CN114200840B - 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 PDF

Info

Publication number
CN114200840B
CN114200840B CN202111504672.2A CN202111504672A CN114200840B CN 114200840 B CN114200840 B CN 114200840B CN 202111504672 A CN202111504672 A CN 202111504672A CN 114200840 B CN114200840 B CN 114200840B
Authority
CN
China
Prior art keywords
controller
control
control loop
set value
bottom layer
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
CN202111504672.2A
Other languages
English (en)
Other versions
CN114200840A (zh
Inventor
李攀硕
李培源
鲁仁全
周琪
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202111504672.2A priority Critical patent/CN114200840B/zh
Publication of CN114200840A publication Critical patent/CN114200840A/zh
Application granted granted Critical
Publication of CN114200840B publication Critical patent/CN114200840B/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
    • 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]

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

基于分布式模型预测控制的中药制药过程运行优化方法
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：
Figure BDA0003403724800000021
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：
Figure BDA0003403724800000022
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：
Figure BDA0003403724800000031
约束条件为：
xk+1＝Axk+Buk
yk＝Cxk
Figure BDA0003403724800000032
Figure BDA0003403724800000033
Figure BDA0003403724800000034
其中，所有的上标i均表示第i个控制问题；
Figure BDA0003403724800000035
表示第i个控制问题的目标函数，Np为控制器的预测步长；/>
Figure BDA0003403724800000036
和/>
Figure BDA0003403724800000037
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，/>
Figure BDA0003403724800000038
表示第i个控制器在最后时刻Np的控制输出，/>
Figure BDA0003403724800000039
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
Figure BDA00034037248000000310
将第一个控制量/>
Figure BDA00034037248000000311
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：
Figure BDA00034037248000000312
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；
Figure BDA00034037248000000313
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：
Figure BDA0003403724800000041
约束条件为：
xn+1＝A′xn+B′un
yn＝Cxn
rn＝Myn
其中，xn+1为被控对象在n+1时刻的状态，A′＝AN，AN的上标表示系统状态矩阵A的N次幂；
Figure BDA0003403724800000042
Ai的上标表示系统状态矩阵A的i次幂，yn为n时刻控制器的输出。
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：
Figure BDA0003403724800000043
Figure BDA0003403724800000044
其中，
Figure BDA0003403724800000045
AJ＝[MC -I]TQ′[MC -I]，
Figure BDA0003403724800000046
P为正定矩阵，/>
Figure BDA0003403724800000047
Figure BDA0003403724800000048
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/>
Figure BDA0003403724800000049
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。
2.可以完全利用工业数据实现次优设定值设计，不需要建立准确的制药过程数学模型，通过不断地迭代求解矩阵H和设定值
Figure BDA0003403724800000051
直到/>
Figure BDA0003403724800000052
收敛为止。/>
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：
Figure BDA0003403724800000061
其中，
Figure BDA0003403724800000062
为被控对象在kt时刻的状态，/>
Figure BDA0003403724800000063
为控制器(步骤2所设计的控制器)在kt时刻的输入，/>
Figure BDA0003403724800000064
为控制器在kt输出，/>
Figure BDA0003403724800000065
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，
Figure BDA0003403724800000066
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：
Figure BDA0003403724800000071
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：
Figure BDA0003403724800000072
约束条件为：
xk+1＝Axk+Buk
yk＝Cxk
Figure BDA0003403724800000073
Figure BDA0003403724800000074
Figure BDA0003403724800000075
其中，所有的上标i均表示第i个控制问题；
Figure BDA0003403724800000076
表示第i个控制问题的目标函数，Np为控制器的预测步长；/>
Figure BDA0003403724800000077
和/>
Figure BDA0003403724800000078
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；/>
Figure BDA0003403724800000079
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
Figure BDA0003403724800000081
将第一个控制量/>
Figure BDA0003403724800000082
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/>
Figure BDA0003403724800000083
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：
Figure BDA0003403724800000084
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；
Figure BDA0003403724800000085
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：
Figure BDA0003403724800000086
约束条件为：
xn+1＝A′xn+B′un
yn＝Cxn
rn＝Myn
其中，xn+1为被控对象在n+1时刻的状态，A′＝AN，AN的上标表示系统状态矩阵A的N次幂；
Figure BDA0003403724800000087
Ai的上标表示系统状态矩阵A的i次幂，N的含义同步骤1.2。
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：
Figure BDA0003403724800000091
Figure BDA0003403724800000092
其中，
Figure BDA0003403724800000093
AJ＝[MC-I]TQ′[MC-I]，
Figure BDA0003403724800000094
P为正定矩阵，/>
Figure BDA0003403724800000095
Figure BDA0003403724800000096
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/>
Figure BDA0003403724800000097
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 (2)

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；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；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；
所述底层过程控制环模型表示为：
Figure FDA0004183074410000011
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；
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；
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：
Figure FDA0004183074410000021
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；
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：
Figure FDA0004183074410000022
约束条件为：
xk+1＝Axk+Buk
yk＝Cxk
Figure FDA0004183074410000023
Figure FDA0004183074410000024
Figure FDA0004183074410000025
/>
其中，所有的上标i均表示第i个控制问题；
Figure FDA0004183074410000026
表示第i个控制问题的目标函数，Np为控制器的预测步长；/>
Figure FDA0004183074410000027
和/>
Figure FDA0004183074410000028
分别表示第i个控制器在k时刻的控制输出和控制输入；/>
Figure FDA0004183074410000029
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，/>
Figure FDA00041830744100000210
表示第i个控制器在最后时刻Np的控制输出，/>
Figure FDA00041830744100000211
为实数域，nx,nu,ny分别为向量xk,uk,yk的维度；
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
Figure FDA00041830744100000212
将第一个控制量/>
Figure FDA00041830744100000213
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；
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：
Figure FDA0004183074410000031
其中，γ为折扣因子，其上标n表示n次方，0＜γ＜1；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；
Figure FDA0004183074410000032
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：
Figure FDA0004183074410000033
约束条件为：
xn+1＝A′xn+B′un
yn＝Cxn
rn＝Myn
其中，xn+1为被控对象在n+1时刻的状态，A′＝AN，AN的上标表示系统状态矩阵A的N次幂；
Figure FDA0004183074410000034
Ai的上标表示系统状态矩阵A的i次幂，yn为n时刻控制器的输出。
2.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，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：
Figure FDA0004183074410000035
Figure FDA0004183074410000036
其中，
Figure FDA0004183074410000037
Figure FDA0004183074410000038
P为正定矩阵，/>
Figure FDA0004183074410000039
Figure FDA00041830744100000310
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/>
Figure FDA00041830744100000311
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。/>
CN202111504672.2A 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 Active CN114200840B (zh)

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 CN114200840A (zh) 2022-03-18
CN114200840B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115933412B (zh) * 2023-01-12 2023-07-14 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)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
Title
自适应采样分布式预测控制策略 及其应用研究;王震;《CNKI硕士论文库》(第12期);第1-60页 *

Also Published As

Publication number Publication date
CN114200840A (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
WO2022121923A1 (zh) 复杂工业过程数字孪生系统智能建模方法、装置、设备及存储介质
Arauzo-Bravo et al. Automatization of a penicillin production process with soft sensors and an adaptive controller based on neuro fuzzy systems
Mantzaris et al. Cell population balance modeling and control in continuous bioreactors
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
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
Suárez et al. Nonlinear MPC for fed-batch multiple stages sugar crystallization
CN113641722A (zh) 一种基于变体lstm的长期时间序列数据预测方法
CN113408648A (zh) 一种结合深度学习的机组组合计算方法
Andrášik et al. On-line tuning of a neural PID controller based on plant hybrid modeling
Wang et al. A data-centric predictive control approach for nonlinear chemical processes
CN114001562B (zh) 一种水泥预分解炉调温pid参数自整定方法
Xu et al. DBN based SD-ARX model for nonlinear time series prediction and analysis
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
Li et al. Data-driven adaptive predictive control of hydrocracking process using a covariance matrix adaption evolution strategy
CN116880201A (zh) 基于模糊神经网络的水网渠道状态控制系统
Gan et al. Development of a recursive time series model for fed-batch mammalian cell culture
CN115097737B (zh) 一种可重入制造系统的多层级调控方法
CN110794676A (zh) 基于Hammerstein-Wiener模型的CSTR过程非线性控制方法
Rogers et al. Investigating physics-informed neural networks for bioprocess hybrid model construction
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
CN115238592A (zh) 一种多时距气象预测分布并行信赖策略优化发电控制方法
Arpornwichanop et al. Control of fed-batch bioreactors by a hybrid on-line optimal control strategy and neural network estimator
CN110045616B (zh) 一种搅拌反应罐的鲁棒预测控制方法

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