间歇反应器中间歇反应过程的优化控制方法
【专利摘要】本发明提供了一种间歇反应器中间歇反应过程的优化控制方法，包括如下步骤：S100：采用TLBO算法，依据接收到的经济优化指标，计算出控制对象的最优值轨迹作为控制层的参考轨迹；S200：在间歇反应过程中，采用一个线性广义预测控制器保证闭环系统的输入输出信号有界，采用一个非线性神经网络广义预测控制器补偿系统的非线性项，在每个采样时刻根据预设的切换性能指标选择线性广义预测控制器或非线性神经网络广义预测控制器，使被控对象追踪S100得到的最优值轨迹；S300：通过一个底层控制器抑制、消除进入到系统中的扰动对输出的影响，进而将控制对象的值输出。
【专利说明】间歇反应器中间歇反应过程的优化控制方法
【技术领域】
[0001] 本发明涉及间歇反应器中间歇反应过程的控制优化领域，尤其涉及一种间歇反应 过程的优化控制方法。
【背景技术】
[0002] 间歇过程在化工生产中占有非常重要的地位，广泛应用于生产高附加值的产品， 如精细化工产品、聚合物、生物制品、药品等.随着21世纪生化领域研究的飞速发展和相关 产品的研发和生产，间歇过程将发挥更大的作用.然而，由于间歇反应过程自身所具有的 强非线性、缺少稳态操作条件、反应过程的不确定性等特点，使得过程优化与控制具有一定 的难度，因此提出更为有效的优化与控制策略是间歇反应过程中至关重要的一个环节
[0003] 间歇反应过程的优化面对的一般是非线性、动态特性明显、大规模的复杂优化问 题，采用传统的数学优化算法处理该些问题时存在一定的困难。近几年，对于该问题的研究 比较活跃，Biegler等人偏重于联立算法解决大规模优化问题，并将其应用在非线性模型预 测控制、参数估计、数据调整和过程综合等方面，Engel采用自优化控制、实时优化等反馈控 制方法实现最优过程操作。周华等采用动态规划方法求解间歇反应过程的优化问题，结 合通用模型控制算法实现间歇过程的动态优化和集成控制.贺益君等人采用粒子群优化 (PS0)算法求解分批生化反应过程的动态优化问题.虽然智能优化算法可W依据计算机的 迭代计算能力，很好的求解该类动态优化问题，但是采用智能优化算法求解动态优化问题 时在搜索和寻优性能方面还存在一定的缺陷，例如由于PS0算法的求解是多样性逐渐丧失 的过程，所W该算法局部寻优能力较差且易于发生早熟收敛现象。
[0004] 间歇反应过程的先进控制表现为通过上层优化确定最优轨迹后，如何在不违反操 作条件和约束的情况下完成对最优设定轨线的准确跟踪问题。由于间歇过程的操作条件具 有高度的非线性，采用线性模型预测控制（MPC)等控制策略缺乏补偿非线性的能力，无法 满足间歇反应过程的控制要求。因此如何建立一个即可W考虑经济效益又可W保证系统良 好的全局控制效果的优化控制策略目前特需解决的一个问题。
【发明内容】
[0005] 本发明要解决的技术问题是如何在间歇反应过程的工业控制中兼顾了系统的经 济效益优化和对最优参考轨迹的追踪效果，最终达到提高整个系统经济效益的效果。
[0006] 为了解决该一技术问题，一种间歇反应过程的优化控制方法，包括如下步骤：
[0007] S100 ;采用TLB0算法，依据接收到的经济优化指标，计算出控制对象的最优值轨 迹作为控制层的参考轨迹；
[0008] S200;在间歇反应过程中，采用一个线性广义预测控制器保证闭环系统的输入输 出信号有界，采用一个非线性神经网络广义预测控制器补偿系统的非线性项，在每个采样 时刻根据预设的切换性能指标选择线性广义预测控制器或非线性神经网络广义预测控制 器，使被控对象追踪S100得到的最优值轨迹；
[0009] S300;通过一个底层控制器抑制、消除进入到系统中的扰动对输出的影响，进而将 控制对象的值输出。
[0010] 在所述步骤S100中，包括如下步骤：
[0011] S101 ;将时间区间分成n个相同的区段，每段内控制对象的变量均为不变量，得到 n个待优化的控制参数，从而将无限维时间变量离散为有限维时间变量；
[0012] S102;选择n个待优化的控制参数中的一个作为TLB0算法中的老师，其余作为 TLB0算法中的学生；
[0013] S103 ;进行TLB0优化，得到控制对象的最优值轨迹作为控制层的参考轨迹。
[0014] 所述线性广义预测控制器采用的线性估计模型Ml表示为
[0015] 化) = 旬巧-：!） (2)
[0016] 式中：
【权利要求】
1. 一种间歇反应器中间歇反应过程的优化控制方法，其特征在于：包括如下步骤： 5100 :采用TLBO算法，依据接收到的经济优化指标，计算出控制对象的最优值轨迹作 为控制层的参考轨迹； S200:在间歇反应过程中，采用一个线性广义预测控制器保证闭环系统的输入输出信 号有界，采用一个非线性神经网络广义预测控制器补偿系统的非线性项，在每个采样时刻 根据预设的切换性能指标选择线性广义预测控制器或非线性神经网络广义预测控制器，使 被控对象追踪SlOO得到的最优值轨迹； S300 :通过一个底层控制器抑制、消除进入到系统中的扰动对输出的影响，进而将控制 对象的值输出。
2. 如权利要求1所述的间歇反应器中间歇反应过程的优化控制方法，其特征在于：在 所述步骤SlOO中，包括如下步骤： 5101 :将时间区间分成η个相同的区段，每段内控制对象的变量均为不变量，得到η个 待优化的控制参数，从而将无限维时间变量离散为有限维时间变量； 5102 :选择η个待优化的控制参数中的一个作为TLBO算法中的老师，其余作为TLBO算 法中的学生； 5103 :进行TLBO优化，得到控制对象的最优值轨迹作为控制层的参考轨迹。
3. 如权利要求1所述的间歇反应器中间歇反应过程的优化控制方法，其特征在于：所 述线性广义预测控制器采用的线性估计模型M1表示为 !'(k) = 1)4 (A-I) _ ?ζ φ ： pT(k-]) = [-y(k- nJ.Auik-i^Auik -2)--Au(k -nh -1)] S2 = α?Λ,αι,ι,· >· aiAs ,b2%lJ)2J,· - h2r>h ，其中 k 表不米样时刻；y (k)、u(k)分别为系统的输 出、输入；A (厂1)、B (厂1)为关于后移算子夕的多项式，a，b分别为其系数； M1的模型参数#,(A)可用如下带死区的辨识算法得到：
c\ (k) = y(k) - Vi (k) = y(k) - (Λ -1)^ (A -1)
4. 如权利要求I所述的间歇反应器中间歇反应过程的优化控制方法，其特征在于：所 述线性广义预测控制器中，在k时刻采用的优化性能指标表示为：
式中，wr(k+j) zawJk+j-D + Q-ahlk+j)为控制对象输出其月望值，式中a为柔化因 子,0 < a < I, yraf为输出参考轨迹。N为优化时域；Nu为控制时域；λ j、rj为加权系数序 列。
5. 如权利要求3所述的间歇反应器中间歇反应过程的优化控制方法，其特征在于：所 述线性广义预测控制器的控制增量为：
F= [Fi(z-i)，…，FnW H = [H1(Z^1)j -,Hn(Z^1)It M = [M1(Z^1)j -,Mn(Z^1)Jt 式中各变量参数根据求解控制增量过程中引入的丢番图方程得到的，丢番图公式为
3) e，f，g，h分别为各多项式系数，β为阶梯因子。
6. 如权利要求1所述的间歇反应器中间歇反应过程的优化控制方法，其特征在于：非 线性神经网络广义预测控制器采用的估计模型M 2可表示为 <
其中k表示采样时刻；y(k)、u (k)分别为系统的输出、输入；A (厂1)、B (厂1)为关于后移 算子f的多项式，a，b分别为其系数； M2的模型参数4的辨识算法如下
为神经网络对非线性项的估计值，即f v(k)=^,(k)-V(z(k)) (1〇) 其中，z (k) = [y (k)，. . .，y (k-na+l)，. . .，Δ u (k)，. . .，Δ u (k-nb) ]τ 为系统的输入向 量，Ψ(ζΟΟ)为神经网络的基函数，§,(λ·)为神经网络的权值矩阵。
7. 如权利要求1所述的间歇反应器中间歇反应过程的优化控制方法，其特征在于：所 述非线性神经网络广义预测控制器在k时刻采用的优化性能指标表示为：
Sj为加权多项式，并选择加权多项式(zl使得 (Sj (z_1) +Ej (z_1)) v (k+j-1) = Mj (z_1) v (k-1), j = I, 2,. . . , N (12) 其中
M为非线性项多项式系数，m为多项式各项系数。
8. 如权利要求1所述的间歇反应器中间歇反应过程的优化控制方法，其特征在于：所 述非线性神经网络广义预测控制器控制增量为：
9. 如权利要求1所述的间歇反应器中间歇反应过程的优化控制方法，其特征在于：所 述切换性能指标表述为：
其中，T为正整数，c彡0是常数。i = 1表示线性模型，i = 2表示非线性模型，ei(k) 为第i个模型在k时刻的输出误差。μ i (k)为第i个模型在k时刻的控制量输入。
【文档编号】G05B19/418GK104375475SQ201410409098
【公开日】2015年2月25日 申请日期:2014年8月19日 优先权日:2014年8月19日
【发明者】王昕 , 宋治强 申请人:上海交通大学