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方案

本发明专利技术公开了一种面向工业系统多工况学习的预测控制方法和系统，方法包括：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以前的历史控制变量序列U

【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等人从机理层面分析水轮发电机不同工况的动态特性，为每个工况分别设计控制策略；为了解决灵活微型智能电网的多工况操作问题，Zhang等人建立三级分层架构，提升了电网的传输效率；针对外部供热条件变化导致家用热水存储箱运行工况多变的问题，Huang等人提出一种多工况控制方法，保证了存储箱水温恒定，提升了整个供热系统的效率与供应能力。上述的多工况控制方法在不同领域取得了一定效果，然而，这些方法仍存在一些局限性。首先，这些方法需要为每个工况设计独立的预测与控制模型。随着工业过程的运行，当工况数量不断增加时，会显著增加这些方法的训练与部署成本。其次，这些方法的控制性能严重依赖决策模块。在实际工业过程中，运行工况往往复杂多变，各个工况之间相互混叠与耦合的情况严重。这些因素导致决策模块无法准确辨识工况变化情况，进而降低了控制方法的性能。要克服决策模块对多工况控制的影响，一种可行的方法是利用单个预测模型精确跟踪各个工况下被控对象的变化情况，这样无需借助决策模块进行模型切换。因此，如何利用单个模型解决多工况预测问题逐渐成为学术界与工业界的研究重点。
[0005]随着机器智能的不断发展，深度学习已经成为了学术界关注的焦点。深度学习来源于人脑研究成果。人脑研究表面，大脑的认知过程依赖于知识积累与无监督特征提取。当利用具有复杂特征的大数据建模时，深度学习发挥性能比现有方法更为优异。基于深度学习强大的表示能力，越来越多的学者开始将MPC与深度学习结合，提出了深度模型预测控
制。Lucia等人利用深度神经网络(DNN)提取谐振电源转换器的变化特征，提出了DNN
‑
MPC控制方法，并结合FPGA成功将控制方法部署到工业现场；针对某些非线性系统的动态特征未知情况，Pan等人利用卷积神经网络(RNN)，分析数据中隐藏的时序特性，进而提取系统的动态特征，提升了系统的控制精度与稳定性。Wang等人为了增强网络提取特征的能力，采用深度置信网络(DBN)作为预测模型，并设计了参数自整定机制，增强了控制方法的鲁棒性。这些Deep Learning based
‑
MPC方法利用深度学习强大的表示能力，实现了对被控对象变化情况的精准预测，进一步提升了控制精度。因此，深度学习在工业控制系统中展现了广泛的应用前景。但是上述方法都没有考虑多工况对控制的影响，导致这些方法在处理多工况问题时会将所有工况近似为一个工况。如果每个工况间存在较大差异，这些方法往往无法取得最优控制效果。在多工况控制问题中，如何解决预测问题对最终控制效果有很大影响。

技术实现思路

[0006]本专利技术提供一种面向工业系统多工况学习的预测控制方法和系统，可以精确预测不同工况下被控对象的输出，实现被控对象多工况下的精准控制，增强被控工业系统的稳定性。
[0007]为实现上述技术目的，本专利技术采用如下技术方案：
[0008]一种面向工业系统多工况学习的预测控制方法，包括：
[0009]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)
[0010]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
[0011]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)。
[0012]进一步地，被控对象在不同工况切换时具有时滞性。
[0013]进一步地，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。
[0014]进一步地，所述工业过程为锌冶炼焙烧过程。
[0015]进一步地，所述滚动控制优化问题的目标函数为：
[0016][0017]约束条件为：
[0018][0019]|Δu(t)|≤Δu
max
[0020]u
min
≤u(t)≤u
max
[0021][0022]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
)]表示历史控制输出序列，l
y
表示控制输出迟滞因子；R(t)＝[r(t+1),r(t+2),...,r(t+T
p
)]表示稳定跟踪给定值序列；表示预测被控对象未来多个时刻控制输出序列；U(t)＝[u(t),u(t+1),...,u(t+T
c
‑
1)]表示求解优化问题后得到的下一时间以后的控制变量序列；ΔU(t)＝[Δu(t),Δu(t+1),...,Δu(t+T
c
‑
1)]表示下一时间以后的控制本文档来自技高网...

【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：