[发明专利]基于Hammerstein模型的自适应预测控制方法

权利要求书

1.基于Hammerstein模型的自适应预测控制方法，具体包括以下步骤：

（1）数据采集通道实时采集间歇化工生产过程的工艺参数值，进行数据预处理；

（2）处理后的数据传递给神经网络辨识器，由神经网络辨识器进行建模，建模后的模型经过仿真修正；

（3）混合自适应预测控制器读取模型参数，生成控制参数，控制执行机构动作；

（4）控制算法实现。

2.根据权利要求1所述的基于Hammerstein模型的自适应预测控制方法，其特征在于：所述步骤（1）包括：在底层应用DDE技术、OPC技术和 API HOOK技术，远程进程数据交换技术作为数据源适配器，针对不同的DCS系统平台实现统一接口、结构类似的适配器，各个适配器采用统一的，基于消息的通讯协议同一级中心服务器进行数据交换；一级中心服务器再对数据进行进一步的封装、筛选、压缩，并根据上层应用的时间特性等要求或者转发到上一级中心服务器，或者直接提供给本层所挂接的各种应用，同时每一层级的中心服务器同所挂接的应用之间的数据交互，采用网络穿透性强、平台无关、语言无关的基于SOAP的数据格式。

3.根据权利要求1所述的基于Hammerstein模型的自适应预测控制方法，其特征在于：所述步骤（2）包括：神经网络辨识器的建模依据所获得的数据建立数学模型，考虑间歇化工生产过程生产具有时变、非线性等特点，考虑将间歇过程建模为特定结构的控制系统，针对生产过程易受环境条件影响、间歇过程难以建模及过程参数不确定的特点,将间歇过程看作由静态非线性子系统和动态线性子系统串联组成，即非线性子系统输出为线性子系统输入，将非线性部分建模成具有特定结构的非线性函数，即典型的非线性Hammerstein模型，利用神经网络具有逼近函数的能力，用神经网络建模非线性未知部分的模型，模型仿真器利用获得的数据对神经网络建模建立的模型进行有效性验证；模型编辑模块依据仿真结果对神经网络建模模块建立的非线性模型进行修正；神经网络建模模块将模型数据存储入模型库中。

4.根据权利要求1所述的基于Hammerstein模型的自适应预测控制方法，其特征在于：所述步骤（3）包括：首先设计线性子系统控制器，同时根据系统稳定性分析，李亚普诺夫函数                                                ，设计线性控制器和自适应率，使控制对象在控制器的作用下，在未来优化时域的时刻的预测值尽量接近参考输入值；针对非线性部分，引入非线性求逆，结合粒子群优化算法全局搜索求解非线性方程组初值，再采用拟牛顿法局部搜索进一步得到非线性方程组的精确解，从而完成间歇化工生产过程控制系统的实际的自适应预测控制器设计；自适应控制器包括以下4部分：①用以参数化系统未知函数的神经网络、②自适应线性控制器、③监督代理，系统产生奇异时，用来暂时移交控制权给第④鲁棒控制器、④鲁棒控制器，设计方法李亚普诺夫型自适应律结合使用，综合考虑控制器和自适应律，使整个系统满足期望的系统动态和静态性能指标；混合自适应神经网络预测控制器设计，进一步将自适应控制器采用如下的混合形式设计为：，为切换函数。

5.根据权利要求4所述的基于Hammerstein模型的自适应预测控制方法，其特征在于：所述自适应预测控制方法有两种工作方式，即自适应线性控制器和鲁棒控制器，当存在模型参数不确定时，选用自适应线性控制器，用来补偿参数不确定性，而当干扰存在时，选用鲁棒控制器，用来抵抗系统所受的外部干扰。

6.根据权利要求1所述的基于Hammerstein模型的自适应预测控制方法，其特征在于：所述步骤（4）包括：基于DCS的数据采集系统和组态王软件作为上位机软件的数据处理和显示系统构成，同时组态王软件支持DDE技术，通过DDE协议将组态王与Matlab进行数据交换，实现复杂的混合智能自适应预测控制算法，通过实时仿真验证设计控制器的有效性，并将部分成果应用于实际。