【技术实现步骤摘要】
一种基于FPAA模拟神经网络的空分装置快速模型预测控制方法
本专利技术涉及空分装置的快速模型预测控制(FastMPC)领域，特别是涉及一种基于FPAA模拟神经网络的快速模型预测控制框架，其特点是采用FPAA模拟神经网络求解MPC中的QP问题，具有较高的实时性。
技术介绍
模型预测控制(ModelPredictiveControl，简称MPC)由于在复杂多变量系统上具有出色的约束优化控制能力，因此在石油，化工等过程领域中获得了广泛的应用。本质上，MPC的约束优化控制能力主要产生于在线求解带约束的二次规划(QuadraticProgramming，QP)问题。二次规划的传统数值求解算法虽然适用范围广，但是大多涉及矩阵求逆、分解等操作，因此实时性较低，使得MPC现在的主要应用还局限于流程工业等控制周期较长的慢速系统。近年来，基于神经网络的二次规划求解提供了另一条实现途径。神经网络的优势在于具有天然并行性、自适应性和电路可实现性。早期，学者们为了得到求解优化问题的神经网络模型，主要做法为：引入惩罚项，将有约束优化问题等价转化为无约束优化问题，基于梯度法推导神经网络模型。有...
【技术保护点】
1.一种基于FPAA模拟神经网络的空分装置快速模型预测控制方法，其特征在于，该方法包括以下步骤：步骤(1)：通过系统辨识的手段，获取空分装置的阶跃响应模型，结合工艺约束，对MPC控制参数进行离线计算，离线计算出在线求解中要用的参数，即：预测时域；控制时域；被控变量加权阵；控制增量加权矩阵；预测方程中的系数；QP问题中的系数。采用FPAA模拟电路实现的简化对偶神经网络(Simplified Dual Neural Network,SDNN)对MPC进行QP求解。在实现模拟电路QP求解器搭建前，对SDNN进行了平移变换和尺度变换。步骤(2)：判断是否初始化。若初始化，则进行初始...
【技术特征摘要】
1.一种基于FPAA模拟神经网络的空分装置快速模型预测控制方法，其特征在于，该方法包括以下步骤：步骤(1)：通过系统辨识的手段，获取空分装置的阶跃响应模型，结合工艺约束，对MPC控制参数进行离线计算，离线计算出在线求解中要用的参数，即：预测时域；控制时域；被控变量加权阵；控制增量加权矩阵；预测方程中的系数；QP问题中的系数。采用FPAA模拟电路实现的简化对偶神经网络(SimplifiedDualNeuralNetwork,SDNN)对MPC进行QP求解。在实现模拟电路QP求解器搭建前，对SDNN进行了平移变换和尺度变换。步骤(2)：判断是否初始化。若初始化，则进行初始化工作，包括：检测输出的实际值y(k)，输入的实际值u(k-1)；初始化状态变量x(k|k)＝[0y(k)T]T，然后根据检测结果直接进入无约束优化；若不初始化，则更新状态变量。步骤(3)：对于可测量的状态，直接用测量得到的状态值对当前时刻的状态进行更新；对于不可测的状态，引入状态观测器利用被控过程的输入输出数据对状态进行观测，然后采用观测值对当前时刻的状态进行更新。步骤(4)：在对被控过程的QP问题进行有约束优化前，求解当前QP问题的一个无约束优化问题，并检查该解是否满足当前QP问题的约束条件，如果满足约束就直接将该解输出，如果不满足约束就进入有约束优化的过程。步骤(5)：有约束优化采用FPAA模拟电路实现的SNDD进行QP求解，其主要过程依次包括：计算平移变换和尺度变换参数、DA输出电压、AD采样判断是否收敛，具体是：(5.1)计算平移变换和尺度变换参数：对SDNN进行平移变换，使得其中的饱和环节关于原点对称。对SDNN进行尺度变换，使得其中所有信号量的取值均在模拟电路信号允许范围内。(5.2)DA输出电压：上位机通过DA模块输出模拟电压至模拟电路QP求解器。(5.3)AD采样判断是否收敛：通过AD模块对模拟电路QP求解器的输出进行采样，判断模拟电路的QP求解过程是否收敛。若没有收敛，则继续进行AD采样，若已经收敛，对结果进行尺度反变换，得到QP的最优解。步骤(6)：从QP问题的解中选取当前时刻的控制增量，然后将当前时刻的控制增量与之前时刻的控制量叠加得到当前时刻的控制量，将该控制量输出到调节阀，从而调节空分装置的氧、氮、氩产品纯度，减小产品质量波动。返回步骤(3)，进入下一个控制周期的计算，从而实现被控过程的MPC控制。2.如权利要求1所述的一种基于FPAA模拟神经网络的空分装置快速模型预测控制方法，其特征在于，步骤(1)具体是：根据空分装置的阶跃响应模型，给出MPC参数：预测时域P、控制时域M、被控变量加权阵Qy、控制增量加权矩阵QΔu、MPC的控制变量个数nu、被控变量个数ny、状态变量个数nx。用状态空间模型描述被控过程如下：其中，k表示时刻，Am为状态矩阵，Bm为输入矩阵，Cm为输出矩阵，是被控变量，y(k)表示k时刻的被控变量；是控制变量，u(k)表示k时刻的控制变量；是状态变量，xm(k+1)表示(k+1)时刻的状态变量；新的状态变量x(k)＝[Δxm(k)Tη(k)T]T。其中η(k)＝y(k)，从而得到状态空间的增量模型为：其中，Δu(k)控制变量的增量；A为新的状态矩阵，B为新的输入矩阵，C为新的输出矩阵，I表示单位阵。将被控过程模型的状态矩阵A，输入矩阵B，输出矩阵C，以及约束条件输入到MPC控制器中，MPC控制器在每个周期要求解的QP命题如下：其中，x(k|k)表示当前时刻的状态量；Yr(k)和YP(k)分别是被控变量在预测时域内的期望轨迹和实际轨迹，ΔUM(k)是控制时域内的控制增量,即Yr(k)＝[yr(k+1)Tyr(k+2)T…yr(k+P)T]TYP(k)＝[y(k+1|k)Ty(k+2|k)T…y(k+P|k)T]TΔUM(k)＝[Δu(k)TΔu(k+1)T…Δ...
【专利技术属性】
技术研发人员：徐祖华，赵均，黄彦春，陈铭豪，邵之江，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。