CN108873699B - 一种化工时变工业过程混合控制方法 - Google Patents
一种化工时变工业过程混合控制方法 Download PDFInfo
- Publication number
- CN108873699B CN108873699B CN201810760549.9A CN201810760549A CN108873699B CN 108873699 B CN108873699 B CN 108873699B CN 201810760549 A CN201810760549 A CN 201810760549A CN 108873699 B CN108873699 B CN 108873699B
- Authority
- CN
- China
- Prior art keywords
- time
- batches
- state
- batch process
- follows
- 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
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)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种化工时变批次过程混合控制方法,包括如下步骤:步骤1、建立批次过程时变状态空间模型;步骤2、设计被控对象的批次过程控制器。该方法首先建立批次过程模型,通过引入状态误差和输出误差,将上述模型转化为等效的随机系统模型,根据不同故障发生的概率,将常规的迭代学习控制律设计转化为更灵活的更新律设计。不同于传统的控制策略,本发明所提出的混合控制策略考虑到了执行器出现不同故障的概率,系统全面地分析、处理各类故障,故障处理的灵活性、快速性更好。
Description
技术领域
本发明属于自动化工业过程控制领域,涉及到一种化工时变批次过程混合控制方法。
背景技术
在工业生产过程中,批次处理过程非常普遍,同时,在复杂的工业生产环境下,长时间运行的生产设备出现故障的情况很普遍,存在的故障,不仅会影响生产效率和产品质量,还会造成财产损失和人员伤亡。综合考虑安全生产和经济效益,当系统出现故障时,系统仍要保持一定的稳定性和可控性。因此,有必要对故障处理方法进行研究。
发明内容
本发明目的是为了更好地解决化工批次过程中执行器出现的故障,提出了一种化工时变批次过程混合控制方法。该方法首先建立批次过程模型,通过引入状态误差和输出误差,将上述模型转化为等效的随机系统模型,根据不同故障发生的概率,将常规的迭代学习控制律设计转化为更灵活的更新律设计。不同于传统的控制策略,本发明所提出的混合控制策略考虑到了执行器出现不同故障的概率,系统全面地分析、处理各类故障,故障处理的灵活性、快速性更好。
本发明的技术方案是通过模型建立、控制器设计、预测机理、优化等手段,设计了一种化工时变批次过程混合控制方法,利用该方法可以提高系统的安全性和可靠性。其具体技术方案如下:
本发明方法的步骤包括:
步骤1、建立批次过程时变状态空间模型,具体方法是:
1-1.建立一个批次过程系统模型,其形式如下:
其中k和t分别表示批次和批次运行时刻,x(t+1,k)、x(t,k)、x(t-d(t),k)分别是k批次t+1时刻、t时刻、t-d(t)时刻的系统状态,d(t)是系统t时刻的状态延迟,dm≤d(t)≤dM,dm、dM分别是状态延迟的下限和上限,y(t,k)∈Rl是k批次t时刻的系统输出,维数为Rl,u(t,k)∈Rm是k批次t时刻的系统输入,维数为Rm,l,m分别是系统输出和输入的阶次,σ(t,k)表示与批次和时刻有关的切换信号,Aσ(t,k),Adσ(t,k),Bσ(t,k),Cσ(t,k)分别表示带有切换信号的适当维度的常数矩阵,ωσ(t,k)(t,k)是k批次t时刻的外部扰动,x(0,k)是k批次系统的初始状态,其初始值设置为x0,k。
1-2.让批次过程输出跟踪给定的期望轨迹,其定义如下:
e(t,k)A yr(t)-y(t,k)
其中yr(t)是t时刻系统输出期望轨迹,e(t,k)是k批次t时刻的系统输出误差,A表示‘定义为’。
1-3.批次过程系统故障的发生概率的定义如下:
0≤P{γ(t+1,k)=1|γ(t,k)=0}=α≤1,0≤P{γ(t+1,k)=0|γ(t,k)=0}=1-α≤1
0≤P{γ(t+1,k)=1|γ(t,k)=1}=1-χ≤1,0≤P{γ(t+1,k)=0|γ(t,k)=1}=χ≤1
其中γ(t,k)、γ(t+1,k)分别表示k批次t时刻、t+1时刻系统故障判定函数,取0表示系统正常,取1表示系统故障,α表示系统当前时刻正常运行但下一时刻发生故障的概率,χ表示当前时刻系统故障但下一时刻恢复正常运行的概率。
1-4.确定判断每批次故障的发生是否与当前时刻有关的概率矩阵。
其中p00=1-α,p01=α,p10=χ,p11=1-χ。
进而,得到批次间状态变化的n步传递函数概率矩阵Pn。
1-5.批次过程系统的随机迭代学习控制律描述如下:
其中Δu(t,k)表示k批次t时刻的系统随机迭代学习输入更新律,u(t,0)表示开始批次t时刻的系统输入,并设置为0。
1-6.批次过程系统可能发生故障的情况下,系统输入和系统状态误差分别如下:
u(t,k)=(1-γ(t,k))u(t,k),δ(x(t,k))=x(t,k)-x(t,k-1)
其中x(t,k-1)表示k-1批次t时刻的系统状态,δ(x(t,k))表示k批次t时刻的系统状态误差。
1-7.根据1-1及1-6,得到下列状态误差和输出误差表达式。
其中表示拓展的外部扰动,e(t+1,k)、e(t+1,k-1)是k批次、k-1批次t+1时刻的系统输出误差,y(t+1,k)、yr(t+1,k)分别是k批次t+1时刻的系统输出和系统期望输出,δ(x(t+1,k))、δ(x(t-d(t),k))分别是k批次t+1时刻、t-d(t)时刻的系统状态误差,A、、Ad、BC分别是适当维度的常数矩阵。
步骤2、设计被控对象的批次过程控制器,具体是:
2-1.基于步骤1,进一步得到改写后的系统误差模型如下:
2-2.进一步得到系统的随机迭代学习更新律如下:
Δu(t,k)=(1-γ(t,k))K0X(t,k)
2-3.在下一时刻,重复步骤2.1到2.2继续求解新的最优系统随机迭代学习更新律Δu(t,k),得到最优控制量,作用于控制对象,并依次循环。
具体实施方式
以注塑成型工艺为例:
这里以注塑成型过程中的填料压力加以描述,调节手段是控制比例阀的阀门开度。
步骤1、建立注塑成型过程时变状态空间模型,具体步骤是:
1-1.建立一个注塑成型过程系统模型,其形式如下:
其中k和t分别表示注塑成型过程的批次和批次运行时刻,x(t+1,k)、x(t,k)、x(t-d(t),k)分别是注塑成型过程中k批次t+1时刻、t时刻、t-d(t)时刻的系统状态,d(t)是注塑成型过程中t时刻的状态延迟,dm≤d(t)≤dM,dm、dM分别是注塑成型过程中的状态延迟的下限和上限,y(t,k)∈Rl是注塑成型过程中k批次t时刻的填料压力,维数为Rl,u(t,k)∈Rm是注塑成型过程中k批次t时刻的阀门开度,维数为Rm,l,m分别是注塑成型过程中的填料压力和阀门开度的阶次,σ(t,k)表示注塑成型过程中与批次和时刻有关的切换信号,Aσ(t,k),Adσ(t,k),Bσ(t,k),Cσ(t,k)分别表示注塑成型过程中带有切换信号的适当维度的常数矩阵,ωσ(t,k)(t,k)是注塑成型过程中k批次t时刻的外部扰动,x(0,k)是注塑成型过程中k批次注塑成型的初始状态,其初始值设置为x0,k。
1-2.让注塑成型过程的填料压力跟踪给定的填料压力轨迹,其定义如下:
e(t,k)A yr(t)-y(t,k)
其中yr(t)是注塑成型过程中t时刻的给定填料压力轨迹,e(t,k)是注塑成型过程中k批次t时刻的填料压力误差,A表示‘定义为’。
1-3.注塑成型过程故障的发生概率的定义如下:
0≤P{γ(t+1,k)=1|γ(t,k)=0}=α≤1,0≤P{γ(t+1,k)=0|γ(t,k)=0}=1-α≤1
0≤P{γ(t+1,k)=1|γ(t,k)=1}=1-χ≤1,0≤P{γ(t+1,k)=0|γ(t,k)=1}=χ≤1
其中γ(t,k)、γ(t+1,k)分别表示注塑成型过程中k批次t时刻、t+1时刻注塑成型的系统故障判定函数,取0表示注塑成型过程运行正常,取1表示注塑成型过程运行故障,α表示注塑成型过程当前时刻正常运行但下一时刻发生故障的概率,χ表示注塑成型过程当前时刻故障但下一时刻恢复正常运行的概率。
1-4.确定判断注塑成型过程中每批次故障的发生是否与当前时刻有关的概率矩阵。
其中p00=1-α,p01=α,p10=χ,p11=1-χ。
进而,得到注塑成型过程批次间状态变化的n步传递函数概率矩阵Pn。
1-5.注塑成型过程的随机迭代学习控制律描述如下:
其中Δu(t,k)表示注塑成型过程中k批次t时刻的注塑成型随机迭代学习阀门开度的更新律,u(t,0)表示注塑成型过程中开始批次t时刻的阀门开度。
1-6..注塑成型过程可能发生故障的情况下,注塑成型的阀门开度和注塑成型的状态误差分别如下:
u(t,k)=(1-γ(t,k))u(t,k),δ(x(t,k))=x(t,k)-x(t,k-1)
其中x(t,k-1)表示注塑成型过程中k-1批次t时刻的系统状态,δ(x(t,k))表示注塑成型过程中k批次t时刻的系统状态误差。
1-7.根据1-1及1-6,得到下列注塑成型过程的状态误差和填料压力误差表达式。
其中表示注塑成型过程中拓展的外部扰动,e(t+1,k)、e(t+1,k-1)是注塑成型过程中k批次、k-1批次t+1时刻的填料压力误差,y(t+1,k)、yr(t+1,k)分别是注塑成型过程中k批次t+1时刻的填料压力和期望填料压力,δ(x(t+1,k))、δ(x(t-d(t),k))分别是注塑成型过程中k批次t+1时刻、t-d(t)时刻的系统状态误差,A、、Ad、B C分别是注塑成型过程中的适当维度的常数矩阵。
步骤2、设计注塑成型过程的时变混合控制器,具体是:
2-1.基于步骤1,进一步得到改写后的注塑成型过程的误差模型如下:
2-2.进一步得到注塑成型过程的随机迭代学习更新律如下:
Δu(t,k)=(1-γ(t,k))K0X(t,k)
2-3.在下一时刻,重复步骤2.1到2.2继续求解新的最优注塑成型过程随机迭代学习更新律Δu(t,k),得到最优阀门开度,作用于注塑成型过程,并依次循环。
Claims (1)
1.一种化工时变批次过程混合控制方法,包括如下步骤:
步骤1、建立批次过程时变状态空间模型;
步骤2、设计被控对象的批次过程控制器;
步骤1具体如下:
1-1.建立一个批次过程系统模型,其形式如下:
其中k和t分别表示批次和批次运行时刻,x(t+1,k)、x(t,k)、x(t-d(t),k)分别是k批次t+1时刻、t时刻、t-d(t)时刻的系统状态,d(t)是系统t时刻的状态延迟,dm≤d(t)≤dM,dm、dM分别是状态延迟的下限和上限,y(t,k)∈Rl是k批次t时刻的系统输出,维数为Rl,u(t,k)∈Rm是k批次t时刻的系统输入,维数为Rm,l,m分别是系统输出和输入的阶次,σ(t,k)表示与批次和时刻有关的切换信号,Aσ(t,k),Adσ(t,k),Bσ(t,k),Cσ(t,k)分别表示带有切换信号的适当维度的常数矩阵,ωσ(t,k)(t,k)是k批次t时刻的外部扰动,x(0,k)是k批次系统的初始状态,其初始值设置为x0,k;
1-3.批次过程系统故障的发生概率的定义如下:
0≤P{γ(t+1,k)=1|γ(t,k)=0}=α≤1,0≤P{γ(t+1,k)=0|γ(t,k)=0}=1-α≤1
0≤P{γ(t+1,k)=1|γ(t,k)=1}=1-χ≤1,0≤P{γ(t+1,k)=0|γ(t,k)=1}=χ≤1
其中γ(t,k)、γ(t+1,k)分别表示k批次t时刻、t+1时刻系统故障判定函数,取0表示系统正常,取1表示系统故障,α表示系统当前时刻正常运行但下一时刻发生故障的概率,χ表示当前时刻系统故障但下一时刻恢复正常运行的概率;
1-4.确定判断每批次故障的发生是否与当前时刻有关的概率矩阵:
其中p00=1-α,p01=α,p10=χ,p11=1-χ;
进而,得到批次间状态变化的n步传递函数概率矩阵Pn;
其中Δu(t,k)表示k批次t时刻的系统随机迭代学习输入更新律,u(t,0)表示开始批次t时刻的系统输入,并设置为0;
1-6.批次过程系统可能发生故障的情况下,系统输入和系统状态误差分别如下:u(t,k)=(1-γ(t,k))u(t,k-1),δ(x(t,k))=x(t,k)-x(t,k-1)
其中x(t,k-1)表示k-1批次t时刻的系统状态,δ(x(t,k))表示k批次t时刻的系统状态误差;
1-7.根据1-1及1-6,得到下列状态误差和输出误差表达式:
其中表示拓展的外部扰动,e(t+1,k)、e(t+1,k-1)是k批次、k-1批次t+1时刻的系统输出误差,y(t+1,k)、yr(t+1,k)分别是k批次t+1时刻的系统输出和系统期望输出,δ(x(t+1,k))、δ(x(t-d(t),k))分别是k批次t+1时刻、t-d(t)时刻的系统状态误差,A、Ad、B、C分别是适当维度的常数矩阵;
步骤2具体如下:
2-1.基于步骤1,进一步得到改写后的系统误差模型如下:
2-2.进一步得到系统的随机迭代学习更新律如下:
Δu(t,k)=(1-γ(t,k))K0X(t,k)
2-3.在下一时刻,重复步骤2-1到2-2继续求解新的最优系统随机迭代学习更新律Δu(t,k),得到最优控制量,作用于控制对象,并依次循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810760549.9A CN108873699B (zh) | 2018-07-11 | 2018-07-11 | 一种化工时变工业过程混合控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810760549.9A CN108873699B (zh) | 2018-07-11 | 2018-07-11 | 一种化工时变工业过程混合控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108873699A CN108873699A (zh) | 2018-11-23 |
CN108873699B true CN108873699B (zh) | 2021-02-09 |
Family
ID=64300979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810760549.9A Active CN108873699B (zh) | 2018-07-11 | 2018-07-11 | 一种化工时变工业过程混合控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108873699B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111123871B (zh) * | 2019-12-25 | 2023-06-23 | 海南师范大学 | 针对化工过程遗传算法优化的预测函数控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013069094A (ja) * | 2011-09-22 | 2013-04-18 | Azbil Corp | 制御方法および制御装置 |
CN106896800A (zh) * | 2015-12-18 | 2017-06-27 | 费希尔-罗斯蒙特系统公司 | 使用分析/统计建模来进行连续过程验证的方法和装置 |
CN107544255A (zh) * | 2017-10-12 | 2018-01-05 | 杭州电子科技大学 | 一种批次过程的状态补偿模型控制方法 |
CN107831662A (zh) * | 2017-11-13 | 2018-03-23 | 辽宁石油化工大学 | 针对存在执行器故障的间歇过程随机2d控制器设计方法 |
CN107991875A (zh) * | 2017-12-13 | 2018-05-04 | 杭州电子科技大学 | 一种基于可靠性分析的化工间歇过程增强模型的控制方法 |
-
2018
- 2018-07-11 CN CN201810760549.9A patent/CN108873699B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013069094A (ja) * | 2011-09-22 | 2013-04-18 | Azbil Corp | 制御方法および制御装置 |
CN106896800A (zh) * | 2015-12-18 | 2017-06-27 | 费希尔-罗斯蒙特系统公司 | 使用分析/统计建模来进行连续过程验证的方法和装置 |
CN107544255A (zh) * | 2017-10-12 | 2018-01-05 | 杭州电子科技大学 | 一种批次过程的状态补偿模型控制方法 |
CN107831662A (zh) * | 2017-11-13 | 2018-03-23 | 辽宁石油化工大学 | 针对存在执行器故障的间歇过程随机2d控制器设计方法 |
CN107991875A (zh) * | 2017-12-13 | 2018-05-04 | 杭州电子科技大学 | 一种基于可靠性分析的化工间歇过程增强模型的控制方法 |
Non-Patent Citations (4)
Title |
---|
Average dwell time-based optimal iterative learning control for multi-phase batch processes;Limin Wang et al.;《Journal of Process Control》;20160430;第1-12页 * |
Robust delay dependent iterative learning fault-tolerant control for batch processes with state delay and actuator failures;Limin Wang et al.;《Journal of process control》;20120831;第22卷(第7期);第1273-1286页 * |
Robust design of feedback integrated with iterative learning control for batch processes with uncertainties and interval time-varying delays;Limin Wang et al.;《Journal of Process Control》;20110831;第21卷(第7期);第987-996页 * |
工业过程的预测控制与模糊PID控制的研究;王玉中;《中国优秀硕士学位论文全文数据库信息科技辑》;20180215;第I140-1189页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108873699A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | Decentralized adaptive neural two-bit-triggered control for nonstrict-feedback nonlinear systems with actuator failures | |
CN108873699B (zh) | 一种化工时变工业过程混合控制方法 | |
Hashemi et al. | Adaptive control for a class of MIMO nonlinear time delay systems against time varying actuator failures | |
CN105980939B (zh) | 控制系统 | |
CN109541940B (zh) | 基于2d模型多阶段间歇过程受限预测混杂容错控制方法 | |
CN104493826A (zh) | 结合神经网络控制的重载机器人位置控制器 | |
CN104063586A (zh) | 基于多态故障树的贝叶斯网络故障预测方法 | |
CN105911868B (zh) | 多批次间歇反应器二维迭代学习反馈控制方法 | |
CN107544255B (zh) | 一种批次注塑过程的状态补偿模型控制方法 | |
CN111684475B (zh) | 学习支援装置、处理系统、学习支援方法以及存储介质 | |
CN102520617B (zh) | 一种炼油工业过程的部分解耦非最小化模型预测控制方法 | |
CN107765549A (zh) | 一种批次工业过程的新型迭代学习控制方法 | |
CN102520616B (zh) | 炼油工业过程的部分解耦非最小化模型预测函数控制方法 | |
Ruan et al. | Trajectory optimization and positioning control for batch process using learning control | |
CN107942675A (zh) | 一种化工间歇过程控制系统稳定性保持方法 | |
US20190244682A1 (en) | Methods and Systems for Operating a High Pressure Ethylene Polymerization Unit | |
CN108803339A (zh) | 一种化工批次过程容错迭代学习控制方法 | |
CN110045617B (zh) | 一种工业过程约束预测先进控制方法 | |
CN108107717B (zh) | 一种适用于量化多自主体系统的分布式控制方法 | |
US20220067517A1 (en) | Artificial neural network | |
CN108646693A (zh) | 一种化工工业过程随机故障容错控制方法 | |
CN111505937A (zh) | 一种多模态下的工业过程改进模型预测容错控制方法 | |
CN108803315B (zh) | 一种化工间歇过程的智能跟踪控制方法 | |
CN104416107A (zh) | 一种模锻液压机的模块化控制方法 | |
CN114019802A (zh) | 一种用于两级化学反应器系统的采样控制方法及系统 |
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 |