[发明专利]多批次间歇反应过程二维多模型预测迭代学习控制方法

摘要

本发明公开了一种多批次间歇反应过程二维多模型预测迭代学习控制方法。首先根据采集的输入输出数据样本集，采用递推增广最小二乘算法辨识间歇反应过程基于加权时变函数的多组合线性模型，并通过迭代学习控制理论构建二维(批次域+时间域)等效模型；然后基于二维等效模型构造新型的二次型成本性能指标，合理选择权重系数；最后通过性能指标最小化求解控制信号的最优更新策略，给出二维广义预测迭代学习方法具体实现结构模式。本发明针对现有间歇生物反应装置传统控制的不足之处，将批次域和时间域结合成为二维动态系统，通过多批次间迭代学习策略与当前批次多模型广义预测控制相融合，对间歇生物反应装置的批次反应过程进行优化控制，确保多批次高品质产品质量的一致性。

主权项

1.一种多批次间歇反应过程二维多模型预测迭代学习控制方法，其特征在于以下步骤：步骤1针对间歇生物反应过程在预热、加料、反应和出料等工序呈现不同动态特性和操作要求，采集装置多个批次下不同工序运行数据，采用递推增广最小二乘法辨识算法辨识间歇反应过程多阶段操作过程子模型，并通过时变加权因子建立多组合线性模型：∑P：A(q‑1)yk(t)＝[μ1(t，t1)B1(q‑1)+μ2(t，t2)B2(q‑1)，…，+um(t，tm)Bm(q‑1)]uk(t)+wk(t)t＝0，1，…，T；k＝1，2，…其中，q‑1是后移差分算子，A(q‑1)和Bi(q‑1)都是算子多项式：A(q‑1)＝1+a1q‑1+a2q‑2+…+anaq‑na，Bi(q‑1)＝1+bi，1q‑1+bi，2q‑2+…+bi，nbq‑nb i＝1，2，…，mt和k分别代表时间和批次域信息，T代表批次反应持续时间；uk(t)，yk(t)和wk(t)分别是第k批次t时刻的输入，输出和未知扰动变量；μi(t，tj)表示不同工序之间的时变权函数，可选择阶跃、多项式、高斯函数；步骤2利用间歇生物反应过程不同批次间的重复性，在时间域和批次域的迭代学习控制策略表示如下形式：Δt(uk(t))＝Δt(uk‑1(t))+rk(t)；其中，Δt表示时间域上的后移差分算子；rk(t)是更新律；步骤3将批次间迭代学习算法应用到当前批次的广义预测预测模型中，即将辨识所得模型代入迭代学习控制策略中，得到“时间域+批次域”二维等效过程模型：其中：步骤4根据上述二维等效模型，对于任意时刻t，将反应过程的输入输出关系分成已知和未知两大部分，即：其中分别表示已知部分输入、输出分别表示未知部分输入、输出；步骤5合理确定二次型成本性能指标：输出参考轨迹与预测输出的误差平方，更新值的平方，时间方向控制量变化值的平方和批次方向控制量变化值的平方，分别决定了过程控制输入的大小，批次域收敛的鲁棒性，批次域的方向动态稳定性和对高频扰动的敏感性；在各平方项前添加权重系数，以不同的权重系数大小来确定最适合反应过程的控制性能；η(i)，α(j)，β(j)，γ(j)分别为二次型成本项的权重系数，整数n₁，n₂， n₁≥n₂， 分别表示时间预测域和时间控制域，表示第k批次i步的预测输出，y_r(t)，t＝0，1，...，T是期望轨迹，其中参数表示第k批次i步的预测输出；对此，作如下定义：Q₁＝diag{η(1)，…，η(n₁)}，Q₂＝diag{β(0)，…，β(n₂‑1)}，Q₃＝diag{γ(0)，…，γ(n₂‑1)}，R＝diag{α(0)，…，α(n₂‑1)}；步骤6对上述二次型成本性能指标进行优化计算，通过求取性能指标最小值得到控制更新策略，构建二维多模型预测迭代学习控制方法在线实施控制结构如下：其中K₁是上批次预测输出偏差调节系数，K₂是上批次在时间域预测控制信号变化调节系数，K₃是当前批次控制信号变化调节系数，K₄是当前批次控制信号更新调节系数，K₅是当前批次输出预测信号变化调节系数；Δ_t(u_k(t))表示时域变量，表示偏差预测值；表示时间域变量，Δ_k(u_k(t))表示批次域变量；表示更新律；表示当前批次输出预测输出值；对于批次过程，k1‑k5调节系数、偏差、控制信息是可以获取的，保证了该方法的可行性。