【技术实现步骤摘要】
本专利技术属于工业控制，具体涉及一种多模态工业过程全工况高实时预测控制方法和设备。
技术介绍
1、随着现代工业系统的大型化，生产环境、工艺等存在大量的不确定性，工业系统表现出复杂的运行特性，常常难以建立准确的数学模型。传统的控制方法在面对这些复杂系统时可能受到限制，难以满足实际需求。因此，需要引入新的计算方法和思想，来应对工业系统面临的挑战。模糊理论给出了一套系统而有效的方法，把用自然语言描述的知识转化为数学表达形式，从而通过专家知识克服复杂系统不确定性的影响。然而，传统的模糊控制系统通常使用模糊推理和模糊规则来处理输入输出之间的关系，对于复杂的非线性系统建模能力有限。模糊神经网络是一种非线性建模工具，结合了模糊逻辑和神经网络的优势，能够更好地处理非线性系统。它可以通过多层连接和非线性激活函数来捕捉输入和输出之间的复杂关系，从而更准确的建模和控制非线性系统。
2、除了生产过程的不确定性外，由于生产原料的多样化、生产工艺的复杂化等因素的影响，一些工业系统实际上是一种动态的多模态过程，其状态在不同的运行工况之间切换。因此，如何实现多变工况下的复杂工业系统的精准控制是一个重要且挑战性的问题。模型预测控制(model predictive control,mpc)是一种高效的工业控制方法，是目前公认能够有效处理多变量复杂过程并考虑多种约束条件的控制算法。模型预测控制的基本思路是：以过程的预测模型为基础，在每个控制间隔都会通过求解有限时域开环最优控制问题来得到最优控制序列，然后将最优控制序列的第一个控制量下发到实际过程中。目前
3、显式模型预测控制(explicit model predictive control,empc)是一种高实时性控制方法，该方法通过离线训练得到显式控制律，在线运行时只需要将当前时刻的系统状态信息代入到显式控制律中计算就可以得到最优控制序列，省去了实时的滚动优化求解，实现了快速控制。显式模型预测控制方法在控制实时性等问题上验证了其强大的能力，但是其仍然存在一些不足之处。首先，随着问题规模的增加，例如预测时域范围增加、约束条件数量增多、系统输入输出维度增加等，显式控制律的规模呈指数形式增长。另一方面，显式模型预测控制最初是应用于线性时不变过程中，虽然目前已经出现了部分研究将显式模型预测控制应用于非线性过程，但是这不可避免的会导致离线计算复杂度的增加和显式控制律规模的增长。相比于分段仿射函数，神经网络具有更加强大的并行计算能力和非线性拟合能力，这为求解大规模多参数二次规划问题提供了新的思路。基于神经网络的显式控制律能够在保证控制性能满足要求的同时提供更小的控制律规模和更快的计算速度。然而，当面对运行状态波动的多工况工业过程时，预先训练的显式控制律会出现失配的问题，严重影响了控制性能。
技术实现思路
1、为了解决多模态过程的全工况实时控制问题，本专利技术提供一种多模态工业过程全工况高实时预测控制方法和设备，提出并采用一种面向全工况的自组织模糊神经网络显式控制律学习框架，通过自调整网络参数和结构来适应全部运行工况，学习到的控制律可以消除切换阶段控制策略失配的影响，并提高运行速度。
2、为实现上述技术目的，本专利技术采用如下技术方案：
3、一种多模态工业过程全工况高实时预测控制方法，包括：
4、离线学习：
5、使用工业系统每种工况的数据集分别学习对应的输出状态预测模型，以及使用所有工况的数据集，学习基于自组织模糊神经网络的全工况显式控制律；
6、其中，在学习全工况显示控制律时，首先使用第一种工况的数据集学习当前工况的显式控制律，即学习自组织模糊神经网络的参数；再使用其余工况的数据集依次对当前已学习到的显式控制律进行调整：若当前已学习工况的数据覆盖率不满足预设条件，则直接对当前网络参数进行更新学习；若当前已学习工况的数据覆盖率满足预设条件，则先则增加模糊规则，即增加自组织模糊神经网络中表示模糊规则的神经元，再对自组织模糊神经网络的参数进行更新学习；
7、在线控制：
8、将当前时刻的输出状态与历史的输出状态序列和控制序列、未来输出状态的参考轨迹，一起构建作为当前时刻的控制状态数据，输入到学习到的全工况显式控制律中，得到当前时刻的最优控制序列；
9、使用当前时刻的最优控制序列的第一个控制变量控制工业系统。
10、进一步的，所述自组织模糊神经网络包括包括输入层、模糊层、归一化层和输出层；
11、所述输入层包括min个神经元，分别表示模糊神经网络的min维输入变量；输入层的数学表达式如下所示：
12、ci(t)＝xi(t),i＝1,2,...,min (1)
13、其中，xi(t)表示t时刻第i个神经元的输入，ci(t)表示t时刻第i个神经元的输出；表示t时刻模糊神经网络的输入，用于输入工业系统t时刻的控制状态数据；表示t时刻输入层的输出；
14、所述模糊层共有p组神经元，每组神经元都代表一条模糊规则；其中，每条模糊规则均采用径向基函数作为模糊化输入变量的隶属度函数，数学表达式如下所示：
15、
16、其中，ζi,j(t)表示第i个输入变量对应第j个模糊规则的隶属度函数，μij(t)和σij(t)为径向基神经元中心和宽度；在得到每个输入变量的隶属度后，计算每条模糊规则的隶属度，其数学表达式如下：
17、
18、其中，表示t时刻第j组径向基神经元的输出，表示t时刻第j组径向基神经元的中心，表示t时刻第j组径向基神经元的宽度；
19、所述归一化层共有p个神经元，与模糊层的模糊规则数量相同，用于对模糊层的输出进行归一化处理，得到归一化输出v(t)＝[v1(t),v2(t),...,vp(t)]t；
20、所述输出层为线性层，输出的数学表达如下所示：
21、y(t)＝w(t)v(t)
22、其中，表示t时刻自组织模糊神经网络的输出，用于输出工业系统t时刻的控制变量，表示t时刻输出层的权重矩阵，mo为输出层的神经元个数。
23、进一步的，所述使用第一种工况的数据集学习当前工况的显式控制律，具体将模型预测控制策略的优化问题转化为损失函数以对显式控制律进行学习；
24、首先，模型预测控制策略的优化问题，其目标函数仅考虑工业系统输出状态的跟踪性能，约束条件仅考虑控制变量的上下限幅约束，如下所示：
25、
26、其中nn[·]表示神经网络预测模型，y＝[y(t+1),…,y(t+本文档来自技高网...
【技术保护点】
1.一种多模态工业过程全工况高实时预测控制方法，其特征在于，包括：
2.根据权利要求1所述的多模态工业过程全工况高实时预测控制方法，其特征在于，所述自组织模糊神经网络包括包括输入层、模糊层、归一化层和输出层；
3.根据权利要求1所述的多模态工业过程全工况高实时预测控制方法，其特征在于，所述使用第一种工况的数据集学习当前工况的显式控制律，具体将模型预测控制策略的优化问题转化为损失函数以对显式控制律进行学习；
4.根据权利要求3所述的多模态工业过程全工况高实时预测控制方法，其特征在于，数据覆盖率的计算方法为：首先，采用截断径向基函数作为自组织模糊神经网络的模糊层神经元的激活函数，则t时刻第j个模糊规则的输出表示为：
5.根据权利要求4所述的多模态工业过程全工况高实时预测控制方法，其特征在于，所述预设条件为：
6.根据权利要求4所述的多模态工业过程全工况高实时预测控制方法，其特征在于，所述增加模糊规则，即增加自组织模糊神经网络中表示模糊规则的神经元，具体新增加的神经元组设计为：
7.根据权利要求6所述的多模态工业过
8.根据权利要求7所述的多模态工业过程全工况高实时预测控制方法，其特征在于，在对自组织模糊神经网络的参数进行更新学习时，额外限制径向基神经元的宽度σ的范围，如下所示：
9.根据权利要求3所述的多模态工业过程全工况高实时预测控制方法，其特征在于，所述若当前已学习工况的数据覆盖率不满足预设条件，则直接对当前网络参数进行更新学习，更新学习采用的损失函数为：
10.一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1～9中任一项所述的方法。
...【技术特征摘要】
1.一种多模态工业过程全工况高实时预测控制方法，其特征在于，包括：
2.根据权利要求1所述的多模态工业过程全工况高实时预测控制方法，其特征在于，所述自组织模糊神经网络包括包括输入层、模糊层、归一化层和输出层；
3.根据权利要求1所述的多模态工业过程全工况高实时预测控制方法，其特征在于，所述使用第一种工况的数据集学习当前工况的显式控制律，具体将模型预测控制策略的优化问题转化为损失函数以对显式控制律进行学习；
4.根据权利要求3所述的多模态工业过程全工况高实时预测控制方法，其特征在于，数据覆盖率的计算方法为：首先，采用截断径向基函数作为自组织模糊神经网络的模糊层神经元的激活函数，则t时刻第j个模糊规则的输出表示为：
5.根据权利要求4所述的多模态工业过程全工况高实时预测控制方法，其特征在于，所述预设条件为：
6.根据权利要求4所述的多模态工业过程全工况高实时预测控制方法...
【专利技术属性】
技术研发人员：黄科科，应新宇，吴德浩，刘一顺，孙备，阳春华，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。