论文部分内容阅读
对于一些复杂的非线性系统,很多控制相关的中间变量都无法直接测量,从而影响了非线性过程的监测。非线性滤波技术的适时出现,解决了化工生产工艺过程中间变量难以测量的问题,并得到了广泛的应用。目前,容积卡尔曼滤波(Cubature Kalman Filter,简称CKF)应用最广,但由于算法自身的缺陷,很难在非线性状态估计问题上取得优良精度。 论文以连续搅拌反应釜(Continuous Stirred Tank Reactor,简称CSTR)的非线性过程为应用背景,研究了CKF算法基本理论及其改进算法在CSTR反应过程上的应用。具体内容如下: (1)首先综述各种非线性系统滤波方法的研究应用现状,针对以往非线性滤波方法的不足之处引出了容积卡尔曼滤波算法,并对本文的应用对象——一类常见的非线性CSTR反应过程进行了详细描述和数学建模。 (2)针对系统受有色噪声污染时CKF滤波精度下降甚至发散的问题,提出了基于量测信息增广的改进CKF算法(Modified CKF,简称MCKF)。MCKF算法引入量测信息增广矩阵方式,将有色量测噪声白噪声化,再通过恒等变换等过程将系统噪声和量测噪声去相关化,解决了一类有色噪声污染的线性观测系统的状态估计问题。将MCKF算法应用于生物地球化学仿真模型,对生物圈植被碳含量进行动态估计,仿真结果表明MCKF算法相比于同类算法,精度较高,鲁棒性良好。最后将MCKF算法应用于CSTR中硫代硫酸钠和过氧化氢反应过程,当反应釜温度观测值受有色噪声污染时,仍然可以很好地估计出夹套介质温度和釜内物料的浓度。 (3)针对许多未建模CSTR过程的状态估计问题,本文提出了基于RBF神经网络的CKF联合滤波算法(RBF-CKF)。利用径向基函数(Radial Basis Function,简称RBF)神经网络搭建未知非线性系统结构,然后将神经网络权值向量增广到系统状态向量中,利用CKF算法联合估计系统的状态与神经网络权值,解决了一类过程模型未知的非线性系统状态估计问题。将RBF-CKF算法应用于一类典型的非线性离散系统的状态估计,仿真结果表明RBF-CKF算法对未建模问题可获得较好的估计精度。最后将RBF-CKF算法应用于CSTR中腈纶聚合反应过程,在系统模型未知时较好地估计出了反应釜内的温度和釜内物料的浓度。