CN114200840A - 基于分布式模型预测控制的中药制药过程运行优化方法 - Google Patents
基于分布式模型预测控制的中药制药过程运行优化方法 Download PDFInfo
- Publication number
- CN114200840A CN114200840A CN202111504672.2A CN202111504672A CN114200840A CN 114200840 A CN114200840 A CN 114200840A CN 202111504672 A CN202111504672 A CN 202111504672A CN 114200840 A CN114200840 A CN 114200840A
- Authority
- CN
- China
- Prior art keywords
- controller
- control
- set value
- control loop
- chinese medicine
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 239000003814 drug Substances 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 238000011112 process operation Methods 0.000 title claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 62
- 238000004886 process control Methods 0.000 claims abstract description 51
- 238000013461 design Methods 0.000 claims abstract description 10
- GZDFHIJNHHMENY-UHFFFAOYSA-N Dimethyl dicarbonate Chemical compound COC(=O)OC(=O)OC GZDFHIJNHHMENY-UHFFFAOYSA-N 0.000 claims abstract 4
- 239000011159 matrix material Substances 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 description 5
- 229940126680 traditional chinese medicines Drugs 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000000108 ultra-filtration Methods 0.000 description 4
- 238000005119 centrifugation Methods 0.000 description 3
- 101001039702 Escherichia coli (strain K12) Methyl-accepting chemotaxis protein I Proteins 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 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
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
-
- 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)
- 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)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于分布式模型预测控制的中药制药过程运行优化方法,包括:建立中药制药过程的各环节运行控制过程模型,包括底层过程控制环模型以及运行指标与底层控制器输出模型;构建底层过程控制环的控制器;采用数据驱动的方法来实现对制药过程底层过程控制环的控制器的次优设定值设计;其中,上层运行控制环根据运行指标的设定值,使用基于Q‑学习的设定值更新,通过零阶保持器传递到底层过程控制环,底层过程控制环的控制器通过求解优化问题,给出控制量控制被控对象跟踪设定值。本发明通过利用中药制药运行过程的数据来对设定值进行更新,底层使用DMPC实现对设定值的跟踪,从而实现运行指标跟踪理想值。
Description
技术领域
本发明涉及智能决策领域,具体涉及一种基于分布式模型预测控制的中药制药过程运行优化方法。
背景技术
中药作为中国的传统药物往往无法直接服用,由原植物至入药使用必须通过一系列的制药技术,得到相应的中药材或中药饮片以供其煎煮或制剂。整个制药过程包括了中药材前处理、煎煮、离心、超滤、浓缩等步骤,每一步都有具体的最优运行指标,包括但不仅限于浓度。但在实际的中药制药过程中,我们往往无法对浓度等运行指标进行直接控制,而是通过使用各类控制器对时间、温度、进出料速率等可控变量的设定值进行跟踪,从而最终实现跟随给定运行指标。本发明针对现代中药制药过程中运行指标与被控变量之间关系难以精确建模的问题,借助工业数据,旨在实现基于数据驱动的工业过程运行优化控制。
在传统的工业过程控制中,控制器的设定值假设已知,研究集中在如何设计控制器在镇定被控过程的条件下,使被控对象的输出很好地跟踪设定值。而随着工业现代化、智能化的不断推进发展,现代工业过程中不仅要实现传统工业过程控制的目标,还要把反映产品在加工过程中质量、消耗和效率等相关运行指标控制在设定值范围内。具体到整个中药制药过程,我们同样需要对能够影响浓度等运行指标的被控变量进行准确地设定并跟踪,才能实现制药过程的运行优化。因此,设定值的设计是实现运行优化控制的一个关键问题。
发明内容
本发明的目的是提供一种基于分布式模型预测控制的中药制药过程运行优化方法,通过利用中药制药运行过程的数据来对设定值进行更新,底层使用DMPC实现对设定值的跟踪,从而实现运行指标跟踪理想值。
为了实现上述任务,本发明采用以下技术方案:
一种基于分布式模型预测控制的中药制药过程运行优化方法,包括:
建立中药制药过程的各环节运行控制过程模型,包括底层过程控制环模型以及运行指标与底层控制器输出模型;
构建底层过程控制环的控制器;
采用数据驱动的方法来实现对制药过程底层过程控制环的控制器的次优设定值设计;
其中,上层运行控制环根据运行指标的设定值,使用基于Q-学习的设定值更新,通过零阶保持器传递到底层过程控制环,底层过程控制环的控制器通过求解优化问题,给出控制量控制被控对象跟踪设定值。
进一步地,所述底层过程控制环模型表示为:
其中,xk为被控对象的状态,uk为底层过程控制环的控制器的输入,yk为所述控制器的输出,nx×1,nu×1,ny×1分别为向量xk,uk,yk的维度;A为系统的状态矩阵,维度为nx×nx,B为系统的输入矩阵,维度为nx×nu,C为系统的输出矩阵,维度为ny×nx,D为系统的前馈矩阵,维度为ny×nu。
进一步地,所述底层控制器输出模型表示为:
rn=Myn
其中,rn为运行指标的实际值,nr×1为向量rn的维度,矩阵M为运行指标与底层控制器输出之间的关系矩阵,通过机理建模或者神经网络学习得到,维度为nr×ny。
进一步地,运行指标rn的计算周期T为底层过程控制环采样周期t的N倍,即T=Nt,上层设定值存在如下关系:
其中,y*(nT)为各个环节在nT时刻给其相对应的底层过程控制环的设定值,后面几个等式则是通过零阶保持器实现的,使得设定值在Nnt时刻到(Nn+t-1)t时刻保持恒定,上层运行过程与底层控制过程保持信号频率相同。
进一步地,所述底层过程控制环的控制器为DMPC控制器;对于第i个控制器而言,控制问题设计如下:
约束条件为:
xk+1=Axk+Buk
yk=Cxk
其中,所有的上标i均表示第i个控制问题;表示第i个控制问题的目标函数,Np为控制器的预测步长;和分别表示第i个控制器在k时刻的控制输出和控制输入;yi*为控制器的参考输出;Q、R和Pf分别为误差、控制输入以及终端惩罚的权重矩阵,这三个矩阵均为正定矩阵;控制问题的最后一项为终端惩罚,表示第i个控制器在最后时刻Np的控制输出,为实数域,nx×1,nu×1,ny×1分别为向量xk,uk,yk的维度。
进一步地,通过对所述控制问题进行求解,得到一个在当前时刻的最优控制序列将第一个控制量应用到当前时刻的底层过程DMPC控制器,在下一时刻,继续通过求解各控制器的优化问题,得到相应时刻的最优控制序列,不断迭代,从而实现底层过程控制环输出跟随参考值。
进一步地,所述采用数据驱动的方法来实现对制药过程底层过程控制环的控制器的次优设定值设计,包括:
定义如下性能指标:
其中,γ(0<γ<1)为折扣因子,其上标n表示n次方;rn表示运行指标在n时刻的实际值;r*表示运行指标的设定值;表示在n时刻底层过程控制环的设定值;矩阵Q′和R′分别为半正定矩阵,得到如下线性二次跟踪问题:
约束条件为:
xn+1=A′xn+B′un
yn=Cxn
rn=Myn
进一步地,将求解线性二次跟踪问题转化为求解具有折扣因子的线性二次调节问题,然后引入贝尔曼方程及哈密尔顿函数,使用动态规划和数据学习方法给出次优值,具体算法如下:
其中,AJ=[MC -I]TQ′[MC -I],P为正定矩阵, 表示运行指标在n时刻的设定值,式中有关j的上下标均表示当前迭代为第j次,上标T表示矩阵转置,I为单位矩阵;通过迭代计算Hj+1,更新设定值将更新后的设定值输入到底层过程控制环,在DMPC控制器的作用下,底层被控过程的输出将跟踪设定值,从而实现最终的运行优化控制。
与现有技术相比,本发明具有以下技术特点:
1.底层控制器采用了DMPC,控制输入是通过求解考虑了未来若干步时间步长的误差以及控制输入等相关指标的优化问题所得到的,从而实现了以一种最优的方式对控制输出设定值的跟踪。对比传统的比例积分控制器,DMPC可以以更加合理、成本更低的方式使得底层控制输出跟踪设定值。
附图说明
图1为分布式模型预测控制器结构;
图2为中药制药过程各环节的运行优化控制示意图。
具体实施方式
本发明提供一种基于分布式模型预测控制的中药制药过程运行优化方法,相比于传统方法,本发明采用了基于分布式模型预测控制(DMPC)的控制器,在优化当前控制过程的同时考虑未来若干步的时间点。对于能够反映运行指标的被控变量的设定值设置,本发明采取了强化学习中的Q-学习算法,以此来实现设定值的更新。
本发明提出的运行优化方法可以分为上层运行控制环和底层过程控制环,其中上层运行控制环主要由基于Q-学习的设定值更新部分构成,底层过程控制环主要由DMPC控制器和被控对象构成。上层运行控制环和底层过程控制环之间通过一个零阶保持器来保持信号频率的一致。上层运行控制环根据运行指标的设定值,使用基于Q-学习的设定值更新,通过零阶保持器传递到底层过程控制环,底层过程控制环的DMPC控制器通过求解优化问题,给出控制量控制被控对象跟踪设定值。
参见附图,本发明的基于分布式模型预测控制的中药制药过程运行优化方法,具体包括以下步骤:
步骤1,建立中药制药过程的各环节运行控制过程模型
整个中药制药过程主要由中药材前处理、煎煮、第一次离心、超滤、浓缩和第二次离心等环节构成,中药材需要通过以上环节并按照顺序进行处理,得到相应的中药饮片,最终配置制剂。其中,对于每个部分而言,它们都有相应不同的运行指标目标和被控变量,不同的底层过程控制环模型,不同的运行指标与底层控制器输出模型以及不同的运行指标预报模型。例如,在整个中药制药过程中,对于煎煮环节,运行指标为煎煮液的浓度,被控变量有加水量、蒸汽压力以及过程温度等;对于超滤环节,运行指标为超滤后溶液的纯度,被控变量有进膜压力、出膜压力以及进料温度等。此外,本发明不考虑各环节之间的耦合关系。因此,以下具体步骤均是按照一个通用模型对整个中药制药过程的各环节分别进行建模,具体到每一个部分时,只需要更改系统的相应参数即可,详细步骤如下:
步骤1.1,建立底层过程控制环模型
虽然现代工业被控过程的状态空间表达式往往是非线性且动态的,但考虑到在被控过程稳态附件可线性化的特点,我们将建立如下的底层被控过程模型:
其中,为被控对象在kt时刻的状态,为控制器(步骤2所设计的控制器)在kt时刻的输入,为控制器在kt输出,为实数域,nx×1,nu×1,ny×1分别为向量xk,uk,yk的维度;A为系统的状态矩阵,维度为nx×nx,B为系统的输入矩阵,维度为nx×nu,C为系统的输出矩阵,维度为ny×nx,D为系统的前馈矩阵,在实际过程中通常为零矩阵,维度为ny×nu,A,B,C,D均是系统的固有参数,可以事先通过机理建模或者神经网络学习得到;t为底层过程控制环的采样周期,k(k=1,2,…)为正整数。
步骤1.2,建立运行指标与底层控制器输出模型
中药制药过程中的运行指标往往与底层过程控制环的控制输出有关,我们将建立如下的运行指标与底层控制输出的关系模型:
rn=Myn
其中,为运行指标的实际值,nr×1为向量rn的维度,在制药过程中,运行指标通常为对应产物的浓度,T为运行指标更新周期,n(n=1,2,…)为正整数,矩阵M为运行指标与底层控制器输出之间的关系矩阵,事先通过机理建模或者神经网络学习得到,维度为nr×ny。
在实际中药制药过程中,上层运行过程属于慢时间尺度,而底层过程控制为快时间尺度,一般是秒级别的,因此在上层运行过程与底层过程控制间需要加入一个零阶保持器,使得经过零阶保持器前后的信号频率相同。在本发明中,假设上层运行指标rn的计算周期T为底层过程控制环采样周期t的N倍,即T=Nt,上层设定值存在如下关系:
其中,y*(nT)为各个环节在nT时刻给其相对应的底层过程控制环的设定值,后面几个等式则是通过零阶保持器实现的,使得设定值在Nnt时刻到(Nn+t-1)t时刻保持恒定,上层运行过程与底层控制过程保持信号频率相同。
步骤2,底层过程控制环的控制器设计
在本发明中,底层过程控制环的控制器使用了模型预测控制器DMPC,相较于传统的比例积分控制器,模型预测控制可以综合考虑未来Np个时间点来给出最优的控制序列,并将控制序列的第一个控制量应用到当前时刻的系统。在下一采样时刻,控制器基于新的测量值,求解新的最优控制问题,依此类推。模型预测控制使用滚动优化来决策出每个时刻的控制量,从而实现控制器输出跟随参考值。通常情况下,模型预测控制是以集中的方式实现的,而随着数据量的爆炸增长,本发明将采取DMPC来实现底层过程控制环的控制,且不考虑分布式控制器之间的信息交互。对于第i个控制器而言,控制问题设计如下:
约束条件为:
xk+1=Axk+Buk
yk=Cxk
其中,所有的上标i均表示第i个控制问题;表示第i个控制问题的目标函数,Np为控制器的预测步长;和分别表示第i个控制器在k时刻的控制输出和控制输入;yi*为控制器的参考输出;Q、R和Pf分别为误差、控制输入以及终端惩罚的权重矩阵,这三个矩阵均为正定矩阵;表示第i个控制器在最后时刻Np的控制输出。
通过对上述控制问题进行求解,我们可以得到一个在当前时刻的最优控制序列将第一个控制量应用到当前时刻的底层过程DMPC控制器,即在当前k时刻,控制器的输入为在下一时刻,继续通过求解各控制器的优化问题,得到相应时刻的最优控制序列,不断迭代,从而实现底层过程控制环输出跟随参考值。
步骤3,次优设定值设计
在步骤2中,本方案保证了底层过程可以实现对参考值的跟踪,但参考值设定的准确与否才是运行指标能否实现最优运行的关键,也是中药制药过程运行优化控制的核心。本方案采用数据驱动的方法来实现对制药过程底层过程控制环的控制器的次优设定值设计,定义如下性能指标:
其中,γ(0<γ<1)为折扣因子,其上标n表示n次方;上标T表示转置,rn表示运行指标在n时刻的实际值;r*表示运行指标的设定值;表示在n时刻底层过程控制环的设定值;矩阵Q′和R′分别为半正定矩阵,得到如下线性二次跟踪问题:
约束条件为:
xn+1=A′xn+B′un
yn=Cxn
rn=Myn
在本方案中,将求解线性二次跟踪问题转化为求解具有折扣因子的线性二次调节问题,然后引入贝尔曼方程及哈密尔顿函数,使用动态规划和数据学习方法给出次优值。具体算法如下:
其中,AJ=[MC-I]TQ′[MC-I],P为正定矩阵, 表示运行指标在n时刻的设定值,式中有关j的上下标均表示当前迭代为第j次,上标T表示矩阵转置,I为单位矩阵。通过利用数据,迭代计算Hj+1,更新设定值将更新后的设定值输入到底层过程控制系统,在DMPC控制器的作用下,底层被控过程的输出将跟踪设定值,从而实现最终的运行优化控制。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于分布式模型预测控制的中药制药过程运行优化方法,其特征在于,包括:
建立中药制药过程的各环节运行控制过程模型,包括底层过程控制环模型以及运行指标与底层控制器输出模型;
构建底层过程控制环的控制器;
采用数据驱动的方法来实现对制药过程底层过程控制环的控制器的次优设定值设计;
其中,上层运行控制环根据运行指标的设定值,使用基于Q-学习的设定值更新,通过零阶保持器传递到底层过程控制环,底层过程控制环的控制器通过求解优化问题,给出控制量控制被控对象跟踪设定值。
3.根据权利要求1所述的基于分布式模型预测控制的中药制药过程运行优化方法,其特征在于,所述底层控制器输出模型表示为:
rn=Myn
其中,rn为运行指标的实际值,nr×1为向量rn的维度,矩阵M为运行指标与底层控制器输出之间的关系矩阵,通过机理建模或者神经网络学习得到,维度为nr×ny。
5.根据权利要求1所述的基于分布式模型预测控制的中药制药过程运行优化方法,其特征在于,所述底层过程控制环的控制器为DMPC控制器;对于第i个控制器而言,控制问题设计如下:
约束条件为:
xk+1=Axk+Buk
yk=Cxk
7.根据权利要求1所述的基于分布式模型预测控制的中药制药过程运行优化方法,其特征在于,所述采用数据驱动的方法来实现对制药过程底层过程控制环的控制器的次优设定值设计,包括:
定义如下性能指标:
其中,γ(0<γ<1)为折扣因子,其上标n表示n次方;rn表示运行指标在n时刻的实际值;r*表示运行指标的设定值;表示在n时刻底层过程控制环的设定值;矩阵Q′和R′分别为半正定矩阵,得到如下线性二次跟踪问题:
约束条件为:
xn+1=A′xn+B′un
yn=Cxn
rn=Myn
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111504672.2A CN114200840B (zh) | 2021-12-10 | 2021-12-10 | 基于分布式模型预测控制的中药制药过程运行优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111504672.2A CN114200840B (zh) | 2021-12-10 | 2021-12-10 | 基于分布式模型预测控制的中药制药过程运行优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114200840A true CN114200840A (zh) | 2022-03-18 |
CN114200840B CN114200840B (zh) | 2023-05-23 |
Family
ID=80651905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111504672.2A Active CN114200840B (zh) | 2021-12-10 | 2021-12-10 | 基于分布式模型预测控制的中药制药过程运行优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114200840B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115933412A (zh) * | 2023-01-12 | 2023-04-07 | 中国航发湖南动力机械研究所 | 基于事件触发预测控制的航空发动机控制方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425048A (zh) * | 2013-05-22 | 2013-12-04 | 上海交通大学 | 一种基于动态优化的多模型广义预测控制系统及其控制方法 |
CN103472723A (zh) * | 2013-08-19 | 2013-12-25 | 上海交通大学 | 基于多模型广义预测控制器的预测控制方法及系统 |
WO2018005180A1 (en) * | 2016-06-30 | 2018-01-04 | Johnson Controls Technology Company | Hvac system using model predictive control with distributed low-level airside optimization |
CN110259592A (zh) * | 2019-06-26 | 2019-09-20 | 重庆红江机械有限责任公司 | 一种pid柴油发动机自适应电子调速方法 |
WO2020028578A1 (en) * | 2018-07-31 | 2020-02-06 | Alliance For Sustainable Energy, Llc | Distributed reinforcement learning and consensus control of energy systems |
CN110932320A (zh) * | 2019-12-09 | 2020-03-27 | 华北电力大学 | 自动发电控制系统分布式模型预测控制器设计方法 |
-
2021
- 2021-12-10 CN CN202111504672.2A patent/CN114200840B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425048A (zh) * | 2013-05-22 | 2013-12-04 | 上海交通大学 | 一种基于动态优化的多模型广义预测控制系统及其控制方法 |
CN103472723A (zh) * | 2013-08-19 | 2013-12-25 | 上海交通大学 | 基于多模型广义预测控制器的预测控制方法及系统 |
WO2018005180A1 (en) * | 2016-06-30 | 2018-01-04 | Johnson Controls Technology Company | Hvac system using model predictive control with distributed low-level airside optimization |
WO2020028578A1 (en) * | 2018-07-31 | 2020-02-06 | Alliance For Sustainable Energy, Llc | Distributed reinforcement learning and consensus control of energy systems |
CN110259592A (zh) * | 2019-06-26 | 2019-09-20 | 重庆红江机械有限责任公司 | 一种pid柴油发动机自适应电子调速方法 |
CN110932320A (zh) * | 2019-12-09 | 2020-03-27 | 华北电力大学 | 自动发电控制系统分布式模型预测控制器设计方法 |
Non-Patent Citations (1)
Title |
---|
王震: "自适应采样分布式预测控制策略 及其应用研究", 《CNKI硕士论文库》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115933412A (zh) * | 2023-01-12 | 2023-04-07 | 中国航发湖南动力机械研究所 | 基于事件触发预测控制的航空发动机控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114200840B (zh) | 2023-05-23 |
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 | |
CN104698842B (zh) | 一种基于内点法的lpv模型非线性预测控制方法 | |
CN103123460A (zh) | 温度控制系统和温度控制方法 | |
CN110609476B (zh) | 一种基于高斯过程模型的多变量非线性动态系统模型预测控制方法 | |
Suárez et al. | Nonlinear MPC for fed-batch multiple stages sugar crystallization | |
CN113408648A (zh) | 一种结合深度学习的机组组合计算方法 | |
Drgona et al. | Learning constrained adaptive differentiable predictive control policies with guarantees | |
Wang et al. | A data-centric predictive control approach for nonlinear chemical processes | |
CN114200840A (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 | |
Zheng et al. | Improved mahalanobis distance based JITL-LSTM soft sensor for multiphase batch processes | |
Irizarry | A generalized framework for solving dynamic optimization problems using the artificial chemical process paradigm: Applications to particulate processes and discrete dynamic systems | |
Mirlekar et al. | Biomimetic model-based advanced control strategy integrated with multi-agent optimization for nonlinear chemical processes | |
Xu et al. | DBN based SD-ARX model for nonlinear time series prediction and analysis | |
Zhang et al. | Adaptive neural optimal control via command filter for nonlinear multi‐agent systems including time‐varying output constraints | |
Oberle et al. | Numerical computation of optimal feed rates for a fed-batch fermentation model | |
CN110221540A (zh) | 基于Hammerstein模型的连续搅拌反应器系统控制方法 | |
Yang et al. | Adaptive neural-network-based approach for the control of continuously stirred tank reactor | |
Han et al. | Data-based robust model predictive control for wastewater treatment process | |
Rogers et al. | Investigating physics-informed neural networks for bioprocess hybrid model construction | |
Song et al. | Partial least square-based model predictive control for large-scale manufacturing processes | |
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 | |
Xu et al. | Reinforcement learning controller design for discrete-time-constrained nonlinear systems with weight initialization method | |
CN112379601A (zh) | 基于工业过程的mfa控制系统设计方法 | |
Rusnak et al. | Receding horizon iterative dynamic programming with discrete time models | |
Birle et al. | Management of uncertainty by statistical process control and a genetic tuned fuzzy system |
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 |