论文部分内容阅读
间歇聚合反应过程由于具有非线性、时变性、不确定性、反应机理复杂等特点,其控制问题一直是过程控制界具有挑战性的研究课题之一。应用传统的控制方法已经不能满足生产过程对控制性能的要求,迫切需要一类合适的先进控制策略。 迭代学习控制是一种新型控制算法,它不依赖于动态系统的精确数学模型,是一种以迭代产生优化输入信号,通过重复执行同一任务来减少误差,使系统输出尽可能逼近理想值的方法。它的研究对那些有着非线性、复杂性、难以建模以及高精度轨迹控制问题有着非常重要的意义。 本文在分析了间歇聚合反应过程特点的基础上,提出了一种将迭代学习控制与反馈控制相结合、并通过神经网络对迭代控制器参数进行约束和优化求解来优化迭代学习律的综合控制方案。方案中通过引入反馈控制作用调节当前系统存在的跟随偏差;通过迭代学习控制进行前馈补偿。并通过神经网络优化拟合迭代学习控制器的参数,构造出下次过程的迭代学习控制律,形成优化的迭代学习控制。由于固定增益的学习律将使得算法的学习速度降低,迭代的次数增加;而神经网络所具有的任意非线性表达能力及完成数学逼近映射的功能,能克服最小二乘法拟合存在的计算量大且收敛速度慢的缺点,更好的实现系统的最佳控制,所以本文提出用神经网络来优化控制器参数。此方法不仅提高了系统的抗干扰性能和初始鲁棒性,而且充分发挥了迭代学习控制不需要建立精确数学模型的智能化优点。 本文将该方法应用于ABS树脂聚合反应过程的温度控制中,并对固定增益的迭代过程和用神经网络优化的迭代过程的温度输出进行了比较。仿真结果表明,应用本文提出的控制方法使系统收敛速度更快、跟踪效果更好,且保证了在较少的迭代次数下,聚合反应温度的输出轨迹能精确地收敛到期望轨迹。