[发明专利]塑料烘干器温度优化节能控制方法

权利要求书

1. 塑料烘干器温度优化节能控制方法，其特征在于该方法的具体步骤是：

a. 建立多模型切换系统模型；具体方法是：以塑料烘干器的燃气阀门开度值、冷配风阀门开度值、塑料进料量和塑料烘干器转轴转速为输入控制量，以温度传感器采集到的塑料烘干器空气温度值为输出量，以塑料进料量、冷配风阀门开度值、湿度传感器采集到的塑料烘干器空气湿度为状态量，建立典型工况下的离散时间切换模型：

其中是3维状态变量，分别表示k时刻塑料进料量、冷配风阀门开度值、塑料烘干器内空气湿度值这三个状态变量；是4维控制输入变量，分别表示k时刻燃气阀门开度值、冷配风阀门开度值、塑料进料量和塑料烘干器转轴转速；是单输出变量，表示k时刻塑料烘干器中空气温度测量值；分别表示需要辨识的不同状态下的多模型参数；Rⁿ代表n维欧氏空间，是分段切换常数，从有限集中选取，表示m个典型工况下的系统模型参数；状态变量和控制变量分别为：

；

；

其中表示塑料进料量，表示冷配风阀门开度值，表示塑料烘干器内湿度传感器采集到的湿度值，表示表示燃气阀门开度值，表示冷配风阀门开度值、塑料进料量，塑料烘干器转轴转速，表示塑料烘干器中空气温度值；在烘干过程中，通过调节燃气阀门开度值、冷配风阀门开度值、塑料进料量和塑料烘干器转轴转速来实现烘干器内气体温度的控制，是一个多输入单输出的控制系统；

b. 建立输出值的预测方程；按照前面建立的离散时间状态空间模型，得到塑料烘干器中空气温度值预测模型；

        基于前一步建立的切换系统模型，有输出变量模型

其中为k+j时刻的输出变量，为k+j时刻的控制输入变量，j为正整数；

        可以得到的预测模型为：

其中表示状态变量的预测估计值，表示时刻塑料烘干器空气温度的预测输出值，表示时刻与前一时刻控制变量的差值；

       定义

其中是预测时域，是控制时域；

则可得

其中

；

        c. 建立多模型切换系统的优化目标函数；由于系统由m个子系统构成，且相互之间进行切换，直接求解较难，现将利用切换规则建立优化目标函数，再利用混和神经网络进行优化求解；

假设k时刻状态变量的初始值已知，选择系统的目标函数，并进行如下优化：

 

   

      

其中J是优化目标函数，和是权重矩阵；和分别表示输出变量的最小值和最大值；和分别表示控制变量的最小值和最大值；和分别是输出变量和控制变量的参考轨迹；

对于系统模型数量为m的多模型切换系统，基于切换规则可得：

其中m表示切换系统模型的数量，为0-1变量，即对于有；

考虑到任何一个时刻只有一个子系统被激活，即

模型之间的切换规则为：

式中为切换信号的切换规则，为切换后被激活的子系统；

根据切换规则，系统状态方程和输出方程，以及前面的优化目标函数，可得

其中、D和M为常数矩阵，且

且，，，；

d. 基于混合神经网络求解最优控制律；利用混合神经网络对前述切换系统优化问题进行优化求解，该神经网络由两个相互作用的神经网络组成，即c-网络和b-网络，其中c-网络为处理连续变量的神经网络，b-网络为处理离散二进制变量的神经网络；

选择神经网络的作用函数为

其中， 表示在连续c-网络中第个点的控制输入，其下限和上限分别为和，，表示在离散b-网络中第个点的模型输入，，；

于是，神经网络中变量的赋值空间为

        惩罚函数可以增强优化的约束条件和切换规则，于是用惩罚函数的方法构造混合神经网络的能量函数，它由下述三部分组成:

令，则可以得到优化可行解，于是可以得到神经网络的能量函数为

其中,,和是惩罚系数。