论文部分内容阅读
发酵作为一种小批量、高利润、多品种的精细化工生产过程,涉及到药品、化工、食品等与人们生活息息相关的多个行业。降低发酵过程成本和能耗可以带来十分可观的经济效益,因而发酵过程的优化控制已被工业界和学术界作为系统节能降耗和挖潜增效的重要手段。发酵过程往往特性复杂,非线性较强并且动态变化,常规的静态优化控制技术往往并不适用。控制向量参数化(Control Vector Parameterization,CVP)方法作为动态优化中的主流数值解法,适用于过程机理模型已知的发酵过程。CVP方法采用分段近似逼近策略,将被控变量在时域上进行离散化,用离散化后的分段参数函数来近似原有的控制轨迹,由于求解精度高,容易实现被普遍运用。CVP方法中,时域划分段数一般都是事先确定的,在求解过程中不会更改。划分的段数越大,一般求解精度更高,然而却导致有限维静态优化问题的维数变大,增加了求解过程复杂度,导致算法收敛速度变慢。本文针对工业发酵补料控制问题,考虑CVP算法的求解精度和收敛速度这一矛盾,对算法进行改进;进一步将补料消耗和目标产物产量作为冲突目标,尝试运用博弈思想来解决发酵中的多目标问题。本文主要创新工作如下:(1)现有均匀控制向量参数化(UCVP)方法为了逼近控制轨迹,往往需要划分更多的段数,并且UCVP方法不能对化工过程常见的‘Bang-Bang’控制中的重要切换时间节点进行优化。本文提出了一种非均匀控制向量参数化(NCVP)方法,运用在典型的发酵补料优化问题中,结果表明可以提高目标产物的总产量。(2)CVP算法作为一种梯度寻优算法,其求解效率过于依赖初始给定轨迹这一问题。本文提出一种PSO与CVP算法混合策略,实现对动态优化问题的有效求解,将PSO-CVP混合策略运用于发酵过程的补料控制中,其求解精度比单纯PSO更好,收敛速度比单纯CVP更快。(3)针对发酵过程中补料消耗和目标产物这对相互冲突的目标,将博弈思想引入到发酵过程中,运用CVP算法求得纳什均衡解。将方法运用于分批补料发酵过程补料速率控制中,并与传统的线性加权多目标优化方法相对比,求解效率更高并且克服了线性加权法缺点,对发酵过程的多目标优化问题是可行的。