基于误差触发自适应稀疏辨识的多工况工业过程预测控制方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种基于误差触发自适应稀疏辨识的多工况工业过程预测控制方法、装置、设备及介质，方法：采集工业过程多个已知工况的数据，基于采集数据辨识各工况的预测模型并构建预测模型集合，以及估计各预测模型的预测误差阈值；采集当前状态量，使用各预测模型并根据上一时刻状态量和控制量预测当前时刻状态量，计算预测误差；选择预测误差最小的预测模型，将其预测误差与阈值比较：若预测误差连续超过阈值，则判定出现新工况，采用自适应更新方法对该预测误差最小的预测模型进行更新，并作为当前工况预测模型以及添加到预测模型集合中；对工业过程进行当前工况下的模型预测控制。本发明专利技术能够提供精准的预测模型，对工业过程快速精准的控制。过程快速精准的控制。过程快速精准的控制。

【技术实现步骤摘要】
基于误差触发自适应稀疏辨识的多工况工业过程预测控制方法、装置、设备及介质


[0001]本专利技术属于工业控制
，具体涉及一种基于误差触发自适应稀疏辨识的多工况工业过程预测控制方法、装置、设备及介质。

技术介绍

[0002]流程工业是国民经济和社会发展的重要支柱产业。在工业过程中，持续生产高质量，低成本的产品是非常重要的。工厂需要保障过程的平稳健康运行，并尽量将过程维持在运行的最佳稳态。对生产过程中的关键指标进行控制是稳定运行的关键。因此，PID控制、专家控制、模糊控制等控制方法被广泛应用于流程工业，取得了很好的控制效果。
[0003]但是，随着技术的发展，工业过程变得越来越复杂。大部分实际工业过程往往具有非线性的特征。而传统的控制方法处理这种非线性的系统存在一定的困难。而且这些控制方法往往没有考虑到过程的一些必要约束。模型预测控制(MPC)为解决这些问题提供了完美的方案。在MPC中，只要使用非线性的预测模型就能很好的处理非线性过程。同时，过程的动力学约束以及执行器约束也可以很方便地嵌入到MPC的集成优化问题中。MPC的思想是使用一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于误差触发自适应稀疏辨识的多工况工业过程预测控制方法，其特征在于，包括：采集工业过程多个已知工况的数据，基于采集到的数据辨识各工况在模型预测控制系统中的预测模型并构建预测模型集合，以及通过核密度估计各预测模型的预测误差阈值；采集工业过程的当前时刻状态量，使用辨识到的各预测模型并根据上一时刻的状态量和控制量对当前时刻状态量进行预测，并计算当前时刻预测误差；基于预测误差在预测模型集合中选择预测误差最小的预测模型，并将其预测误差与阈值进行比较：若预测误差连续超过阈值，则判定出现未知新工况，采用自适应更新方法对该预测误差最小的预测模型进行更新，并将更新得到的预测模型作为当前工况预测模型以及添加到预测模型集合中；否则将预测误差最小的预测模型作为当前工况预测模型；对工业过程进行当前工况下的模型预测控制，即：使用当前工况预测模型并基于当前时刻的状态量，采用模型预测控制方法优化得到当前时刻的控制量，并作用于被控工业过程。2.根据权利要求1所述的多工况工业过程预测控制方法，其特征在于，基于稀疏辨识方法辨识各工况的预测模型：首先构造并求解以下优化问题，得到当前被辨识工况的稀疏矩阵Σ：其中，||
·
||
F
表示矩阵的Frobenius范数，||
·
||1表示矩阵的l1范数；Θ即为Θ(X,U)，为工业过程控制系统的候选函数库，X为工业过程当前工况状态量时间序列构成的矩阵，U为工业过程当前工况控制量时间序列构成的矩阵；Y为比状态量矩阵X滞后一个时刻的状态量矩阵；Σ为稀疏矩阵，由n
x
个状态量的动力学方程对应的稀疏向量构成，即然后根据稀疏矩阵Σ构建当前工况的动力学方程，作为该工况的预测模型：其中，x(k)和u(k)分别表示工业过程在时刻k的状态量和控制量，表示工业过程在时刻k+1的预测状态量。3.根据权利要求1所述的多工况工业过程预测控制方法，其特征在于，所述通过核密度估计各预测模型的预测误差阈值，具体为：首先，设当前工况采集的第i
‑
1个训练数据中的状态量为x
i
‑1，控制量为u
i
‑1，预测模型根据(x
i
‑1,u
i
‑1)预测得到第i个状态量预测值为则基于x
i
和计算每个训练数据的预测误差误差然后，使用核密度估计方法估计预测误差的概率密度函数，f(e)计算公式如下：
其中，e表示预测误差变量，m表示当前工况的训练数据总数量，h表示带宽，K(
·
)表示核函数；最后，通过设置的置信度α，按以下公式计算出得到当前预测模型的预测误差阈值e
th
：4.根据权利要求1所述的多工况工业过程预测控制方法，其特征在于，采用迁移学习方法对预测模型进行自适应更新，具体为：首先，设之前已经有T个已知工况及其预测模型，记当前未知新工况为第T+1个工况，其稀疏矩阵为Σ
T+1
，则根据稀疏矩阵有：Y
T+1
＝Θ(X
T+1
,U
T+1
)Σ
T+1
；其中，X
T+1
,U
T+1
为第T+1个工况下的输入状态量矩阵和控制量矩阵，Y
T+1
为第T+1个工况下比X
T+1
滞后一个时刻的状态量矩阵；然后，使用选择出的预测误差最小的预测模型对第T+1个工况下的状态量进行预测，得到预测结果到预测结果其中，为预测误差最小的预测模型的稀疏矩阵；接着将上面两式相减得到第T+1个工况下的状态量预测偏差：ΔY
T+1
＝Θ(X
T+1
,U
T+1
)ΔΣ
T+1
其中，ΔY<...

【专利技术属性】
技术研发人员：黄科科，陶醉，阳春华，吴德浩，周灿，桂卫华，
申请(专利权)人：中南大学，
类型：发明
国别省市：