CN108829058A - 一种化工批次过程模糊迭代学习控制方法 - Google Patents

一种化工批次过程模糊迭代学习控制方法 Download PDF

Info

Publication number
CN108829058A
CN108829058A CN201810685878.1A CN201810685878A CN108829058A CN 108829058 A CN108829058 A CN 108829058A CN 201810685878 A CN201810685878 A CN 201810685878A CN 108829058 A CN108829058 A CN 108829058A
Authority
CN
China
Prior art keywords
batch
time
kth
fuzzy
state
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
CN201810685878.1A
Other languages
English (en)
Other versions
CN108829058B (zh
Inventor
侯平智
余哲
胡晓敏
王立敏
张日东
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 CN201810685878.1A priority Critical patent/CN108829058B/zh
Publication of CN108829058A publication Critical patent/CN108829058A/zh
Application granted granted Critical
Publication of CN108829058B publication Critical patent/CN108829058B/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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种化工批次过程模糊迭代学习控制方法。本发明首先通过分析一个非线性批次过程的状态空间模型，建立一个简单的模糊模型；然后采用迭代学习控制策略并定义了系统状态误差和输出跟踪误差，通过结合误差补偿的技术，得到了一种基于跟踪误差的控制更新律，进而得到控制量作用于被控对象。本发明将迭代学习控制与模糊控制相结合，有效的解决了工业生产过程中的不确定性以及非线性问题，并且系统的稳定性也有一定的提升。

Description

一种化工批次过程模糊迭代学习控制方法
技术领域
本发明属于自动化技术领域，涉及一种化工批次过程模糊迭代学习控制方法。
背景技术
在实际工业生产过程中，批次过程控制具有给定值最佳跟踪的优良性能，该性能保证了产品生产的一致性。但是批次过程实际上是动态过程，具有强非线性以及不确定性，一般的控制方法往往达不到满意的控制精度，如何实现批次过程的高精度有效控制仍然是一个待解决的问题。近几十年来，迭代学习控制已被广泛应用于批次处理过程中，作为一种开环前馈控制方案，迭代学习控制对不确定性和干扰很敏感，单一的迭代学习控制方案不能同时保证系统稳定性和控制精度，因此提出一种更加有效的处理批次过程的控制方法是有必要的。
发明内容
本发明的目的是更好的处理批次过程的不确定性以及非线性问题，进而提出了一种新的批次过程模糊迭代学习控制方法。
本发明首先通过分析一个非线性批次过程的状态空间模型，建立一个简单的模糊模型；然后采用迭代学习控制策略并定义了系统状态误差和输出跟踪误差，通过结合误差补偿的技术，得到了一种基于跟踪误差的控制更新律，进而得到控制量作用于被控对象。
本发明方法的步骤包括：
步骤1、模糊模型的建立，具体步骤是：
1.1首先考虑连续形式的非线性批次过程，模型如下：
其中，t为时刻，k是批次，x(t,k),u(t,k),ω(t,k),y(t,k)分别表示第k批次t时刻的状态、输入、未知干扰和输出，表示第k批次t时刻状态的导数，Tk是批次k的运行时间，f[]，g[]都表示非线性函数。
1.2将步骤1.1中的批次过程进一步处理成如下的模糊模型：
其中，
r表示为一个大于等于1的任意自然数，p表示为预测时域，j＝1,2...，p，Mij表示为模糊集，Ai,Bi,Ci分别表示在第i条规则之下系统的状态、输入和输出的对应的矩阵，x(t+1,k)表示第k批次t+1时刻的状态，z(t,k)表示第k批次t时刻的预测变量，z1(t,k),...,zp(t,k)分别表示第k批次t时刻在第1,...，p步的预测变量，Mij(zj(t,k))表示zj(t,k)在模糊集Mij作用下的一个重要过程参量。
步骤2、设计批次过程控制器，具体步骤是：
2.1对于一个模糊系统的描述，迭代学习控制律应具有以下一般形式：
r(t,k)表示第k批次t时刻的更新律，u(t,0)表示迭代的初始值，u(t,k-1)表示第k-1批次t时刻的输入。
2.2定义相邻批次过程中的系统状态误差和输出跟踪误差为：
δ(x(t,k))＝x(t,k)-x(t,k-1)
e(t+1,k)＝yr(t+1,k)-y(t+1,k)
δ(x(t,k))表示第k批次t时刻系统状态误差，e(t+1,k)表示第k批次t+1时刻的输出跟踪误差，x(t,k-1)表示第k-1批次t时刻状态，yr(t+1,k)表示第k批次t+1时刻预测输出，y(t+1,k)表示第k批次t+1时刻实际输出。
2.3根据步骤2.2，可以确定批次处理的扩展状态变量为：
其中，
表示z(t,k)的定义，xj(t,k)表示第k批次t时刻在第j步时系统的状态，Mij(xj(t,k))表示xj(t,k)在模糊集Mij作用下的一个重要过程参量，δ(x(t+1,k))表示第k批次t+1时刻系统状态误差，e(t+1,k-1)表示第k-1批次t+1时刻的输出跟踪误差，I表示一个具有适当维数的单位矩阵，0表示一个具有适当维数的零矩阵，δ(ω(t,k)))表示第k批次t时刻的干扰的跟踪误差。
2.4根据步骤2.3并且结合误差补偿的技术，得到一种基于跟踪误差的更新律：
其中，Ki表示在规则i下的控制增益。
2.5根据步骤2.4，在规则i下得到一种化工批次过程模糊迭代学习控制的控制器的更新律：
2.6根据步骤2.1和步骤2.5，得到一种化工批次过程模糊迭代学习控制的控制量：
u(t,0)＝0
2.7根据步骤2.2到步骤2.6，依次循环求解基于一种化工批次过程模糊迭代学习控制的控制量u(t,k)，再将其作用于被控对象。
本发明的有益效果：本发明提出了一化工批次过程模糊迭代学习控制的控制方法，该方法将迭代学习控制与模糊控制相结合，有效的解决了工业生产过程中的不确定性以及非线性问题，并且系统的稳定性也有一定的提升。
具体实施方式
以实际过程中以一种非线性连续搅拌釜式反应器为例：
由非线性连续搅拌釜式反应器模型出发，通过调控模糊控制器的参数，从而实现对非线性连续搅拌釜式反应器温度的控制。
步骤1、非线性连续搅拌釜式反应器模型的模糊模型的建立，具体步骤：
1.1首先考虑连续形式的非线性连续搅拌釜式反应器，模型如下：
其中，t为时刻，k是批次，x(t,k),u(t,k),ω(t,k),y(t,k)分别表示第k批次t时刻的非线性连续搅拌釜式反应器的两种物料的浓度、阀门开度、未知干扰和温度输出，表示第k批次t时刻非线性连续搅拌釜式反应器状态的导数，Tk是批次k的运行时间，f[]，g[]都表示非线性函数。
1.2将步骤1.1中的非线性连续搅拌釜式反应器模型进一步处理成一个二维的模糊模型：
其中，
r表示为一个大于等于1的自然数，p表示为预测时域，j＝1,2...，p，Mij表示为模糊集，Ai,Bi,Ci分别表示在i规则之下非线性连续搅拌釜式反应器系统的状态、输入和输出的对应矩阵，x(t+1,k)表示第k批次t+1时刻的状态，z(t,k)表示第k批次t时刻的预测变量，z1(t,k),...,zp(t,k)分别表示第k批次t时刻在j＝1,...，p的预测变量，Mij(zj(t,k))表示zj(t,k)在模糊集Mij作用下的一个重要过程参量。
步骤2、设计非线性连续搅拌釜式反应器模型的控制器，具体步骤：
2.1对于一个二维的非线性连续搅拌釜式反应器模型的模糊系统的描述，迭代学习控制律应具有以下一般形式：
r(t,k)表示第k批次t时刻的更新律，u(t,0)表示阀门的初始开度，u(t,k-1)表示第k-1批次t时刻的阀门开度。
2.2定义相邻非线性连续搅拌釜式反应器模型批次过程中的系统状态误差和温度输出的跟踪误差为：
δ(x(t,k))＝x(t,k)-x(t,k-1)
e(t+1,k)＝yr(t+1,k)-y(t+1,k)
δ(x(t,k))表示第k批次t时刻非线性连续搅拌釜式反应器系统的状态误差，e(t+1,k)表示第k批次t+1时刻的温度输出的跟踪误差，x(t,k-1)表示第k-1批次t时刻非线性连续搅拌釜式反应器系统的状态，yr(t+1,k)表示第k批次t+1时刻预测的温度输出，y(t+1,k)表示第k批次t+1时刻实际的温度输出。
2.3根据步骤2.2可以确定批次处理非线性连续搅拌釜式反应器的扩展状态变量为：
其中，
表示z(t,k)的定义，xj(t,k)表示第k批次t时刻在第j步时非线性连续搅拌釜式反应器的状态，Mij(xj(t,k))表示xj(t,k)在模糊集Mij作用下的一个重要过程参量，δ(x(t+1,k))表示第k批次t+1时刻非线性连续搅拌釜式反应器系统状态误差，e(t+1,k-1)表示第k-1批次t+1时刻的温度输出的跟踪误差，I表示一个具有适当维数的单位矩阵，0表示一个具有适当维数的零矩阵，δ(ω(t,k)))表示第k批次t时刻非线性连续搅拌釜式反应器干扰的跟踪误差。
2.4结合误差补偿的技术，得到一种基于跟踪误差的更新律：
其中，Ki表示在规则i下的非线性连续搅拌釜式反应器的控制增益。
2.5根据步骤2.4，在规则i下得到一种化工批次过程模糊迭代学习控制的控制器的更新律：
2.6根据步骤2.1和步骤2.5，得到基于一种化工批次过程模糊迭代学习控制的控制器。
u(t,0)＝0
2.7依照2.2到2.6中的步骤依次循环求解基于一种化工批次过程模糊迭代学习控制的控制量u(t,k)，再将其作用于非线性连续搅拌釜式反应器。

Claims (1)

1.一种化工批次过程模糊迭代学习控制方法，其特征在于该方法具体是：
步骤1、建立模糊模型，具体是：
1.1 考虑连续形式的非线性批次过程，模型如下：
其中，t为时刻，k是批次，x(t,k),u(t,k),ω(t,k),y(t,k)分别表示第k批次t时刻的状态、输入、未知干扰和输出，表示第k批次t时刻状态的导数，Tk是批次k的运行时间，f[]、g[]都表示非线性函数。
1.2 将步骤1.1中的批次过程进一步处理成如下的模糊模型：
其中，
r表示为一个大于等于1的任意自然数，p表示为预测时域，j＝1,2...，p，Mij表示为模糊集，Ai,Bi,Ci分别表示在第i条规则之下系统的状态、输入和输出的对应的矩阵，x(t+1,k)表示第k批次t+1时刻的状态，z(t,k)表示第k批次t时刻的预测变量，z1(t,k),...,zp(t,k)分别表示第k批次t时刻在第1,...，p步的预测变量，Mij(zj(t,k))表示zj(t,k)在模糊集Mij作用下的一个重要过程参量。
步骤2、设计批次过程控制器，具体是：
2.1 对于一个模糊系统的描述，迭代学习控制律如下：
r(t,k)表示第k批次t时刻的更新律，u(t,0)表示迭代的初始值，u(t,k-1)表示第k-1批次t时刻的输入。
2.2 定义相邻批次过程中的系统状态误差和输出跟踪误差为：
δ(x(t,k))＝x(t,k)-x(t,k-1)
e(t+1,k)＝yr(t+1,k)-y(t+1,k)
δ(x(t,k))表示第k批次t时刻系统状态误差，e(t+1,k)表示第k批次t+1时刻的输出跟踪误差，x(t,k-1)表示第k-1批次t时刻状态，yr(t+1,k)表示第k批次t+1时刻预测输出，y(t+1,k)表示第k批次t+1时刻实际输出。
2.3 根据步骤2.2确定批次处理的扩展状态变量为：
其中，
表示z(t,k)的定义，xj(t,k)表示第k批次t时刻在第j步时系统的状态，Mij(xj(t,k))表示xj(t,k)在模糊集Mij作用下的一个重要过程参量，δ(x(t+1,k))表示第k批次t+1时刻系统状态误差，e(t+1,k-1)表示第k-1批次t+1时刻的输出跟踪误差,I表示一个单位矩阵，0表示一个零矩阵，δ(ω(t,k)))表示第k批次t时刻的干扰的跟踪误差。
2.4 根据步骤2.3并且结合误差补偿的技术，得到一种基于跟踪误差的更新律：
其中，Ki表示在规则i下的控制增益。
2.5 根据步骤2.4，在规则i下得到一种化工批次过程模糊迭代学习控制的控制器的更新律：
2.6 根据步骤2.1和步骤2.5，得到一种化工批次过程模糊迭代学习控制的控制量：
u(t,0)＝0
2.7 根据步骤2.2到步骤2.6，依次循环求解基于一种化工批次过程模糊迭代学习控制的控制量u(t,k)，再将其作用于被控对象。
CN201810685878.1A 2018-06-28 2018-06-28 一种化工批次过程模糊迭代学习控制方法 Active CN108829058B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810685878.1A CN108829058B (zh) 2018-06-28 2018-06-28 一种化工批次过程模糊迭代学习控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810685878.1A CN108829058B (zh) 2018-06-28 2018-06-28 一种化工批次过程模糊迭代学习控制方法

Publications (2)

Publication Number Publication Date
CN108829058A true CN108829058A (zh) 2018-11-16
CN108829058B CN108829058B (zh) 2020-06-19

Family

ID=64139317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810685878.1A Active CN108829058B (zh) 2018-06-28 2018-06-28 一种化工批次过程模糊迭代学习控制方法

Country Status (1)

Country Link
CN (1) CN108829058B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109719915A (zh) * 2018-12-20 2019-05-07 山东科技大学 一种t-s模糊模型及在注塑过程控制中的应用

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004017258A2 (de) * 2002-08-14 2004-02-26 Wismueller Axel Verfahren, datenverarbeitungseinrichtung und computerprogrammprodukt zur datenverarbeitung
CN104462850A (zh) * 2014-12-25 2015-03-25 江南大学 基于模糊高斯混合模型的多阶段间歇过程软测量方法
CN107168293A (zh) * 2017-06-23 2017-09-15 杭州电子科技大学 一种批次化工过程的模型预测跟踪控制方法
CN107765549A (zh) * 2017-10-12 2018-03-06 杭州电子科技大学 一种批次工业过程的新型迭代学习控制方法
CN108107723A (zh) * 2017-11-28 2018-06-01 辽宁石油化工大学 非线性间歇过程的2d最优模糊控制器设计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004017258A2 (de) * 2002-08-14 2004-02-26 Wismueller Axel Verfahren, datenverarbeitungseinrichtung und computerprogrammprodukt zur datenverarbeitung
CN104462850A (zh) * 2014-12-25 2015-03-25 江南大学 基于模糊高斯混合模型的多阶段间歇过程软测量方法
CN107168293A (zh) * 2017-06-23 2017-09-15 杭州电子科技大学 一种批次化工过程的模型预测跟踪控制方法
CN107765549A (zh) * 2017-10-12 2018-03-06 杭州电子科技大学 一种批次工业过程的新型迭代学习控制方法
CN108107723A (zh) * 2017-11-28 2018-06-01 辽宁石油化工大学 非线性间歇过程的2d最优模糊控制器设计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JOHN WILEY & SONS: ""2.1 TAKAGI-SUGENO FUZZY MODEL"", 《FUZZY CONTROL SYSTEMS DESIGN AND ANALYSIS：A LINEAR MATRIX INEQUALITY APPROACH》 *
王立敏 等: "基于T-S模糊模型的间歇过程的迭代学习容错控制", 《化工学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109719915A (zh) * 2018-12-20 2019-05-07 山东科技大学 一种t-s模糊模型及在注塑过程控制中的应用

Also Published As

Publication number Publication date
CN108829058B (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
Xiong et al. Neural network model-based on-line re-optimisation control of fed-batch processes using a modified iterative dynamic programming algorithm
Stanke et al. Automatic control of bioprocesses
Zhou et al. An integrated robust iterative learning control strategy for batch processes based on 2D system
Petre et al. Nonlinear robust adaptive control strategies for a lactic fermentation process
CN115562015A (zh) 一种连续反应釜的模糊自适应迭代学习控制方法和装置
ZareNezhad et al. APPLICATION OF THE NEURAL NETWORK-BASED MODEL PREDICTIVE CONTROLLERS IN NONLINEAR INDUSTRIAL SYSTEMS. CASE STUDY.
CN108829058B (zh) 一种化工批次过程模糊迭代学习控制方法
CN109001975A (zh) 一种工业加热炉多模型分数阶控制方法
Condrachi et al. Data-driven internal model control of an anaerobic digestion process
Rómoli et al. Neural Network‐Based State Estimation for a Closed‐Loop Control Strategy Applied to a Fed‐Batch Bioreactor
CN108803315B (zh) 一种化工间歇过程的智能跟踪控制方法
Ibarra-Junquera et al. Following an optimal batch bioreactor operations model
Rodriguez-Jara et al. Robust control framework based on input-output models enhanced with uncertainty estimation
Duran-Villalobos et al. Iterative learning modelling and control of batch fermentation processes
CN108897219B (zh) 一种化工不确定工业过程约束预测控制方法
CN108873688B (zh) 一种化工工业过程性能保持控制方法
Levišauskas et al. Investigation of P and PD controllers’ performance in control systems with steady-state error compensation
Abadli et al. Generic model control of an Escherichia coli fed-batch culture
CN113568309B (zh) 用于温度场的在线时空控制方法
Rayme et al. Control System based on Reinforcement Learning applied to a Klatt-Engell Reactor
Petre et al. Adaptive control of a fermentation bioprocess for lactic acid production
Guicheng et al. Model predictive control for fermentation process
Xu et al. Receding horizon optimization approach to PID controller parameters auto-tuning
Bujgoi et al. Reinforcement Learning for the Control of Bacterial Growth Bioprocess
Brazauskas et al. Adaptive transfer function‐based control of nonlinear process. Case study: Control of temperature in industrial methane tank

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