[发明专利]基于分布式模型预测控制的中药制药过程运行优化方法

权利要求书

1.一种基于分布式模型预测控制的中药制药过程运行优化方法，其特征在于，包括：

建立中药制药过程的各环节运行控制过程模型，包括底层过程控制环模型以及运行指标与底层控制器输出模型；

构建底层过程控制环的控制器；

采用数据驱动的方法来实现对制药过程底层过程控制环的控制器的次优设定值设计；

其中，上层运行控制环根据运行指标的设定值，使用基于Q-学习的设定值更新，通过零阶保持器传递到底层过程控制环，底层过程控制环的控制器通过求解优化问题，给出控制量控制被控对象跟踪设定值；对于煎煮环节，运行指标为煎煮液的浓度，被控变量有加水量、蒸汽压力以及过程温度；对于超滤环节，运行指标为超滤后溶液的纯度，被控变量有进膜压力、出膜压力以及进料温度；

所述底层过程控制环模型表示为：

其中，x_k为被控对象的状态，u_k为底层过程控制环的控制器的输入，y_k为所述控制器的输出，n_x×1,n_u×1,n_y×1分别为向量x_k,u_k,y_k的维度；A为系统的状态矩阵，维度为n_x×n_x，B为系统的输入矩阵，维度为n_x×n_u，C为系统的输出矩阵，维度为n_y×n_x，D为系统的前馈矩阵，维度为n_y×n_u；

所述底层控制器输出模型表示为：

r_n＝My_n

其中，r_n为运行指标的实际值，n_r×1为向量r_n的维度，矩阵M为运行指标与底层控制器输出之间的关系矩阵，通过机理建模或者神经网络学习得到，维度为n_r×n_y；

运行指标r_n的计算周期T为底层过程控制环采样周期t的N倍，即T＝Nt，上层设定值存在如下关系：

其中，y^*(nT)为各个环节在nT时刻给其相对应的底层过程控制环的设定值，后面几个等式则是通过零阶保持器实现的，使得设定值在Nnt时刻到(Nn+t-1)t时刻保持恒定，上层运行过程与底层控制过程保持信号频率相同；

所述底层过程控制环的控制器为DMPC控制器；对于第i个控制器而言，控制问题设计如下：

约束条件为：

x_k+1＝Ax_k+Bu_k

y_k＝Cx_k

其中，所有的上标i均表示第i个控制问题；表示第i个控制问题的目标函数，N_p为控制器的预测步长；和分别表示第i个控制器在k时刻的控制输出和控制输入；为控制器的参考输出；Q、R和P_f分别为误差、控制输入以及终端惩罚的权重矩阵，这三个矩阵均为正定矩阵；控制问题的最后一项为终端惩罚，表示第i个控制器在最后时刻N_p的控制输出，为实数域，n_x,n_u,n_y分别为向量x_k,u_k,y_k的维度；

通过对所述控制问题进行求解，得到一个在当前时刻的最优控制序列将第一个控制量应用到当前时刻的底层过程DMPC控制器，在下一时刻，继续通过求解各控制器的优化问题，得到相应时刻的最优控制序列，不断迭代，从而实现底层过程控制环输出跟随参考值；

所述采用数据驱动的方法来实现对制药过程底层过程控制环的控制器的次优设定值设计，包括：

定义如下性能指标：

其中，γ为折扣因子，其上标n表示n次方，0＜γ＜1；r_n表示运行指标在n时刻的实际值；r^*表示运行指标的设定值；表示在n时刻底层过程控制环的设定值；矩阵Q′和R′分别为半正定矩阵，得到如下线性二次跟踪问题：

约束条件为：

x_n+1＝A′x_n+B′u_n

y_n＝Cx_n

r_n＝My_n

其中，x_n+1为被控对象在n+1时刻的状态，A′＝A^N，A^N的上标表示系统状态矩阵A的N次幂；Aⁱ的上标表示系统状态矩阵A的i次幂，y_n为n时刻控制器的输出。

2.根据权利要求1所述的基于分布式模型预测控制的中药制药过程运行优化方法，其特征在于，将求解线性二次跟踪问题转化为求解具有折扣因子的线性二次调节问题，然后引入贝尔曼方程及哈密尔顿函数，使用动态规划和数据学习方法给出次优值，具体算法如下：

其中，P为正定矩阵，表示运行指标在n时刻的设定值，式中有关j的上下标均表示当前迭代为第j次，上标T表示矩阵转置，I为单位矩阵；通过迭代计算H^j+1，更新设定值将更新后的设定值输入到底层过程控制环，在DMPC控制器的作用下，底层被控过程的输出将跟踪设定值，从而实现最终的运行优化控制。