CN110045616B - 一种搅拌反应罐的鲁棒预测控制方法 - Google Patents

一种搅拌反应罐的鲁棒预测控制方法 Download PDF

Info

Publication number
CN110045616B
CN110045616B CN201910419085.XA CN201910419085A CN110045616B CN 110045616 B CN110045616 B CN 110045616B CN 201910419085 A CN201910419085 A CN 201910419085A CN 110045616 B CN110045616 B CN 110045616B
Authority
CN
China
Prior art keywords
time
stirring reaction
reaction tank
model
control
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
Application number
CN201910419085.XA
Other languages
English (en)
Other versions
CN110045616A (zh
Inventor
周锋
朱培栋
谢明华
郭文明
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.)
Changsha University
Original Assignee
Changsha 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 Changsha University filed Critical Changsha University
Priority to CN201910419085.XA priority Critical patent/CN110045616B/zh
Publication of CN110045616A publication Critical patent/CN110045616A/zh
Application granted granted Critical
Publication of CN110045616B publication Critical patent/CN110045616B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • Feedback Control In General (AREA)
  • Physical Or Chemical Processes And Apparatus (AREA)

Abstract

本发明公开了一种搅拌反应罐的鲁棒预测控制方法，建立具有时变系数的准线性结构模型；利用所述准线性结构模型时变系数的边界信息，构造出可包裹搅拌反应罐系统未来动态的多面体模型，即状态空间模型；基于所述状态空间模型设计鲁棒预测控制器，利用所述鲁棒预测控制器获得作用于搅拌反应罐系统的最优控制输入量w1(t)，从而实时调节反应物A的输入流量w1(t)，达到控制产品C的浓度Cb(t)跟踪设定值
Figure DDA0002065405150000011
的目的。本发明显著增加了鲁棒预测控制器在线优化控制率时的自由度。

Description

一种搅拌反应罐的鲁棒预测控制方法
技术领域
本发明属于化工生产过程控制领域，涉及一种针对搅拌反应罐的鲁棒预测控制方法，尤其涉及一种基于可变反馈控制率的鲁棒预测控制方法。
背景技术
搅拌反应罐是化工生产中一种常见的设备，广泛存在于医药、食品、石化等化工企业的生产加工中。由于现实生产中的搅拌反应过程通常是复杂的非线性系统，其反应过程往往存在多个中间变量，且各变量间又相互影响，具有很强的非线性。因此，采用机理建模方法来获得反应过程的精确模型往往非常困难。目前，采用基于输入输出数据驱动的系统辨识方法来获得反应过程的模型已成为主要的建模手段。模型预测控制因其控制机理对复杂工业过程系统的广泛适用性，已被广泛应用于各类化工生产过程的控制中。伴随着先进生产过程控制系统对鲁棒性、抗扰性要求的不断提高，目前鲁棒预测控制技术已逐渐成为主流的控制方法。通过对已有技术的检索发现，目前针对搅拌釜式反应过程的鲁棒预测控制方法大多是在已知系统状态工作点信息的前提下设计的控制方法，比如专利200910197512.0、201010616956.6、201310311184.9及201510315584.6等。该类方法需假设系统的稳态平衡点信息已知或可测，而在实际工业系统中，该条件显然无法得到满足。针对系统稳态平衡点信息无法获取的实际搅拌釜式反应过程，“一种一阶连续搅拌釜式反应器的鲁棒预测控制方法”(申请号：201610139588.8)，“一种基于多自由度控制量设计的输出跟踪鲁棒预测控制方法”(申请号：201710339307.8)，分别提出了不依赖系统稳态平衡点信息的鲁棒预测控制方法，但该类方法在设计鲁棒预测控制器时其未来的控制量反馈率是固定不变的。在上述方法中，由于采用了单一的反馈率作为将来的控制策略，其会给后续的预测控制器设计带来很强的保守性。如果能够在线优化得到系统可变的控制率序列，并基于此思想设计后续的控制算法，将显著增加鲁棒预测控制器的自由度，从而大大改善其闭环控制性能，扩大系统的可行域。
发明内容
本发明所要解决的技术问题是，针对现有技术不足，提供一种搅拌反应罐的鲁棒预测控制方法，增加鲁棒预测控制器在线优化控制率时的自由度。
为解决上述技术问题，本发明所采用的技术方案是：一种搅拌反应罐的鲁棒预测控制方法，包括以下步骤：
1)建立如下具有时变系数的准线性结构模型：
Figure BDA0002065405130000021
其中：Cb(t)是t时刻搅拌反应罐的输出量，即产品C的浓度；w1(t)是t时刻搅拌反应罐的输入量，即反应物A的流量；ξ(t+1)是包含建模误差和外界不确定扰动的项，且|ξ(t+1)|≤η，η为已知常数；
Figure BDA0002065405130000022
为依赖于状态量s(t)的三次样板基函数结构的时变系数，且状态量s(t)＝Cb(t)；
Figure BDA0002065405130000023
Figure BDA0002065405130000024
是三次样板基函数的中心，
Figure BDA0002065405130000025
是三次样板基函数的线性权重系数；
2)利用所述准线性结构模型时变系数的边界信息，构造出可包裹搅拌反应罐系统未来动态的多面体模型，即状态空间模型；
3)基于所述状态空间模型设计鲁棒预测控制器，利用所述鲁棒预测控制器获得作用于搅拌反应罐系统的最优控制输入量w1(t)，从而实时调节反应物A的输入流量w1(t)，达到控制产品C的浓度Cb(t)跟踪设定值
Figure BDA0002065405130000026
的目的。
步骤2)的具体实现过程包括：
1)定义搅拌反应罐的输入偏差量和输出偏差量如下：
Figure BDA0002065405130000027
2)其中：j1和j2为小于等于零的整数；w1(t+j1)为t+j1时刻的搅拌反应罐输入量，w1(t+j1-1)为t+j1-1时刻的搅拌反应罐输入量；Cb(t+j2)为t+j2时刻的搅拌反应罐输出量；
Figure BDA0002065405130000031
为t时刻搅拌反应罐输出量的期望值；
3)利用下式得到一步向前预测输出偏差量
Figure BDA0002065405130000032
如下：
Figure BDA0002065405130000033
Figure BDA0002065405130000034
ξ(t+1|t)是包含建模误差和外界不确定扰动的项，且|ξ(t+1|t)|≤η；
Figure BDA00020654051300000311
为中间量，且
Figure BDA0002065405130000035
4)通过定义搅拌反应罐的状态向量如下：
Figure BDA0002065405130000036
其中：f为大于或等于2的整数，j为小于等于零的整数；根据搅拌反应罐的一步向前预测输出偏差量
Figure BDA0002065405130000037
推导出系统的状态空间模型如下：
Figure BDA0002065405130000038
Figure BDA0002065405130000039
其中，搅拌反应罐一步向前状态空间方程中的系数矩阵At，Bt和X(t|t)分别为t时刻准线性结构模型计算出的参数和状态；
Figure BDA00020654051300000310
为t时刻系统的输入增量，为待优化的变量；Ξ(t)变化范围在Ξ1和Ξ2之间，且
Figure BDA0002065405130000048
Figure BDA0002065405130000049
At+g|t，Bt+g|t为搅拌反应罐未来t+g+1步向前状态向量X(t+g+1|t)的系数矩阵。
所述At+g|t，Bt+g|t变化范围用如下凸多面体进行包裹：
Figure BDA0002065405130000041
其中：{λt+g|t,μ|μ＝1,2,3,4}为多面体的线性系数；多面体顶点为{(Aμ,Bμ)|μ＝1,2,3,4}，且所述多面体顶点通过如下公式计算得到：
Figure BDA0002065405130000042
Figure BDA0002065405130000043
Figure BDA0002065405130000044
Figure BDA0002065405130000045
其中，
Figure BDA0002065405130000046
和
Figure BDA0002065405130000047
分别为关于状态量s(t)的函数
Figure BDA0002065405130000051
的最大值和最小值，且s(t)＝Cb(t)；
Figure BDA0002065405130000052
和
Figure BDA0002065405130000053
分别为关于s(t)的函数
Figure BDA0002065405130000054
的最大值和最小值。
步骤3)中，鲁棒预测控制器的优化目标函数如下：
Figure BDA0002065405130000055
其中：W≥0和R＞0为控制加权系数；
Figure BDA0002065405130000056
X(t+g|t)为t时刻模型预测的t+g步搅拌反应罐状态量；
Figure BDA0002065405130000057
为t时刻预测的t+g步搅拌反应罐输入控制增量。
目标函数要优化计算的控制量
Figure BDA0002065405130000058
通过以下公式预测：
Figure BDA0002065405130000059
其中，{Fp|p＝1,2,...,N-1}为可变的反馈控制率序列，N≥3为预测反馈时域。通过最小化问题不等式组求解t时刻的最优控制输入量
Figure BDA00020654051300000510
其中，最小化问题不等式组表达式为：
Figure BDA00020654051300000511
Figure BDA00020654051300000512
Figure BDA00020654051300000513
Figure BDA00020654051300000514
Figure BDA00020654051300000515
其中，q＝1,2,3,4；l＝1,2,3,4；p＝1,2,...,N-1；符号*代表矩阵的对称结构；
Figure BDA0002065405130000061
为系统的可变反馈增益矩阵；{Q(p,q),Q(p+1,l)|q＝1,2,3,4；l＝1,2,3,4；p＝1,2,...,N-1}为求解上述不等式组，即凸优化问题而产生的中间矩阵变量；γ0+γ为上述凸优化问题的优化目标值；{(Aq,Bq)|q＝1,2,3,4}为系统多面体模型的顶点；在求解最小化问题
Figure BDA0002065405130000062
时，优化函数根据上述不等式约束条件自动寻找满足使的γ0+γ最小的中间变量γ、γ0、{Yp,Gp,Q(p,q),Q(p+1,l)|q＝1,2,3,4；l＝1,2,3,4；p＝1,2,...,N-1}和
Figure BDA0002065405130000063
当找到合适的中间变量γ、γ0、{Yp,Gp,Q(p,q),Q(p+1,l)|q＝1,2,3,4；l＝1,2,3,4；p＝1,2,...,N-1}和
Figure BDA0002065405130000064
时，则t时刻的优化求解过程结束，此时，作用于搅拌反应罐系统的最优控制输入量为
Figure BDA0002065405130000065
通过实时调节反应物A的输入流量w1(t)，达到控制产品C的浓度Cb(t)跟踪设定值
Figure BDA0002065405130000066
的目的。
与现有技术相比，本发明所具有的有益效果为：本发明考虑到已有技术在设计鲁棒预测控制器时，其未来的控制量反馈率是固定不变的。在该类方法中，由于控制器设计时采用的是单一反馈率，会造成后续的预测控制器设计具有很强的保守性。本发明提出了一种基于可变反馈控制律的鲁棒预测控制方法，该方法不同于采用单一反馈控制率的已有技术，该方法中系统未来的反馈控制率被设计成一个可变的控制率序列并可通过在线优化得到，该方法显著增加了鲁棒预测控制器在线优化控制率时的自由度，可明显改善闭环控制算法的控制性能和工业适用性。
附图说明
图1为本发明所针对的搅拌反应罐结构示意图。
具体实施方式
本发明所针对的搅拌反应罐结构如图1所示。本实施例中浓度为24.9mol/L、流量为w1(t)(单位为dm/min)的反应物A和浓度为0.1mol/L、流量为0.1dm/min的反应物B在反应罐上端流入，经反应罐充分搅拌后得到浓度为Cb(t)(单位为mol/L)的产品C；反应罐的上端安装有液位过高报警传感器1和液位过低报警传感器2。本具体实施例中，我们通过调节反应物A的输入流量w1(t)，达到控制产品C的浓度Cb(t)跟随设定值的目的。本发明的具体实施例包括以下步骤：步骤S1：分别采集图1所示的搅拌反应罐系统的输入量反应物A的输入流量和输出量产品C的浓度的历史2500个数据，作为模型的辨识数据。离线建立搅拌反应罐系统的变系数准线性结构模型如下：
Figure BDA0002065405130000071
其中：Cb(t)是t时刻系统的输出量，即产品C的浓度；w1(t)是t时刻系统的输入量，即反应物A的流量；ξ(t+1)是包含建模误差和外界不确定扰动的项，且|ξ(t+1)|≤2；
Figure BDA0002065405130000072
为依赖于状态量s(t)的三次样板基函数结构的时变系数，且状态量s(t)＝Cb(t)；
Figure BDA0002065405130000073
是三次样板基函数的中心，
Figure BDA0002065405130000074
是三次样板基函数的线性权重系数；模型上述参数集
Figure BDA0002065405130000075
均通过R-SNPOM优化方法离线计算得到(详见文献：Zeng Xiaoyong,Peng Hui and Zhou Feng,2018,A regularized SNPOM for stableparameter estimation of RBF-AR(X)model,IEEE Transactions on Neural Networksand Learning Systems,29,No.4,779-791.)。本实施例通过R-SNPOM优化方法离线优化出的模型参数如下：
Figure BDA0002065405130000076
Figure BDA0002065405130000077
步骤S2：利用步骤S1中建立的模型时变系数的边界信息，可构造出用来包裹搅拌反应罐系统未来动态的多面体模型如下：
首先，定义系统的输入偏差量和输出偏差量如下：
Figure BDA0002065405130000078
其中：j1＝0,-1,-2,...，j2＝0,-1,-2,...；w1(t+j1)为t+j1时刻的系统输入量，w1(t+j1-1)为t+j1-1时刻的系统输入量；Cb(t+j2)为t+j2时刻的系统输出量；
Figure BDA0002065405130000081
为t时刻系统输出量的期望值。由上述定义，可推到出模型的一步向前预测输出偏差量
Figure BDA0002065405130000082
如下：
Figure BDA0002065405130000083
Figure BDA0002065405130000084
其中：ξ(t+1|t)是包含建模误差和外界不确定扰动的项，且|ξ(t+1|t)|≤2；θ(t)为中间量，且
Figure BDA0002065405130000085
本实施例定义搅拌反应罐系统的状态向量如下：
Figure BDA0002065405130000086
f为大于等于2的整数和j为小于等于零的整数。则根据搅拌反应罐的一步向前预测输出偏差量
Figure BDA0002065405130000087
可推导出系统的状态空间模型如下：则可将上述多项式模型(3)转换为如下状态空间模型形式：
Figure BDA0002065405130000088
Figure BDA0002065405130000089
其中，搅拌反应罐一步向前状态空间方程(6)中的系数矩阵At，Bt和X(t|t)分别为t时刻可通过步骤S1辨识得到的模型计算出的参数和状态；
Figure BDA00020654051300000810
为t时刻系统的输入增量，为待优化的变量；Ξ(t)在t时刻无法直接计算出，但可计算出其变化范围在Ξ1和Ξ2之间，且
Figure BDA0002065405130000091
系统未来t+g+1步向前状态向量X(t+g+1|t)的系数矩阵At+g|t，Bt+g|t在t时刻无法直接计算出，但其变化范围可用如下凸多面体进行包裹：
Figure BDA0002065405130000092
其中：{λt+g|t,μ|μ＝1,2,3,4}为多面体的线性系数；多面体顶点为{(Aμ,Bμ)|μ＝1,2,3,4}且可通过如下公式计算得到：
Figure BDA0002065405130000093
其中，
Figure BDA0002065405130000094
为步骤S1中三次样板基函数的线性权重系数，具体值见步骤S1；
Figure BDA0002065405130000095
和
Figure BDA0002065405130000096
分别为关于s(t)的函数
Figure BDA0002065405130000097
的最大值和最小值；
Figure BDA0002065405130000098
和
Figure BDA0002065405130000099
分别为关于s(t)的函数
Figure BDA0002065405130000101
的最大值和最小值。本实施例中由s(t)＝Cb(t)，且Cb(t)的变化范围在0.1mol/L～24.9mol/L之间，且由步骤S1知
Figure BDA0002065405130000102
Figure BDA0002065405130000103
Figure BDA0002065405130000104
将上述参数代入式(9)最终可计算出凸多面体(8)的各顶点。
综上，步骤S2利用步骤S1中辨识出的模型时变系数的边界信息，构造出了可包裹搅拌反应罐系统未来动态特征的多面体模型(6-7)。
步骤S3：基于步骤S2中建立的系统多面体模型(6-7)，设计基于可变反馈控制律的鲁棒预测控制器方法如下：
首先，选择本发明鲁棒预测控制的优化目标函数如下：
Figure BDA0002065405130000105
其中：W＝1和R＝0.1为控制加权系数；
Figure BDA0002065405130000106
X(t+g|t)为t时刻模型预测的t+g步系统状态量；
Figure BDA0002065405130000107
为t时刻预测的t+g步系统输入控制增量。
本发明提出的一种基于可变反馈控制律的鲁棒预测控制方法的可变控制率结构如下：
Figure BDA0002065405130000108
上式中，
Figure BDA0002065405130000109
为控制输入增量，即目标函数要优化计算的控制量；{Fp|p＝1,2,...,N-1}为可变的反馈控制率序列，N＝4为预测反馈时域。
基于上述设计的控制器优化目标函数(10)和可变的反馈控制率序列(11)，并通过定义合理的系统李雅普诺夫函数，利用最小-最大原理，本发明所述的鲁棒预测控制方法的最优控制率通过求解如下线性矩阵不等式组得到：
Figure BDA00020654051300001010
Figure BDA0002065405130000111
Figure BDA0002065405130000112
Figure BDA0002065405130000113
Figure BDA0002065405130000114
其中，q＝1,2,3,4；l＝1,2,3,4；p＝1,2,3；符号*代表矩阵的对称结构；W＝1,R＝0.1；
Figure BDA0002065405130000115
为系统的可变反馈增益矩阵；{Q(p,q),Q(p+1,l)|q＝1,2,3,4；l＝1,2,3,4；p＝1,2,3}为求解上述凸优化问题而产生的中间矩阵变量；γ0+γ为上述凸优化问题的优化目标值，同时γ和γ0也是上述优化过程中产生的中间量；系数矩阵At、Bt、Ξ1、Ξ2、X(t|t)是t时刻已知的参数矩阵，如步骤S2中所述；{(Aq,Bq)|q＝1,2,3,4}为步骤S2中所述的系统多面体模型的顶点。上述线性矩阵不等式组(12-16)中，γ、γ0、{Yp,Gp,Q(p,q),Q(p+1,l)|q＝1,2,3,4；l＝1,2,3,4；p＝1,2,3}和
Figure BDA00020654051300001110
均为最小化变量γ0+γ求解过程中得到的中间变量。在求解最小化问题(12)时，优化函数会根据不等式约束条件(13-16)自动寻找满足使的γ0+γ最小的中间变量γ、γ0、{Yp,Gp,Q(p,q),Q(p+1,l)|q＝1,2,3,4；l＝1,2,3,4；p＝1,2,3}和
Figure BDA0002065405130000116
当找到合适的中间变量γ、γ0、{Yp,Gp,Q(p,q),Q(p+1,l)|q＝1,2,3,4；l＝1,2,3,4；p＝1,2,3}和
Figure BDA0002065405130000117
时，则t时刻的优化求解过程结束。此时，作用于搅拌反应罐系统的最优控制输入量为
Figure BDA0002065405130000118
最终，通过实时调节反应物A的输入流量w1(t)，达到控制产品C的浓度Cb(t)跟踪设定值
Figure BDA0002065405130000119
的目的。

Claims (5)

1.一种搅拌反应罐的鲁棒预测控制方法，其特征在于，包括以下步骤：
1)建立如下具有时变系数的准线性结构模型：
Figure FDA0002357443500000011
其中：Cb(t)是t时刻搅拌反应罐的输出量，即产品C的浓度；w1(t)是t时刻搅拌反应罐的输入量，即反应物A的流量；ξ(t+1)是包含建模误差和外界不确定扰动的项，且|ξ(t+1)|≤η，η为已知常数；
Figure FDA0002357443500000018
为依赖于状态量s(t)的三次样板基函数结构的时变系数，且状态量s(t)＝Cb(t)；
Figure FDA0002357443500000012
Figure FDA0002357443500000013
是三次样板基函数的中心，
Figure FDA0002357443500000014
是三次样板基函数的线性权重系数；
2)利用所述准线性结构模型时变系数的边界信息，构造出可包裹搅拌反应罐系统未来动态的多面体模型，即状态空间模型；具体实现过程包括：
a)定义搅拌反应罐的输入偏差量和输出偏差量如下：
Figure FDA0002357443500000015
b)其中：j1和j2为小于等于零的整数；w1(t+j1)为t+j1时刻的搅拌反应罐输入量，w1(t+j1-1)为t+j1-1时刻的搅拌反应罐输入量；Cb(t+j2)为t+j2时刻的搅拌反应罐输出量；
Figure FDA0002357443500000016
为t时刻搅拌反应罐输出量的期望值；
c)利用下式得到一步向前预测输出偏差量
Figure FDA0002357443500000017
如下：
Figure FDA0002357443500000021
Figure FDA0002357443500000022
ξ(t+1|t)是包含建模误差和外界不确定扰动的项，且|ξ(t+1|t)|≤η；θ(t)为中间量，且
Figure FDA0002357443500000023
d)通过定义搅拌反应罐的状态向量如下：
Figure FDA0002357443500000024
其中：f为大于或等于2的整数，j为小于等于零的整数；根据搅拌反应罐的一步向前预测输出偏差量
Figure FDA0002357443500000025
推导出系统的状态空间模型如下：
Figure FDA0002357443500000026
Figure FDA0002357443500000027
其中，搅拌反应罐一步向前状态空间方程中的系数矩阵At，Bt和X(t|t)分别为t时刻准线性结构模型计算出的参数和状态；
Figure FDA0002357443500000028
为t时刻系统的输入增量，为待优化的变量；Ξ(t)变化范围在Ξ1和Ξ2之间，且Ξ1＝[θ(t)-η 0 0 0]，Ξ2＝[θ(t)+η 0 0 0]；At+g|t，Bt+g|t为搅拌反应罐未来t+g+1步向前状态向量X(t+g+1|t)的系数矩阵；
3)基于所述状态空间模型设计鲁棒预测控制器，利用所述鲁棒预测控制器获得作用于搅拌反应罐系统的最优控制输入量w1(t)，从而实时调节反应物A的输入流量w1(t)，达到控制产品C的浓度Cb(t)跟踪设定值
Figure FDA0002357443500000031
的目的。
2.根据权利要求1所述的搅拌反应罐的鲁棒预测控制方法，其特征在于，所述At+g|t，Bt+g|t变化范围用如下凸多面体进行包裹：
Figure FDA0002357443500000032
其中：{λt+g|t,μ|μ＝1,2,3,4}为多面体的线性系数；多面体顶点为{(Aμ,Bμ)|μ＝1,2,3,4}，且所述多面体顶点通过如下公式计算得到：
Figure FDA0002357443500000033
Figure FDA0002357443500000034
Figure FDA0002357443500000035
Figure FDA0002357443500000036
其中，
Figure FDA0002357443500000041
和
Figure FDA0002357443500000042
分别为关于状态量s(t)的函数
Figure FDA0002357443500000043
的最大值和最小值，且s(t)＝Cb(t)；
Figure FDA0002357443500000044
和
Figure FDA0002357443500000045
分别为关于s(t)的函数
Figure FDA0002357443500000046
的最大值和最小值。
3.根据权利要求2所述的搅拌反应罐的鲁棒预测控制方法，其特征在于，步骤3)中，鲁棒预测控制器的优化目标函数如下：
Figure FDA0002357443500000047
其中：W≥0和R＞0为控制加权系数；
Figure FDA0002357443500000048
X(t+g|t)为t时刻模型预测的t+g步搅拌反应罐状态量；
Figure FDA0002357443500000049
为t时刻预测的t+g步搅拌反应罐输入控制增量。
4.根据权利要求3所述的搅拌反应罐的鲁棒预测控制方法，其特征在于，目标函数要优化计算的控制量
Figure FDA00023574435000000410
通过以下公式预测：
Figure FDA00023574435000000411
其中，{Fp|p＝1,2,...,N-1}为可变的反馈控制率序列，N≥3为预测反馈时域。
5.根据权利要求4所述的搅拌反应罐的鲁棒预测控制方法，其特征在于，通过最小化问题不等式组求解t时刻的最优控制输入量
Figure FDA00023574435000000412
其中，最小化问题不等式组表达式为：
Figure FDA00023574435000000413
Figure FDA00023574435000000414
Figure FDA00023574435000000415
Figure FDA0002357443500000051
Figure FDA0002357443500000052
其中，q＝1,2,3,4；l＝1,2,3,4；p＝1,2,...,N-1；符号*代表矩阵的对称结构；
Figure FDA0002357443500000053
为系统的可变反馈增益矩阵；{Q(p,q),Q(p+1,l)|q＝1,2,3,4；l＝1,2,3,4；p＝1,2,...,N-1}为求解上述不等式组，即凸优化问题而产生的中间矩阵变量；γ0+γ为上述凸优化问题的优化目标值；{(Aq,Bq)|q＝1,2,3,4}为系统多面体模型的顶点；在求解最小化问题
Figure FDA0002357443500000054
时，优化函数根据上述不等式约束条件自动寻找满足使的γ0+γ最小的中间变量γ、γ0、{Yp,Gp,Q(p,q),Q(p+1,l)|q＝1,2,3,4；l＝1,2,3,4；p＝1,2,...,N-1}和
Figure FDA0002357443500000055
当找到合适的中间变量γ、γ0、{Yp,Gp,Q(p,q),Q(p+1,l)|q＝1,2,3,4；l＝1,2,3,4；p＝1,2,...,N-1}和
Figure FDA0002357443500000056
时，则t时刻的优化求解过程结束，此时，作用于搅拌反应罐系统的最优控制输入量为
Figure FDA0002357443500000057
通过实时调节反应物A的输入流量w1(t)，达到控制产品C的浓度Cb(t)跟踪设定值
Figure FDA0002357443500000058
的目的。
CN201910419085.XA 2019-05-20 2019-05-20 一种搅拌反应罐的鲁棒预测控制方法 Active CN110045616B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910419085.XA CN110045616B (zh) 2019-05-20 2019-05-20 一种搅拌反应罐的鲁棒预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910419085.XA CN110045616B (zh) 2019-05-20 2019-05-20 一种搅拌反应罐的鲁棒预测控制方法

Publications (2)

Publication Number Publication Date
CN110045616A CN110045616A (zh) 2019-07-23
CN110045616B true CN110045616B (zh) 2020-03-24

Family

ID=67282628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910419085.XA Active CN110045616B (zh) 2019-05-20 2019-05-20 一种搅拌反应罐的鲁棒预测控制方法

Country Status (1)

Country Link
CN (1) CN110045616B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112947648B (zh) * 2021-03-04 2021-11-23 江西理工大学 一种农业温室环境预测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866913A (zh) * 2015-04-27 2015-08-26 中国农业大学 一种预测回流工艺下厌氧发酵罐内氨氮浓度的方法
EP2827975B1 (de) * 2012-03-23 2016-05-18 EKATO Rühr- und Mischtechnik GmbH System und verfahren zum anfahren von rührwerken in einem sediment

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5351184A (en) * 1993-01-26 1994-09-27 Honeywell Inc. Method of multivariable predictive control utilizing range control
CN103885383A (zh) * 2014-03-27 2014-06-25 辽宁工程技术大学 一种混凝土搅拌站触屏式配料控制方法及系统
CN105182743B (zh) * 2015-07-23 2018-02-06 北京航空航天大学 一种基于鲁棒h无穷的变增益解耦控制方法
CN106978336A (zh) * 2017-03-29 2017-07-25 山东省科学院能源研究所 一种基于预测控制的沼气系统及其稳定供气方法
CN106933107B (zh) * 2017-05-15 2019-09-27 中南大学 一种基于多自由度控制量设计的输出跟踪鲁棒预测控制方法
CN109031959B (zh) * 2018-10-26 2021-09-07 黑龙江大学 一种非一致非线性系统协同控制方法及控制系统
CN109507882B (zh) * 2018-11-20 2021-05-07 中南大学 一种基于rbf-arx模型的快速鲁棒预测控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2827975B1 (de) * 2012-03-23 2016-05-18 EKATO Rühr- und Mischtechnik GmbH System und verfahren zum anfahren von rührwerken in einem sediment
CN104866913A (zh) * 2015-04-27 2015-08-26 中国农业大学 一种预测回流工艺下厌氧发酵罐内氨氮浓度的方法

Also Published As

Publication number Publication date
CN110045616A (zh) 2019-07-23

Similar Documents

Publication Publication Date Title
CN105893654B (zh) 一种一阶连续搅拌釜式反应器的鲁棒预测控制方法
Weng et al. Data-driven robust output tracking control for gas collector pressure system of coke ovens
Selişteanu et al. Sliding mode and adaptive sliding‐mode control of a class of nonlinear bioprocesses
CN109669345B (zh) 基于eso的水下机器人模糊pid运动控制方法
CN103123460A (zh) 温度控制系统和温度控制方法
Zhao et al. The fuzzy PID control optimized by genetic algorithm for trajectory tracking of robot arm
CN109976150B (zh) 一类欠驱动多输入多输出系统的集中式自抗扰控制方法
Atuonwu et al. Identification and predictive control of a multistage evaporator
Stanke et al. Automatic control of bioprocesses
CN110045616B (zh) 一种搅拌反应罐的鲁棒预测控制方法
CN115993778A (zh) 一种高低温试验箱温控系统的模糊控制方法及装置
CN116700393A (zh) 一种基于模糊控制的反应釜温度控制方法
CN110007605B (zh) 一种排斥式磁悬浮装置的鲁棒预测控制方法
CN106773646A (zh) 一种催化裂化过程中原油预热温度控制方法
Gao et al. D‐FNN based modeling and BP neural network decoupling control of PVC stripping process
CN110597055A (zh) 抗不确定性的2d分段仿射间歇过程最小-最大优化的预测控制方法
Rómoli et al. Neural Network‐Based State Estimation for a Closed‐Loop Control Strategy Applied to a Fed‐Batch Bioreactor
CN114200840B (zh) 基于分布式模型预测控制的中药制药过程运行优化方法
Kiran et al. Control of continuous fed-batch fermentation process using neural network based model predictive controller
CN109062059B (zh) 一种基于系统增广模型的批次过程预测控制方法
CN109039166B (zh) 一种永磁同步直线伺服系统速度环pi-ip控制参数自校正方法
CN113568309B (zh) 用于温度场的在线时空控制方法
CN113106243A (zh) 一种连续退火炉温度自动控制方法
Rayme et al. Control System based on Reinforcement Learning applied to a Klatt-Engell Reactor
CN108829058A (zh) 一种化工批次过程模糊迭代学习控制方法

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