CN116088431A - 基于机理模型的化工过程非线性模型预测控制方法 - Google Patents

基于机理模型的化工过程非线性模型预测控制方法 Download PDF

Info

Publication number
CN116088431A
CN116088431A CN202211463977.8A CN202211463977A CN116088431A CN 116088431 A CN116088431 A CN 116088431A CN 202211463977 A CN202211463977 A CN 202211463977A CN 116088431 A CN116088431 A CN 116088431A
Authority
CN
China
Prior art keywords
chemical process
nonlinear
model
time
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.)
Pending
Application number
CN202211463977.8A
Other languages
English (en)
Inventor
吴胜
王元华
柴俊沙
周鹏
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.)
Hangzhou Sinan Intelligent Technology Co ltd
Original Assignee
Hangzhou Sinan Intelligent Technology Co ltd
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 Hangzhou Sinan Intelligent Technology Co ltd filed Critical Hangzhou Sinan Intelligent Technology Co ltd
Priority to CN202211463977.8A priority Critical patent/CN116088431A/zh
Publication of CN116088431A publication Critical patent/CN116088431A/zh
Pending legal-status Critical Current

Links

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

本发明属于工业自动化领域，公开了一种基于机理模型的化工过程非线性模型预测控制方法，首先根据采集到的非线性化工过程的阶跃响应数据对过程模型的时间常数以及滞后时间进行辨识，然后结合非线性过程的机理模型公式对增益进行公式推导，之后设计非线性化工过程的模型预测控制器，最后将得到的精确最优控制律实施于被控的非线性化工过程。本发明结合非线性化工过程的增益参数进行模型预测控制的精确推导，避免了传统模型预测控制中由于线性化模型拟合带来的预测误差，最终实现了非线性化工过程的精准控制，也进一步推动了基于机理模型的非线性模型预测控制在化工过程中的应用发展。

Description

基于机理模型的化工过程非线性模型预测控制方法
技术领域
本发明属于工业自动化领域，尤其涉及基于机理模型的化工过程非线性模型预测控制方法。
背景技术
对化工过程中的控制回路而言，其中很多为非线性过程。传统的模型预测控制算法在处理此类对象时，大多会在工作点附近进行线性化处理从而来达到控制的效果。但是对于工作点附近非线性较为严重的过程来说，这样的线性化处理并不能达到预期的效果，这是因为线性化带来的预测误差所致。对这些非线性严重的化工过程而言，其中非线性时变最严重的模型参数一般是增益，如果能针对于时变增益进行精确的输出预测推导，这样将能避免由于线性化拟合带来的预测误差，从而实现非线性化工过程的精准控制，也进一步为非线性模型预测控制在化工过程中的应用发展做铺垫。
发明内容
本发明目的在于提供一种基于机理模型的化工过程非线性模型预测控制方法，以解决传统模型预测控制处理非线性化工过程时由于线性化拟合导致存在预测误差的技术问题。
为解决上述技术问题，本发明的基于机理模型的化工过程非线性模型预测控制方法的具体技术方案如下：
一种基于机理模型的化工过程非线性模型预测控制方法，包括如下步骤：
步骤1：采集非线性化工过程的阶跃响应数据，拟合出化工过程的时间常数以及滞后时间两个模型参数；
步骤1.1：给非线性化工过程的输入端加一个阶跃信号，并记录非线性化工过程对应的阶跃响应数据；
步骤1.2：将采集得到的阶跃响应数据yp(k)转换成对应的无纲量形式yp *(k)；
步骤1.3：首先选择满足yp *(k1)＝0.39和yp *(k1)＝0.63的两个数据点，然后计算非线性化工过程模型的时间常数和滞后时间。
步骤1.4：确定非线性化工过程的机理模型，进而计算非线性化工过程的实时增益；
步骤1.5：最终得到的非线性化工过程传递函数模型；
步骤2：设计非线性化工过程的非线性模型预测控制器；
步骤2.1：在零阶保持器以及采样时间Ts下，实现非线性化工过程的传递函数模型转换；
步骤2.2：对于离散方程，引入smith预估对其中的时滞进行补偿；
步骤2.3：基于无时滞的过程模型，得到非线性化工过程的预测输出；
步骤2.4：非线性化工过程的模型预测控制器设计选取目标函数；
步骤2.5：对上述目标函数求导，得到非线性模型预测控制的最优解；
步骤2.6：将得到的非线性模型预测控制的最优控制律u(k)实施于非线性化工过程，在下个采样周期按照步骤2.2～2.5中的步骤进行循环求解新的最优控制律。
进一步地，所述步骤1.2将采集得到的阶跃响应数据yp(k)转换成对应的无纲量形式yp *(k)，具体转换公式如下：
yp *(k)＝yp(k)/yf
其中，yf为非线性化工过程阶跃响应数据yp(k)的稳态值。
进一步地，所述步骤1.3依据下面的式子计算非线性化工过程模型的时间常数和滞后时间：
T＝2(k2-k1)
τ＝2k1-k2
其中，T和τ分别为非线性化工过程模型的时间常数和滞后时间。
进一步地，所述步骤1.4依照如下的式子计算非线性化工过程的实时增益：
ym(k)＝f(u(k))
K(k)＝f′(u(k))
其中，ym(k)是非线性化工过程的模型输出，u(k)是非线性化工过程的输入，K(k)是非线性化工过程的实时增益，f,f′分别为非线性化工过程的机理模型以及对应的一阶导数式子。
进一步地，所述步骤1.5得到的非线性化工过程传递函数模型为
其中，G(k),s分别为非线性化工过程的实时传递函数以及拉普拉斯算子。进一步地，所述步骤2.1在零阶保持器以及采样时间Ts下，非线性化工过程的传递函数模型转换为：
ym(k)＝αym(k-1)+K(k-1)(1-α)u(k-1-d)
其中，进一步地，所述步骤2.2补偿后的无时滞模型如下：
ymc(k)＝αymc(k-1)+K(k-1)(1-α)u(k-1)
其中，ymc(k)为补偿后的非线性化工过程无时滞模型输出；
对非线性化工过程的实际输出进行补偿得：
ypc(k)＝yp(k)+ymc(k)-ymc(k-d)
其中，ypc(k)为补偿后的非线性化工过程实际输出。
进一步地，所述步骤2.3非线性化工过程的预测输出推导如下：
Ymc(k)＝Aymc(k)+BU(k)
其中，
P,M分别为模型预测控制的预测时域以及控制时域，在取值上一般满足P＞M；
上述预测输出推导简化为
Ymc(k)＝Aymc(k)+Cφ(k)
其中，
进一步地，所述步骤2.4非线性化工过程的模型预测控制器设计选取如下的目标函数
其中，Q为跟踪误差的加权矩阵，e(k)为补偿的预测误差，取
e(k)＝ypc(k)-ymc(k)，Yr(k)为对应的参考轨迹，其式子为
yr(k+i)＝βiyp(k)+(1-βi)c(k)
β为参考轨迹柔化系数，c(k)为非线性化工过程对应的设定值。
进一步地，所述步骤2.5对步骤2.4的目标函数求导，得到非线性模型预测控制的最优解为
φ(k)＝-(CΤQC)-1CΤQ(Aymc(k)+e(k)-Yr(k))
取出φ(k)的第一项φ(k1)，然后通过求解如下的一元多次方程便可得到非线性模型预测控制的最优控制律u(k)：
f′(u(k))u(k)＝φ(k1)。
本发明的基于机理模型的化工过程非线性模型预测控制方法具有以下优点：本发明结合非线性化工过程的增益参数进行模型预测控制的精确推导，避免了传统模型预测控制中由于线性化模型拟合带来的预测误差，最终实现了非线性化工过程的精准控制，也进一步推动了基于机理模型的非线性模型预测控制在化工过程中的应用发展。
附图说明
无。
具体实施方式
为了更好地了解本发明的目的、结构及功能，下面对本发明一种基于机理模型的化工过程非线性模型预测控制方法做进一步详细的描述。
本发明的基于机理模型的化工过程非线性模型预测控制方法包括如下步骤：
步骤1：采集非线性化工过程的阶跃响应数据，拟合出化工过程的时间常数以及滞后时间两个模型参数，具体如下：
a.给非线性化工过程的输入端加一个阶跃信号，并记录非线性化工过程对应的阶跃响应数据。
b.将采集得到的阶跃响应数据yp(k)转换成对应的无纲量形式yp *(k)，具体转换公式如下：
yp *(k)＝yp(k)/yf
其中，yf为非线性化工过程阶跃响应数据yp(k)的稳态值。
c.首先选择满足yp *(k1)＝0.39和yp *(k1)＝0.63的两个数据点，然后依据下面的式子计算非线性化工过程模型的时间常数和滞后时间。
T＝2(k2-k1)
τ＝2k1-k2
其中，T和τ分别为非线性化工过程模型的时间常数和滞后时间。
d.确定非线性化工过程的机理模型，进而依照如下的式子计算非线性化工过程的实时增益，具体计算式子如下：
ym(k)＝f(u(k))
K(k)＝f′(u(k))
其中，ym(k)是非线性化工过程的模型输出，u(k)是非线性化工过程的输入，K(k)是非线性化工过程的实时增益，f,f′分别为非线性化工过程的机理模型以及对应的一阶导数式子。
e.最终得到的非线性化工过程传递函数模型为
其中，G(k),s分别为非线性化工过程的实时传递函数以及拉普拉斯算子。步骤2：设计非线性化工过程的非线性模型预测控制器，具体步骤如下：
a.在零阶保持器以及采样时间Ts下，非线性化工过程的传递函数模型可以转换为：
ym(k)＝αym(k-1)+K(k-1)(1-α)u(k-1-d)
其中，
b.对于上述离散方程，引入smith预估对其中的时滞进行补偿，补偿后的无时滞模型如下：
ymc(k)＝αymc(k-1)+K(k-1)(1-α)u(k-1)
其中，ymc(k)为补偿后的非线性化工过程无时滞模型输出。
进一步地，对非线性化工过程的实际输出进行补偿可得
ypc(k)＝yp(k)+ymc(k)-ymc(k-d)
其中，ypc(k)为补偿后的非线性化工过程实际输出。
c.基于无时滞的过程模型，可得非线性化工过程的预测输出推导如下：
Ymc(k)＝Aymc(k)+BU(k)
其中，
P,M分别为模型预测控制的预测时域以及控制时域，在取值上一般满足P＞M。
进一步地，上述预测输出推导可简化为
Ymc(k)＝Aymc(k)+Cφ(k)
其中，
d.非线性化工过程的模型预测控制器设计选取如下的目标函数
其中，Q为跟踪误差的加权矩阵，e(k)为补偿的预测误差，这里可以取e(k)＝ypc(k)-ymc(k)。Yr(k)为对应的参考轨迹，其式子为
yr(k+i)＝βiyp(k)+(1-βi)c(k)
β为参考轨迹柔化系数，c(k)为非线性化工过程对应的设定值。
e.对上述目标函数求导，即可得非线性模型预测控制的最优解为
φ(k)＝-(CΤQC)-1CΤQ(Aymc(k)+e(k)-Yr(k))
取出φ(k)的第一项φ(k1)，然后通过求解如下的一元多次方程便可得到非线性模型预测控制的最优控制律u(k)。
f′(u(k))u(k)＝φ(k1)
f.将得到的非线性模型预测控制的最优控制律u(k)实施于非线性化工过程，在下个采样周期按照(b)～(e)中的步骤进行循环求解新的最优控制律。
实施例：
以聚烯烃生产过程的熔融指数控制为例，其中被控变量为熔融指数，调节手段为氢气浓度。
步骤1：采集聚烯烃生产过程的阶跃响应数据，拟合出聚烯烃生产过程的时间常数以及滞后时间两个模型参数，具体如下：
给聚烯烃生产过程的氢气浓度加一个阶跃信号，并记录聚烯烃生产过程对应的熔融指数阶跃响应数据。
将采集得到的熔融指数阶跃响应数据yp(k)转换成对应的无纲量形式yp *(k)，具体转换公式如下：
yp *(k)＝yp(k)/yf
其中，yf为聚烯烃生产过程熔融指数阶跃响应数据yp(k)的稳态值。
首先选择满足yp *(k1)＝0.39和yp *(k1)＝0.63的两个数据点，然后依据下面的式子计算聚烯烃生产过程模型的时间常数和滞后时间。
T＝2(k2-k1)
τ＝2k1-k2
其中，T和τ分别为聚烯烃生产过程模型的时间常数和滞后时间。
确定聚烯烃生产过程的机理模型，进而依照如下的式子计算聚烯烃生产过程的实时增益，具体计算式子如下：
ym(k)＝f(u(k))
K(k)＝f′(u(k))
其中，ym(k)是聚烯烃生产过程的熔融指数模型输出，u(k)是聚烯烃生产过程的氢气浓度输入，K(k)是聚烯烃生产过程的实时增益，f,f′分别为聚烯烃生产过程的机理模型以及对应的一阶导数式子。
最终得到的聚烯烃生产过程传递函数模型为
其中，G(k),s分别为聚烯烃生产过程的实时传递函数以及拉普拉斯算子。步骤(2).设计聚烯烃生产过程的非线性模型预测控制器，具体步骤如下：
a.在零阶保持器以及采样时间Ts下，聚烯烃生产过程的传递函数模型可以转换为：
ym(k)＝αym(k-1)+K(k-1)(1-α)u(k-1-d)
其中，
b.对于上述聚烯烃生产过程离散方程，引入smith预估对其中的时滞进行补偿，补偿后的聚烯烃生产过程无时滞模型如下：
ymc(k)＝αymc(k-1)+K(k-1)(1-α)u(k-1)
其中，ymc(k)为补偿后的聚烯烃生产过程熔融指数无时滞模型输出。
进一步地，对聚烯烃生产过程的实际熔融指数输出进行补偿可得
ypc(k)＝yp(k)+ymc(k)-ymc(k-d)
其中，ypc(k)为补偿后的聚烯烃生产过程实际熔融指数输出。
c.基于聚烯烃生产过程无时滞的过程模型，可得聚烯烃生产过程的熔融指数预测输出推导如下：
Ymc(k)＝Aymc(k)+BU(k)
其中，
P,M分别为模型预测控制的预测时域以及控制时域，在取值上一般满足P＞M。
进一步地，上述聚烯烃生产过程熔融指数预测输出推导可简化为
Ymc(k)＝Aymc(k)+Cφ(k)
其中，
d.聚烯烃生产过程的模型预测控制器设计选取如下的目标函数
其中，Q为熔融指数跟踪误差的加权矩阵，e(k)为补偿的熔融指数预测误差，这里可以取e(k)＝ypc(k)-ymc(k)。Yr(k)为对应的熔融指数参考轨迹，其式子为
yr(k+i)＝βiyp(k)+(1-βi)c(k)
β为熔融指数参考轨迹的柔化系数，c(k)为聚烯烃生产过程对应的熔融指数设定值。
e.对上述目标函数求导，即可得聚烯烃生产过程熔融指数非线性模型预测控制的最优解为
φ(k)＝-(CΤQC)-1CΤQ(Aymc(k)+e(k)-Yr(k))
取出φ(k)的第一项φ(k1)，然后通过求解如下的一元多次方程便可得到聚烯烃生产过程熔融指数非线性模型预测控制的最优氢气浓度输入u(k)。
f′(u(k))u(k)＝φ(k1)
f.将得到的非线性模型预测控制的最优氢气浓度输入u(k)实施于聚烯烃生产过程，在下个采样周期按照(b)～(e)中的步骤进行循环求解新的最优氢气浓度输入。
本发明结合非线性机理模型中的增益参数进行精确的输出预测推导，最终得到非线性化工过程精确的控制量，从而实现非线性化工过程更加精准的控制，促进基于机理模型的非线性模型预测控制在化工过程中的应用发展。
本发明方法首先根据采集到的非线性化工过程的阶跃响应数据对过程模型的时间常数以及滞后时间进行辨识，然后结合非线性过程的机理模型公式对增益进行公式推导，之后设计非线性化工过程的模型预测控制器，最后将得到的精确最优控制律实施于被控的非线性化工过程。
本发明的技术方案是通过非线性化工过程阶跃响应数据采集、部分模型参数辨识、增益公式推导、非线性模型预测控制器设计等手段，建立基于机理模型的化工过程非线性模型预测控制方法，避免传统模型预测控制中由于模型线性化带来的预测误差，最终实现非线性化工过程的精准控制，进一步提升非线性化工过程生产的稳定性。
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。

Claims (10)

1.一种基于机理模型的化工过程非线性模型预测控制方法，其特征在于，包括如下步骤：
步骤1：采集非线性化工过程的阶跃响应数据，拟合出化工过程的时间常数以及滞后时间两个模型参数；
步骤1.1：给非线性化工过程的输入端加一个阶跃信号，并记录非线性化工过程对应的阶跃响应数据；
步骤1.2：将采集得到的阶跃响应数据yp(k)转换成对应的无纲量形式yp *(k)；
步骤1.3：首先选择满足yp *(k1)＝0.39和yp *(k1)＝0.63的两个数据点，然后计算非线性化工过程模型的时间常数和滞后时间；
步骤1.4：确定非线性化工过程的机理模型，进而计算非线性化工过程的实时增益；
步骤1.5：最终得到的非线性化工过程传递函数模型；
步骤2：设计非线性化工过程的非线性模型预测控制器；
步骤2.1：在零阶保持器以及采样时间Ts下，实现非线性化工过程的传递函数模型转换；
步骤2.2：对于离散方程，引入smith预估对其中的时滞进行补偿；
步骤2.3：基于无时滞的过程模型，得到非线性化工过程的预测输出；
步骤2.4：非线性化工过程的模型预测控制器设计选取目标函数；
步骤2.5：对上述目标函数求导，得到非线性模型预测控制的最优解；
步骤2.6：将得到的非线性模型预测控制的最优控制律u(k)实施于非线性化工过程，在下个采样周期按照步骤2.2～2.5中的步骤进行循环求解新的最优控制律。
2.根据权利要求1所述的基于机理模型的化工过程非线性模型预测控制方法，其特征在于，所述步骤1.2将采集得到的阶跃响应数据yp(k)转换成对应的无纲量形式yp *(k)，具体转换公式如下：
yp *(k)＝yp(k)/yf
其中，yf为非线性化工过程阶跃响应数据yp(k)的稳态值。
3.根据权利要求1所述的基于机理模型的化工过程非线性模型预测控制方法，其特征在于，所述步骤1.3依据下面的式子计算非线性化工过程模型的时间常数和滞后时间：
T＝2(k2-k1)
τ＝2k1-k2
其中，T和τ分别为非线性化工过程模型的时间常数和滞后时间。
4.根据权利要求1所述的基于机理模型的化工过程非线性模型预测控制方法，其特征在于，所述步骤1.4依照如下的式子计算非线性化工过程的实时增益：
ym(k)＝f(u(k))
K(k)＝f′(u(k))
其中，ym(k)是非线性化工过程的模型输出，u(k)是非线性化工过程的输入，K(k)是非线性化工过程的实时增益，f,f′分别为非线性化工过程的机理模型以及对应的一阶导数式子。
5.根据权利要求1所述的基于机理模型的化工过程非线性模型预测控制方法，其特征在于，所述步骤1.5得到的非线性化工过程传递函数模型为
Figure FDA0003956674050000031
其中，G(k),s分别为非线性化工过程的实时传递函数以及拉普拉斯算子。
6.根据权利要求1所述的基于机理模型的化工过程非线性模型预测控制方法，其特征在于，所述步骤2.1在零阶保持器以及采样时间Ts下，非线性化工过程的传递函数模型转换为：
ym(k)＝αym(k-1)+K(k-1)(1-α)u(k-1-d)
其中，
Figure FDA0003956674050000032
7.根据权利要求1所述的基于机理模型的化工过程非线性模型预测控制方法，其特征在于，所述步骤2.2补偿后的无时滞模型如下：
ymc(k)＝αymc(k-1)+K(k-1)(1-α)u(k-1)
其中，ymc(k)为补偿后的非线性化工过程无时滞模型输出；
对非线性化工过程的实际输出进行补偿得：
ypc(k)＝yp(k)+ymc(k)-ymc(k-d)
其中，ypc(k)为补偿后的非线性化工过程实际输出。
8.根据权利要求1所述的基于机理模型的化工过程非线性模型预测控制方法，其特征在于，所述步骤2.3非线性化工过程的预测输出推导如下：
Ymc(k)＝Aymc(k)+BU(k)
其中，
Figure FDA0003956674050000041
Figure FDA0003956674050000042
P,M分别为模型预测控制的预测时域以及控制时域，在取值上一般满足P＞M；
上述预测输出推导简化为
Ymc(k)＝Aymc(k)+Cφ(k)
其中，
Figure FDA0003956674050000043
9.根据权利要求1所述的基于机理模型的化工过程非线性模型预测控制方法，其特征在于，所述步骤2.4非线性化工过程的模型预测控制器设计选取如下的目标函数
Figure FDA0003956674050000044
其中，Q为跟踪误差的加权矩阵，e(k)为补偿的预测误差，取e(k)＝ypc(k)-ymc(k)，Yr(k)为对应的参考轨迹，其式子为
Figure FDA0003956674050000045
yr(k+i)＝βiyp(k)+(1-βi)c(k)
β为参考轨迹柔化系数，c(k)为非线性化工过程对应的设定值。
10.根据权利要求9所述的基于机理模型的化工过程非线性模型预测控制方法，其特征在于，所述步骤2.5对步骤2.4的目标函数求导，得到非线性模型预测控制的最优解为
φ(k)＝-(CTQC)-1CTQ(Aymc(k)+e(k)-Yr(k))
取出φ(k)的第一项φ(k1)，然后通过求解如下的一元多次方程便可得到非线性模型预测控制的最优控制律u(k)：
f′(u(k))u(k)＝φ(k1)。
CN202211463977.8A 2022-11-22 2022-11-22 基于机理模型的化工过程非线性模型预测控制方法 Pending CN116088431A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211463977.8A CN116088431A (zh) 2022-11-22 2022-11-22 基于机理模型的化工过程非线性模型预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211463977.8A CN116088431A (zh) 2022-11-22 2022-11-22 基于机理模型的化工过程非线性模型预测控制方法

Publications (1)

Publication Number Publication Date
CN116088431A true CN116088431A (zh) 2023-05-09

Family

ID=86198161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211463977.8A Pending CN116088431A (zh) 2022-11-22 2022-11-22 基于机理模型的化工过程非线性模型预测控制方法

Country Status (1)

Country Link
CN (1) CN116088431A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117055487A (zh) * 2023-08-24 2023-11-14 北京科技大学 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117055487A (zh) * 2023-08-24 2023-11-14 北京科技大学 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法
CN117055487B (zh) * 2023-08-24 2024-04-16 北京科技大学 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法

Similar Documents

Publication Publication Date Title
Tham et al. Soft-sensors for process estimation and inferential control
Zhou et al. Kalman filter-based data-driven robust model-free adaptive predictive control of a complicated industrial process
CN112418051B (zh) 一种用于非线性动态系统非高斯噪声下的状态估计方法
WO1999026118A1 (en) Automatic control system for unit operation
CN116088431A (zh) 基于机理模型的化工过程非线性模型预测控制方法
CN108845501B (zh) 一种基于懒惰学习的高炉铁水质量自适应优化控制方法
CN104460319A (zh) 多批次间歇反应过程二维多模型预测迭代学习控制方法
Urniezius et al. Generic estimator of biomass concentration for Escherichia coli and Saccharomyces cerevisiae fed-batch cultures based on cumulative oxygen consumption rate
CN110703718A (zh) 一种基于信号补偿的工业过程控制方法
CN108388218B (zh) 基于潜变量过程迁移模型的修正自适应批次过程优化方法
CN116048013A (zh) 一种聚烯烃过程的非线性预测函数控制方法
CN107942682B (zh) 非高斯系统的动态经济性能优化与控制一体化设计方法
Yousefi‐Darani et al. Parameter and state estimation of backers yeast cultivation with a gas sensor array and unscented Kalman filter
CN110794672B (zh) 一种水泥生产过程分解炉炉温显式控制方法
CN112083694A (zh) 氧气底吹铜吹炼过程反馈控制方法、装置及电子设备
CN109376957B (zh) 一种火电厂负荷的预测方法
de Souza et al. Soft sensors in the primary aluminum production process based on neural networks using clustering methods
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
Zhou et al. A robust integrated model predictive iterative learning control strategy for batch processes
CN115047758A (zh) 一种基于Smith预估校正的时滞积分过程预测函数控制方法
Soares et al. Modelling of temperature in the aluminium smelting process using Neural Networks
da Silva Moreira et al. Model based approach for online monitoring of aluminum production process
Zhang et al. Reliable multi-objective on-line re-optimisation control of a fed-batch fermentation process using bootstrap aggregated neural networks
CN114237035A (zh) 一种基于简化扩展状态空间模型的预测函数控制方法
Hille et al. Run-to-Run optimization of batch processes using set-based constraints

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