CN113671916B - 一种考虑输入约束的流程工业过程优化控制方法及装置 - Google Patents
一种考虑输入约束的流程工业过程优化控制方法及装置 Download PDFInfo
- Publication number
- CN113671916B CN113671916B CN202110955556.6A CN202110955556A CN113671916B CN 113671916 B CN113671916 B CN 113671916B CN 202110955556 A CN202110955556 A CN 202110955556A CN 113671916 B CN113671916 B CN 113671916B
- Authority
- CN
- China
- Prior art keywords
- optimal
- industrial process
- input
- optimization control
- control method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 166
- 230000008569 process Effects 0.000 title claims abstract description 118
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 113
- 238000005457 optimization Methods 0.000 title claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 230000014509 gene expression Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 12
- 238000011217 control strategy Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 9
- 239000010865 sewage Substances 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
本发明涉及流程工业过程技术领域，更具体的说，涉及一种考虑输入约束的流程工业过程优化控制方法及装置。本方法包括以下步骤：步骤S1、采集流程工业过程实际运行数据，建立运行过程数据集；步骤S2、基于操作模式原理，对操作变量进行预设定；步骤S3、利用卷积神经网络回归模型预测生产指标；步骤S4、根据流程工业过程的输入和状态数据，建立自适应动态规划双环迭代算法；步骤S5、对流程工业过程进行具有输入约束的最优控制，使得流程工业过程满足目标生产要求。本发明具备严格的收敛性和稳定性，可有效提升资源回收率与综合利用水平，控制精准，适应性强。
Description
技术领域
本发明涉及流程工业过程技术领域，更具体的说，涉及一种考虑输入约束的流程工业过程优化控制方法及装置。
背景技术
流程工业是指基于通过物理或化学变化进行生产的行业。
典型的流程工业包括石油、化工、冶金等行业，其生产多在高温高压、易燃易爆以及有毒有害的环境下进行，普遍具有以下特点：
1)外界扰动：易受上一级工艺参数波动的影响；
2)多约束：由于设备的物理限制和安全性考虑，控制输入不能无限取值；
3)机理复杂：流程工业过程涉及到物理化学反应，非线性复杂严重且耦合性强，很难建立精确的机理模型。
目前，国内大部分工厂还主要依赖操作工人根据经验对操作变量进行调整，以期达到预定生产指标。但是，人工操作经验参差不齐，易造成资源浪费，生产指标波动大，难以使工况运行在最佳状态。
因此，为进一步提升资源回收率与综合利用水平，流程工业过程优化控制问题亟待突破和解决。
发明内容
本发明的目的是提供一种考虑输入约束的流程工业过程优化控制方法及装置，解决现有技术对流程工业的操作变量难以进行精确调整控制的问题。
为了实现上述目的，本发明提供了一种考虑输入约束的流程工业过程优化控制方法，包括以下步骤：
步骤S1、采集流程工业过程实际运行数据，建立运行过程数据集；
步骤S2、基于操作模式原理，对操作变量进行预设定；
步骤S3、利用卷积神经网络回归模型预测生产指标；
步骤S4、根据流程工业过程的输入和状态数据，建立自适应动态规划双环迭代算法；
步骤S5、根据自适应动态规划双环迭代算法，对流程工业过程进行具有输入约束的最优控制，使得流程工业过程满足目标生产要求。
在一实施例中，所述步骤S1，进一步包括：
通过改进的模糊C均值聚类算法，对运行过程数据集划分为类，并进行数据预处理。
在一实施例中，所述步骤S2，进一步包括：
对于生产指标采用相应的评价方法对条件组分相同的操作模式进行评价，根据评价结果得出最优操作变量，预设最优操作变量。
在一实施例中，所述步骤S2，进一步包括：
步骤S21、根据操作模式原理，定义操作模式Lk为：
其中，Pk表示条件参数，Ok是决策参数；
步骤S22、通过以下公式进行最优操作模式的匹配，预设最优的操作变量：
其中，pi,k为操作模式Li的第k个条件参数，pj,k为操作模式Lj的第k个条件参数，ωk为权重系数，n为决策参数的个数，α为预设阈值参数。
在一实施例中，所述步骤S3的卷积神经网络回归模型，通过以下步骤建立：建立二维卷积层、批量归一化、校正线性单元激活和池化层。
在一实施例中，所述步骤S4，建立自适应动态规划双环迭代算法，进一步包括：
步骤S41、利用低增益反馈构建基于线性二次调节器的补偿器，通过补偿器进行内环迭代控制；
步骤S42、利用自适应动态规划控制算法，构建自适应动态规划控制器，通过自适应动态规划控制器进行自动调整权重矩阵，实现外环迭代控制。
在一实施例中，所述步骤S41，进一步包括以下步骤：
步骤S411、定义流程工业过程状态空间模型zk的表达式为：
zk+1＝Adzk+Bdσ(uk)+Dd，
xk＝Cdzk，
其中，uk＝-kzk,
nz＝q+n，
Hc、Gc、Ec为实际系统的连续状态空间模型系数矩阵，h是采样周期，q为扰动维数，n为状态维数；
步骤S412、计算流程工业过程状态空间模型zk的稳定状态值z*，对应表达式如下：
其中，v*为补偿器v的稳态值，ξ*为系统稳态值，
为nz维单位矩阵，K为反馈增益；
步骤S413、基于稳定状态值z*，计算误差状态值
对应表达式如下：
其中，uk＝-Kzk为控制律，u*＝-Kz*为稳态输入；
步骤S414、根据Ad-BdK舒尔稳定，得到
步骤S415、根据线性二次调节器原理，最优迭代控制策略对应表达式如下：
其中，∈*为最优参数向量，Q为正定对称矩阵，R为正定对称矩阵，
为最优反馈增益。
在一实施例中，所述最优反馈增益
通过解线性二次调节器问题得到，对应表达式为：
其中，
为离散时间代数Riccati方程唯一解。
在一实施例中，所述步骤S42，进一步包括以下步骤：
步骤S421、定义流程工业过程状态空间模型zk+1的表达式为：
zk+1＝Ajzk+Bd(K∈,jzk+uk)+Dd，
Aj＝Ad-BdK∈,j
其中，K∈,j为第j个反馈增益；
步骤S422、定义如下矩阵：
步骤S423、计算如下表达式：
步骤S424、定义以下向量：
ΓI＝[1,1,...,1]T，
其中，s是给定的正整数；
步骤S425、公式
可以写成如下：
Φ∈,jΘ∈,j＝Ψ∈,j，
其中，
步骤S426、得到
其中，K∈,j+1为第j+1个反馈增益；
步骤S427、获得最优控制策略，使实时的生产指标跟踪给定值，并将输入限制在一定范围内，即
在一实施例中，所述步骤S5中，流程工业过程满足以下目标生产要求：
实时生产指标跟踪生产目标值；
同时生产成本降到最低，操作变量的消耗最少。
为了实现上述目的，本发明提供了一种考虑输入约束的流程工业过程优化控制装置，包括：
存储器，用于存储可由处理器执行的指令；
处理器，用于执行所述指令以实现如上述任一项所述的方法。
为了实现上述目的，本发明提供了一种计算机可读介质，其上存储有计算机指令，其中当计算机指令被处理器执行时，执行如上述任一项所述的方法。
本发明提供的一种考虑输入约束的流程工业过程优化控制方法及装置，在实际生产过程中集成卷积神经网络回归模型作为生产指标预测器，自适应动态规划的控制器在流程工业过程下处理输入约束和外界干扰，具备严格的收敛性和稳定性，可有效提升资源回收率与综合利用水平，控制精准，适应性强。
附图说明
本发明上述的以及其他的特征、性质和优势将通过下面结合附图和实施例的描述而变的更加明显，在附图中相同的附图标记始终表示相同的特征，其中：
图1揭示了根据本发明一实施例的考虑输入约束的流程工业过程优化控制方法流程图；
图2揭示了根据本发明一实施例的考虑输入约束的流程工业过程优化控制流程图；
图3揭示了根据本发明一实施例的卷积层的数量与误差关系图；
图4揭示了根据本发明一实施例的控制输入曲线图；
图5揭示了根据本发明一实施例的系统状态轨迹图；
图6揭示了根据本发明一实施例的考虑输入约束的流程工业过程优化控制装置示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释发明，并不用于限定发明。
图1揭示了根据本发明一实施例的考虑输入约束的流程工业过程优化控制方法流程图，图2揭示了根据本发明一实施例的考虑输入约束的流程工业过程优化控制流程图，如图1和图2所示，本发明提出的考虑输入约束的流程工业过程优化控制方法，包括以下步骤：
步骤S1、采集流程工业过程实际运行数据，建立运行过程数据集；
步骤S2、基于操作模式原理，对操作变量进行预设定；
步骤S3、利用卷积神经网络回归模型预测生产指标；
步骤S4、根据流程工业过程的输入和状态数据，建立自适应动态规划双环迭代算法；
步骤S5、根据双环迭代算法，对流程工业过程进行具有输入约束的最优控制，使得流程工业过程满足目标生产要求。
本发明提供了一种考虑输入约束的流程工业过程优化控制方法，通过操作模式原理，根据生产条件对操作变量进行预设定；利用由多层神经网络组成卷积神经网络回归模型的深度学习模型，直接根据实际运行数据预测生产指标；运用基于策略迭代建立的自适应动态规划双环迭代算法寻找最优控制策略以减小生产指标与给定值之间的跟踪误差。
下面详细说明本方法的每一个步骤。
步骤S1、采集流程工业过程实际运行数据，建立运行过程数据集。
采集流程工业过程实际运行数据和相应的生产指标，建立运行过程数据集，对原始数据进行分析处理。
更进一步的，通过改进的模糊C均值聚类算法，将最优操作变量样本集划分为类，经过数据预处理后进行最优操作模式的匹配；
模糊c-均值聚类算法fuzzy c-means algorithm(FCMA)或称(FCM)。在众多模糊聚类算法中，改进的模糊C-均值(FCM)算法应用最广泛且较成功，它通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的。
更进一步的，采集的数据可以反映流程工业过程的运行状况。
更进一步的，运行过程数据集包括训练样本，验证样本及测试样本。
更进一步的，对流程工业过程实际运行数据进行预处理，以减少计算量。
可选的，数据预处理方法包括缩放、去噪等处理方法。
步骤S2、基于操作模式原理，对操作变量进行预设定。
对于生产指标，采用相应的评价方法对条件组分相同的操作模式进行评价；
根据评价结果，得出最优操作变量；
更进一步的，步骤S2，包括以下步骤：
步骤S21、根据操作模式原理，定义变量操作模式为：
其中，Pk表示条件参数，Ok是决策参数；
步骤S22、对于流程工业过程中的两种操作模式Li和Lj，以估算两种操作模式的相似性：
距离包括但不限于欧式，马氏，曼哈顿，海明等度量方式，本实施例中，以欧式距离为例，通过以下公式进行最优操作模式的匹配，预设最优的操作变量：
其中，pi,k为操作模式Li的第k个条件参数，pj,k为操作模式Lj的第k个条件参数，ωk为权重系数，n为决策参数的个数。
0＜ωk＜1，ω1+ω2+...+ωn＝1。
α为预设阈值参数。
步骤S3、利用卷积神经网络回归模型预测生产指标。
采用卷积神经网络回归模型直接从实际运行数据预测生产指标，以克服离线检测生产指标不利于优化控制系统在线应用的局限性
卷积神经网络回归模型，通过以下步骤建立：建立二维卷积层、批量归一化、校正线性单元激活和池化层。
建立的卷积神经网络回归模型可以通过神经元层自动学习原始工业过程运行数据中的特征信息，避免了离线检测生产指标不利于优化控制系统在线应用的局限性。
步骤S4、根据流程工业过程的输入和状态数据，建立自适应动态规划双环迭代算法。
将具有输入约束的流程工业过程最优控制问题转化为双环迭代问题，在内环中，利用低增益反馈设计方法将最优控制问题转化为线性二次调节器问题，在外环中，自动调整权重矩阵以满足输入约束。
所述步骤S4，进一步包括：
步骤S41、利用低增益反馈构建基于线性二次调节器的补偿器，通过补偿器进行内环迭代控制；
步骤S42、利用自适应动态规划控制算法，构建自适应动态规划控制器，通过自适应动态规划控制器进行自动调整权重矩阵，实现外环迭代控制。
将流程工业生产过程状态定义为x＝R-Req，其中，Req是期望的生产指标，R是由卷积神经网络回归模型预测产生的实时生产指标；
建立具有输入约束的流程工业过程状态空间模型：
其中，x是系统状态向量，μ是控制输入向量，σ是向量值饱和函数；
σ的特征为：
基于不同的生成条件或性能要求，离散化后的状态空间系统模型为：
ξk+1＝Hdξk+Gdσ(μk)+Ed，
其中，
Hc、Gc、Ec为实际系统的连续状态空间模型系数矩阵，h是采样周期。
调整操作变量，减少波动，适应生成条件；
所述步骤S41，进一步包括以下步骤：
步骤S411、基于输出调节理论，为抑制外界扰动，补偿器v公式为：
vk+1＝vk+xk，
定义流程工业过程状态空间模型zk的表达式为：
zk+1＝Adzk+Bdσ(uk)+Dd，
xk＝Cdzk，
其中，uk＝-kzk,
nz＝q+n，
Hc、Gc、Ec为实际系统的连续状态空间模型系数矩阵，h是采样周期，q为扰动维数，n为状态维数；
定义
基于控制器K，闭环系统描述为：
zk+1＝(Ad-BdK)zk+Dd。
步骤S412、计算流程工业过程状态空间模型zk的稳定状态值z*，对应表达式如下：
其中，v*为补偿器v的稳态值，ξ*为系统稳态值，
为nz维单位矩阵，K为反馈增益；
步骤S413、基于稳定状态值z*，计算误差状态值
对应表达式如下：
其中，uk＝-Kzk为控制律，u*＝-Kz*为稳态输入；
步骤S414、根据Ad-BdK舒尔稳定，得到
步骤S415、根据线性二次调节器原理，最优迭代控制策略对应表达式如下：
其中，∈*为最优参数向量，Q为正定对称矩阵，R为正定对称矩阵，
为最优反馈增益。
Q＝QT＞0，R＞0，
是可观的。
更进一步的，最优迭代控制策略
其中，最优反馈增益
通过解线性二次调节器问题得到，对应表达式为：
其中，
为离散时间代数Riccati方程唯一解。
下面详细说明最优反馈增益
的求解过程：
根据线性最优控制理论，对于任意∈＝∈*∈(0,1]，
是如下离散时间代数Riccati方程的唯一解：
根据如下公式计算最优反馈增益
下面详细证明本发明提出的内环迭代控制方法的可实现性。
令(Ad,Bd)是稳定的且Ad的所有特征值都位于单位圆内或单位圆上，使得
∈Q＞0，
可以得到如下离散时间代数Riccati方程性质：
(1)对于定义在最优反馈增益
中的K∈，∈∈(0,1]，离散时间代数Riccati方程唯一解P∈＞0使得Ad-BdK∈是舒尔稳定的；
(2)
具有输入约束的流程工业过程优化控制问题可解性条件为：
(1)
(2)存在δ＞0，δ∈(0,sm]，有
给出操作变量控制问题可解性条件具体证明过程：
基于最优反馈增益
计算结果有：
由上式进一步得到：
其中，
选择如下Lyapunov函数：
对于任何严格正的实数c和先验给定的有界集合χ0，χ0∈Rn，可以得到：
由于
以及χ0的有界性，对于
存在
有
对于
ω≥0，可以得到：
基于上述离散时间代数Riccati方程性质，有
进而得到
对于
从上述证明过程中得出，本发明的步骤S41的内环迭代控制方法可以保证闭环系统的渐近稳定性，从此实现流程工业过程的精准控制。
所述步骤S42，设计数据驱动的自适应动态规划控制器，保证系统的收敛性，实现控制变量保持在约束范围内，进一步包括以下步骤：
步骤S421、定义流程工业过程状态空间模型zk+1的表达式为：
zk+1＝Ajzk+Bd(K∈,jzk+uk)+Dd，
Aj＝Ad-BdK∈,j
其中，K∈,j为第j个反馈增益；
步骤S422、定义如下矩阵：
步骤S423、计算如下表达式：
步骤S424、定义以下向量：
ΓI＝[1,1,...,1]T，
其中，s是给定的正整数；
步骤S425、公式
可以写成如下：
Φ∈,jΘ∈,j＝Ψ∈,j，
其中，
步骤S426、假设存在正整数s*使得对于s＞s*以及时间点k0＜k1＜...＜ks，有Ψ∈,j列满秩；
若假设成立，在控制输入uk＝-K∈,0zk+ek下，Θ∈,j可以从如下公式计算：
进一步可以得到：
得到
其中，K∈,j+1为第j+1个反馈增益；
步骤S427、获得最优控制策略，使实时的生产指标跟踪给定值，并将输入限制在一定范围内，即
步骤S42的数据驱动的自适应动态规划控制策略收敛性结果总结如下：
若关于Ψ∈,j列满秩的假设成立，有
以及
成立；
步骤S42的数据驱动的自适应动态规划控制器稳定性结果总结如下：
采用基于自适应动态规划双环迭代算法学习的最优反馈增益矩阵，得出最优控制策略，可使实时的生产指标跟踪给定值，并将输入限制在一定范围内，即
步骤S5、根据自适应动态规划双环迭代算法，对流程工业过程进行具有输入约束的最优控制，使得流程工业过程满足目标生产要求。
具有输入约束的流程工业过程满足以下目标生产要求：
(1)生产指标须接近生产目标值；
(2)出于经济性，生产成本降到最低，即操作变量的消耗少。
实施例1
以下以收集来某污水处理过程运行数据的实例说明本发明的一种考虑输入约束的流程工业过程优化控制方法，具体步骤包括：
步骤S1：采集14天污水处理过程实际运行数据和相应的生产指标，建立运行过程数据集，通过改进的模糊C均值聚类算法将最优操作变量样本集划分为类，再通过缩放、去噪对数据进行预处理。
步骤S2、基于操作模式原理，对操作变量进行预设定。
建立具有输入约束的污水处理过程状态空间模型：
其中，x是系统状态向量，μ是控制输入向量，σ是向量值饱和函数；
通过以下公式进行最优操作模式的匹配，然后预设最优的操作变量，收集污水处理过程运行数据，用于后续分析，
其中，α是预设小的正数。
步骤S3、利用卷积神经网络回归模型预测生产指标。
采用卷积神经网络回归模型直接从实际运行数据预测生产指标，测试不同数量卷积层对性能的影响。
步骤S4、根据流程工业过程的输入和状态数据，建立自适应动态规划双环迭代算法；
根据
污水处理过程状态空间模型表示为：
zk+1＝Adzk+Bdσ(uk)+Dd，
xk＝Cdzk，
其中，uk＝-kzk,
nz＝q+n；
根据线性二次调节器原理，最优控制策略对应的表达式如下：
其中，
R＝I4＞0，
是可观的；
选择ω＝0.6，∈＝1.2，通过外环迭代，可以得到∈*＝0.15。
步骤S5、根据自适应动态规划双环迭代算法，对流程工业过程进行具有输入约束的最优控制，使得流程工业过程满足目标生产要求。
实施例1对一种考虑输入约束的污水处理过程优化控制的实验结果如图3、图4和图5所示。
图3揭示了根据本发明一实施例的卷积层的数量与误差关系图，如图3所示，实施例1在训练过程中测试了3种不同数量的卷积层，上面的曲线是1层卷积层的误差，中间的曲线是2层卷积层的误差。当卷积层数增加到3时，如下层曲线所示，误差达到最小。值得注意的是，批量大小设置为90，学习率为0.003。
图4揭示了根据本发明一实施例的控制输入曲线图，如图4所示，在实施例1中，输入约束取值范围为[0,240]，控制输入系数为氧传递系数，结果表明，实施例1受约束的控制输入不会超过给定范围。
图5揭示了根据本发明一实施例的系统状态轨迹图，如图5所示，系统状态为溶解氧浓度，结果表明，实施例1在所得到的最优控制器下，系统状态是稳定的，状态轨迹收敛于给定值，并克服了控制输入的限制。
上述实施例的仿真结果表明，本发明提出的考虑输入约束的流程工业过程优化控制方法，基于策略迭代的自适应动态规划控制器能够处理实施例1外界扰动，并在不需要污水处理过程动力学模型的情况下精确地跟踪给定值。
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
图6揭示了根据本发明一实施例的考虑输入约束的流程工业过程优化控制系统框图。考虑输入约束的流程工业过程优化控制系统可包括内部通信总线601、处理器(processor)602、只读存储器(ROM)603、随机存取存储器(RAM)604、通信端口605、以及硬盘607。内部通信总线601可以实现考虑输入约束的流程工业过程优化控制系统组件间的数据通信。处理器602可以进行判断和发出提示。在一些实施例中，处理器602可以由一个或多个处理器组成。
通信端口605可以实现考虑输入约束的流程工业过程优化控制系统与外部的输入/输出设备之间进行数据传输与通信。在一些实施例中，考虑输入约束的流程工业过程优化控制系统可以通过通信端口605从网络发送和接收信息及数据。在一些实施例中，考虑输入约束的流程工业过程优化控制系统可以通过输入/输出端606以有线的形式与外部的输入/输出设备之间进行数据传输与通信。
考虑输入约束的流程工业过程优化控制系统还可以包括不同形式的程序储存单元以及数据储存单元，例如硬盘607，只读存储器(ROM)603和随机存取存储器(RAM)604，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器602所执行的可能的程序指令。处理器602执行这些指令以实现方法的主要部分。处理器602处理的结果通过通信端口605传给外部的输出设备，在输出设备的用户界面上显示。
举例来说，上述的考虑输入约束的流程工业过程优化控制方法的实施过程文件可以为计算机程序，保存在硬盘607中，并可记载到处理器602中执行，以实施本申请的方法。
考虑输入约束的流程工业过程优化控制方法的实施过程文件为计算机程序时，也可以存储在计算机可读存储介质中作为制品。例如，计算机可读存储介质可以包括但不限于磁存储设备(例如，硬盘、软盘、磁条)、光盘(例如，压缩盘(CD)、数字多功能盘(DVD))、智能卡和闪存设备(例如，电可擦除可编程只读存储器(EPROM)、卡、棒、键驱动)。此外，本文描述的各种存储介质能代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可以包括但不限于能存储、包含和/或承载代码和/或指令和/或数据的无线信道和各种其它介质(和/或存储介质)。
本发明提供的一种考虑输入约束的流程工业过程优化控制方法及装置，具体具有以下有益效果：
1)在实际生产过程中集成了深度学习和强化学习技术，其中，卷积神经网络回归模型作为生产指标预测器；
2)自适应动态规划的控制器，可以在流程工业过程动力学模型未知的情况下处理输入约束和外界干扰；
3)最优控制具备严格的收敛性和稳定性，可有效提升资源回收率与综合利用水平。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
上述实施例是提供给熟悉本领域内的人员来实现或使用本发明的，熟悉本领域的人员可在不脱离本发明的发明思想的情况下，对上述实施例做出种种修改或变化，因而本发明的保护范围并不被上述实施例所限，而应该是符合权利要求书提到的创新性特征的最大范围。
Claims (11)
1.一种考虑输入约束的流程工业过程优化控制方法，其特征在于，包括以下步骤：
步骤S1、采集流程工业过程实际运行数据，建立运行过程数据集；
步骤S2、基于操作模式原理，对操作变量进行预设定；
步骤S3、利用卷积神经网络回归模型预测生产指标；
步骤S4、根据流程工业过程的输入和状态数据，建立自适应动态规划双环迭代算法；
步骤S5、根据自适应动态规划双环迭代算法，对流程工业过程进行具有输入约束的最优控制，使得流程工业过程满足目标生产要求；
其中，所述步骤S4，建立自适应动态规划双环迭代算法，进一步包括：
步骤S41、利用低增益反馈构建基于线性二次调节器的补偿器，通过补偿器进行内环迭代控制；
步骤S42、利用自适应动态规划控制算法，构建自适应动态规划控制器，通过自适应动态规划控制器进行自动调整权重矩阵，实现外环迭代控制。
2.根据权利要求1所述的考虑输入约束的流程工业过程优化控制方法，其特征在于，所述步骤S1，进一步包括：
通过改进的模糊C均值聚类算法，对运行过程数据集划分为类，并进行数据预处理。
3.根据权利要求1所述的考虑输入约束的流程工业过程优化控制方法，其特征在于，所述步骤S2，进一步包括：
对于生产指标采用相应的评价方法对条件组分相同的操作模式进行评价，根据评价结果得出最优操作变量，预设最优操作变量。
4.根据权利要求3所述的考虑输入约束的流程工业过程优化控制方法，其特征在于，所述步骤S2，进一步包括：
步骤S21、根据操作模式原理，定义操作模式Lk为：
其中，Pk表示条件参数，Ok是决策参数；
步骤S22、通过以下公式进行最优操作模式的匹配，预设最优的操作变量：
其中，pi,k为操作模式Li的第k个条件参数，pj,k为操作模式Lj的第k个条件参数，ωk为权重系数，n为决策参数的个数，α为预设阈值参数。
5.根据权利要求1所述的考虑输入约束的流程工业过程优化控制方法，其特征在于，所述步骤S3的卷积神经网络回归模型，通过以下步骤建立：
建立二维卷积层、批量归一化、校正线性单元激活和池化层。
6.根据权利要求1所述的考虑输入约束的流程工业过程优化控制方法，其特征在于，所述步骤S41，进一步包括以下步骤：
步骤S411、定义流程工业过程状态空间模型zk的表达式为：
zk+1＝Adzk+Bdσ(uk)+Dd，
xk＝Cdzk，
其中，
Hc、Gc、Ec为实际系统的连续状态空间模型系数矩阵，h是采样周期，q为扰动维数，n为状态维数；
步骤S412、计算流程工业过程状态空间模型zk的稳定状态值z*，对应表达式如下：
其中，v*为补偿器v的稳态值，ξ*为系统稳态值，
为nz维单位矩阵，K为反馈增益；
步骤S413、基于稳定状态值z*，计算误差状态值
对应表达式如下：
其中，uk为控制律，u*为稳态输入；
步骤S414、根据Ad-BdK舒尔稳定，得到
步骤S415、根据线性二次调节器原理，最优迭代控制策略对应表达式如下：
其中，∈*为最优参数向量，Q为正定对称矩阵，R为正定对称矩阵，
为最优反馈增益。
7.根据权利要求6所述的考虑输入约束的流程工业过程优化控制方法，其特征在于，所述最优反馈增益
通过解线性二次调节器问题得到，对应表达式为：
其中，
为离散时间代数Riccati方程唯一解。
8.根据权利要求6所述的考虑输入约束的流程工业过程优化控制方法，其特征在于，所述步骤S42，进一步包括以下步骤：
步骤S421、定义流程工业过程状态空间模型zk+1的表达式为：
zk+1＝Ajzk+Bd(K∈,jzk+uk)+Dd，
Aj＝Ad-BdK∈,j
其中，K∈,j为第j个反馈增益；
步骤S422、定义如下矩阵：
步骤S423、计算如下表达式：
步骤S424、定义以下向量：
ΓI＝[1，1，...，1]T，
其中，s是给定的正整数；
步骤S425、公式
可以写成如下：
Φ∈,jΘ∈,j＝Ψ∈,j，
其中，
步骤S426、得到
其中，K∈,j+1为第j+1个反馈增益；
步骤S427、获得最优控制策略，使实时的生产指标跟踪给定值，并将输入限制在一定范围内，即
9.根据权利要求1所述的考虑输入约束的流程工业过程优化控制方法，其特征在于，所述步骤S5中，流程工业过程满足以下目标生产要求：
实时生产指标跟踪生产目标值；
同时生产成本降到最低，操作变量的消耗最少。
10.一种考虑输入约束的流程工业过程优化控制装置，包括：
存储器，用于存储可由处理器执行的指令；
处理器，用于执行所述指令以实现如权利要求1-9任一项所述的方法。
11.一种计算机可读介质，其上存储有计算机指令，其中当计算机指令被处理器执行时，执行如权利要求1-9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110955556.6A CN113671916B (zh) | 2021-08-19 | 2021-08-19 | 一种考虑输入约束的流程工业过程优化控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110955556.6A CN113671916B (zh) | 2021-08-19 | 2021-08-19 | 一种考虑输入约束的流程工业过程优化控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113671916A CN113671916A (zh) | 2021-11-19 |
| CN113671916B true CN113671916B (zh) | 2023-02-28 |
Family
ID=78544105
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110955556.6A Active CN113671916B (zh) | 2021-08-19 | 2021-08-19 | 一种考虑输入约束的流程工业过程优化控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113671916B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114421501B (zh) * | 2022-01-07 | 2022-12-06 | 国网湖北省电力有限公司黄冈供电公司 | 用于分布式储能供电的自适应控制系统参数确定方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108828945A (zh) * | 2018-06-28 | 2018-11-16 | 杭州电子科技大学 | 一种流程工业过程预测优化控制方法 |
| CN109779736A (zh) * | 2019-03-20 | 2019-05-21 | 山东交通学院 | 一种发动机电控硅油风扇的节能优化控制方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109725534A (zh) * | 2018-12-29 | 2019-05-07 | 云南电网有限责任公司电力科学研究院 | 基于mmc的statcom控制器自适应动态规划方法 |
| US11544572B2 (en) * | 2019-02-15 | 2023-01-03 | Capital One Services, Llc | Embedding constrained and unconstrained optimization programs as neural network layers |
| CN110815225B (zh) * | 2019-11-15 | 2020-12-25 | 江南大学 | 电机驱动单机械臂系统的点对点迭代学习优化控制方法 |
| CN111371357A (zh) * | 2020-02-20 | 2020-07-03 | 江苏大学 | 一种基于自适应超螺旋算法的永磁同步电机调速控制方法 |
-
2021
- 2021-08-19 CN CN202110955556.6A patent/CN113671916B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108828945A (zh) * | 2018-06-28 | 2018-11-16 | 杭州电子科技大学 | 一种流程工业过程预测优化控制方法 |
| CN109779736A (zh) * | 2019-03-20 | 2019-05-21 | 山东交通学院 | 一种发动机电控硅油风扇的节能优化控制方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| Chaotic system optimal tracking using data-based synchronous method with unknown dynamics and disturbances;Ruizhuo Song et al.;《Chin. Phys. B》;20170315;第1-8页 * |
| Off-policy synchronous iteration IRL method for multi-player zero-sum games with input constraints;He Ren et al.;《Neurocomputing》;20191031;第413-421页 * |
| 基于数据驱动自适应动态规划的输入约束的非线性系统H∞控制;蒲俊 等;《电光与控制》;20190731;第40-45页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113671916A (zh) | 2021-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Recognition of control chart patterns using fuzzy SVM with a hybrid kernel function | |
| Dovžan et al. | Implementation of an evolving fuzzy model (eFuMo) in a monitoring system for a waste-water treatment process | |
| Lu et al. | Mixture control chart patterns recognition using independent component analysis and support vector machine | |
| CN108920888B (zh) | 一种基于深度神经网络的连续搅拌釜式反应过程辨识方法 | |
| Liu et al. | Selective recursive kernel learning for online identification of nonlinear systems with NARX form | |
| Cheng et al. | Estimating the shift size in the process mean with support vector regression and neural networks | |
| Prieto-Moreno et al. | Principal components selection for dimensionality reduction using discriminant information applied to fault diagnosis | |
| Pilario et al. | A kernel design approach to improve kernel subspace identification | |
| Gu et al. | Bayesian Takagi–Sugeno–Kang fuzzy model and its joint learning of structure identification and parameter estimation | |
| CN113671916B (zh) | 一种考虑输入约束的流程工业过程优化控制方法及装置 | |
| Wang et al. | One‐sided control chart based on support vector machines with differential evolution algorithm | |
| Yao et al. | Semi-supervised deep dynamic probabilistic latent variable model for multimode process soft sensor application | |
| Zhang et al. | Two‐step support vector data description for dynamic, non‐linear, and non‐Gaussian processes monitoring | |
| Zhang et al. | Multiple-timescale feature learning strategy for valve stiction detection based on convolutional neural network | |
| Zhai et al. | Nonlinear process monitoring using kernel nonnegative matrix factorization | |
| Souza et al. | Variable and time-lag selection using empirical data | |
| Yan et al. | Quality-driven autoencoder for nonlinear quality-related and process-related fault detection based on least-squares regularization and enhanced statistics | |
| Li et al. | Novel adaptive fault detection method based on kernel entropy component analysis integrating moving window of dissimilarity for nonlinear dynamic processes | |
| Laware et al. | Global optimization of second-order sliding mode controller parameters using a new sliding surface: An experimental verification to process control system | |
| Bedoya et al. | Unsupervised feature selection based on fuzzy clustering for fault detection of the Tennessee Eastman process | |
| CN114871000B (zh) | 一种浮选加药自适应调控方法 | |
| Yu et al. | A hybrid learning-based model for on-line monitoring and diagnosis of out-of-control signals in multivariate manufacturing processes | |
| Kocijan | Dynamic GP models: an overview and recent developments | |
| Xu et al. | Data‐Driven Performance Monitoring for Model Predictive Control Using a mahalanobis distance based overall index | |
| Mayfrank et al. | End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear MPC |
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 |