CN117111549B - 一种食品、医药生产工艺逆向调控方法 - Google Patents
一种食品、医药生产工艺逆向调控方法 Download PDFInfo
- Publication number
- CN117111549B CN117111549B CN202310900889.8A CN202310900889A CN117111549B CN 117111549 B CN117111549 B CN 117111549B CN 202310900889 A CN202310900889 A CN 202310900889A CN 117111549 B CN117111549 B CN 117111549B
- Authority
- CN
- China
- Prior art keywords
- production
- internal
- dynamics
- output
- dynamic
- 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 142
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 132
- 239000003814 drug Substances 0.000 title claims abstract description 31
- 235000013305 food Nutrition 0.000 title claims abstract description 30
- 230000002441 reversible effect Effects 0.000 title claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 97
- 238000004540 process dynamic Methods 0.000 claims abstract description 40
- 239000000463 material Substances 0.000 claims abstract description 29
- 238000005842 biochemical reaction Methods 0.000 claims abstract description 12
- 229940079593 drug Drugs 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000003851 biochemical process Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004886 process control Methods 0.000 claims description 6
- 230000000087 stabilizing effect Effects 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 230000000368 destabilizing effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 12
- 238000002474 experimental method Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract 1
- 239000000047 product Substances 0.000 description 12
- LPIQUOYDBNQMRZ-UHFFFAOYSA-N cyclopentene Chemical compound C1CC=CC1 LPIQUOYDBNQMRZ-UHFFFAOYSA-N 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- RGSFGYAAUTVSQA-UHFFFAOYSA-N pentamethylene Natural products C1CCCC1 RGSFGYAAUTVSQA-UHFFFAOYSA-N 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000006227 byproduct Substances 0.000 description 2
- ZSWFCLXCOIISFI-UHFFFAOYSA-N cyclopentadiene Chemical compound C1C=CC=C1 ZSWFCLXCOIISFI-UHFFFAOYSA-N 0.000 description 2
- BGTOWKSIORTVQH-UHFFFAOYSA-N cyclopentanone Chemical compound O=C1CCCC1 BGTOWKSIORTVQH-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- HECLRDQVFMWTQS-RGOKHQFPSA-N 1755-01-7 Chemical compound C1[C@H]2[C@@H]3CC=C[C@@H]3[C@@H]1C=C2 HECLRDQVFMWTQS-RGOKHQFPSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003050 experimental design method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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]
- G05B19/41865—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 job scheduling, process planning, material flow
-
- 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
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种食品、医药生产工艺逆向调控方法,该方法包括以下步骤:步骤S1:根据食品、医药生产的产品需要,确定期望输出轨迹,所述期望输出轨迹为生产工艺目标,并根据生化反应过程构建过程动力学模型;步骤S2:根据所述生产工艺目标,对所述过程动力学模型进行逆运算,求取相对应的生产工艺调控曲线,所述生产工艺调控曲线为生产操作工艺;步骤S3:根据给定食品、医药的生产目标,利用所述生产操作工艺进行控制操作来完成食品、医药的生产目标。本发明弥补了传统实验方法需要耗费大量的人力、物力以及时间的不足,不仅能够更加有效快速地得到生产过程的调控工艺,为不同产品调控工艺快速设计提供方案,而且解决了动态调控工艺设计难题。
Description
技术领域
本发明涉及给定生产工艺目标下的生化反应过程动态调控技术领域,具体涉及一种食品、医药生产工艺逆向调控方法。
背景技术
随着全球经济发展和社会进步,为了满足人们日益增长的生活需求,以工业生化技术为代表的小批量、高利润、多品种生产方式受到重视。食品医药生产一般蕴含生化变化或反应过程,其产品目标取决于生产过程温度、流量、浓度等关键变量的调控工艺,一旦工艺确定,诸如现场数字控制器、工业集散控制系统(DCS)即可按照工艺曲线进行实时控制,从而完成最终的生产要求或产品目标。
生产调控工艺的设计与产品质量、产量及生产时间等密切相关,对于食品医药行业,调控工艺设计是生产的基础,产品种类的多样化对调控工艺的快速设计提出更高的要求,也是实现智能制造的核心环节。一般情况下,调控工艺主要依赖工艺人员反复实验得到,但实验方法需要耗费大量的人力、物力以及时间,尤其难以适应现代智能制造对多品种、小批量、多目标的生产需求,同时现有实验设计方法很难获得动态的生产操作工艺。
发明内容
本发明提供一种食品、医药生产工艺逆向调控方法,根据生化反应过程构建过程动力学模型,对所述过程动力学模型进行逆运算,在保证过程动力学变化稳定性的条件下,求取给定生产目标下的生产操作工艺,克服了传统实验方法需要耗费大量的人力、物力以及时间的问题,能够更加有效快速地得到生产过程的调控工艺,为不同产品调控工艺快速设计提供方案;解决了动态调控工艺设计难题。
为了解决上述技术问题,本发明实施例提供一种食品、医药生产工艺逆向调控方法,该方法包括以下步骤:
步骤S1:根据食品、医药生产的产品要求,确定期望输出轨迹,所述期望输出轨迹为生产工艺目标,并根据生化反应过程构建过程动力学模型;
步骤S2:根据所述生产工艺目标,对所述过程动力学模型进行逆运算,求取相对应的生产工艺调控曲线,所述生产工艺调控曲线为生产操作工艺;
步骤S3:根据给定食品、医药的生产目标,利用所述生产操作工艺进行控制操作来完成食品、医药的生产目标。
在本发明的一个实施例中,步骤S1中,所述过程动力学模型写成过程状态方程如下:
其中,x∈Rn为生化过程状态,为状态轨迹,u∈Rm为过程输入,y∈Rm为过程输出,f(·),g1(·),…,gm(·),h1(·),…,hm(x)均为非线性平滑函数;
为了方便表示,将上述过程状态方程写成向量形式:
y=h(x)
其中,u=[u1,…,um]T,y=[y1,…,ym]T,x=[x1,…,xn]T,g(x)=[g1(x),…,gm(x)],h(x)=[h1(x),…,hm(x)]T,[·]T的T表示向量或矩阵的转置;
令输出期望轨迹为yd=[yd1,…,ydm],根据上述向量形式的过程状态方程得到生产工艺调控曲线和状态轨迹之间的关系式如下:
yd=h(xd)
其中,ud为生产工艺调控曲线,ud=[ud1,…,udm];xd为状态轨迹,xd=[xd1,…,xdn]。
在本发明的一个实施例中,对过程动力学模型的第i个过程输出yi求导数:
先对输出yi求1阶导数:
的相对阶大于1,则有/>此时可得:
再对输出yi求k阶导数:
其中,ri为第i个输出yi的相对阶,k≤ri;
最后对第i个输出yi求ri导数,则有
其中,1≤i≤m;
用向量[r1,r2,…,rm],r=r1+r2+…rm≤n表示m个输出的相对阶,对各个输出yi对应求ri次导数,如下:
为了简便,将上式写成向量形式如下:
y(r)=B(x)+A(x)u
其中,
使A(x)在点x=x°处为非奇异可逆矩阵,得到过程动力学模型的逆模型:
u=(A(x°))-1(y(r)-B(x))
其中,u为过程输入,y为过程输出,x∈Rn为生化过程状态,x°为生化过程状态x∈Rn的局部稳态值,(A(x°))-1表示A(x)在局部稳态处的逆矩阵。
在本发明的一个实施例中,所述生化过程状态x∈Rn包括外部动态ξ和内部动态η,将所述外部动态定义为期望输出轨迹:
其中,y1,y2,...,yr为过程动力学模型的过程输出,为过程动力学模型的过程输出的各阶导数;
将内部动态定义为:
η=[η1,η2,…,ηn-r]T。
在本发明的一个实施例中,根据所述过程动力学模型的逆模型,在坐标系(ξ,η)下,令y=yd,即有(ξ,η)=(ξd,ηd),u=ud,得到内外部动态之间的逆模型如下:
其中,a(ξd,ηd)为非奇异可逆矩阵,ξd为外部动态,ηd为内部动态,ud为工艺调控曲线。
在本发明的一个实施例中,步骤S2中,求解生产工艺调控曲线的具体步骤如下:
步骤S21:已知期望输出轨迹为外部动态,获取内部动态;
步骤S22:根据上述得到的内部动态,根据内外部动态之间的逆模型,得到生产工艺调控曲线;
其中,步骤S21中,获取内部动态的具体步骤如下:
步骤S211:构建非线性内部动态方程:
其中,ξ0为外部动态的初始稳态值,η0表示内部动态的初始稳态值;
步骤S212:将上述非线性内部动态方程转换成积分方程:
Q包括稳定部分和不稳定部分:
其中,Qs表示稳定部分,其所有特征值在矩阵Q的左半平面;Qu表示不稳定部分,其所有特征值在矩阵Q的右半平面;
定义有界状态转移矩阵φ(t)为:
则上述非线性内部动态方程等价于以下积分方程,用ηd(t)、ξd(t)表示ηd、ξd,选取积分时间域为[t,t+tp],得到近似积分方程如下:
步骤S213:采用Picard迭代方法求解上述近似积分方程:
其中,m≥1,m为迭代次数,当m→∞时,ηm(t)→ηd(t);
步骤S214:采用离散化方法获取向量形式的内部动态:
将内部动态η(t)在时间域t∈[t0,t0+tp]内均匀分为n段,在每一段时间长度内,η(t)近似为定值,离散化后向量形式的内部动态如下:
其中,表示η(t)在时间t∈[t0,t0+tp]内离散后的向量;
当Picard迭代次数m增加到不稳定内部动态和稳定内部动态/>收敛时,则得到向量形式的内部动态/>为:
其中,M为可逆的内部动态分解矩阵;
步骤S22中,利用上述向量形式的内部动态根据内外部动态之间的逆模型,得到生产工艺调控曲线的计算公式为:
其中,nt=取整((t-t0)n/(tp-t0)),为非奇异可逆矩阵。
在本发明的一个实施例中,步骤S213中,所述近似积分方程分为不稳定内部动态ηu(t)和稳定内部动态ηs(t),其特征值分别为λ1和-λ2,则有:
其中,ηd=M-1[ηuηs]T,M为可逆的内部动态分解矩阵,λ1,λ2>0。
在本发明的一个实施例中,所述过程动力学模型为物料之间的物料平衡、热量平衡及能量平衡关系方程。
在本发明的一个实施例中,所述生产工艺目标包括:生产过程中以浓度、温度为输出变量的产品生产的要求。
在本发明的一个实施例中,所述生产操作工艺包括:以进料流量、夹套温度为操作变量的生产操作工艺。
从以上技术方案可以看出,本发明所述的食品、医药生产工艺逆向调控方法,在已知生化过程动力学模型的基础上,利用逆向设计方法求解对应生产输出目标的生产调控工艺,给出了一种生化调控工艺的快速求取方法。该方法不仅避免了利用实验法求取生产操作工艺所耗费大量人力、物力以及时间的问题,而且对于动态变化的生产需求求取生产操作工艺同样适用,对于提高确定生化调控工艺的工作效率和企业生产效率具有明显的作用。
附图说明
图1是本发明所述食品、医药生产工艺逆向调控方法流程图;
图2是本发明应用的一个生化过程反应器实例图;
图3是本发明生化反应器应用实例的进料流量和夹套温度的工艺调控曲线;
图4是本发明生化反应器应用实例物料B的生产需求与实际生产结果对比图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
参见图1所示,本发明所述的食品、医药生产工艺逆向调控方法包括以下步骤:
步骤S1:根据食品、医药生产的产品需求,确定期望输出轨迹,所述期望输出轨迹为生产工艺目标,并根据生化反应过程构建过程动力学模型;
步骤S2:根据所述生产工艺目标,对所述过程动力学模型进行逆运算,求取相对应的生产工艺调控曲线,所述生产工艺调控曲线为生产操作工艺;
步骤S3:根据给定食品、医药的生产目标,利用所述生产操作工艺进行控制操作来完成食品、医药的生产目标。
本发明提供的食品、医药生产工艺逆向调控方法,根据生化反应过程构建过程动力学模型,对所述过程动力学模型进行逆运算,在保证过程动力学变化稳定性的条件下,求取给定生产目标下的生产操作工艺,克服了传统实验方法需要耗费大量的人力、物力以及时间的问题,能够更加有效快速地得到生产过程的调控工艺,为不同产品调控工艺快速设计提供方案;解决了动态调控工艺设计难题。
本实施例中,在步骤S1中,所述过程动力学模型写成过程状态方程如下:
其中,x∈Rn为生化过程状态,为状态轨迹,u∈Rm为过程输入,y∈Rm为过程输出,f(·),g1(·),…,gm(·),h1(·),…,hm(x)均为非线性平滑函数;
为了方便表示,将上述过程状态方程写成更紧凑的向量形式:
y=h(x)
式中:u=[u1,…,um]T,y=[y1,…,ym]T,x=[x1,…,xn]T,g(x)=[g1(x),…,gm(x)],h(x)=[h1(x),…,hm(x)]T;
其中,[·]T的T表示向量或矩阵的转置;
令输出期望轨迹为yd=[yd1,…,ydm],根据上述向量形式的过程状态方程得到生产工艺调控曲线和状态轨迹之间的关系式如下:
yd=h(xd)
其中,ud为生产工艺调控曲线,ud=[ud1,…,udm];xd为状态轨迹,xd=[xd1,…,xdn]。
进一步地,对上述过程动力学模型的第i个过程输出yi求导数:
首先,对第i个过程输出yi求1阶导数:
其中,为方便描述在上述公式中用表示/>并以/>表示函数hi(x)沿向量场f(x)的导数,同理/>表示函数hi(x)沿向量场gj(x)的导数,当第i个输出yi的相对阶大于1,则有/>此时可得:
再对第i个输出yi求2阶导数:
其中表示为函数Lfhi(x)沿向量场f(x)的导数,同理表示为函数Lfhi(x)沿向量场gj(x)的导数。如果第i个输出yi的相对阶大于2,有/>此时:
继续对第i个输出yi求k阶导数:
其中,ri为第i个输出yi的相对阶,k≤ri;
最后对第i个输出yi求ri导数,则有
其中,1≤i≤m;
用向量[r1,r2,…,rm],r=r1+r2+…rm≤n表示m个输出的相对阶,对各个输出yi对应求ri次导数,如下:
为了简便,将上式写成向量形式如下:
y(r)=B(x)+A(x)u
其中,
使A(x)在点x=x°处为非奇异可逆矩阵,得到过程动力学模型的逆模型:
u=(A(x°))-1(y(r)-B(x))
其中,u为过程输入,y为过程输出,x∈Rn为生化过程状态,x°为生化过程状态x∈Rn的局部稳态值,(A(x°))-1表示A(x)在局部稳态处的逆矩阵。
具体地,所述生化过程状态x∈Rn包括两部分:一是反映输入-输出的外部动态ξ,二是不能由输出-输出观测到的内部动态η,将所述外部动态定义为期望输出轨迹:
其中,r为外部动态对应的个数,y1,y2,...,yr为过程动力学模型的过程输出,为过程动力学模型的过程输出的各阶导数;
将内部动态定义为:η=[η1,η2,…,ηn-r]T,
其中,n-r为内部动态对应的个数。
在步骤S2中,求解生产工艺调控曲线包括以下步骤:
步骤S21:已知期望输出轨迹为外部动态,获取内部动态;
步骤S22:根据上述得到的内部动态,根据内外部动态之间的逆模型,得到生产工艺调控曲线;
其中,步骤S21中,获取内部动态的具体步骤如下:
步骤S211:构建非线性内部动态方程:
其中,ξ0为外部动态的初始稳态值,η0表示内部动态的初始稳态值;
步骤S212:将上述非线性内部动态方程转换成积分方程:
Q包括稳定部分和不稳定部分:
其中,Qs表示稳定部分,其所有特征值在矩阵Q的左半平面;Qu表示不稳定部分,其所有特征值在矩阵Q的右半平面;
定义有界状态转移矩阵φ(t)为:
则上述非线性内部动态方程等价于以下积分方程,用ηd(t)、ξd(t)表示ηd、ξd,选取积分时间域为[t,t+tp],得到近似积分方程如下:
步骤S213:采用Picard迭代方法求解上述近似积分方程:
其中,m≥1,m为迭代次数,当m→∞时,ηm(t)→ηd(t);
步骤S214:采用离散化方法获取向量形式的内部动态:
将内部动态η(t)在时间域t∈[t0,t0+tp]内均匀分为n段,在每一段时间长度内,η(t)近似为定值,离散化后向量形式的内部动态如下:
其中,表示η(t)在时间t∈[t0,t0+tp]内离散后的向量;
当Picard迭代次数m增加到不稳定内部动态和稳定内部动态/>收敛时,则得到向量形式的内部动态/>为:
其中,M为可逆的内部动态分解矩阵;
步骤S22中,利用上述向量形式的内部动态根据内外部动态之间的逆模型,得到生产工艺调控曲线的计算公式为:
其中,nt=取整((t-t0)n/(tp-t0)),为非奇异可逆矩阵。
具体在步骤S213中,所述近似积分方程分为不稳定内部动态ηu(t)和稳定内部动态ηs(t),其特征值分别为λ1和-λ2,则有:
其中,ηd=M-1[ηu ηs]T,M为可逆的内部动态分解矩阵,λ1,λ2>0。
本实施例中,所述过程动力学模型为物料之间的物料平衡、热量平衡及能量平衡关系方程;所述生产工艺目标包括:生产过程中以浓度、温度为输出变量的产品生产的要求;所述生产操作工艺包括:以进料流量、反应设备夹套温度为操作变量的生产操作工艺。
下面结合实际应用场景阐述本实施例所述食品、医药生产逆向调控方法的应用原理,现给出一个利用连续搅拌反应器(CSTR)制备环戊烯的具体事例,环戊烯常用于医药领域。
参见图2所示,CSTR是生化反应中广泛使用的一种反应器,是过程工业中典型的、高度非线性的化学反应器,利用CSTR生产环戊烯的这一化工生产过程具有典型的非线性、非最小相位特性,该化学反应式如下:
上述反应是由环戊二烯(简称物料A)生成主产品环戊烯(简称物料B)和副产品二环戊二烯(简称物料D),以及由物料B继续反应生成副产品环戊酮(简称物料C)。
环戊烯生产工艺逆向调控方法的具体步骤包括:
步骤一:构建生化反应过程动力学模型
针对上述生化反应过程,构建生化反应过程动力学模型,将过程动力学模型写成满足物料A和物料B的摩尔平衡方程和能量平衡方程如下:
其中CA和CB是物料A和B的摩尔浓度,T是反应器温度,F是进料流量,TC是冷却夹套的温度。CP和ρ分别是反应混合物的比热容和密度,ΔHi是反应热。
反应速率系数与反应温度和过程参数有关,具体系统参数见表1,反应速率系数具体计算公式如下:
ki(T)=ki0exp(Ei/RT)
表1
根据生产产品的需要对物料B的摩尔浓度CB和反应器温度T有期望输出轨迹要求,而调控变量是进料流量和设备夹套温度。以进料流量F和夹套温度TC为输入,物料B的摩尔浓度CB和反应器温度T为输出,反应器稳态平衡点为和Te=407.15K,此时对应于/>和/>
步骤二:确定生产工艺目标
现假设具体生产过程的生产工艺目标是在控制反应器温度恒定的情况下,要求物料B的摩尔浓度随生产时间t按照以下期望轨迹变化:
其中0<t≤tf,tf=0.9是调控的终端时间。
步骤三:利用模型逆算法求取生化工艺调控曲线
具体的求解步骤包括:
步骤1:将前述生化反应器模型改写成标准状态方程形式:
其中模型输入u1=F,u2=TC,状态变量x1=CB,x2=T,x3=CA,模型输出y1=x1,y2=x2,模型逆运算就是已知yd为期望的输出轨迹,需要找出输入轨迹ud和状态轨迹xd,即已知:
y2d=0
步骤2:将步骤1的状态方程中的输出y1和y2对时间t分别求导r1和r2次直至得到输入u=[u1,u2]T和状态变量x=[x1,x2,x3]T的线性关系,对于本实例对象r1=r2=1为过程系统的相对阶,即逆模型为:
步骤3:将步骤1中的状态变量x通过坐标变换为外部动态ξ和内部动态η的形式,对于本实例外部动态ξ=[ξ1,ξ2]T=[x1,x2]T,内部动态η=[η1]=[x3],由内外动态表达式可知本实例不需要通过坐标变换进行内外动态分解,原本就是标准内外动态形式的动态系统。
步骤4:在满足步骤3状态变量新坐标系下即[ξ1,ξ2,v1]=[x1,x2,x3],将步骤2中逆模型改写为内外动态的表达式形式:
步骤5:由于期望的外部动态ξd=[y1d,y2d]T已知,从而逆模型ud的计算就是求解内部状态参考轨迹,即内部状态的有界解η1,可以利用非线性内动态方程求解内动态。对于非线性内动态方程可以将步骤4中的u代入新坐标系(ξ,η)下的状态方程得到为:
其中将稳态初值代入上式并将非线性内动态方程改写为如下形式:
其中Q的特征值在右半平面,即η1是一个不稳定的内动态,需要通过反向积分来求解该非线性内动态方程的解,即上述内动态方程的解等价于以下积分方程:
式中ξ1、ξ2和η1应该是ξ1(τ)、ξ2(τ)和η1(τ),这里为方便都被简写且属于被积项。在实际应用过程只需要知道一段时间[0,tp]内的输出轨迹信息,其中预览时间tp=0.9越长,跟踪误差越小。即上述积分方程可以近似为:
步骤6:步骤5中的非线性积分方程可以通过Picard迭代方法可以得到该方程的解,即:
其中m为迭代次数,当m→∞时,ηm(t)→ηd(t)。
步骤7:在进行实际应用过程中,步骤6中随着迭代积分次数m的增加,结果逐渐收敛于实际值ηd(t),但ηm(t)的解析表达式会趋于复杂甚至难以描述,造成计算量越来越大直至无法计算的应用问题,所在计算机程序中需要将内部动态η(t)离散化处理。
假设内动态η(t)在未来时间内按时间均匀分解n段,即化成n+1个离散的数值向量,在每一段长度为tp/n时间内,η(t)被近似认为是一个定值,而不是原先连续随时间变化的函数,离散化后的内动态向量形式表示如下:
/>
其中表示函数/>在时间t∈[0,0.9]内离散后长度为n+1=900的向量。
由于步骤6求解的内动态η(t)是一个不稳定的内动态,所以采取不稳定内动态向量值递推公式求解每一次迭代过程中/>的数值向量解,对于本实施案例具体求解公式如下:
......
由于为第m-1次Picard迭代出的数值向量,当求第m次积分迭代时每一个递推公式中的积分求解结果均是数值形式,这样处理避免了求解复杂的解析解形式,极大减少了计算量。
利用已知的内动态来求解逆模型ud,根据步骤4中的公式可得:
其中nt=取整(1000t/(0.9)),ud1为进料流量的工艺调控曲线,ud2为设备夹套温度的工艺调控曲线,工艺调控曲线也就是生产操作工艺。
步骤四:利用生产操作工艺进行控制操作来完成生产目标
由于物料B的摩尔浓度CB和反应器温度T为期望输出轨迹,也就是生产工艺目标,上述步骤7得到的两个逆模型ud1和ud2分别为进料流量和设备夹套温度的生产操作工艺,利用该生产操作工艺进行控制操作,从而完成目标生产要求。
为了验证本应用实施的生产工艺逆向调控方法的效果,图3是根据生产目标求取的进料流量和反应器夹套温度的工艺调控曲线,图4是根据图3中进料流量的工艺调控曲线得到的物料B实际生产与生产需求结果对比,可以看出,“稳定逆方法”曲线基本拟合了“CB参考轨迹”曲线,“稳定逆方法”曲线表示利用本实施例中逆向调控方法完成物料B的实际生产结果,“CB参考轨迹”曲线表示物料B的生产需求,也就表明利用本实施例中逆向调控方法完成物料B的实际生产结果能够满足物料B的生产需求,进一步突显了本实施例所提供的生产工艺逆向调控方法的有效性。
由此可以看出,本发明提供的食品、医药生产工艺逆向调控方法,根据生化反应过程构建过程动力学模型,对所述过程动力学模型进行逆运算,在保证过程动力学变化稳定性的条件下,求取给定生产目标下的生产操作工艺,克服了传统实验方法需要耗费大量的人力、物力以及时间的问题,不仅能够更加有效快速地得到生产过程的调控工艺,为不同产品调控工艺快速设计提供方案,而且解决了动态调控工艺设计难题。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (4)
1.一种食品、医药生产工艺逆向调控方法,其特征在于,包括以下步骤:
步骤S1:根据食品、医药生产的产品需要,确定期望输出轨迹,所述期望输出轨迹为生产工艺目标,并根据生化反应过程构建过程动力学模型;
步骤S2:根据所述生产工艺目标,对所述过程动力学模型进行逆运算,求取相对应的生产工艺调控曲线,所述生产工艺调控曲线为生产操作工艺;
步骤S3:根据给定食品、医药的生产目标,利用所述生产操作工艺进行控制操作来完成食品、医药的生产目标;
步骤S1中,所述过程动力学模型写成过程状态方程如下:
其中,x∈Rn为生化过程状态,为状态轨迹,u∈Rm为过程输入,y∈Rm为过程输出,f(·),g1(·),…,gm(·),h1(·),…,hm(x)均为非线性平滑函数;
为了方便表示,将上述过程状态方程写成向量形式:
y=h(x)
其中,u=[u1,…,um]T,y=[y1,…,ym]T,x=[x1,…,xn]T,g(x)=[g1(x),…,gm(x)],h(x)=[h1(x),…,hm(x)]T,[·]T的T表示向量或矩阵的转置;
令输出期望轨迹为yd=[yd1,…,ydm],根据上述向量形式的过程状态方程得到生产工艺调控曲线和状态轨迹之间的关系式如下:
yd=h(xd)
其中,ud为生产工艺调控曲线,ud=[ud1,…,udm];xd为状态轨迹,xd=[xd1,…,xdn];
对过程动力学模型的第i个过程输出yi求导数:
先对输出yi求1阶导数:
其中,1≤i≤m,用表示/> 表示函数hi(x)沿向量场f(x)的导数,同理/>表示函数hi(x)沿向量场gj(x)的导数,当第i个输出yi的相对阶大于1,则有/>此时可得:
再对输出yi求k阶导数:
其中,ri为第i个输出yi的相对阶,k≤ri;
最后对第i个输出yi求ri导数,则有
其中,1≤i≤m;
用向量[r1,r2,…,rm],r=r1+r2+…rm≤n表示m个输出的相对阶,对各个输出yi对应求ri次导数,如下:
为了简便,将上式写成向量形式如下:
y(r)=B(x)+A(x)u
其中,
使A(x)在点x=x°处为非奇异可逆矩阵,得到过程动力学模型的逆模型:
u=(A(x°))-1(y(r)-B(x))
其中,u为过程输入,y为过程输出,x∈Rn为生化过程状态,x°为生化过程状态x∈Rn的局部稳态值,(A(x°))-1表示A(x)在局部稳态处的逆矩阵;
所述生化过程状态x∈Rn包括外部动态ξ和内部动态η,将所述外部动态定义为期望输出轨迹:
其中,y1,y2,...,yr为过程动力学模型的过程输出,为过程动力学模型的过程输出的各阶导数;
将内部动态定义为:
η=[η1,η2,…,ηn-r]T;
根据所述过程动力学模型的逆模型,在坐标系(ξ,η)下,令y=yd,即有(ξ,η)=(ξd,ηd),u=ud,得到内外部动态之间的逆模型如下:
其中,a(ξd,ηd)为非奇异可逆矩阵,ξd为外部动态,ηd为内部动态,ud为工艺调控曲线;
步骤S2中,求解生产工艺调控曲线的具体步骤如下:
步骤S21:已知期望输出轨迹为外部动态,获取内部动态;
步骤S22:根据上述得到的内部动态,根据内外部动态之间的逆模型,得到生产工艺调控曲线;
其中,步骤S21中,获取内部动态的具体步骤如下:
步骤S211:构建非线性内部动态方程:
其中,ξ0为外部动态的初始稳态值,η0表示内部动态的初始稳态值;
步骤S212:将上述非线性内部动态方程转换成积分方程:
Q包括稳定部分和不稳定部分:
其中,Qs表示稳定部分,其所有特征值在矩阵Q的左半平面;Qu表示不稳定部分,其所有特征值在矩阵Q的右半平面;
定义有界状态转移矩阵φ(t)为:
则上述非线性内部动态方程等价于以下积分方程,用ηd(t)、ξd(t)表示ηd、ξd,选取积分时间域为[t,t+tp],得到近似积分方程如下:
步骤S213:采用Picard迭代方法求解上述近似积分方程:
其中,m≥1,m为迭代次数,当m→∞时,ηm(t)→ηd(t);
步骤S214:采用离散化方法获取向量形式的内部动态:
将内部动态η(t)在时间域t∈[t0,t0+tp]内均匀分为n段,在每一段时间长度内,η(t)近似为定值,离散化后向量形式的内部动态如下:
其中,表示η(t)在时间t∈[t0,t0+tp]内离散后的向量;
当Picard迭代次数m增加到不稳定内部动态和稳定内部动态/>收敛时,则得到向量形式的内部动态/>为:
其中,M为可逆的内部动态分解矩阵;
步骤S22中,利用上述向量形式的内部动态根据内外部动态之间的逆模型,得到生产工艺调控曲线的计算公式为:
其中,nt=取整((t-t0)n/(tp-t0)),为非奇异可逆矩阵;
在步骤S213中,所述近似积分方程分为不稳定内部动态ηu(t)和稳定内部动态ηs(t),其特征值分别为λ1和-λ2,则有:
其中,ηd=M-1[ηuηs]T,M为可逆的内部动态分解矩阵,λ1,λ2>0。
2.如权利要求1所述的食品、医药生产工艺逆向调控方法,其特征在于:所述过程动力学模型为物料之间的物料平衡、热量平衡及能量平衡关系方程。
3.如权利要求1所述的食品、医药生产工艺逆向调控方法,其特征在于:所述生产工艺目标包括:生产过程中以浓度、温度为输出变量的产品生产的要求。
4.如权利要求1所述的食品、医药生产工艺逆向调控方法,其特征在于:所述生产操作工艺包括:以进料流量、设备夹套温度为操作变量的生产操作工艺。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310900889.8A CN117111549B (zh) | 2023-07-20 | 2023-07-20 | 一种食品、医药生产工艺逆向调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310900889.8A CN117111549B (zh) | 2023-07-20 | 2023-07-20 | 一种食品、医药生产工艺逆向调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117111549A CN117111549A (zh) | 2023-11-24 |
CN117111549B true CN117111549B (zh) | 2024-05-31 |
Family
ID=88806403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310900889.8A Active CN117111549B (zh) | 2023-07-20 | 2023-07-20 | 一种食品、医药生产工艺逆向调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117111549B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0619528A (ja) * | 1992-06-30 | 1994-01-28 | Sony Corp | 加減速パターン生成装置及び加減速パターン生成方法、並びにこれに用いる逆運動学問題の解法と時間軸補正方法 |
WO1996012990A1 (en) * | 1994-10-24 | 1996-05-02 | Olin Corporation | Model predictive control apparatus and method |
WO2009086220A1 (en) * | 2007-12-21 | 2009-07-09 | University Of Florida | Systems and methods for offset-free model predictive control |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8719212B2 (en) * | 2011-05-09 | 2014-05-06 | King Fahd University Of Petroleum And Minerals | Parallel kinematic machine trajectory planning method |
US8977394B2 (en) * | 2012-12-31 | 2015-03-10 | King Fahd University Of Petroleum And Minerals | Control method for mobile parallel manipulators |
US11822345B2 (en) * | 2020-10-23 | 2023-11-21 | Xerox Corporation | Controlling an unmanned aerial vehicle by re-training a sub-optimal controller |
-
2023
- 2023-07-20 CN CN202310900889.8A patent/CN117111549B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0619528A (ja) * | 1992-06-30 | 1994-01-28 | Sony Corp | 加減速パターン生成装置及び加減速パターン生成方法、並びにこれに用いる逆運動学問題の解法と時間軸補正方法 |
WO1996012990A1 (en) * | 1994-10-24 | 1996-05-02 | Olin Corporation | Model predictive control apparatus and method |
WO2009086220A1 (en) * | 2007-12-21 | 2009-07-09 | University Of Florida | Systems and methods for offset-free model predictive control |
Non-Patent Citations (5)
Title |
---|
"基于稳定逆的生化过程操作曲线求取方法";戴吟,刘飞;化工自动化及仪表;20231120;第50卷(第6期);全文 * |
基于稳定逆的UUV路径跟踪控制;严浙平;迟冬南;邓超;;中国造船;20130325(第01期);全文 * |
基于稳定逆的直流炉机组协调控制系统前馈-反馈控制;李露;刘吉臻;项丹;;动力工程学报;20150115(第01期);全文 * |
基于稳定逆的非最小相位系统的迭代学习控制;刘山,吴铁军;控制理论与应用;20040409;全文 * |
基于稳定逆的非最小相位系统跟踪控制研究;戴吟;江南大学;20241231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117111549A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Robust fuzzy adaptive funnel control of nonlinear systems with dynamic uncertainties | |
Chen et al. | Composite fast‐slow MPC design for nonlinear singularly perturbed systems | |
Hadjiski et al. | Advanced control of the wood thermal treatment processing | |
CN113110341B (zh) | 一种基于潜变量过程迁移模型的批次过程分层优化方法 | |
CN104698842B (zh) | 一种基于内点法的lpv模型非线性预测控制方法 | |
Armaou et al. | Piece-wise constant predictive feedback control of nonlinear systems | |
Hao et al. | PI based indirect-type iterative learning control for batch processes with time-varying uncertainties: A 2D FM model based approach | |
Zhang et al. | A new design of predictive functional control strategy for batch processes in the two-dimensional framework | |
Khettab et al. | Enhanced fractional order indirect fuzzy adaptive synchronization of uncertain fractional chaotic systems based on the variable structure control: robust H∞ design approach | |
Santoso et al. | Operability analysis of nonlinear processes based on incremental dissipativity | |
JP2013069094A (ja) | 制御方法および制御装置 | |
Lu et al. | Simplex sliding mode control for nonlinear uncertain systems via chaos optimization | |
Baruah et al. | A comparative study of PID based temperature control of CSTR using Genetic Algorithm and Particle Swarm Optimization | |
Irizarry | A generalized framework for solving dynamic optimization problems using the artificial chemical process paradigm: Applications to particulate processes and discrete dynamic systems | |
Mallaiah et al. | A simulated annealing optimization algorithm based nonlinear model predictive control strategy with application | |
CN117111549B (zh) | 一种食品、医药生产工艺逆向调控方法 | |
JP2018156152A (ja) | 制御方法および制御装置 | |
Liu et al. | Black box operation optimization of basic oxygen furnace steelmaking process with derivative free optimization algorithm | |
Ziółkowski et al. | Comparison of energy consumption in the classical (PID) and fuzzy control of foundry resistance furnace | |
CN107180279B (zh) | 基于qpso-dmpc的反应再生系统优化控制方法 | |
Anuradha et al. | Direct inverse neural network control of a continuous stirred tank reactor (CSTR) | |
Jia et al. | Hierarchical batch-to-batch optimization of cobalt oxalate synthesis process based on data-driven model | |
Hoang et al. | Partial inventory control of the CSTR via reaction-dependent generalized inventories | |
Hsiao | Neural-network based approach on delay-dependent robust stability criteria for dithered chaotic systems with multiple time-delay | |
Dra̧g et al. | The new approach for dynamic optimization with variability 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |