CN102902201A - 一种化工多变量过程的解耦状态空间预测控制方法 - Google Patents

一种化工多变量过程的解耦状态空间预测控制方法 Download PDF

Info

Publication number
CN102902201A
CN102902201A CN2012103570807A CN201210357080A CN102902201A CN 102902201 A CN102902201 A CN 102902201A CN 2012103570807 A CN2012103570807 A CN 2012103570807A CN 201210357080 A CN201210357080 A CN 201210357080A CN 102902201 A CN102902201 A CN 102902201A
Authority
CN
China
Prior art keywords
matrix
control
output
input
variable
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012103570807A
Other languages
English (en)
Other versions
CN102902201B (zh
Inventor
张日东
薛安克
王建中
葛铭
孔亚广
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201210357080.7A priority Critical patent/CN102902201B/zh
Publication of CN102902201A publication Critical patent/CN102902201A/zh
Application granted granted Critical
Publication of CN102902201B publication Critical patent/CN102902201B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Feedback Control In General (AREA)

Abstract

本发明涉及一种化工多变量过程的解耦状态空间预测控制方法。传统控制手段中控制参数完全依赖技术人员经验，控制效果不好。本发明方法首先基于化工过程模型建立解耦状态空间模型，挖掘出基本的过程特性；然后基于该解耦状态空间模型建立预测控制回路；最后通过计算预测控制器的参数，将过程对象整体实施预测控制。本发明方法通过数据采集、过程处理、预测机理、数据驱动、优化等手段，确立了一种化工多变量过程的解耦状态空间预测控制方法，利用该方法可有效提高控制的精度，提高控制平稳度。本发明方法可以有效减少理想工艺参数与实际工艺参数之间误差，保证控制装置操作在最佳状态，使生产过程的工艺参数达到严格控制。

Description

一种化工多变量过程的解耦状态空间预测控制方法
技术领域
本发明属于自动化技术领域，涉及一种化工多变量过程的解耦状态空间预测控制方法。
背景技术
化工多变量过程是我国流程工业过程的重要组成部分，其要求是供给合格的工业产品，以满足我国工业发展的需要。作为工业生产的一个重要主体，流程工业生产过程水平的提高对整个工业经济效益的提高起着至关重要的作用。为此，生产过程的各个主要工艺参数必须严格控制。随着工业的发展以及对产品的质量、能源消耗和环境保护的要求越来越高，对工业过程的控制精度要求也越来越严格，传统的控制方法虽满足了一定的要求，但难以进一步提升控制水平，加上工艺过程变得更加复杂。简单的单回路过程控制已经无法满足控制精度和平稳性的要求，产品合格率低，装置效率低下。而目前实际工业中控制基本上采用传统的简单的控制手段，控制参数完全依赖技术人员经验，使生产成本增加，控制效果很不理想。我国化工过程控制与优化技术比较落后，能耗居高不下，控制性能差，自动化程度低，很难适应节能减排以及间接环境保护的需求，这其中直接的影响因素之一便是***的控制方案问题。
发明内容
本发明的目标是针对现有的化工过程***控制技术的不足之处，提供一种化工多变量过程的解耦状态空间预测控制方法。该方法弥补了传统控制方式的不足，保证控制具有较高的精度和稳定性的同时，也保证形式简单并满足实际工业过程的需要。
本发明方法首先基于化工过程模型建立解耦状态空间模型，挖掘出基本的过程特性；然后基于该解耦状态空间模型建立预测控制回路；最后通过计算预测控制器的参数，将过程对象整体实施预测控制。
本发明的技术方案是通过数据采集、过程处理、预测机理、数据驱动、优化等手段，确立了一种化工多变量过程的解耦状态空间预测控制方法，利用该方法可有效提高控制的精度，提高控制平稳度。
本发明方法的步骤包括：
(1)利用化工过程模型建立解耦状态空间模型，具体方法是：
首先采集化工过程的输入输出数据，利用该数据建立输入输出模型如下：
Figure 2012103570807100002DEST_PATH_IMAGE002
其中、、
Figure 2012103570807100002DEST_PATH_IMAGE008
分别为输出向量
Figure 2012103570807100002DEST_PATH_IMAGE010
变换、传递函数矩阵、输入向量
Figure 234198DEST_PATH_IMAGE010
变换； 
，
Figure 2012103570807100002DEST_PATH_IMAGE014
，
Figure 2012103570807100002DEST_PATH_IMAGE016
Figure 2012103570807100002DEST_PATH_IMAGE018
,,
Figure 2012103570807100002DEST_PATH_IMAGE022
,表示过程的各回路传递函数，
Figure 2012103570807100002DEST_PATH_IMAGE026
和
Figure 2012103570807100002DEST_PATH_IMAGE028
分别为第个输入、输出变量的
Figure 190302DEST_PATH_IMAGE010
变换，
Figure 2012103570807100002DEST_PATH_IMAGE032
，
Figure 536970DEST_PATH_IMAGE010
为计算机控制***的离散变换算子，为
Figure 74130DEST_PATH_IMAGE010
的倒数，
Figure 2012103570807100002DEST_PATH_IMAGE036
为过程的输入输出变量个数，所述的输入输出数据为数据采集器中存储的数据；
进一步对上述方程选取伴随矩阵解耦阵为：
Figure 2012103570807100002DEST_PATH_IMAGE038
其中，
Figure 2012103570807100002DEST_PATH_IMAGE040
是伴随矩阵解耦阵，
Figure 2012103570807100002DEST_PATH_IMAGE042
为
Figure 23501DEST_PATH_IMAGE006
的伴随矩阵。
将上述伴随矩阵解耦阵与过程输入输出模型合并得到：
Figure 2012103570807100002DEST_PATH_IMAGE044
其中，
Figure 2012103570807100002DEST_PATH_IMAGE046
是得到的解耦过程模型，
Figure 2012103570807100002DEST_PATH_IMAGE048
为的行列式，
Figure 2012103570807100002DEST_PATH_IMAGE050
为以
Figure 903744DEST_PATH_IMAGE006
的行列式为元素的对角矩阵。
 
Figure 2012103570807100002DEST_PATH_IMAGE052
将上述解耦过程模型处理成
Figure 52834DEST_PATH_IMAGE036
个单变量过程的离散方程形式：
Figure 2012103570807100002DEST_PATH_IMAGE054
其中
Figure 2012103570807100002DEST_PATH_IMAGE056
和
Figure 2012103570807100002DEST_PATH_IMAGE058
分别是第
Figure 117480DEST_PATH_IMAGE030
个过程的输出和输入变量，，和
Figure 2012103570807100002DEST_PATH_IMAGE064
分别是
Figure 657963DEST_PATH_IMAGE056
和
Figure 2012103570807100002DEST_PATH_IMAGE066
的系数矩阵多项式； 
                           
Figure 2012103570807100002DEST_PATH_IMAGE068
其中
Figure 2012103570807100002DEST_PATH_IMAGE070
是相应的系数矩阵，
Figure 2012103570807100002DEST_PATH_IMAGE072
为后移
Figure 2012103570807100002DEST_PATH_IMAGE074
步算子，是得到的模型阶次；
将上述单变量过程的离散方程模型通过后移算子处理成状态空间形式：
Figure 2012103570807100002DEST_PATH_IMAGE080
Figure 2012103570807100002DEST_PATH_IMAGE082
。
其中， 、分别是第
Figure 2012103570807100002DEST_PATH_IMAGE088
时刻的变量值，为第
Figure 2012103570807100002DEST_PATH_IMAGE092
时刻的输入增量变量值，
Figure 2012103570807100002DEST_PATH_IMAGE094
、
Figure 2012103570807100002DEST_PATH_IMAGE096
分别为第
Figure 2012103570807100002DEST_PATH_IMAGE098
时刻的输出变量增量和输入变量增量值，
Figure 2012103570807100002DEST_PATH_IMAGE100
、
Figure 2012103570807100002DEST_PATH_IMAGE102
、
Figure 2012103570807100002DEST_PATH_IMAGE104
分别为对应的状态矩阵、输入矩阵和输出矩阵，为取转置符号。
Figure 2012103570807100002DEST_PATH_IMAGE110
Figure 2012103570807100002DEST_PATH_IMAGE112
定义一过程期望输出为
Figure 2012103570807100002DEST_PATH_IMAGE114
，并且输出误差
Figure 2012103570807100002DEST_PATH_IMAGE116
为：
 进一步得到第
Figure 364012DEST_PATH_IMAGE088
时刻的输出误差
Figure 2012103570807100002DEST_PATH_IMAGE120
为：
Figure 2012103570807100002DEST_PATH_IMAGE122
其中，为第
Figure 938082DEST_PATH_IMAGE088
时刻的过程期望输出增量。
     定义一个新的复合状态变量：
Figure 2012103570807100002DEST_PATH_IMAGE126
  将上述处理过程综合为一个部分解耦的过程模型：
Figure 2012103570807100002DEST_PATH_IMAGE128
其中，
Figure 2012103570807100002DEST_PATH_IMAGE130
为第
Figure 291571DEST_PATH_IMAGE088
时刻的复合状态变量，
Figure 2012103570807100002DEST_PATH_IMAGE132
、、
Figure 2012103570807100002DEST_PATH_IMAGE136
分别为对应复合状态变量的状态矩阵、输入矩阵和输出矩阵，具体是：
Figure 2012103570807100002DEST_PATH_IMAGE138
，
Figure 2012103570807100002DEST_PATH_IMAGE140
，
Figure 2012103570807100002DEST_PATH_IMAGE142
(2)基于该解耦状态空间模型设计预测控制器，具体方法是：
a.定义该预测控制器的目标函数为：
Figure 2012103570807100002DEST_PATH_IMAGE144
其中，为目标函数，
Figure 2012103570807100002DEST_PATH_IMAGE148
是预测步长，
Figure 2012103570807100002DEST_PATH_IMAGE150
是控制步长，
Figure 2012103570807100002DEST_PATH_IMAGE152
、
Figure 2012103570807100002DEST_PATH_IMAGE154
是加权矩阵，
Figure 2012103570807100002DEST_PATH_IMAGE156
、
Figure 2012103570807100002DEST_PATH_IMAGE158
分别为第
Figure 2012103570807100002DEST_PATH_IMAGE160
时刻的复合状态变量和输入增量变量。
b.定义控制变量的作用范围为：
Figure 2012103570807100002DEST_PATH_IMAGE162
c.计算控制器的参数，具体是：
首先定义与控制器参数计算的三个相关矩阵
Figure 2012103570807100002DEST_PATH_IMAGE164
、和
Figure 2012103570807100002DEST_PATH_IMAGE168
，具体是：    
Figure 2012103570807100002DEST_PATH_IMAGE170
，
Figure 2012103570807100002DEST_PATH_IMAGE172
，
Figure 2012103570807100002DEST_PATH_IMAGE174
然后依据下式计算控制向量
Figure 2012103570807100002DEST_PATH_IMAGE176
：
其中，
Figure 2012103570807100002DEST_PATH_IMAGE180
、
Figure 2012103570807100002DEST_PATH_IMAGE182
是依据控制要求设定的两个矩阵，
Figure 2012103570807100002DEST_PATH_IMAGE184
是依控制目标设计的参考轨迹向量增量。
本发明提出的一种化工多变量过程的解耦状态空间预测控制方法弥补了传统控制的不足，并有效地方便了控制器的设计，保证控制性能的提升，同时满足给定的生产性能指标。
本发明提出的控制技术可以有效减少理想工艺参数与实际工艺参数之间的误差，进一步弥补了传统控制器的不足，同时保证控制装置操作在最佳状态，使生产过程的工艺参数达到严格控制。
具体实施方式
以焦化加热炉炉膛压力过程控制为例：
这里以焦化加热炉炉膛压力过程控制作为例子加以描述。该过程是一个多变量耦合的过程，炉膛压力不仅受到烟道挡板开度的影响，同时也受燃料量，进风流量的影响。调节手段采用烟道挡板开度，其余的影响作为不确定因素。
(1)建立解耦状态空间模型，具体方法是：
首先利用数据采集器采集化工过程输入数据（烟道挡板开度）和输出数据（加热炉炉膛压力），建立输入输出模型如下：
Figure DEST_PATH_IMAGE186
其中，
Figure DEST_PATH_IMAGE188
,
Figure DEST_PATH_IMAGE190
,
Figure 130302DEST_PATH_IMAGE022
,
Figure DEST_PATH_IMAGE192
表示加热炉炉膛压力过程的传递函数方程， 
Figure DEST_PATH_IMAGE194
分别为烟道挡板开度、加热炉炉膛压力数据
Figure DEST_PATH_IMAGE196
变换；
然后定义三个变量
Figure DEST_PATH_IMAGE198
、
Figure DEST_PATH_IMAGE200
、如下：
Figure DEST_PATH_IMAGE204
将以上过程的输入数据和输出数据表示为：
Figure 381153DEST_PATH_IMAGE002
进一步对上述方程选取伴随矩阵解耦阵为：
Figure 989989DEST_PATH_IMAGE038
其中，
Figure 225799DEST_PATH_IMAGE040
是伴随矩阵解耦阵，为
Figure 329070DEST_PATH_IMAGE006
的伴随矩阵。
将上述过程模型展开得到：
Figure 487519DEST_PATH_IMAGE044
其中，
Figure 995860DEST_PATH_IMAGE046
是得到的解耦过程模型，为
Figure 390118DEST_PATH_IMAGE006
的行列式，
Figure 973547DEST_PATH_IMAGE050
为以的行列式为元素的对角矩阵。
 
将上述解耦过程模型处理成
Figure 705245DEST_PATH_IMAGE036
个单变量过程的离散表示方式：
其中，、
Figure DEST_PATH_IMAGE206
分别是第
Figure 918424DEST_PATH_IMAGE030
个过程的输出、输入变量，
Figure 461400DEST_PATH_IMAGE062
、
Figure 753841DEST_PATH_IMAGE064
分别是
Figure 679115DEST_PATH_IMAGE056
、的系数矩阵多项式，
Figure 149597DEST_PATH_IMAGE076
是得到的模型阶次，
Figure 257230DEST_PATH_IMAGE070
是相应的系数矩阵，
Figure 777073DEST_PATH_IMAGE072
为后移
Figure 388183DEST_PATH_IMAGE074
步算子。
                           
Figure 538542DEST_PATH_IMAGE068
将上述单变量过程的离散方程模型通过后移算子处理成状态空间形式：
Figure 801213DEST_PATH_IMAGE080
其中， 
Figure 532408DEST_PATH_IMAGE084
、
Figure 853668DEST_PATH_IMAGE086
分别是第
Figure 404735DEST_PATH_IMAGE088
时刻的变量值，
Figure 469643DEST_PATH_IMAGE090
为第
Figure 55345DEST_PATH_IMAGE092
时刻的输入增量变量值，
Figure 219611DEST_PATH_IMAGE094
、
Figure 523553DEST_PATH_IMAGE096
分别为第
Figure 126573DEST_PATH_IMAGE098
时刻的输出变量增量和输入变量增量值，
Figure 560922DEST_PATH_IMAGE100
、
Figure 223984DEST_PATH_IMAGE102
、
Figure 749644DEST_PATH_IMAGE104
分别为对应的状态矩阵、输入矩阵和输出矩阵，
Figure 156354DEST_PATH_IMAGE106
为取转置符号。
Figure 716649DEST_PATH_IMAGE082
。
Figure 285033DEST_PATH_IMAGE108
Figure 501251DEST_PATH_IMAGE110
Figure 446073DEST_PATH_IMAGE112
定义一过程期望输出为，并且输出误差
Figure 600160DEST_PATH_IMAGE116
为：
Figure 100411DEST_PATH_IMAGE118
 进一步得到第
Figure 848924DEST_PATH_IMAGE088
时刻的输出误差
Figure 118232DEST_PATH_IMAGE120
为：
Figure 231681DEST_PATH_IMAGE122
其中，
Figure 219229DEST_PATH_IMAGE124
为第
Figure 505854DEST_PATH_IMAGE088
时刻的过程期望输出增量。
     最后定义一个新的复合状态变量：
Figure 832930DEST_PATH_IMAGE126
  将上述处理过程综合为一个部分解耦的过程模型：
Figure 179597DEST_PATH_IMAGE128
其中，
Figure 388862DEST_PATH_IMAGE130
为第时刻的复合状态变量，、
Figure 246506DEST_PATH_IMAGE134
、
Figure 208645DEST_PATH_IMAGE136
分别为对应复合状态变量的状态矩阵、输入矩阵和输出矩阵，具体是:
Figure DEST_PATH_IMAGE208
（2）设计炉膛压力解耦状态空间预测控制器，具体方法是：
第一步：定义该预测控制器的目标函数为：
Figure 837073DEST_PATH_IMAGE144
其中，
Figure 935479DEST_PATH_IMAGE146
为目标函数，
Figure 623949DEST_PATH_IMAGE148
是预测步长，是控制步长，
Figure 239924DEST_PATH_IMAGE152
、
Figure 458416DEST_PATH_IMAGE154
是加权矩阵，
Figure 317788DEST_PATH_IMAGE156
，分别为第
Figure 896853DEST_PATH_IMAGE160
时刻的复合状态变量和输入增量变量。
第二步：定义控制变量的作用范围为：
Figure 969852DEST_PATH_IMAGE162
第三步：计算炉膛压力解耦状态空间预测控制器的参数，具体是：
首先定义与控制器参数计算的三个相关矩阵
Figure 125DEST_PATH_IMAGE164
、
Figure 158573DEST_PATH_IMAGE166
和
Figure 932494DEST_PATH_IMAGE168
，具体是：
Figure DEST_PATH_IMAGE210
Figure 143156DEST_PATH_IMAGE174
然后依据下式计算控制向量：
Figure 724496DEST_PATH_IMAGE178
其中，
Figure 302108DEST_PATH_IMAGE180
、是依据控制要求设定的两个矩阵，
Figure 721774DEST_PATH_IMAGE184
是依控制目标设计的参考轨迹向量增量。

Claims (1)

1. 一种化工多变量过程的解耦状态空间预测控制方法，其特征在于该方法的具体步骤是：
(1)利用化工过程模型建立解耦状态空间模型，具体方法是：
首先采集化工过程的输入输出数据，利用该数据建立输入输出模型如下：
Figure 2012103570807100001DEST_PATH_IMAGE002
其中、、
Figure 2012103570807100001DEST_PATH_IMAGE008
分别为输出向量
Figure 2012103570807100001DEST_PATH_IMAGE010
变换、传递函数矩阵、输入向量
Figure 799319DEST_PATH_IMAGE010
变换； 
Figure DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE018
,
Figure DEST_PATH_IMAGE020
,
Figure DEST_PATH_IMAGE022
,表示过程的各回路传递函数，
Figure DEST_PATH_IMAGE026
和
Figure DEST_PATH_IMAGE028
分别为第
Figure DEST_PATH_IMAGE030
个输入、输出变量的
Figure 413578DEST_PATH_IMAGE010
变换，
Figure DEST_PATH_IMAGE032
，
Figure 377992DEST_PATH_IMAGE010
为计算机控制***的离散变换算子，
Figure DEST_PATH_IMAGE034
为
Figure 983285DEST_PATH_IMAGE010
的倒数，
Figure DEST_PATH_IMAGE036
为过程的输入输出变量个数，所述的输入输出数据为数据采集器中存储的数据；
进一步对上述方程选取伴随矩阵解耦阵为：
Figure DEST_PATH_IMAGE038
其中，
Figure DEST_PATH_IMAGE040
是伴随矩阵解耦阵，
Figure DEST_PATH_IMAGE042
为
Figure 796433DEST_PATH_IMAGE006
的伴随矩阵；
将上述伴随矩阵解耦阵与过程输入输出模型合并得到：
Figure DEST_PATH_IMAGE044
其中，
Figure DEST_PATH_IMAGE046
是得到的解耦过程模型，
Figure DEST_PATH_IMAGE048
为
Figure 574902DEST_PATH_IMAGE006
的行列式，为以
Figure 659401DEST_PATH_IMAGE006
的行列式为元素的对角矩阵；
 
Figure DEST_PATH_IMAGE052
将上述解耦过程模型处理成
Figure 373279DEST_PATH_IMAGE036
个单变量过程的离散方程形式：
Figure DEST_PATH_IMAGE054
其中
Figure DEST_PATH_IMAGE056
和
Figure DEST_PATH_IMAGE058
分别是第
Figure 402284DEST_PATH_IMAGE030
个过程的输出和输入变量，
Figure DEST_PATH_IMAGE060
，
Figure DEST_PATH_IMAGE062
和
Figure DEST_PATH_IMAGE064
分别是
Figure 984444DEST_PATH_IMAGE056
和
Figure DEST_PATH_IMAGE066
的系数矩阵多项式； 
                           
Figure DEST_PATH_IMAGE068
其中是相应的系数矩阵，
Figure DEST_PATH_IMAGE072
为后移
Figure DEST_PATH_IMAGE074
步算子，
Figure DEST_PATH_IMAGE076
是得到的模型阶次；
将上述单变量过程的离散方程模型通过后移算子处理成状态空间形式：
Figure DEST_PATH_IMAGE080
Figure DEST_PATH_IMAGE082
；
其中， 
Figure DEST_PATH_IMAGE084
、
Figure DEST_PATH_IMAGE086
分别是第
Figure DEST_PATH_IMAGE088
时刻的变量值，
Figure DEST_PATH_IMAGE090
为第
Figure DEST_PATH_IMAGE092
时刻的输入增量变量值，
Figure DEST_PATH_IMAGE094
、
Figure DEST_PATH_IMAGE096
分别为第
Figure DEST_PATH_IMAGE098
时刻的输出变量增量和输入变量增量值，
Figure DEST_PATH_IMAGE100
、
Figure DEST_PATH_IMAGE102
、分别为对应的状态矩阵、输入矩阵和输出矩阵，
Figure DEST_PATH_IMAGE106
为取转置符号；
Figure DEST_PATH_IMAGE108
Figure DEST_PATH_IMAGE110
Figure DEST_PATH_IMAGE112
定义一过程期望输出为
Figure DEST_PATH_IMAGE114
，并且输出误差
Figure DEST_PATH_IMAGE116
为：
Figure DEST_PATH_IMAGE118
    进一步得到第
Figure 68592DEST_PATH_IMAGE088
时刻的输出误差
Figure DEST_PATH_IMAGE120
为：
Figure DEST_PATH_IMAGE122
其中，
Figure DEST_PATH_IMAGE124
为第
Figure 15688DEST_PATH_IMAGE088
时刻的过程期望输出增量；
     定义一个新的复合状态变量：
Figure DEST_PATH_IMAGE126
  将上述处理过程综合为一个部分解耦的过程模型：
Figure DEST_PATH_IMAGE128
其中，
Figure DEST_PATH_IMAGE130
为第时刻的复合状态变量，
Figure DEST_PATH_IMAGE132
、
Figure DEST_PATH_IMAGE134
、
Figure DEST_PATH_IMAGE136
分别为对应复合状态变量的状态矩阵、输入矩阵和输出矩阵，具体是：
，
Figure DEST_PATH_IMAGE140
，
Figure DEST_PATH_IMAGE142
(2)基于该解耦状态空间模型设计预测控制器，具体方法是：
a.定义该预测控制器的目标函数为：
Figure DEST_PATH_IMAGE144
其中，
Figure DEST_PATH_IMAGE146
为目标函数，
Figure DEST_PATH_IMAGE148
是预测步长，
Figure DEST_PATH_IMAGE150
是控制步长，
Figure DEST_PATH_IMAGE152
、
Figure DEST_PATH_IMAGE154
是加权矩阵，
Figure DEST_PATH_IMAGE156
、
Figure DEST_PATH_IMAGE158
分别为第
Figure DEST_PATH_IMAGE160
时刻的复合状态变量和输入增量变量；
b.定义控制变量的作用范围为：
Figure DEST_PATH_IMAGE162
c.计算控制器的参数，具体是：
首先定义与控制器参数计算的三个相关矩阵
Figure DEST_PATH_IMAGE164
、
Figure DEST_PATH_IMAGE166
和
Figure DEST_PATH_IMAGE168
，具体是：    
Figure DEST_PATH_IMAGE170
，
Figure DEST_PATH_IMAGE172
，
Figure DEST_PATH_IMAGE174
然后依据下式计算控制向量：
Figure DEST_PATH_IMAGE178
其中，
Figure DEST_PATH_IMAGE180
、
Figure DEST_PATH_IMAGE182
是依据控制要求设定的两个矩阵，
Figure DEST_PATH_IMAGE184
是依控制目标设计的参考轨迹向量增量。
CN201210357080.7A 2012-09-24 2012-09-24 一种化工多变量过程的解耦状态空间预测控制方法 Active CN102902201B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210357080.7A CN102902201B (zh) 2012-09-24 2012-09-24 一种化工多变量过程的解耦状态空间预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210357080.7A CN102902201B (zh) 2012-09-24 2012-09-24 一种化工多变量过程的解耦状态空间预测控制方法

Publications (2)

Publication Number Publication Date
CN102902201A true CN102902201A (zh) 2013-01-30
CN102902201B CN102902201B (zh) 2015-10-07

Family

ID=47574503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210357080.7A Active CN102902201B (zh) 2012-09-24 2012-09-24 一种化工多变量过程的解耦状态空间预测控制方法

Country Status (1)

Country Link
CN (1) CN102902201B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103869695A (zh) * 2014-02-26 2014-06-18 杭州电子科技大学 印染车间空气温度控制方法
CN104111604A (zh) * 2013-04-16 2014-10-22 中国石油化工股份有限公司 乙苯脱氢生产过程的预测函数控制方法
CN108490779A (zh) * 2018-03-20 2018-09-04 华东交通大学 一种稀土萃取过程解耦控制方法
CN111796513B (zh) * 2019-04-08 2022-09-09 阿里巴巴集团控股有限公司 一种数据处理方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102520617A (zh) * 2011-12-30 2012-06-27 杭州电子科技大学 一种炼油工业过程的部分解耦非最小化模型预测控制方法
CN102520616A (zh) * 2011-12-30 2012-06-27 杭州电子科技大学 炼油工业过程的部分解耦非最小化模型预测函数控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102520617A (zh) * 2011-12-30 2012-06-27 杭州电子科技大学 一种炼油工业过程的部分解耦非最小化模型预测控制方法
CN102520616A (zh) * 2011-12-30 2012-06-27 杭州电子科技大学 炼油工业过程的部分解耦非最小化模型预测函数控制方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
孔亚广等: "多变量自学习动态解耦控制", 《基础自动化》, vol. 8, no. 4, 31 August 2001 (2001-08-31) *
薛美盛等: "双输入双输出时滞过程解耦内模控制", 《石油化工自动化》, vol. 47, no. 5, 31 October 2011 (2011-10-31) *
贺国艳: "预测控制算法及其仿真研究", 《中国优秀硕士学位论文全文数据库 信息科学辑》, no. 2, 15 December 2012 (2012-12-15) *
黄灿等: "多变量时滞过程解耦Smith控制", 《控制理论与应用》, vol. 27, no. 10, 31 October 2010 (2010-10-31) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104111604A (zh) * 2013-04-16 2014-10-22 中国石油化工股份有限公司 乙苯脱氢生产过程的预测函数控制方法
CN103869695A (zh) * 2014-02-26 2014-06-18 杭州电子科技大学 印染车间空气温度控制方法
CN108490779A (zh) * 2018-03-20 2018-09-04 华东交通大学 一种稀土萃取过程解耦控制方法
CN108490779B (zh) * 2018-03-20 2021-01-08 华东交通大学 一种稀土萃取过程解耦控制方法
CN111796513B (zh) * 2019-04-08 2022-09-09 阿里巴巴集团控股有限公司 一种数据处理方法及装置

Also Published As

Publication number Publication date
CN102902201B (zh) 2015-10-07

Similar Documents

Publication Publication Date Title
CN102880046A (zh) 一种化工多变量过程解耦预测函数控制方法
CN103676651B (zh) 基于状态观测模型的锅炉汽温预测控制方法
CN102520617A (zh) 一种炼油工业过程的部分解耦非最小化模型预测控制方法
CN102053562B (zh) 一种裂解炉出口温度混合控制方法
CN102902201A (zh) 一种化工多变量过程的解耦状态空间预测控制方法
CN102520616A (zh) 炼油工业过程的部分解耦非最小化模型预测函数控制方法
CN111522233B (zh) 参数自整定的mimo异因子全格式无模型控制方法
CN105911868A (zh) 多批次间歇反应器二维迭代学习反馈控制方法
CN113625556B (zh) 一种循环流化床复杂工业***的自适应控制方法
CN111522229A (zh) 参数自整定的mimo异因子偏格式无模型控制方法
CN105116726A (zh) 一种基于机理模型的非线性预测控制器的参数设计方法
CN104950945A (zh) 一种水泥烧成分解炉全工况自适应温度优化控制方法
CN103064293A (zh) 化工过程解耦非最小实现状态空间线性二次型控制方法
CN111522230A (zh) Mimo异因子紧格式无模型控制方法
CN105629766A (zh) 基于阶跃测试的多变量时滞***辨识方法
CN105700357B (zh) 基于多变量pid-pfc的锅炉燃烧***控制方法
CN103064294A (zh) 化工过程解耦非最小实现扩展状态空间二次型控制方法
CN102880047B (zh) 炼油工业加热炉温度过程的伴随矩阵解耦预测控制方法
CN111222708B (zh) 一种基于迁移学习动态建模的发电厂燃烧炉温度预测方法
CN108388112A (zh) 一种批次过程二维模型预测控制方法
CN102629133B (zh) 一种在分散控制***中实现迭代计算功能的组态方法
CN113176797B (zh) 一种青瓷素烧过程的炉窑温度自动控制方法
CN105487379B (zh) 一种焦化加热炉氧气含量的预测函数控制方法
CN109253443B (zh) 火力发电锅炉主汽压力最优控制***及其控制方法
CN103076741A (zh) 化工过程非最小实现扩展状态空间二次型控制方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant