基于Hammerstein模型的连续搅拌反应器系统控制方法技术方案

为解决过程工业中化学反应系统的反应物浓度控制问题，本发明专利技术提供一种基于Hammerstein模型的连续搅拌反应器系统控制方法，利用Hammerstein模型建立连续搅拌反应器系统的高精度数学模型，运用组合式信号源估计各串联模块的参数，进而利用模型的特殊结构设计控制器。在该方法中首先根据可分离信号的输入输出数据，采用相关性分析方法估计模型中动态线性模块的参数。其次，基于随机信号的输入输出数据，通过聚类方法和随机梯度方法估计模型中静态非线性模块的参数。最后，利用Hammerstein模型的特殊结构将连续搅拌反应器系统的反应物浓度控制问题转化为线性系统控制问题，简化了控制系统的设计，取得到较好的控制效果。

Control Method of Continuous Stirred Reactor System Based on Hammerstein Model

【技术实现步骤摘要】
基于Hammerstein模型的连续搅拌反应器系统控制方法
本专利技术属于过程工业领域，是一种基于Hammerstein模型的连续搅拌反应器系统控制方法，该方法适用化工、生物制药、石油生产等相关领域。
技术介绍
连续搅拌反应器(ContinuousStirredTankReactor,CSTR)是过程工业中典型的、高度非线性的化学反应系统，发生反应的反应器起着非常重要的作用，其操作状况直接影响着生产的效率和质量标准，目前连续搅拌反应器系统控制技术成为研究的关键领域之一。为了保证反应的正常进行，需要对反应器中的某些关键工艺参数如浓度、压力、温度等进行控制使系统稳定。连续搅拌反应器系统控制方法中最常用的方法是PID控制，该方法是一种基于过程对象有精确数学模型的线性过程，而连续搅拌反应器系统具有强非线性，因此采用这种控制方法很难达到理想的控制精度。近年来，随着现代控制理论和智能控制的发展，在连续搅拌反应器系统的研究中涌现出许多先进有效的控制方法，如PID参数自适应模糊控制、基于专家系统的控制、利用遗传算法寻优PID参数的模型参考自适应控制、Smith预估控制以及基于神经网络的自适应控制等。这些方法能够取得良好的控制效果，但仍存在计算量大，控制规律复杂的缺陷。Hammerstein模型是一类具有特定结构的典型非线性系统，同时结合了静态非线性模块和动态线性模块，能够有效描述连续搅拌反应器系统等一大类非线性工业过程。通过辨识Hammerstein模型，可以实现系统静态非线性与动态线性的分离，将非线性系统的控制问题转化为传统线性控制问题，这对连续搅拌反应器控制系统的设计具有重要的理论和实际意义。目前在连续搅拌反应器系统的控制方法研究中取得许多重要成果，形成了各具特色的理论方法，但依然存在以下几方面问题：1.连续搅拌反应器系统是一种存在严重非线性的动态系统，使用传统的神经网络和模糊聚类方法难以获得精确的数学模型。如何建立满足连续搅拌反应器系统过程特性的数学模型是求解优化问题和实行有效控制的基础；2.在连续搅拌反应器系统的参数估计方面，现有的参数估计方法中往往含有系统参数的乘积项，需要采用分解技术实现参数的分离，增加了计算的复杂性和参数估计的难度。如何利用利用有效的参数估计方法降低计算复杂性，提高系统参数估计精度和鲁棒性；3.在连续搅拌反应器系统的控制方面，现有的复合控制策略能够取得良好的控制效果，但仍存在计算量大，控制规律复杂的缺陷。如何运用更有效的控制方法降低计算量和控制规律的复杂度，实现对连续搅拌反应器系统的高效控制。
技术实现思路
为解决现有技术中存在的上述问题，本专利技术在对连续搅拌反应器系统的过程及其数学模型进行详细分析的基础上，提供了一种基于Hammerstein模型的连续搅拌反应器系统控制方法。利用Hammerstein模型建立连续搅拌反应器系统的高精度数学模型，运用组合式信号源估计各串联模块的参数，进而利用模型的特殊结构设计控制器。在该方法中首先根据可分离信号的输入输出数据，采用相关性分析方法估计模型中动态线性模块的参数。其次，基于随机信号的输入输出数据，通过聚类方法和随机梯度方法估计模型中静态非线性模块的参数。最后，利用Hammerstein模型的特殊结构将连续搅拌反应器系统的反应物浓度控制问题转化为线性系统控制问题，简化了控制系统的设计，取得到较好的控制效果。首先对本专利技术中出现的技术名词作以下说明：连续搅拌反应器系统：是一种使发酵原料和微生物处于完全混合状态的厌氧处理技术，反应过程包括物料的物理和化学的变化，表征其特性的参数包括温度、浓度以及流速等。在该系统中，F表示流量,是系统的输入，CB表示反应物B的浓度，是系统的输出。该反应的目的是通过流量F对反应器系统的温度进行控制，从而保证产品浓度CB得以控制。Hammerstein模型：是一类具有特定结构的典型非线性系统，由了静态非线性模块和动态线性模块串联而成，能够有效描述一大类非线性工业过程。静态非线性模块：指模块具有静态特性，即输入为不随时间变化的信号时，其输出量与输入量之间所具有的非线性关系。动态线性模块：指模块具有动态特性，即输入为随时间变化的信号时，其输出量与输入量之间所具有的线性关系。组合式信号源：是由可分离信号和随机多步信号组合而成。其中，可分离信号有：二进制信号、正弦信号或高斯信号。相关性分析方法：是指可分离信号在静态非线性模块下的相关函数关系，利用系统输入的自相关函数和定值常数代替系统输入输出的互相关函数，解决了Hammerstein模型中间变量信息不可测量问题。本专利技术具体采用如下技术方案：基于Hammerstein模型的连续搅拌反应器系统控制方法，其特征在于，利用Hammerstein模型建立连续搅拌反应器系统的高精度数学模型，然后运用组合式信号源估计各串联模块的参数，进而利用模型的特殊结构设计控制器。在连续搅拌反应器系统中，系统的动态特性表示为：将上述动态特性的方程组进行代入，将反应物A的浓度CA消掉即可获得流速F与反应物B的浓度CB之间的关系，因此，在进行建模时只需要考虑流速F与反应物B的浓度CB之间的关系即可。然后利用Hammerstein模型建立连续搅拌反应器系统的数学模型，该系统的目标是通过系统的流量F来控制系统的浓度CB；其中，k1、k2、k3为动力学参数，CAf为反应物A的饲料浓度，V为反应器的体积。具体包括如下步骤：步骤1：首先利用Hammerstein模型建立连续搅拌反应器系统的数学模型，为了建立具有高精度、外延性的非线性模型，本专利技术利用由模糊系统和径向基神经网络组成的四层神经模糊模型拟合Hammerstein模型的静态非线性模块，采用自回归滑动平均模型拟合Hammerstein模型的动态线性模块。A)动态线性模块的建模动态线性模块的建模方法主要有：脉冲响应、传递函数和状态空间等方法，这类方法能够有效描述系统的动态特性以及变量间的相互影响关系，因此得到了广泛应用。B)静态非线性模块的建模Hammerstein模型的建模重点在于研究具有高精度、外延性的静态非线性模块的建模方法，常用的建模方法主要有：(1)基函数的线性组合，如基函数、多项式、样条函数、支持向量机等。这类方法是一些已知非线性基的线性组合，在对复杂系统建模时需要大量的参数和很高的阶。(2)基于数据的模型，如神经网络、模糊系统、神经模糊系统等。这类方法能较好地逼近非线性系统，并且适用于非线性模型难于参数化的情况。其中神经模糊系统综合了神经网络和模糊系统的各自优点，在模型拟和方面比神经网络和模糊系统更能显示出潜力和优势。具体的，在一个给定的连续搅拌反应器系统中，流速F的初始值F0以及反应物B浓度CB的初始值CB0为已知量，F0和CB0为连续搅拌反应器系统的特征参数的初始值，特征参数初始值指该反应在一个稳态工作点对应的稳态值；该系统的目标是通过系统的流量F来控制系统的浓度CB；根据系统的动态特性利用Hammerstein模型建立连续搅拌反应器系统的模型，利用神经模糊模型拟合Hammerstein模型的静态非线性模块，以及采用自回归滑动平均模型拟合Hammerstein模型的动态线性模块；然后对特征参数的初始值进行归一化处理，即流量F＝(F-F0)/F0、浓度本文档来自技高网...

【技术保护点】
1.一种基于Hammerstein模型的连续搅拌反应器系统控制方法，其特征在于，利用Hammerstein模型建立连续搅拌反应器系统的高精度数学模型，然后运用组合式信号源估计各串联模块的参数，进而利用模型的特殊结构设计控制器，包括如下步骤：步骤1：在一个给定的连续搅拌反应器系统中，流速F的初始值F0以及反应物B浓度CB的初始值CB0为已知量，F0和CB0为连续搅拌反应器系统的特征参数的初始值，特征参数初始值指该反应在一个稳态工作点对应的稳态值；该系统的目标是通过系统的流量F来控制系统的浓度CB；根据系统的动态特性利用Hammerstein模型建立连续搅拌反应器系统的模型，利用神经模糊模型拟合Hammerstein模型的静态非线性模块，以及采用自回归滑动平均模型拟合Hammerstein模型的动态线性模块；然后对特征参数的初始值进行归一化处理，即流量F＝(F‑F0)/F0、浓度CB＝(CB‑CB0)/CB0，将归一化处理后的特征参数代入Hammerstein模型中，Hammerstein模型的表示方式为：v(k)＝f(F(k))

【技术特征摘要】
1.一种基于Hammerstein模型的连续搅拌反应器系统控制方法，其特征在于，利用Hammerstein模型建立连续搅拌反应器系统的高精度数学模型，然后运用组合式信号源估计各串联模块的参数，进而利用模型的特殊结构设计控制器，包括如下步骤：步骤1：在一个给定的连续搅拌反应器系统中，流速F的初始值F0以及反应物B浓度CB的初始值CB0为已知量，F0和CB0为连续搅拌反应器系统的特征参数的初始值，特征参数初始值指该反应在一个稳态工作点对应的稳态值；该系统的目标是通过系统的流量F来控制系统的浓度CB；根据系统的动态特性利用Hammerstein模型建立连续搅拌反应器系统的模型，利用神经模糊模型拟合Hammerstein模型的静态非线性模块，以及采用自回归滑动平均模型拟合Hammerstein模型的动态线性模块；然后对特征参数的初始值进行归一化处理，即流量F＝(F-F0)/F0、浓度CB＝(CB-CB0)/CB0，将归一化处理后的特征参数代入Hammerstein模型中，Hammerstein模型的表示方式为：v(k)＝f(F(k))其中，k表示采样时间；CB(k)为模型输出，代表反应物B的浓度；F(k)为模型输入，代表流速F；f(F(k))为静态非线性模块的表达式，v(k)为模型的中间变量，为动态线性模块的表达式，其中，z-1表示单位后移算子，表示na个自回归项，表示nb个滑动平均项；步骤2：利用非线性系统在可分离信号作用下的相关函数关系实现Hammerstein模型的静态非线模块和动态线性模块的参数估计分离；步骤3：根据可分离信号的输入输出数据，利用Lipschitz商准则确定自回归滑动平均模型的阶次，即na个自回归项和nb个滑动平均项，采用相关性分析方法估计na个自回归项ai(i＝1,2,…,na)和nb个滑动平均项bj(j＝1,2,…,nb)的参数；步骤4：根据随机信号的输入输出数据，采用聚类方法和随机梯度方法估计静态非线性模块的参数，其中利用聚类算法估计神经模糊的前件参数，前件参数包括高斯隶属度函数的中心cl和宽度σl，再采用随机梯度方法估计神经模糊的后件参数，后件参数包括神经模糊的权值wl；步骤5：利用上述步骤可以得到Hammerstein模型的参数估计，进一步采用静态非线性模块的可逆原理将非线性连续搅拌反应器系统的控制问题转化为线性系统控制问题。2.根据权利要求1所述的基于Hammerstein模型的连续搅拌反应器系统控制方法，其特征在于，在步骤1中所述神经模糊模型是由模糊系统和径向...

【专利技术属性】
技术研发人员：李峰，罗印升，陶为戈，薛波，贺乃宝，谢良旭，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：江苏,32