CN108089443B - 一种基于混合精英圈养优化的灵敏板温度智能建模方法 - Google Patents
一种基于混合精英圈养优化的灵敏板温度智能建模方法 Download PDFInfo
- Publication number
- CN108089443B CN108089443B CN201711358698.4A CN201711358698A CN108089443B CN 108089443 B CN108089443 B CN 108089443B CN 201711358698 A CN201711358698 A CN 201711358698A CN 108089443 B CN108089443 B CN 108089443B
- Authority
- CN
- China
- Prior art keywords
- mixed
- colony house
- rate
- elite
- feeding
- 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.)
- Active
Links
Images
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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Breeding Of Plants And Reproduction By Means Of Culturing (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于混合精英圈养优化的灵敏板温度智能建模方法,涉及化工流程工业系统模型建模和控制技术领域。和基于自然计算的优化算法不同,基于混合精英圈养的优化算法引入了人工圈养的概念对期望得到的重点物种进行重点培育。精馏塔的灵敏板温度是通过调节再沸器热源的阀门开度来进行调节的,该控制回路一般是一阶加纯滞后的环节。将该算法应用在该一阶加纯滞后系统的模型辨识中,较好的提高了精馏塔灵敏板温度控制回路模型辨识的精度,为在该类型设备上使用先进控制方案打下了坚持的基础。本发明操作简单等特点,同时具有很强的搜索能力,可以加快收敛速度,防止陷入局部最优,为优化问题节省了时间,完全满足了系统辨识的要求。
Description
技术领域
本发明涉及化工流程工业系统模型建模和控制技术领域,更具体地涉及一种基于混合精英圈养优化(Mixed Elite Captivity Optimization,MECO)算法的灵敏板温度智能建模方法。
背景技术
近几十年来,控制理论经历了持续的发展和长足的进步,先进控制方法的研究取得了丰硕的成果。但对工业带来的价值还远远没有体现出来。大部分控制系统还停留在单变量PID控制上,而且由于参数设置不合理,控制器难达到理想效果。一方面原因是缺乏准确描述工业过程的动态模型,而先进控制都是基于模型的。
由于石油化工过程中存在复杂的物理过程和化学反应,其中包含物料守恒、能量守恒、动量守恒、相平衡和化学反应动力学等知识,建立过程的机理模型是不现实的。目前系统辨识技术有了丰硕的成果,从经典的最小二乘方法到闭环的两阶段辨识方法,从简单的随机数直接搜索法到基于群智能的优化算法在辨识中得到了广泛的应用。
在石油化工等流程工业中,像精馏塔、反应器、分离器、加热炉等关键设备的温度、液位等被控变量的平稳控制与否,关系到生产设备的安全以及目标产物纯度的高低。其中,灵敏板的温度对外界干扰因素的反映最灵敏,直接反映了整个精馏塔的运行情况,且它的控制好坏直接决定了流出液的组成和产品质量。为了提高精馏塔产品流出质量必须对灵敏板温度进行精准控制,而建立系统的模型是实施先进控制的基础。但是由于精馏塔过程机理复杂,里面涉及复杂的物化过程,并且存在严重的滞后,使系统发生明显的超调,破坏系统的稳定性。
发明内容
针对背景技术存在的问题,本发明提出了一种基于混合精英圈养优化的灵敏板温度智能建模方法,并且将其应用到一阶加纯滞后系统模型辨识中。
本发明提出的混合精英圈养优化算法是在受到人工圈养方法的启发后,提出的一种快速优化算法。和基于自然计算的优化算法不同,基于混合精英圈养的优化算法引入了人工圈养的概念对期望得到的重点物种进行重点培育,从而使适者生存,物竞天择的漫长自然选择过程朝着更有利于人类进步的方向发展。精馏塔的灵敏板温度是通过调节再沸器热源的阀门开度来进行调节的,该控制回路一般是一阶加纯滞后的环节。将该算法应用在该一阶加纯滞后系统的模型辨识中,较好的提高了精馏塔灵敏板温度控制回路模型辨识的精度,为在该类型设备上使用先进控制方案打下了坚持的基础。
为了解决精馏塔灵敏板温度控制回路的建模问题,本发明采用的技术方案为一种基于混合精英圈养优化的智能建模方法,该方法包括的步骤如下:
步骤1.确立评价该温度回路模型参数辨识的性能指标,作为混合精英圈养优化算法的代价函数CF。选择代价函数即输出误差平方和为最小,如式(1)所示:
步骤2.把灵敏板温度控制回路的一阶加纯滞后模型的放大倍数K、时间常数T、滞后时间常数τ作为混合精英圈养算法的可操作变量OVs。
OVs=[K,T,τ] (2)
步骤3.初始化。设定饲养场圈舍的规模N,自定义新品种更新率Mupdate和饲养代数L。在可操作变量OVs的搜索范围内,随机生成初始圈舍分配情况Population。
步骤4.计算饲养场内每个圈舍的代价函数指标CF值,即评价模型辨识性能指标。根据CF值对圈舍Population进行排序。
步骤5.根据混合模型计算第i个圈舍的入栏率αi和出栏率βi,根据随机函数、入栏率及出栏率进行混合操作。此处采用线性混合模型,线性混合模型如下式(3)所示:
其中,I和O分别为最大的入栏率和出栏率;其中si是第i个圈舍饲养数量,αi是入栏率,βi是出栏率,smax是第i个圈舍的最大饲养量。
步骤8.将经过混栏饲养和新品种引入之后的圈舍做检疫检查,使得每个个体都在搜索范围以内。然后计算代价函数,并进行排序。
步骤9.进行搜索动力不足检验,判断最优的CF值和前两代的最优CF值是否相等,就判断搜索动力足不足。混合圈养有效果,则进行步骤10;混合圈养没有收到良好的效果,则直接进行步骤11。
步骤10.根据公式(7)进行人工干预,选取精英个体混合饲养,对该饲养场中最好的圈舍Xbest进行特殊改造,提高后代产出新品种的概率,从而提高其跳出局部最优的动力。将饲养场中代价函数值最高的圈舍拆毁按照进行特殊改造之后的圈舍进行重建。
X'=Xbest+sgn(rand-0.5)*E (7)
其中,E是维度与X相同且全为1的单位矩阵。相当于随机的加上一个扰动量,以增加圈舍的多样性,rand为(0,1)的随机数。
步骤11.判断是否满足结束条件,若不满足,则调到步骤4若满足,则输出模型辨识参数,结束程序。
与现有技术相比,本发明具有如下优点有益效果。
1、本发明提出了一种新的基于混合精英圈养原理的优化算法,并将其应用到一阶加纯滞后系统模型辨识中,物理意义明确,思路清晰,构思新颖;
2、本发明提出的基于混合精英圈养原理的优化算法具有参数少,实施操作简单等特点,同时具有很强的搜索能力,可以加快收敛速度,防止陷入局部最优,为优化问题节省了时间。为混合精英圈养优化算法在线实施应用打下了基础。
3、在一阶加纯滞后系统的参数辨识中,使用此方法得到的模型参数精度较高,完全满足了系统辨识的要求。
附图说明
图1为混合精英圈养优化算法流程图。
图2为出栏入栏率随圈舍饲养动物数的变化曲线。
图3为MECO算法、BBO算法、PSO算法中代价函数随迭代次数的变化曲线。
其中:MECO算法即为本发明提出的混合精英圈养优化算法;BBO算法为生物地理学优化算法;PSO算法是粒子群优化算法。
具体实施方式
为了验证上述方案的有效性以及便于本领域普通技术人员理解,下面结合附图及实施例对本发明作进一步的详细描述,应当说明理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明以化工流程工业中精馏塔灵敏板温度控制回路建模为实例,验证基于混合精英圈养优化算法在一阶加纯滞后系统模型辨识方法中的效果。
该被控对象的模型为:
控制器的模型为:
其中:Kp=0.218,Ti=0.138,Td=0。给该系统一阶跃响应,同时给系统加入一个σ=0.05的白噪声干扰。本发明同时使用了生物地理学优化(Biogeography BasedOptimization,BBO)算法、粒子群优化(Particle Swarm Optimization,PSO)算法同MECO算法进行对照,对上述对象进行闭环参数辨识。
步骤1.评价该回路模型参数辨识的性能指标,作为混合精英圈养优化算法的代价函数CF。选择代价函数即输出灵敏板温度的设定值和测量值误差平方和为最小,如式(10)所示:
步骤2.设被辨识模型的结构如式(11)所示,把一阶加纯滞后模型的放大倍数K、时间常数T、滞后时间常数τ作为混合精英圈养算法的可操作变量OVs。
X=OVs=[K,T,τ] (12)
步骤3.初始化。设定饲养场圈舍的规模N=100,自定义新品种更新率Mupdate=0.5和饲养代数L=50。在可操作变量X的搜索范围[0-10]内,随机生成初始圈舍分配情况Population。
步骤4.计算饲养场内每个圈舍的代价函数指标CF值,即评价模型参数性能指标。根据CF值对圈舍Population进行排序。
步骤5.根据混合模型计算每个圈舍的出栏和入栏率,根据随机函数和入栏率出栏率进行混合操作。此处采用简单易实现的线性混合模型。线性混合模型如下式所示:
其中,I和O分别为最大的入栏率和出栏率,设置为1,其出栏入栏率模型如图2所示。其中si是第i个圈舍饲养数量,smax是第i个圈舍的最大饲养量。
步骤8.将经过混合饲养和新品种引入之后的圈舍做检疫检查,使得每个个体都在搜索范围以内。然后计算代价函数,并进行排序。
步骤9.进行搜索动力不足检验,判断最优的CF值和前两代的最优CF值是否相等,就可以判断搜索动力足不足。如果相等,说明混合圈养有效果,则进行步骤10;否则进行步骤11。
步骤10.根据公式(17)进行人工干预,也就是选择精英混合。对该饲养场中最好的圈舍进行特殊改造,提高后代产出新品种的概率,从而提高其跳出局部最优的动力。将饲养场中代价函数值最高的圈舍拆毁按照进行特殊改造之后的圈舍进行重建。
X'=Xbest+sgn(rand-0.5)*E (17)
其中E是维度与X相同的单位矩阵。相当于在最好的解决方案上面随机的加上一个扰动量,从而增加了圈舍的多样性。
步骤11.判断是否满足结束条件饲养代数L=50,若不满足,则调到步骤4;若满足,则输出模型辨识参数,结束程序。
对照试验,设置BBO算法和PSO算法的种群大小100;迭代次数为50。BBO算法的变异率0.5,PSO算法的惯性权重为0.3,学习因子都为2。使用这两种算法的同样对上述模型进行辨识。
通过仿真验证,对模型辨识的结果进行分析对照。从图3中代价函数随迭代次数的变化情况可以看出,MECO算法在收敛速度和搜索能力方面都表现最优异。MECO算法辨识得到的参数最接近真实参数,如表1所示。
综上所述,混合精英圈养优化算法在一阶加纯滞后系统的模型参数辨识中表现优异,成果显著。
表1.辨识所得参数与系统真值的对比
K | T | τ | |
真值 | 0.53 | 3.50 | 5.50 |
MECO | 0.529 | 3.482 | 5.500 |
BBO | 0.524 | 3.018 | 5.957 |
PSO | 0.522 | 3.348 | 5.498 |
Claims (1)
1.一种基于混合精英圈养优化的灵敏板温度智能建模方法,其特征在于:该方法包括的步骤如下:
步骤1.确立评价温度回路模型参数辨识的性能指标,作为混合精英圈养优化算法的代价函数CF;选择代价函数即输出误差平方和为最小,如式(1)所示:
步骤2.把灵敏板温度控制回路的一阶加纯滞后模型的放大倍数K、时间常数T、滞后时间常数τ作为混合精英圈养算法的可操作变量OVs;
OVs=[K,T,τ] (2)
步骤3.初始化;设定饲养场圈舍的规模N,自定义新品种更新率Mupdate和饲养代数L;在可操作变量OVs的搜索范围内,随机生成初始圈舍分配情况Population;
步骤4.计算饲养场内每个圈舍的代价函数指标CF值,即评价模型辨识性能指标;根据CF值对初始圈舍分配情况Population进行排序;
步骤5.根据混合模型计算第i个圈舍的入栏率αi和出栏率βi,根据随机函数、入栏率及出栏率进行混合操作;此处采用线性混合模型,线性混合模型如下式(3)、(4)所示:
其中,I和O分别为最大的入栏率和出栏率;其中si是第i个圈舍饲养数量,αi是入栏率,βi是出栏率,smax是第i个圈舍的最大饲养量;
步骤8.将经过混栏饲养和新品种引入之后的圈舍做检疫检查,使得每个个体都在搜索范围以内;然后计算代价函数,并进行排序;
步骤9.进行搜索动力不足检验,最优的CF值和前两代的最优CF值相等即搜索动力足,最优的CF值和前两代的最优CF值不相等即搜索动力不足;混合圈养有效果,则进行步骤10;混合圈养没有收到良好的效果,则直接进行步骤11;
步骤10.根据公式(7)进行人工干预,选取精英个体混合饲养,对该饲养场中最好的圈舍Xbest进行特殊改造,提高后代产出新品种的概率,从而提高其跳出局部最优的动力;将饲养场中代价函数值最高的圈舍拆毁按照进行特殊改造之后的圈舍进行重建;
X'=Xbest+sgn(rand-0.5)*E (7)
其中,E是维度与X相同的单位矩阵;相当于随机的加上一个扰动量,以增加圈舍的多样性,rand为(0,1)的随机数;
步骤11.判断是否满足结束条件,若不满足,则调到步骤4;若满足,则输出模型辨识参数,结束程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711358698.4A CN108089443B (zh) | 2017-12-17 | 2017-12-17 | 一种基于混合精英圈养优化的灵敏板温度智能建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711358698.4A CN108089443B (zh) | 2017-12-17 | 2017-12-17 | 一种基于混合精英圈养优化的灵敏板温度智能建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108089443A CN108089443A (zh) | 2018-05-29 |
CN108089443B true CN108089443B (zh) | 2020-12-08 |
Family
ID=62175823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711358698.4A Active CN108089443B (zh) | 2017-12-17 | 2017-12-17 | 一种基于混合精英圈养优化的灵敏板温度智能建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108089443B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097217B (zh) * | 2019-04-16 | 2023-04-07 | 天津大学 | 一种基于等效rc模型的建筑动态室温预测方法 |
CN110052050B (zh) * | 2019-04-29 | 2021-03-16 | 中国石油大学(华东) | 基于塔板温度的内部热耦合精馏塔全局状态观测器及方法 |
CN111553080B (zh) * | 2020-04-29 | 2022-12-02 | 武汉大学 | 一种配电台区负荷动态等值非机理模型参数闭环辨识方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4432913A (en) * | 1981-08-31 | 1984-02-21 | The Dow Chemical Company | Liquid distributing apparatus and method for a liquid-vapor contact column |
US4544477A (en) * | 1983-10-12 | 1985-10-01 | Standard Oil Company | Polar solvent extraction and dedusting process |
US5227534A (en) * | 1990-08-22 | 1993-07-13 | Mobil Oil Corporation | Ether production with multi-stage reaction of olefins |
CN1763774A (zh) * | 2005-11-11 | 2006-04-26 | 杭州电子科技大学 | 一种流程工业可视化生产工艺流程描述的建模方法 |
CN1851573A (zh) * | 2006-05-12 | 2006-10-25 | 浙江中控软件技术有限公司 | 对二甲苯氧化过程中预测杂质成分浓度的建模方法 |
CN101590331B (zh) * | 2009-04-15 | 2013-01-02 | 华东理工大学 | 乙烯精馏塔灵敏板温度控制系统及其控制方法 |
CN102020549B (zh) * | 2009-09-10 | 2013-07-24 | 中国石油化工股份有限公司 | 共沸精馏分离醋酸和水的连续生产方法 |
CN102289201A (zh) * | 2010-06-18 | 2011-12-21 | 中国石油化工股份有限公司 | 一种工业裂解炉生产操作的自动在线控制方法 |
CN101900992B (zh) * | 2010-07-16 | 2013-05-29 | 浙江大学 | 化工过程预测控制系统经济目标优化自适应退避选择方法 |
CN106292289B (zh) * | 2016-09-22 | 2019-01-04 | 北京世纪隆博科技有限责任公司 | 流程工业控制回路对象的混合精英随机搜索优化方法 |
CN106773697A (zh) * | 2016-12-28 | 2017-05-31 | 浙江大学 | 一种时间维度拓展极限学习机模型的工业过程软测量建模方法 |
-
2017
- 2017-12-17 CN CN201711358698.4A patent/CN108089443B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108089443A (zh) | 2018-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112817354B (zh) | 一种畜禽舍养殖环境温度预测控制系统及其调控方法 | |
CN108089443B (zh) | 一种基于混合精英圈养优化的灵敏板温度智能建模方法 | |
Hatzimanikatis et al. | Effects of spatiotemporal variations on metabolic control: approximate analysis using (log) linear kinetic models | |
CN106843172B (zh) | 基于jy-kpls的复杂工业过程在线质量预测方法 | |
CN109634098A (zh) | 一种育肥猪舍环境调控系统及方法 | |
Muñoz‐Tamayo et al. | Optimizing microalgal production in raceway systems | |
Ifrim et al. | Multivariable feedback linearizing control of Chlamydomonas reinhardtii photoautotrophic growth process in a torus photobioreactor | |
CN105487496A (zh) | 基于双目标并行island-hfc混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法 | |
CN113094988A (zh) | 一种基于数据驱动的浆液循环泵运行优化方法及系统 | |
Nordmoen et al. | Dynamic mutation in map-elites for robotic repertoire generation | |
CN103649299A (zh) | 生产过程的监控系统及其控制方法 | |
CN102129242A (zh) | 基于两层混合智能优化的批处理生产过程产品质量控制方法 | |
CN105550437A (zh) | 一种基于遗传算法的室内环境反向设计方法 | |
Espinel-Ríos et al. | Batch-to-batch optimization with model adaptation leveraging Gaussian processes: the case of optogenetically assisted microbial consortia | |
CN116360266A (zh) | 一种基于多目标优化算法的猪舍温度节能控制方法 | |
Fulget et al. | MELISSA: global control strategy of the artificial ecosystem by using first principles models of the compartments | |
Kager et al. | Direct control of recombinant protein production rates in E. coli fed-batch processes by nonlinear feedback linearization | |
Gurban et al. | Greenhouse climate control enhancement by using genetic algorithms | |
Julien et al. | Bioreactor monitoring, modeling, and simulation | |
Arpaia et al. | Model predictive control strategy based on differential discrete particle swarm optimization | |
Wang et al. | Model-based predictive control for spatially-distributed systems using dimensional reduction models | |
Jianlin et al. | Run-to-run optimization for fed-batch fermentation process with swarm energy conservation particle swarm optimization algorithm | |
Li | Intelligent fuzzy immune PID controller design for multivariable process control system | |
CN115829099A (zh) | 基于anfis及随机分形搜索算法的黄酒发酵预测方法及系统 | |
Morozova | Methodology for controlling greenhouse microclimate parameters and yield forecast using neural network technologies |
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 |