【技术实现步骤摘要】
一种面向工业系统多工况学习的预测控制方法和系统
[0001]本专利技术属于工业系统预测控制领域,具体涉及一种面向工业系统多工况学习的预测控制方法和系统。
技术介绍
[0002]模型预测控制是一种广泛应用于工业过程的高效控制方法。通常情况下,它建立一个近似模型去预测被控对象状态变化情况。接着利用预测的状态构造优化问题,结合在线滚动优化技术得到最优控制结果。同时,大部分MPC方法通常使用多步预测以此更好的跟踪对象的动态变化情况。在这种情况下,MPC可以不断更新控制结果,最终实现有效优化与精准控制。
[0003]然而,随着信息与通信技术的不断发展,工业系统集成了先进的计算、通信、控制技术以组成ICPS系统,这让工业过程变得复杂、高度耦合与规模庞大。除此之外,外部环境的变化,如原料波动、生产负荷与市场需求的变化等,加大了生产过程的不确定性。这些因素导致了工业过程中存在多种不同的运行工况。例如,对于锌冶炼焙烧过程,其运行状况通常受到运行温度、原料组分等因素影响。当这些因素发生变化时,会产生不同的运行工况,如高效工况、低耗工况等。不同工况下,系统的输入输出关系往往是不同的。对于不同工况下的控制问题,如果不能及时更新模型并切换控制策略,会降低系统的稳定性,甚至造成严重的生产事故与损失。因此,解决工业过程中多工况控制问题是十分重要的。
[0004]目前,大部分多工况控制方法采用多模型架构,为被控对象的每个工况单独建立一个预测模型,并设计决策单元,辨识工况的变化情况,及时切换控制策略,保证被控对象平稳运行。Zheng等 ...
【技术保护点】
【技术特征摘要】
1.一种面向工业系统多工况学习的预测控制方法,其特征在于,包括:获取工业系统当前工况下的稳定跟踪给定值序列R(t),获取工业系统被控对象在最近时间t
‑
1以前的历史控制变量序列U
p
(t)和最近时间t
‑
1以前的历史控制输出序列Y
p
(t);使用训练好的基于LSTM的预测模型,根据历史控制变量序列U
p
(t)和被控对象的历史控制输出序列Y
p
(t),预测被控对象在未来多个时刻的控制输出序列根据被控对象在未来多个时刻的预测控制输出序列和工业系统当前工况下的稳定跟踪给定值序列R(t),采用自适应梯度下降方法求解基于模型预测控制的滚动控制优化问题,获得预测被控对象在下一时间t以后的控制变量序列U(t)。2.根据权利要求1所述的面向工业系统多工况学习的预测控制方法,其特征在于,被控对象在不同工况切换时具有时滞性。3.根据权利要求1所述的面向工业系统多工况学习的预测控制方法,其特征在于,所述被控对象为焙烧炉运行温度,控制变量为焙烧炉入口进料量和鼓风量。4.根据权利要求1所述的面向工业系统多工况学习的预测控制方法,其特征在于,所述工业过程为锌冶炼焙烧过程。5.根据权利要求1所述的面向工业系统多工况学习的预测控制方法,其特征在于,所述滚动控制优化问题的目标函数为:约束条件为:|Δu(t)|≤Δu
max
u
min
≤u(t)≤u
max
其中,a,b为权重参数,用于表示不同优化目标的重要性;U
p
(t)=[u(t),u(t
‑
1),...,u(t
‑
l
u
)]表示历史控制变量序列,l
u
表示控制变量的迟滞因子;Y
p
=[y(t),y(t
‑
1),...,y(t
‑
l
y
...
【专利技术属性】
技术研发人员:黄科科,韦可,阳春华,周玉琳,吴德浩,桂卫华,
申请(专利权)人:中南大学,
类型:发明
国别省市:
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。