一种适用于流程工业预测控制的模型自主学习方法技术

本发明专利技术公开了一种适用于流程工业预测控制的模型自主学习方法，通过多输入单输出系统作为基本子系统予以实现；包括：步骤一、模型设置及学习参数自选择；步骤二、参数分布建模；步骤三、数据采集和处理；步骤四、模型参数学习；步骤五、模型参数检验；步骤六、模型预测误差对比。本发明专利技术可在线自主学习过程的动态特性；可根据预设的模型参数自动选择待学习参数的类型，使待学习参数具有真实的物理意义，且在学习过程中，预设模型对模型学习的结果具有约束作用以提高模型的可靠性；对参数的学习结果进行检验、对预测结果进行评价，进一步提高模型的可靠性；采用参数死区的方式增加了模型参数的平稳性，减少因模型参数频繁变化而引起的控制效果波动。制效果波动。制效果波动。

【技术实现步骤摘要】
一种适用于流程工业预测控制的模型自主学习方法


[0001]本专利技术涉及流程工业预测
，具体涉及一种适用于流程工业预测控制的模型自主学习方法。

技术介绍

[0002]自20世纪末期以来，流程工业得到了快速发展，其中也包括模型预测控制在流程工业中的成功应用。模型预测控制与传统的PID控制相比，不仅适用于多耦合、大时滞等难控的被控对象，而且可以对工艺条件和经济指标等约束建模，配合优化技术完成控制任务。故，模型预测控制在流程工业中具有广泛的应用前景。然而，在实际生产中，随着生产目标改变、生产原料配比改变、设备老化、催化剂活性不足等多种因素，过程的动态特性会发生变化。这种变化会引发预测控制的预测模型与真实过程动态特性的失配问题。因此，如果能增加预测模型与真实过程动态特性的匹配程度，则控制器可以实现更加准确的过程输出预测，进而有利于控制效果的提升。目前，行业已有一些思想或者方法来应对变化的动态特性问题，比如非线性建模、多工况建模、在线辨识等方法。但现有的方法在实施时存在以下不足。
[0003]第一点，对于非线性建模和多工况建模。流程工业大量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于流程工业预测控制的模型自主学习方法，其特征在于，通过多输入单输出系统作为基本子系统予以实现，包括步骤：步骤一、设置所有传递函数模型，对每个传递函数模型进行计算并自动选择待学习参数；步骤二、对于参与学习的每个传递函数模型，采用对数正态分布对待学习参数建立对数正态分布模型；步骤三、在线采集输入变量和输出变量数据及输入变量和输出变量对应的质量码，并对质量码为坏值的情况进行处理；步骤四、基于贝叶斯优化理论建立传递函数模型自主学习的数学优化模型，利用差分进化算法优化传递函数模型参数；步骤五、对每个传递函数模型的每个参数执行参数检验，包括正态性检验、参数死区判断和均值检验；步骤六、对每个多输入单输出子系统，用原传递函数模型计算预测均方根误差，用学习后的传递函数模型计算预测均方根误差，根据两者的大小关系决定是否更新多输入单输出系统的传递函数模型，然后返回步骤一继续执行。2.根据权利要求1所述的适用于流程工业预测控制的模型自主学习方法，其特征在于，步骤一中，设置传递函数模型具体包括：在固定的二阶系统加一阶积分加纯滞后传递函数模型模板下，设置每个输入变量到每个输出变量之间的传递函数模型。3.根据权利要求2所述的适用于流程工业预测控制的模型自主学习方法，其特征在于，步骤一中，传递函数模型的数量根据输入变量和输出变量的数量而定，设输入变量为个、输出变量为个，则需设置个传递函数模型。4.根据权利要求1所述的适用于流程工业预测控制的模型自主学习方法，其特征在于，步骤一中，对每个传递函数模型进行计算并自动选择待学习参数具体包括：先对每个传递函数模型计算，然后进行如下分析：如果某个传递函数模型的增益为0，则该传递函数模型不参与模型在线学习；否则，判断二阶系统的极点位置：（1）如果存在实部为正的根或者纯虚数根，则该传递函数模型不参与模型在线学习；（2）如果存在两个实部为负数的共轭复数根，则计算传递函数模型的自然角频率和阻尼系数，并将模型增益、自然角频率和阻尼系数作为待学习参数；除上述（1）和（2）两种情况外，则将传递函数模型的分母多项式在实数域中进行因式分解，取分解后的所有的非零的一次项系数和模型增益作为待学习参数。5.根据权...

【专利技术属性】
技术研发人员：褚健，刘磊，冯凯，王家栋，
申请(专利权)人：浙江中控技术股份有限公司，
类型：发明
国别省市：