论文部分内容阅读
当前化工业的生产结构发生了重大变化,逐渐从大型化向着精细化方向发展。市场对小批量、多品种、高附加值的精细化工产品的需求量越来越大,因此间歇化学反应过程在工业生产中的比重越来越大。由于间歇生产固有的非稳态性、不确定性,使得间歇生产的自动化水平远远低于连续生产。要想获得较高的经济和社会效益以及良好的生产操作平稳性和终端产品质量,研究针对间歇过程的先进控制方法就显得非常必要。 间歇过程批次间的重复特性使得迭代学习控制技术(Iterative Learning Control,ILC)在工业生产中得到广泛应用。ILC自上世纪80年代提出以来,逐渐成为智能控制理论的重要分支之一,它适用于具有重复运动性质的被控对象,不依赖于系统的详细模型。通过利用之前的控制效果信息产生当前的控制信号,而新的控制信号往往能够产生更好的控制效果。目前,新的研究成果主要集中在与先进控制算法的结合方面,基于广义预测控制(Generalized Predictive Control,GPC)的迭代学习算法就是其中典型的一种。本文提出的BGPC(GPC for Batch process)类算法将GPC算法的自适应特点和ILC的批次优化特点融合在一起,可以逐批减小模型误差,使控制策略逐渐达到最优,并对模型误差和扰动有很好的抑制作用,使输出能够在尽可能少的批次和时间内跟踪参考输出轨迹。 本文主要以间歇生产过程为背景,研究迭代学习控制技术在间歇过程中的应用。主要研究工作如下: 1) 综述间歇生产过程和迭代学习控制技术的特点、发展及现状;并对迭代学习控制技术应用于间歇生产的现状进行了分析。 2) 介绍了迭代学习控制和广义预测控制的基本原理,以及与后续新算法的联系。 3) 提出BGPC算法,它能在GPC实时结构参数辨识的基础上利用前面批次的模型预测误差修正当前批次的模型预测值,以产生新的控制信号:最后对BGPC算法进行完善,加入误差和控制增量的PID形式补偿环节,并与PID迭代学习算法进行比较。 4) 进行了大量的仿真试验,验证PID迭代学习控制算法和BGPC类算法对控制间歇生产过程的有效性。对比各种算法在数值仿真例子和间歇反应釜模型应用中的效果,突出了BGPC类算法的优越性。与PID相结合的BGPC算法有较强的鲁棒性,能够快速对设定轨线进行准确跟踪。 最后在总结全文的基础上,指出进一步研究工作的研究方向及工作重点。