最速下降法算法实现该问题的全局优化。
4)在实际应用背景方面，本发明针对控制精度要求越来越高的的批式反应器反应过程，对实际批式反应器反应过程的控制有很大的实际帮助。
5)本发明用SIP作为衡量估计结果的性能指标，可以控制结果的随机性为零从而具有最小的随机性，解决了现有的高斯和非高斯噪声下的控制结果具有较大随机性的问题。
附图说明
图1是批次过程结构图。
具体实施方式
批式反应器的动态过程分为批次与批次间和每个批次内两个反应过程。
一、批次与批次间的反应过程：
将第i个批次第k个时刻控制输出和第k个时刻期望轨迹相减得到第i批次第k个时刻的批间偏差，计算第i批次第k个时刻的批间偏差的生存信息势，生存信息势作为第i批次第k个时刻的批间性能指标，再采用梯度最速下降法最小化第i批次第k个时刻的批间性能指标得到第i+1批次第k个时刻的设定轨迹。i、k均为自然数；
步骤一、将第i个批次第k个时刻控制输出和第k个时刻期望轨迹相减得到第i批次第k个时刻的批间偏差：
e1(i,k)＝y(i,k)-ysp(k)
这里i表示批次批数，k表示一个批次中的时刻，e1(i,k)是在第i个批次第k个时刻的批间偏差，y(i,k)是在第i个批次第k个时刻的控制输出，ysp(k)是在每个批次在第k时刻的期望轨迹。
步骤二、控制器的目的是使得批间误差的概率密度函数又尖又窄，等价于将第i批次第k个时刻的批间偏差的生存信息势最小化。故先计算第i批次第k个时刻批间偏差的生存信息势J1，即
J1＝SIP(e1(i,k))
步骤三、利用梯度最速下降法计算出控制作用，梯度下降法将性能指标函数的负梯度方向确定为每次学习的新搜索方向，使得每次学习都能将目标函数进一步优化，最终达到最终值。具体优化方程如下:
xsp(i+1,k)表示第i+1个批次第k个时刻的设定轨迹，xsp(i,k)表示第i个批次第k个时刻的设定轨迹。λ1是批间最优步长。
二、每个批次内的反应过程:
将第i批次第k个时刻控制输出和第i批次第k个时刻的设定轨迹相减得到第i批次第k个时刻的批次内偏差，计算第i批次第k个时刻的批次内偏差的生存信息势并作为第i批次第k个时刻的批次内性能指标，再采用梯度最速下降法最小化第i批次第k个时刻的批次内性能指标得到第i批次第k+1个时刻的控制输入。
步骤一、将第i批次第k个时刻控制输出和第i批次第k个时刻的设定轨迹相减得到第i批次第k个时刻的批次内偏差：
e2(i,k)＝y(i,k)-xsp(i,k)
这里i表示批次批数，k表示一个批次中的时刻，e2(i,k)是在第i个批次第k个时刻的批内误差，y(i,k)是在第i个批次第k个时刻的控制输出，xsp(i,k)是在第i个批次第k个时刻的设定轨迹。
步骤二、控制器的目的是使得误差的概率密度函数又尖又窄，等价于将第i批次第k个时刻的批次内偏差的生存信息势最小化。故先计算第i批次第k个时刻批次内偏差的生存信息势J2，即
J2(i,k)＝SIP(e2(i,k))
步骤三、利用梯度最速下降法计算出控制作用，梯度下降法将性能指标函数的负梯度方向确定为每次学习的新搜索方向，使得每次学习都能将目标函数进一步优化，最终达到最终值。具体优化方程如下:
u(i,k)是在第i个批次第k个时刻的控制输入，u(i,k-1)表示第i个批次第k-1个时刻的控制输入，λ2是批次内的最优步长。

Claims (3)

1.基于生存信息势的批式反应器反应过程的控制器，其特征在于：
将批式反应器批次与批次的反应过程和每个批次内的反应过程这两个追踪问题转化为两个优化问题；先降低期望轨迹的标准，再逐步提高标准达到期望的轨迹；
所述批次与批次间的反应过程包括下述步骤：
（1）计算出批次输出和期望轨迹的相邻批间偏差；
（2）计算相邻批间偏差的批间生存信息势；
（3）采用梯度最速下降法最小化所述批间生存信息势，并将最小化后的批间生存信息势作为下一个批次内的设定轨迹；
所述每个批次内的反应过程包括下述步骤：
（1）计算当前批次输出和当前批次的设定轨迹的批次内偏差；
（2）计算当前批次内偏差的生存信息势；
（3）采用梯度最速下降法最小化当前批次内偏差的生存信息势，并将当前批次内偏差的生存信息势作为下一时刻的控制输入。
2.根据权利要求1所述基于生存信息势的批式反应器反应过程的控制器，其特征在于：
批次输出通过采样数据得到，计算批次输出和期望轨迹的偏差时，将不同时刻的批次输出分别和不同时刻的期望轨迹值相减，同时计算出所有时刻的相邻批间偏差。
3.根据权利要求1所述基于生存信息势的批式反应器反应过程的控制器，其特征在于：
通过过采样的方法在当前时刻得到200个样本数量，通过200个样本计算出当前批次当前时刻的偏差的生存信息势值，依照此方法计算出所有时刻的生存信息势值。
CN201711157111.3A 2017-11-20 2017-11-20 基于生存信息势的批式反应器反应过程的控制器 Active CN107957680B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711157111.3A CN107957680B (zh) 2017-11-20 2017-11-20 基于生存信息势的批式反应器反应过程的控制器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711157111.3A CN107957680B (zh) 2017-11-20 2017-11-20 基于生存信息势的批式反应器反应过程的控制器

Publications (2)

Publication Number Publication Date
CN107957680A true CN107957680A (zh) 2018-04-24
CN107957680B CN107957680B (zh) 2020-07-07

Family

ID=61965053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711157111.3A Active CN107957680B (zh) 2017-11-20 2017-11-20 基于生存信息势的批式反应器反应过程的控制器

Country Status (1)

Country Link
CN (1) CN107957680B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598370A (zh) * 2019-10-18 2019-12-20 太原理工大学 基于sip和ekf融合的多旋翼无人机鲁棒姿态估计
CN110632908A (zh) * 2019-10-18 2019-12-31 太原理工大学 基于最小熵控制的化学批次反应器系统控制性能评价方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130285259A1 (en) * 2012-04-30 2013-10-31 Caleb C. Han Method and system for wafer and strip level batch die attach assembly
CN104375475A (zh) * 2014-08-19 2015-02-25 上海交通大学 间歇反应器中间歇反应过程的优化控制方法
CN104657549A (zh) * 2015-02-06 2015-05-27 浙江大学 一种基于正交参数化ltv模型的迭代学习预测控制方法
CN104898426A (zh) * 2015-05-18 2015-09-09 河海大学常州校区 基于梯度下降法和广义预测控制的室温回路控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130285259A1 (en) * 2012-04-30 2013-10-31 Caleb C. Han Method and system for wafer and strip level batch die attach assembly
CN104375475A (zh) * 2014-08-19 2015-02-25 上海交通大学 间歇反应器中间歇反应过程的优化控制方法
CN104657549A (zh) * 2015-02-06 2015-05-27 浙江大学 一种基于正交参数化ltv模型的迭代学习预测控制方法
CN104898426A (zh) * 2015-05-18 2015-09-09 河海大学常州校区 基于梯度下降法和广义预测控制的室温回路控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JAY H.: "Iterative learning control applied to batch processes: An overview", 《CONTROL ENGINEERING PRACTUCE》 *
贾立: "基于微粒群优化算法的间歇过程迭代学习", 《控制工程》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598370A (zh) * 2019-10-18 2019-12-20 太原理工大学 基于sip和ekf融合的多旋翼无人机鲁棒姿态估计
CN110632908A (zh) * 2019-10-18 2019-12-31 太原理工大学 基于最小熵控制的化学批次反应器系统控制性能评价方法
CN110632908B (zh) * 2019-10-18 2022-06-14 太原理工大学 基于最小熵控制的化学批次反应器系统控制性能评价方法
CN110598370B (zh) * 2019-10-18 2023-04-14 太原理工大学 基于sip和ekf融合的多旋翼无人机鲁棒姿态估计

Also Published As

Publication number Publication date
CN107957680B (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
Khodayar et al. Rough deep neural architecture for short-term wind speed forecasting
Du et al. Forecasting stock prices in two ways based on LSTM neural network
CN109992773B (zh) 基于多任务学习的词向量训练方法、系统、设备及介质
Zhang et al. Modulation classification method for frequency modulation signals based on the time–frequency distribution and CNN
CN109063939B (zh) 一种基于邻域门长短期记忆网络的风速预测方法及系统
CN110708318A (zh) 基于改进的径向基神经网络算法的网络异常流量预测方法
CN109616093A (zh) 端对端语音合成方法、装置、设备及存储介质
CN107957680A (zh) 基于生存信息势的批式反应器反应过程的控制器
CN112307130B (zh) 一种文档级远程监督关系抽取方法及系统
Chen et al. Combined probabilistic forecasting method for photovoltaic power using an improved Markov chain
Wang et al. Hydraulic system fault diagnosis method based on a multi‐feature fusion support vector machine
Huang et al. Latency probability estimation of non‐linear systems with one‐step randomly delayed measurements
Hou et al. Application of improved multi-strategy MPA-VMD in pipeline leakage detection
Yin et al. A switched system approach to networked H∞ filtering with packet losses
Pumi et al. A dynamic model for double‐bounded time series with chaotic‐driven conditional averages
CN109992785A (zh) 基于机器学习的内容计算方法、装置及设备
Li et al. A new grey forecasting model based on BP neural network and Markov chain
CN112785051A (zh) 一种基于emd和tcn相结合的云资源预测方法
Song et al. Research on radar clutter recognition method based on LSTM
Zhang et al. Distributed parallel computing technique for EM modeling
CN115936062A (zh) 基于场景生成与深度学习的光伏功率日前区间预测方法
CN111506868B (zh) 一种基于hht权值优化的超短期风速预测方法
CN114169469A (zh) 一种基于量子网络的识别方法、系统、设备及存储介质
CN114187966A (zh) 一种基于生成对抗网络的单细胞rna序列缺失值填补方法
Zhao et al. Multi-scale DBNs regression model and its application in wind speed forecasting

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