CN115202211A - 一种用于焙烧炉温度稳定控制的预测控制方法和设备 - Google Patents
一种用于焙烧炉温度稳定控制的预测控制方法和设备 Download PDFInfo
- Publication number
- CN115202211A CN115202211A CN202210920361.2A CN202210920361A CN115202211A CN 115202211 A CN115202211 A CN 115202211A CN 202210920361 A CN202210920361 A CN 202210920361A CN 115202211 A CN115202211 A CN 115202211A
- Authority
- CN
- China
- Prior art keywords
- temperature
- model
- time
- control
- prediction
- 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 90
- 239000013598 vector Substances 0.000 claims abstract description 80
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000005096 rolling process Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000010238 partial least squares regression Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000010304 firing Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 14
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 8
- 239000011701 zinc Substances 0.000 description 8
- 229910052725 zinc Inorganic materials 0.000 description 8
- 238000003723 Smelting Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 206010003549 asthenia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 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
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
本发明公开了一种用于焙烧炉温度稳定控制的预测控制方法和设备，方法：对用于稳定控制焙烧炉温度的模型预测控制系统的数据向量，根据历史数据库并利用PLS进行权重重分配得到权重向量；使用权重向量，将当前的数据向量和历史数据库均投影到潜在空间；基于潜在空间内的K最邻近策略，构建当前焙烧炉运行的相似样本集；根据相似样本集建立局部线性模型，并作为模型预测控制系统的预测模型；使用预测模型根据当前时刻的数据向量进行温度预测；根据预测温度和温度参考值，求解模型预测控制系统的目标函数以进行滚动优化，更新温度控制量序列，并下发执行第一项温度控制量。本发明可以避免求解非线性优化问题，对温度预测精度高，控制效果优良。
Description
技术领域
本发明属于工业过程控制领域，具体涉及一种用于焙烧炉温度稳定控制的预测控制方法和设备。
背景技术
如今，过程工业系统具有非线性，大时滞和强惯性等特点。另外，由于原料组分的变化，生产负荷，外部环境温度变化等各项扰动因素的存在，生产过程通常在不同的工况下运行。例如，在锌精矿焙烧过程中，炉内气-固多相物质共存、温度场与流体场相互耦合并且副反应众多，外部受下游工序需求变化影响而时有波动。由于这些条件的作用，系统通常在非线性模式下工作。对于这样的非线性工业过程，手动控制和一些传统的控制方法，诸如PID控制器、规则控制器等也都难以对此类复杂系统取得令人满意的控制效果。然而，不合适的控制指令可能会降低整个系统的效率，导致经济损失、环境污染甚至造成巨大的人员伤亡。温度过低会让反应速率降低，进而导致产率降低；温度过高则会使排放量过高并损害炉体的使用寿命。因此，根据工作条件采取合适的控制策略以维护锌冶炼焙烧炉温度稳定极为重要。
最近，越来越多的过程工业系统开始充分利用模型预测控制等先进控制方法来改善控制效果。模型预测控制方法通过建立系统输入输出间的数学模型，然后根据预测模型进行滚动优化和反馈校正得到合适控制量。这种框架可以应对复杂系统的很多控制难题，在石油、化工、造纸等领域有许多成功的应用。非线性模型预测控制(NMPC)是一个有吸引力的分支，已经获得了相当大的研究兴趣。在NMPC中，有两类典型的方法：一种途径是直接建立对象的全局非线性模型，如Karer等提出一种基于模糊逻辑的非线性预测控制方法，Hosen等人提出基于神经网络的非线性预测控制方法。但是，这些方法本质是一个非凸优化问题，求解过程复杂，耗时较长，难以保证在实时控制中得到最优解。另一类非线性预测控制方法是将系统分段线性化，建立局部线性模型，然后利用二次规划进行求解。Shafiee等人提出一种线性化Wiener模型的非线性预测模型控制方法。易诚明等人提出了基于即时学习的非线性模型预测控制方法。这类局部线性化的方法往往能够得到基本满足现实需求的模型精度，再凭借预测控制的反馈校正和滚动优化弥补精度的不足，并获得较低的计算复杂度。
即时学习作为典型的局部线性化方法，它以分段线性化的方式在每个小区间获得局部线性模型，并且凭借其即时的特性、线性的特性实现快速求解。具体做法是：首先通过计算新样本与历史数据的相似度来找到合适的线性工作点，从而得到准确的局部线性模型，最后根据模型进行优化控制。尽管这种方法在高炉炼铁过程的应用中取得了一定成效，但是传统即时学习算法在计算样本相似度时把样本向量中每一维变量视为同等重要，存在一定缺陷，即认为：1)被控量y和控制量u同等重要；2)被控量y的每一维都同等重要，控制量u的每一维都同等重要；3)不同时刻的y同等重要，不同时刻的u同等重要。而这种假设与很多过程工业系统的实际运行情况不太相符，导致传统的基于即时学习的模型预测控制方法性能有限。
发明内容
为了适应锌冶炼焙烧炉的非线性特性，并针对现有模型预测控制中输入变量间重要程度不一致的问题，本发明提供一种用于焙烧炉温度稳定控制的预测控制方法和设备，可以避免求解非线性优化问题，对温度预测精度高，控制效果优良。
为实现上述技术目的，本发明采用如下技术方案：
一种用于焙烧炉温度稳定控制的预测控制方法，包括：
步骤1，对用于稳定控制焙烧炉温度的模型预测控制系统的数据向量，根据历史数据库并利用偏最小二乘回归方法进行权重重分配，得到权重向量；所述数据向量包括前向的温度控制量时间序列和前向的实际温度时间序列；
步骤2，使用权重向量，将炉温系统当前t时刻的数据向量和历史数据库均投影到潜在空间；
步骤3，基于潜在空间内的K最邻近策略，在历史数据库中选择若干个与炉温系统当前t时刻数据向量相似的历史数据向量，构建当前t时刻焙烧炉运行的相似样本集；
步骤4，根据相似样本集建立局部线性模型，并作为模型预测控制系统的预测模型；
步骤5，使用预测模型根据当前t时刻的数据向量进行温度预测，得到t+1时刻的预测温度；
步骤6，根据t+1时刻的预测温度和给定的温度参考值，求解模型预测控制系统的目标函数以进行滚动优化，得到t+1时刻后向的温度控制量序列U(t+1)；
步骤7，选择温度控制量序列U(t+1)中的第一项温度控制量，即u(t+1)，对焙烧炉温度进行控制。
进一步地，利用偏最小二乘回归方法对数据向量进行权重重分配得到权重向量的方法为：
首先，收集N个历史时刻的数据向量和对应下一时刻的预测输出，所有数据向量构成历史数据库ΦN，所有对应的预测输出表示为Y；其中，将任意t时刻的数据向量表示为
且有：
式中，角标T表示该向量的转置，[yT(t)，yT(t-1)，…，yT(t-ny)]T表示t时刻前向的温度控制量时间序列，由t时刻及之前ny个时刻的温度控制量构成；[uT(t)，uT(t-1)，…，uT(t-nu)]T表示t时刻前向的实际温度时间序列，由t时刻及之前nu个时刻的实际温度构成；
然后，利用偏最小二乘法建立ΦN与Y之间的回归模型Y＝ΦNβ+Yres，即可由回归模型得到权重向量β；其中，Yres是线性回归后得到的残差部分，偏最小二乘的目标函数为：
max(cov(ΦNp，Yq))
s.t.||p||＝1，||q||＝1
式中，p、q均为投影向量。
讲一步地，步骤2中使用权重向量将任意数据向量投影到潜在空间的方法为：
式中，
和
分别表示在原始空间和潜在空间内的任意数据向量，β为权重向量。
进一步地，步骤3中，逐个计算当前t时刻的数据向量与历史数据库中每个数据向量之间的距离，选择其中距离最大的K个数据样本，构建相似样本集；其中，所述距离为欧式距离和余弦距离的加权平均距离。
进一步地，步骤4采用递归最小二乘法，通过最小化由相似样本集回归得到的模型输出值与相似样本集内的真值之间的误差平方和，建立局部线性模型，且递归形式为：
式中，下标k表示第k次递归求解局部模型，Pk和Vk为递归过程中的中间变量，
为相似样本集中的数据向量；
为待建立局部线性模型的参数，为待求参数。
进一步地，模型预测控制系统的目标函数为：
s.t.umin≤u(t+i-1)≤umax
式中，Nc和Np分别表示温度控制的时域范围和温度预测的时域范围，且Nc≤Np；Ru和Ry是权重因子；umax和umin是温度控制量的上下限；yr是给定的温度参考值，
是预测模型得到的预测温度
经过反馈校正得到的温度。
进一步地，调用MATLAB的fmincon函数对模型预测控制系统的目标函数进行优化求解，得到t+1时刻后向的温度控制量时间序列U(t+1)。
一种用于焙烧炉温度稳定控制的预测控制设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现上述任一项技术方案所述的用于焙烧炉温度稳定控制的预测控制方法。
有益效果
为了适应锌冶炼焙烧炉的非线性特性，并针对变量间重要程度不一致的问题，本发明提出一种用于焙烧炉温度稳定控制的预测控制方法和设备，是一种基于偏最小二乘回归和即时学习的非线性模型预测控制方法(Partial Least Squares Regression&Just-in-Time Learning Model Predictive Control，PLSR&JITL NMPC)，可以避免求解非线性优化问题。
本发明首先利用PLSR对锌冶炼焙烧炉温度系统(后简称炉温系统)输出有影响的变量进行权重重分配，根据此加权向量将样本向量和历史数据库映射到新的投影空间；然后，在这个新的投影空间进行相似度度量，并根据相似度大小排序；再借助K最邻近(K-Nearest Neighbor，K-NN)策略构建相似样本集，并认为当前炉温系统运行在此工作点附近；接着，对相似样本集使用递归最小二乘法在该点建立局部线性模型；最后使用该局部模型作为MPC的预测模型，经反馈校正后，代入到目标函数滚动优化，将求解出的温度控制量序列的第一项作为控制量下发到底层执行机构。
因此，本发明充分考量了各变量间、各时刻间对炉温系统输出影响大小不一致的特点，采用偏最小二乘法进行权重重分配。这样，既能保障输入输出变量相关性又能减小冗余性。在全新且更合理的相似度度量下进行即时学习效果更佳，获得的预测模型精度更高，最终的控制效果也更优良。
附图说明
图1是本申请实施例从历史数据库选择与系统当前运行的相似样本集，以建立局部线性模型的框架图；
图2是模型预测模型的框架图；
图3是本申请实施例中所述的样本分布图；
图4是本申请实施例中将温度设定在在两种典型工况，各预测控制方法的跟踪曲线图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。
本发明提供一种用于焙烧炉温度稳定控制的预测控制方法，如图1所示，主要包括建立预测模型和根据模型预测输出进行优化控制两个部分。在第一部分中，提出了一种新的相似度度量方法，通过对输入模型预测控制的数据向量进行权重重分配，得到权重向量以将数据投影到潜在空间内计算相似度，得到与炉温系统当前运行相似的数据向量，从而建立针对当前运行模态相匹配的预测模型，提高温度数据的预测精度。在第二部分中，介绍了对应的非线性模型预测控制的基本思想与步骤，将第一部分所建立的对象预测模型结合反馈可以得到校正后的预测输出值，通过构建损失函数将其与参考序列尽可能逼近，经优化求解后可得温度控制律。
一、建立预测模型
步骤1，对用于稳定控制焙烧炉温度的模型预测控制系统的数据向量，根据历史数据库并利用偏最小二乘回归方法进行权重重分配，得到权重向量；所述数据向量包括前向的温度控制量时间序列和前向的实际温度时间序列。
在预测控制中，参考图2所示，广泛使用非线性带外部输入的自回归模型NARX来描述非线性系统的输入输出关系：
式中，t为离散时间；
是模型预测的t+1时刻的输出；f是非线性函数；
为t时刻数据向量；根据非线性处理方法将(1)式局部线性化，可以得到：
式中的
是局部模型参数矩阵；
和
分别如下：
其中，nu和ny是模型的阶次，
和
分别是输入输出列向量。将(3)、(4)代入(2)展开易知每个子模型表示y的某一维变量与数据向量
的关系，因此仅需独立辨识n个子模型。
本实施例中，利用偏最小二乘回归方法对数据向量进行权重重分配得到权重向量的方法为：
首先，收集N个历史时刻的数据向量和对应下一时刻的预测输出，所有数据向量构成历史数据库ΦN，所有对应的预测输出表示为Y；其中，任意t时刻的数据向量
如示(3)所示，[yT(t)，yT(t-1)，…，yT(t-ny)]T表示t时刻前向的温度控制量时间序列，由t时刻及之前ny个时刻的温度控制量构成；[uT(t)，uT(t-1)，…，uT(t-nu)]T表示t时刻前向的实际温度时间序列，由t时刻及之前nu个时刻的实际温度构成。
然后，利用偏最小二乘(PLS)建立下一时刻输出与历史数据库之间的回归模型，以找到与预测输出相关的潜变量。PLS的目标函数：
通过拉格朗日乘子法可求解出投影向量p、q。由此可得蕴含原始数据大量信息的潜变量：
再联立内部模型vl＝klul进行线性回归求解可得Y和ΦN的关系为：
Y＝ΦNβ+Yres (7)
其中，Yres是线性回归后得到的残差部分。由此，可以得到
和
的之间合理权重向量β。
步骤2，使用权重向量，将炉温系统当前t时刻的数据向量和历史数据库均投影到潜在空间：
式中的，
和
可分别视为炉温系统当前t时刻在投影前原始空间和投影后潜在空间的数据向量。
步骤3，基于潜在空间内的K最邻近策略，在历史数据库中选择若干个与炉温系统当前t时刻数据向量相似的历史数据向量，构建当前t时刻焙烧炉运行的相似样本集。
在投影后的PLS潜在空间下，逐个计算当前t时刻的数据向量与历史数据库中每个数据向量之间的欧氏距离和余弦距离，计算两种距离的加权平均距离s，然后根据投影空间下的距离s作降序排列，选出距离最大的K条样本；再将其还原到原空间作为新的相似样本集
步骤4，根据相似样本集建立局部线性模型，并作为模型预测控制系统的预测模型。
采用递归最小二乘法辨识出局部线性模型，思路是最小化由相似样本集回归得到的模型输出值与相似样本集内的真值之间的误差平方和，并整理成如下所示的递归形式：
式中，下标k表示第k次递归求解局部模型，Pk和Vk为递归过程中的中间变量，
为相似样本集中的数据向量；
为待建立局部线性模型的参数，为待求参数。
二、模型预测控制
步骤5，使用预测模型根据当前t时刻的数据向量进行温度预测，得到t+1时刻的预测温度。
预测控制通常采用受控自回归积分移动平均模型(CARIMA)来描述对象，其具有两个特点：一个是可以描述一类非平稳扰动；另一个是通过自然地引入积分作用到控制律中，可以保证被控系统输出稳态误差为零。据此，本发明实施例采用CARIMA模型来描述被控对象，即：
式中，一阶差分算子Δ＝(1-z-1)；ξ(t)是均值为零，方差为σ2的白噪声序列，其系数多项式是C(z-1)；多项式A(z-1)和B(z-1)可由上一节求得的局部线性模型的参数
得到。由此递推公式，对(10)式右边两项分别作长除法，可建立丢番图方程：
其中，E(z-1)和F(z-1)分别代表未知的未来噪声和已知的历史噪声的多项式，可由长除法得到；同理，G(z-1)和H(z-1)代表t时刻已知的输入项和t时刻滞后的未知输入项。由此可得预测模型输出y的多步预测表达式：
步骤6，根据t+1时刻的预测温度和给定的温度参考值，求解模型预测控制系统的目标函数以进行滚动优化，得到t+1时刻后向的温度控制量序列U(t+1)＝[u(t+1)，u(t+2)，…，u(t+Np)]。
将步骤5得到的t+1时刻的预测温度代入模型预测模型的如下MPC目标函数即可求解：
其中，Nc和Np分别表示控制范围和预测范围，且Nc≤Np；Ru和Ry是权重因子；umax和umin是控制量上下限；yr是参考设定值，
是由(12)式中
经过反馈校正得到的模型预测输出值。
本实施例中调用MATLAB的fmincon函数可以对其进行优化求解，从而得到最优控制增量Δu。
步骤7，选择温度控制量序列U(t+1)中的第一项温度控制量，即u(t+1)，对焙烧炉温度进行控制。
得到最优控制增量Δu后，根据滚动优化的思想，取该向量的第一个值作为下一步的控制输入的增量，再在预测输出与真实输出之间加以反馈校正。
三、对比实验及有益效果
本发明提出的PLSR-JITL方法分别与前馈神经网络模型预测控制方法(FNN-MPC)以及JITL-MPC对比，在数值仿真实验中介绍所提方法的实现步骤和性能的提升。此外，为了尽可能体现实际锌冶炼被烧过程存在的一些问题，采用如(14)式所示的带非线性、系统多项式缺项、含噪声的数值仿真系统进行测试。以此验证所提出的方法在较为恶劣的情况下仍有良好的效果：
其中，输入信号u采用伪随机序列进行激励，噪声v～0.02U(0，1)。在此数值仿真系统下，建立相应的预测模型并进行控制100步。任取其中某个时刻下PLSR-JITL和传统的JITL方法各自寻找到的相似样本集，对其进行可视化，结果如图3所示。
由图3可知，PLSR-JITL找到的相似样本点都在红色五角星所示的基准点附近且更为紧凑，而传统的JITL找到的相似样本点分布则更分散，这证实了新的相似度度量方法的有效性。观察各方法跟踪效果并记录。为了避免偶然误差，重复三次实验取平均，并统计实验指标如下表：
表1控制效果统计表
表中的指标分别为：
式中的u(k)表示k-1时刻到k时刻控制量的改变量；Nt为控制量下发总次数；Ttotal表示该方法运行总时长；yset(k)表示k时刻期望的炉温输出值。
可以看到，PLSR-JITL借助优化后的寻找相似样本点的策略，在RMSE精度上要优于JITL方法。同时，由于局部线性化的作用，本方法作用于对象时不会出现明显的超调和过度控制，仅用较小控制量变化量就能得到很好的控制效果。因此，PLSR-JITL具有最小的ΔuTSS和ITAE，这意味着更少的执行器损耗和更佳的稳态控制效果。值得注意的是，FNN单步计算耗时是即时学习的一百多倍，每一步运行都自带超过2秒的滞后，而nu和ny仅为3。换而言之，当炉温发生波动时，FNN模型的输入
几乎没有参考价值，其预测输出也将失效。因此这种方法在一些实时性很高，对滞后容忍度低的应用场景下不太合适。
最后，为了体现改进的即时学习方法的有效性，将其应用于锌冶炼焙烧炉半实物仿真平台。该平台从物理对象、控制系统、网络通讯等维度实现对工业现场焙烧炉的全方位映射，主要包括焙烧炉仿真模型、虚拟执行机构与检测装置、分布式控制系统(DCS)、过程监控系统、上层控制系统等子系统。具体地，以Omisim建立的焙烧炉装备模型作为控制对象，然后通过OPC读取焙烧炉状态信息传到决策控制层，最终实现焙烧炉温度的稳定控制。为了体现方法优势，将本发明提出的基于PLSR-JITL的模型预测控制方法与上文所提及的两种非线性模型预测控制方法进行对比。将温度设定在两种典型工况，观察各预测控制方法跟踪曲线如图4所示。
两种即时学习对比，传统方法会因寻找相似样本点策略存在一定缺陷，而找到错误的“相似点”，这会导致局部线性模型不准，进而致使控制效果较差。本方法通过改进相似度度量方法可有效提高模型精度。而FNN方法在求解优化时计算耗时长，并且模型无法在线更新。简而言之，本发明所提方法在预测精度、运算速度和稳态性能等方面优势显著。
本发明所提出的用于焙烧炉温度稳定控制的模型预测控制方法，基于偏最小二乘和即时学习，可以应用于锌冶炼焙烧生产过程的焙烧炉温度稳定控制，该方法无需过程先验知识，仅需进行一次权重重分配以及通过查询历史生产数据便能建立精度优良的线性模型，能够避免复杂建模问题。方法所具备的准确和即时特性能为焙烧过程的安全高效生产提供保障。
以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (8)
1.一种用于焙烧炉温度稳定控制的预测控制方法，其特征在于，包括：
步骤1，对用于稳定控制焙烧炉温度的模型预测控制系统的数据向量，根据历史数据库并利用偏最小二乘回归方法进行权重重分配，得到权重向量；所述数据向量包括前向的温度控制量时间序列和前向的实际温度时间序列；
步骤2，使用权重向量，将炉温系统当前t时刻的数据向量和历史数据库均投影到潜在空间；
步骤3，基于潜在空间内的K最邻近策略，在历史数据库中选择若干个与炉温系统当前t时刻数据向量相似的历史数据向量，构建当前t时刻焙烧炉运行的相似样本集；
步骤4，根据相似样本集建立局部线性模型，并作为模型预测控制系统的预测模型；
步骤5，使用预测模型根据当前t时刻的数据向量进行温度预测，得到t+1时刻的预测温度；
步骤6，根据t+1时刻的预测温度和给定的温度参考值，求解模型预测控制系统的目标函数以进行滚动优化，得到t+1时刻后向的温度控制量序列U(t+1)；
步骤7，选择温度控制量序列U(t+1)中的第一项温度控制量，即u(t+1)，对焙烧炉温度进行控制。
2.根据权利要求1所述的用于焙烧炉温度稳定控制的预测控制方法，其特征在于，利用偏最小二乘回归方法对数据向量进行权重重分配得到权重向量的方法为：
首先，收集N个历史时刻的数据向量和对应下一时刻的预测输出，所有数据向量构成历史数据库ΦN，所有对应的预测输出表示为Y；其中，将任意t时刻的数据向量表示为
且有：
uT(t),uT(t-1),…,uT(t-nu)]T
式中，角标T表示该向量的转置，[yT(t),yT(t-1),…,yT(t-ny)]T表示t时刻前向的温度控制量时间序列，由t时刻及之前ny个时刻的温度控制量构成；[uT(t),uT(t-1),…,uT(t-nu)]T表示t时刻前向的实际温度时间序列，由t时刻及之前nu个时刻的实际温度构成；
然后，利用偏最小二乘法建立ΦN与Y之间的回归模型Y＝ΦNβ+Yres，即可由回归模型得到权重向量β；其中，Yres是线性回归后得到的残差部分，偏最小二乘的目标函数为：
max(cov(ΦNp,Yq))
s.t.||p||＝1,||q||＝1
式中，p、q均为投影向量。
3.根据权利要求1所述的用于焙烧炉温度稳定控制的预测控制方法，其特征在于，步骤2中使用权重向量将任意数据向量投影到潜在空间的方法为：
式中，
和
分别表示在原始空间和潜在空间内的任意数据向量，β为权重向量。
4.根据权利要求1所述的用于焙烧炉温度稳定控制的预测控制方法，其特征在于，步骤3中，逐个计算当前t时刻的数据向量与历史数据库中每个数据向量之间的距离，选择其中距离最大的K个数据样本，构建相似样本集；其中，所述距离为欧式距离和余弦距离的加权平均距离。
5.根据权利要求1所述的用于焙烧炉温度稳定控制的预测控制方法，其特征在于，步骤4采用递归最小二乘法，通过最小化由相似样本集回归得到的模型输出值与相似样本集内的真值之间的误差平方和，建立局部线性模型，且递归形式为：
式中，下标k表示第k次递归求解局部模型，Pk和Vk为递归过程中的中间变量，
为相似样本集中的数据向量；
为待建立局部线性模型的参数，为待求参数。
6.根据权利要求1所述的用于焙烧炉温度稳定控制的预测控制方法，其特征在于，模型预测控制系统的目标函数为：
s.t.umin≤u(t+i-1)≤umax
式中，Nc和Np分别表示温度控制的时域范围和温度预测的时域范围，且Nc≤Np；Ru和Ry是权重因子；umax和umin是温度控制量的上下限；yr是给定的温度参考值，
是预测模型得到的预测温度
经过反馈校正得到的温度。
7.根据权利要求1所述的用于焙烧炉温度稳定控制的预测控制方法，其特征在于，调用MATLAB的fmincon函数对模型预测控制系统的目标函数进行优化求解，得到t+1时刻后向的温度控制量时间序列U(t+1)。
8.一种用于焙烧炉温度稳定控制的预测控制设备，包括存储器及处理器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1～7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210920361.2A CN115202211B (zh) | 2022-08-02 | 一种用于焙烧炉温度稳定控制的预测控制方法和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210920361.2A CN115202211B (zh) | 2022-08-02 | 一种用于焙烧炉温度稳定控制的预测控制方法和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115202211A true CN115202211A (zh) | 2022-10-18 |
| CN115202211B CN115202211B (zh) | 2024-09-10 |
Family
ID=
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109001979A (zh) * | 2018-08-24 | 2018-12-14 | 东北大学 | 基于懒惰学习的高炉铁水质量自适应鲁棒预测控制方法 |
| CN110320806A (zh) * | 2019-07-24 | 2019-10-11 | 东北大学 | 基于集成即时学习的污水处理过程自适应预测控制方法 |
| US11158529B2 (en) * | 2018-02-23 | 2021-10-26 | Kokusai Electric Corporation | Method of manufacturing semiconductor device, method of controlling temperature and non-transitory computer-readable recording medium |
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11158529B2 (en) * | 2018-02-23 | 2021-10-26 | Kokusai Electric Corporation | Method of manufacturing semiconductor device, method of controlling temperature and non-transitory computer-readable recording medium |
| CN109001979A (zh) * | 2018-08-24 | 2018-12-14 | 东北大学 | 基于懒惰学习的高炉铁水质量自适应鲁棒预测控制方法 |
| CN110320806A (zh) * | 2019-07-24 | 2019-10-11 | 东北大学 | 基于集成即时学习的污水处理过程自适应预测控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 尚钰: "宏微观尺度联合分析的锌焙烧炉温度场建模与模型降阶", CNKI硕士学位论文, 1 May 2023 (2023-05-01) * |
| 李志玲: "基于主成分分析和偏最小二乘的高炉炉温预测模型的研究", CNKI硕士学位论文, 15 January 2013 (2013-01-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Holkar et al. | An overview of model predictive control | |
| Akpan et al. | Nonlinear model identification and adaptive model predictive control using neural networks | |
| CN111459051A (zh) | 一种带扰动观测器的离散终端滑模无模型控制方法 | |
| Jia et al. | Dynamic R-parameter based integrated model predictive iterative learning control for batch processes | |
| 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 | |
| CN101957598A (zh) | 一种大时滞系统的灰色无模型控制方法 | |
| WO2002003150A2 (en) | Multi-variable matrix process control | |
| Xiong et al. | Neural network model-based on-line re-optimisation control of fed-batch processes using a modified iterative dynamic programming algorithm | |
| Sun et al. | Process knowledge-based random forest regression for model predictive control on a nonlinear production process with multiple working conditions | |
| CN111522229A (zh) | 参数自整定的mimo异因子偏格式无模型控制方法 | |
| CN116088307B (zh) | 基于误差触发自适应稀疏辨识的多工况工业过程预测控制方法、装置、设备及介质 | |
| Lakshmanan et al. | Estimation and model predictive control of non-linear batch processes using linear parameter varying models | |
| Gao et al. | A recursive modified partial least square aided data-driven predictive control with application to continuous stirred tank heater | |
| CN111930010A (zh) | 一种基于lstm网络的通用mfa控制器设计方法 | |
| Liu et al. | Data learning‐based model‐free adaptive control and application to an NAO robot | |
| CN115202211B (zh) | 一种用于焙烧炉温度稳定控制的预测控制方法和设备 | |
| CN115202211A (zh) | 一种用于焙烧炉温度稳定控制的预测控制方法和设备 | |
| JPH11296204A (ja) | 多変数プロセス制御システム | |
| Fink et al. | Nonlinear model-based control with local linear neuro-fuzzy models | |
| de Castro et al. | Unrestricted horizon predictive control applied to a nonlinear SISO system | |
| CN112379601A (zh) | 基于工业过程的mfa控制系统设计方法 | |
| Ahmad et al. | On-line genetic algorithm tuning of a PI controller for a heating system | |
| CN113568309B (zh) | 用于温度场的在线时空控制方法 | |
| Huang et al. | Multimodel Self-Learning Predictive Control Method With Industrial Application | |
| Tatjewski et al. | Nonlinear Predictive Control |
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 |