基于MPLS的间歇过程终点质量迭代优化控制

提出了多向偏最小二乘(MPLS)模型和迭代学习控制相结合的方法,实现间歇过程终点时刻产品质量指标的控制.利用间歇过程的重复特性,根据前一批次的终点质量偏差调整下-批次控制变量的轨迹,从而使质量指标逐步接近于理想指标.本文提出的方法可以有效地消除由于模型误差和未知扰动引起的质量偏差.在苯乙烯间歇聚合反应模型上进行了仿真分析,验证了该方法的有效性.     

一种间歇过程产品质量迭代学习控制策略

针对基于迭代学习控制的间歇过程产品质量优化控制算法难以进行收敛性分析的难题,以数据驱动的神经模糊模型为基础,提出一种新颖间歇过程的产品质量迭代学习控制方法。通过在优化算法中加入了新的约束条件,改变了最优解的搜索空间范围,从而使产品质量在批次轴上收敛,并创新性地对优化问题的收敛性给出了严格的数学证明。在理论研究的基础上,将提出的算法用于间歇连续反应釜的终点质量控制研究,仿真结果验证了本文算法的有效性和实用价值,为间歇过程的优化控制提供了一条新途径。     

基于间歇反映器的迭代学习控制

根据间歇反应的特性,提出改进型的PID迭代学习算法。用这种方法实现的PID控制器结果简单,作用于系统中可以得到较强的鲁棒性和较好的动态特性。通过仿真结果可以看出这种方法具有很好的可行性和实用性。     

基于广义预测控制的间歇生产迭代优化控制

针对间歇生产,提出了一种基于广义预测控制的批次迭代优化控制策略--BGPC,在间歇过程中引入批次间优化的思想,将迭代学习控制ILC和广义预测控制GPC相结合,在GPC实时结构参数辨识的基础上利用前面批次的模型预测误差修正当前批次的模型预测值.该算法能够有效地克服模型失配、扰动和系统参数变化等情况.文章最后以一个数值例子和间歇反应器为对象进行仿真试验,验证了该算法是有效的.     

一类间歇生产过程的迭代学习控制算法及其收敛性分析

针对基于迭代学习控制的间歇过程产品质量优化控制算法难以进行收敛性分析的难题,并且考虑到实际生产中存在外部干扰和不确定因素的影响,本文对间歇过程模型参数动态更新问题进行了分析,建立了间歇生产过程产品质量的神经模糊(NF)预测模型,提出了一种新颖的批次轴参数自适应调节算法。在此基础上,构造了一种基于数据驱动的间歇生产过程产品质量迭代学习控制算法,并对优化问题的收敛性给出了严格的数学证明。最后,将本文提出的算法用于一类典型的间歇过程终点质量控制研究,仿真结果验证了本文算法的有效性和实用价值,为间歇过程的优化控制提供了一条新途径。     

基于T-S模糊模型的间歇过程的迭代学习容错控制

间歇过程不仅具有强非线性,同时还会受到诸如执行器等故障影响,研究非线性间歇过程在具有故障的情况下依然稳定运行至关重要。针对执行器增益故障及系统所具有的强非线性,提出一种新的基于间歇过程的T-S模糊模型的复合迭代学习容错控制方法。首先根据间歇过程的非线性模型,利用扇区非线性方法建立其T-S模糊故障模型,再利用间歇过程的二维特性与重复特性,在2D系统理论框架内,设计2D复合ILC容错控制器,进而构建此T-S模糊模型的等价二维Rosser模型,接着利用Lyapunov方法给出系统稳定充分条件并求解控制器增益。针对强非线性的连续搅拌釜进行仿真,结果表明所提出方法具有可行性与有效性。     

基于输入轨迹参数化的间歇过程迭代学习控制

针对间歇过程的迭代学习控制问题,提出了一种基于输入轨迹参数化的迭代学习控制策略。根据最优输入轨迹的主要形态特征,将其参数化为较少量的决策变量,降低传统迭代学习控制复杂性的同时维持良好的优化控制效果。基于输入轨迹参数化的迭代学习控制策略能保持算法的简洁性和易实现性,在不确定扰动影响下逐步改善产品质量。对一个间歇反应器的仿真研究验证了本文方法的有效性。     

间歇过程优化与先进控制综述

总结近年来间歇过程操作优化和设计优化中出现的各种新方法,以及在优化问题求解中使用的各种先进控制策略,反映间歇过程最优化和先进控制的最新研究方向。重点介绍间歇过程单元的操作优化和控制,兼顾在线稳态优化和动态优化。对新的研究方法提出展望。     

间歇过程点对点迭代学习控制的初始状态误差分析

针对间歇过程点对点跟踪控制问题,在轨迹更新的迭代学习控制算法框架下,针对非理想初始状态情况下3种不同的初始误差,通过2D Roesser模型对其进行描述并分析其收敛性。给出了不同的情况下系统相对参考轨迹的零误差跟踪或者收敛到特定邻域的条件,在零误差跟踪不能实现的情况下给出了邻域的范围。通过数值模型仿真验证了给出的收敛条件和收敛边界,并分析了不同因素对收敛边界的影响。     

基于系统期望状态的迭代学习控制

针对一类非线性系统在有限时间内的精确跟踪问题，给出了基于系统期望状态的迭代学习控制算法，并对学习过程的收敛性给出了数学证明，证明表明，在设计学习律时，只需考察希望状态。     

基于MKPLS和SQP方法的间歇过程迭代优化控制

采用多向核偏最小二乘（MKPLS）方法建立间歇过程的模型并进行操作条件的优化。由于存在模型失配和未知扰动，基于MKPLS模型的最优控制轨迹在实际对象上往往难以实现最优的产品质量指标。本文利用间歇过程批次间的重复特性与序贯二次规划（SQP）优化算法中迭代计算的相似特点，提出了一种基于MKPLS模型的批次间优化调整策略，使得经过逐步优化调整得到的控制轨迹作用于实际对象时，可以得到更优的质量指标。该方法的有效性在苯乙烯聚合反应器和乙醇流加发酵过程的仿真对象上得到了验证。     

间歇过程的批间自优化控制

针对间歇过程的实时优化问题,提出了一种基于最优性条件近似法的批间自优化控制策略。首先获取标称工作点的最优输入轨迹形态,将其参数化为少量决策变量,简化问题复杂度。然后根据参数化后的决策变量得到批间优化的最优性条件,并建立批次终端可测变量和最优性条件之间的回归模型,将其作为被控变量进行批间跟踪控制。对一个间歇反应器进行了仿真研究,结果表明方法能有效实现间歇过程的批间自优化控制。     

Near optimal control of batch reactors

A modified form of the Discrete Maximum Principle (DMP) is derived for systems with finite memory. It is shown that this form of the DMP may be used for the optimal control of nonlinear continuous dynamics systems, when the control policies are bound to be piecewise constant. In this case the modified DMP allows one to determine, in an optimal way, both the control vectors and the switching points. A computational procedure for practical applications is presented. A numerical example is given relative to the computation of the optimal temperature sequence in a completely mixed batch reactor where two consecutive irreversible reactions are taking place.     

Machine learning-based distributed model predictive control of nonlinear processes

This work explores the design of distributed model predictive control (DMPC) systems for nonlinear processes using machine learning models to predict nonlinear dynamic behavior. Specifically, sequential and iterative DMPC systems are designed and analyzed with respect to closed-loop stability and performance properties. Extensive open-loop data within a desired operating region are used to develop long short-term memory (LSTM) recurrent neural network models with a sufficiently small modeling error from the actual nonlinear process model. Subsequently, these LSTM models are utilized in Lyapunov-based DMPC to achieve efficient real-time computation time while ensuring closed-loop state boundedness and convergence to the origin. Using a nonlinear chemical process network example, the simulation results demonstrate the improved computational efficiency when the process is operated under sequential and iterative DMPCs while the closed-loop performance is very close to the one of a centralized MPC system.     

A model-based control framework for industrial batch crystallization processes

Dynamic optimization is applied for throughput maximization of a semi-industrial batch crystallization process. The control strategy is based on a non-linear moment model. The dynamic model, consisting of a set of differential and algebraic equations, is optimized using the simultaneous optimization approach in which all the state and input trajectories are parameterized. The resulting problem is subsequently solved by a non-linear programming algorithm.     

时变间歇过程的2D-PID自适应控制方法

针对间歇过程存在的参数时变问题,提出一种基于二维PID(2D-PID)迭代学习框架的自适应控制方法。首先,通过粒子群优化算法快速获取初始的2D-PID控制参数。在批次内,采用自调整神经元PID控制器对其进行在线自适应调节。进一步,考虑批次间的重复特性,通过PID型迭代学习控制,以利用历史批次的信息来修正当前批次的调节变量,最终提高控制性能。通过间歇发酵过程的仿真和比较研究,验证了所提出方法的有效性。     

基于KPLS模型的间歇过程产品质量控制

针对间歇过程所具有的非线性特性,提出了一种基于核偏最小二乘(KPLS)模型的最终产品质量控制策略。利用初始条件、批次展开后的过程数据以及最终产品质量建立了间歇过程的KPLS模型;采用基于主成分分析(PCA)映射的预估方法对未知的过程数据进行补充,实现了最终产品质量的在线预测。为了解决最终产品质量的控制,利用T2统计量确定KPLS模型的适用范围,并作为约束引入产品质量控制问题,提高控制策略的可行性;采用粒子群优化(PSO)算法实现了优化问题的高效求解。仿真结果表明,与基于偏最小二乘(PLS)模型的控制策略相比,所提出的方法具有更高的预测精度,且能有效解决产品质量控制中出现的各种问题。     

Robust identification and control of batch processes

An approach is proposed for the robust identification and control of batch and semibatch processes. The batch experiments used for model identification are designed by minimizing the magnitude of the parameter uncertainties, and the effect of these uncertainties on the product quality achievable by optimal control is used as a stopping criterion for the identification procedure. The optimal control approach incorporates a quantification of the impact of both parameter and control implementation uncertainties on the performance of the optimal control policy. The approach is applied to the nucleation and growth of crystals with multiple characteristic dimensions, where the nominal parameters used in the simulation study are quantified from experimental data.     

Iterative learning model predictive control for constrained multivariable control of batch processes

In this paper, we propose a model predictive control (MPC) technique combined with iterative learning control (ILC), called the iterative learning model predictive control (ILMPC), for constrained multivariable control of batch processes. Although the general ILC makes the outputs converge to reference trajectories under model uncertainty, it uses open-loop control within a batch; thus, it cannot reject real-time disturbances. The MPC algorithm shows identical performance for all batches, and it highly depends on model quality because it does not use previous batch information. We integrate the advantages of the two algorithms. The proposed ILMPC formulation is based on general MPC and incorporates an iterative learning function into MPC. Thus, it is easy to handle various issues for which the general MPC is suitable, such as constraints, time-varying systems, disturbances, and stochastic characteristics. Simulation examples are provided to show the effectiveness of the proposed ILMPC.