CN109688652B - 一种基于双层结构模型预测控制的微波高温反应器温度精确控制的方法 - Google Patents

一种基于双层结构模型预测控制的微波高温反应器温度精确控制的方法 Download PDF

Info

Publication number
CN109688652B
CN109688652B CN201811384157.3A CN201811384157A CN109688652B CN 109688652 B CN109688652 B CN 109688652B CN 201811384157 A CN201811384157 A CN 201811384157A CN 109688652 B CN109688652 B CN 109688652B
Authority
CN
China
Prior art keywords
temperature
magnetron
microwave high
cooling water
value
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.)
Active
Application number
CN201811384157.3A
Other languages
English (en)
Other versions
CN109688652A (zh
Inventor
杨彪
成宬
郭林嘉
代忠仿
郭祥
邓卓
朱娜
母其海
刘志邦
彭金辉
李鑫培
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201811384157.3A priority Critical patent/CN109688652B/zh
Publication of CN109688652A publication Critical patent/CN109688652A/zh
Application granted granted Critical
Publication of CN109688652B publication Critical patent/CN109688652B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B6/00—Heating by electric, magnetic or electromagnetic fields
    • H05B6/64—Heating using microwaves
    • H05B6/66—Circuits
    • H05B6/68—Circuits for monitoring or control
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B6/00—Heating by electric, magnetic or electromagnetic fields
    • H05B6/64—Heating using microwaves
    • H05B6/80—Apparatus for specific applications

Landscapes

  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Control Of Temperature (AREA)
  • Physical Or Chemical Processes And Apparatus (AREA)
  • Constitution Of High-Frequency Heating (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及基于双层结构模型预测控制的微波高温反应器温度精确控制的方法，本发明对箱式微波高温反应器的设备参数及电控***、操作变量MV、被控变量CV、测温仪器进行了分析，对箱式微波高温反应器的加热温度‑磁控管功率的局部模型进行了辨识，建立了基于双层结构模型预测控制的箱式微波高温反应器温度控制的各项函数，选定了各项约束，并基于上述工作应用双层结构模型预测控制对微波高温反应器***进行预测控制，得出应该采用的最优MV增量并以此数据对微波高温反应器进行实际控制。本发明能够在保证控制性能的情况下对微波加热过程中的能耗进行控制，既能够提高微波高温反应过程中的温度控制精度，又能够降低能耗，保证经济效益。

Description

一种基于双层结构模型预测控制的微波高温反应器温度精确 控制的方法
技术领域
本发明涉及一种基于双层结构模型预测控制的微波高温反应器温度精确控制的方法，应用双层结构模型预测控制方法来实现微波高温反应器温度的优化控制，属于模型预测控制及微波冶金技术领域。
背景技术
微波高温反应广泛应用于冶金、制药、材料领域，与传统加热方式相比，微波加热具有容易控制、升温速度快以及能够依据物料介电特性的不同进行选择性加热等优点，但同时又存在着电能消费高以及冷却水循环***耗能高的缺点，鉴于微波高温反应应用领域广泛以及应用程度之深，提高微波高温反应器的能量利用效率、降低能耗是十分关键的。
发明内容
本发明提供了一种基于双层结构模型预测控制的微波高温反应器温度精确控制的方法，使得微波高温反应器在工作时能够跟踪设定值进行温度控制的同时有效降低***能耗，提升经济效益，提高控制性能。
本发明的技术方案是：一种基于双层结构模型预测控制的微波高温反应器温度精确控制的方法，所述方法的具体步骤如下：
步骤1、根据微波高温反应器工作时所需元件以及工作过程建立微波高温反应器加热过程的数学模型；
步骤2、确定微波高温反应器工作时的操作变量MV、被控变量CV以及各项软硬约束，判明并设置各变量以及约束优先级别，判明操作变量MV、被控变量CV之间的相关耦合关系；
步骤3、对微波高温反应器进行分析得出双层结构模型预测控制的第一层，即稳态目标计算层的目标函数；
步骤4、对微波高温反应器进行***辨识得出双层结构模型预测控制的第二层，即动态控制层的控制策略；
步骤5、优化设定所须反应温度并基于前述步骤1～4的结果，得出应该采用的最优MV增量并以此增量对微波高温反应器进行实时动态控制，进而动态跟踪设定温度实现反应过程温度的优化控制。
进一步地，所述步骤1中，微波高温反应器的工作过程是通过对磁控管输入电功率进行调节从而控制反应温度，进一步的是通过调节磁控管输入阳极电压来调节磁控管输入电功率，其中磁控管模块为4个最大功率为1.5KW的磁控管组成，为实现减小磁控管之间相互影响提高加热效率的目的，磁控管在微波加热装置中的位置遵循正交布置，总的功率范围为0.3KW-6KW连续可调，最高反应温度为1200℃，磁控管自身发热由冷却水内部循环来降温；温度采集周期为10秒，稳态目标计算层的计算周期为1分钟，动态控制层的计算周期为5秒。
进一步地，所述步骤2中，所述各变量及约束如下：
确定微波高温反应器工作时的操作变量MV为磁控管模块的输入功率；
确定微波高温反应器工作时的被控变量CV为反应物温度以及磁控管模块循环冷却水***水温；
确定微波高温反应器工作时的硬约束为反应温度的上、下限，下限为室温，上限为1200℃，磁控管模块功率的下限为0.3KW，上限为6KW，即每个磁控管的功率硬约束为0.075～1.5KW，
软约束为反应温度、磁控管模块功率；反应温度测量由热电偶及红外测温仪进行，其中，室温～1200℃使用K型分度热电偶测温，而600～1800℃使用红外测温仪测温。
进一步地，所述步骤2中，各变量优先级规则遵循数字越小优先级越高的规则，其优先级定义如下：
所述被控变量CV中反应物温度优先级为1，循环冷却水温度优先级为2，则反应温度的约束比循环冷却水温度的约束更优先获得满足且要优先保证对反应温度的控制；在判明并设置所述操作变量MV中优先级时，首先对四个磁控管进行编号，分别为磁控管1、磁控管2、磁控管3、磁控管4，每个磁控管对应的阳极输入电功率的优先级分别对应1、2、3、4；优先级的高低遵循数字越小优先级越高的规则；
MV与CV的相关耦合性判明为：磁控管输入电功率增大时物料温度也相应增高，两者之间呈正相关关系；磁控管输入功率增大时循环冷却水温度相应增高，两者之间呈正相关关系。
各磁控管安装位置如图5-图6所示，磁控管1和磁控管2安装位置正交且在反应器的同一个壁上(壁4)，磁控管3和磁控管4安装位置正交且在反应器的同一个壁上(壁3)。
进一步地，CV中反应物温度优先级高于循环冷却水温度优先级，则反应温度的约束比循环冷却水温度的约束更优先获得满足且要优先保证对反应温度的控制，MV中磁控管1输入功率、磁控管2输入功率、磁控管3输入功率、磁控管4输入功率的优先级为磁控管1输入功率>磁控管2输入功率>磁控管3输入功率>磁控管4输入功率，且四个磁控管能够分别进行开关控制。
进一步地，所述四个磁控管能够分别进行开关控制，微波高温反应器工作时，磁控管的启动顺序为：首先启动磁控管1，若只启动磁控管1无法达到要求反应所需温度或所须总输入功率超过磁控管1功率硬约束时则启动磁控管2，若仍无法达到要求则启动磁控管3，若仍无法达到要求则启动磁控管4，此时，每个磁控管的硬约束对于磁控管模块的功率总的硬约束而言可视为软约束。
进一步地，所述每个磁控管的硬约束对于磁控管模块的功率总的硬约束而言可视为软约束，是指：磁控管模块的功率硬约束为0.3～6KW，单个磁控管的功率硬约束为0.075～1.5KW，两个磁控管的总硬约束为0.15～3KW，三个磁控管的总硬约束为0.225～4.5KW，以此类推；则当微波高温反应器从一个磁控管工作变为两个磁控管工作时，磁控管模块总的硬约束依旧为0.3～6KW，软约束由0.075～1.5KW放松为0.15～3KW，以此类推，软约束等级由低到高共放松3次，反之则共收缩3次，放缩档位为0.075～1.5KW、0.15～3KW、0.225～4.5KW、0.3～6KW。
进一步地，所述步骤3中，确定稳态目标计算层的目标函数分为步骤3-1和步骤3-2两个步骤；
步骤3-1为确定微波高温反应器工作时的有关经济效益的目标函数，其目标函数为：
min J1＝CyΔYss(k)+CuΔUss(k) (1)
其中：
ΔYss(k)＝[Δy1,ss(k) Δy2,ss(k)]T
Δyi,ss(k)＝yi,ss(k+1)-yi,ss(k),i＝1,2
Cy＝[cy1 cy2]
ΔUss(k)＝[Δu1,ss(k) Δu2,ss(k) Δu3,ss(k) Δu4,ss(k)]T
Δuj,ss(k)＝uj,ss(k+1)-uj,ss(k),j＝1,2,3,4
Cu＝[cu1 cu2 cu3 cu4]
式中，Cy和Cu为代价系数向量，△Yss(k)和△Uss(k)为CV和MV的稳态增量，进一步地说，△y1,ss(k)和△y2,ss(k)分别是反应物温度、循环冷却水***温度的稳态增量并且△uj,ss(k)(j＝1,2,3,4)分别是四个磁控管的输入电功率的稳态增量cy1，cy2分别是反应物温度和循环冷却水温度的代价系数，cu1，cu2，cu3，cu4分别是磁控管1、2、3、4输入电功率的代价系数；
若只有一个磁控管工作，则上式中有关MV的相应条件变为：
ΔUss(k)＝Δu1,ss(k)
Cu＝cu1
若有两个磁控管工作，则上式中MV的相应条件变为：
ΔUss(k)＝[Δu1,ss(k) Δu2,ss(k)]T
Cu＝[cu1 cu2]
以此类推；
步骤3-2为稳态目标计算层的CV与MV计算值与其设定值之间关系的目标函数，其目标函数为：
Figure BDA0001872582240000041
其中
Yss(k)＝[y1,ss(k) y2,ss(k)]T,Yt＝[y1,t y2,t]T
Uss(k)＝[u1,ss(k) u2,ss(k) u3,ss(k) u4,ss(k)]T
Ut＝[u1,t u2,t u3,t u4,t]T
式中，Yt、Ut分别是设定的CV及MV值，Yss(k)以及Uss(k)分别是稳态目标计算层计算的最优CV值及MV值，uj,ss(k)(j＝1,2,3,4)分别对应由稳态目标计算层计算的磁控管1、磁控管2、磁控管3、磁控管4的最优输入电功率；uj,t(k)(j＝1,2,3,4)分别对应磁控管1、磁控管2、磁控管3、磁控管4的输入电功率设定值；y1,ss(k)，y2,ss(k)分别是稳态目标计算层计算的最优反应物温度和循环冷却水温度，y1,t，y2,t分别是最优反应物温度和循环冷却水温度的设定值；
由此式可实现使稳态目标计算层计算值跟踪设定值；若只有一个磁控管工作，则上述式中相应条件变为：
Uss(k)＝u1,ss(k)
Ut(k)＝u1,t(k)
若有两个磁控管工作，则上述式中相应条件变为：
Uss(k)＝[u1,ss(k) u2,ss(k)]T
Ut(k)＝[u1,t(k) u2,t(k)]T
以此类推。
进一步地，所述步骤4中的双层结构模型预测控制的动态控制层的控制策略中的预测模型如下：
其中，一步预测模型为：
YP1(k+1|k)＝YR(k)+AΔU(k+1|k) (3)
其中
Figure BDA0001872582240000051
Figure BDA0001872582240000052
YP1(k+1|k)为CV在k时刻对下一(k+1)时刻的一步预测值，YR(k)为CV在k时刻的实际输出值，A为动态矩阵，ΔU(k+1|k)为MV的增量值；yi,P1(k+1|k),(i＝1,2)分别为基于k时刻对k+1时刻反应物料温度和循环冷却水温度的一步预测值，y1,R(k),y2,R(k)分别表示反应物温度和循环冷却水温度在k时刻的实际值，Δui(k+1|k),(i＝1,2,3,4)分别表示对磁控管1、2、3、4输入电功率在基于k时刻对k+1时刻的预测增量值；
若只有一个磁控管工作，则上式中相关量变为：
A＝[a11],ΔU(k+1|k)＝[Δu1(k+1|k)]
若有两个磁控管工作，则式中相关量相应变为：
Figure BDA0001872582240000053
以此类推；
把一步预测模型推广为多步预测模型如下：
YPM(k)＝YRM(k)+AMΔUM(k) (4)
其中
Figure BDA0001872582240000061
Figure BDA0001872582240000062
式中，Yi,PM(k)(i＝1,2)分别为反应物料温度和循环冷却水温度的多步预测值，yi,PM(k+p|k)(i＝1,2)分别为反应物料温度和循环冷却水温度基于k时刻对k+p时刻的预测值，Yi,RM(k)(i＝1,2)分别为反应物料温度和循环冷却水温度的多步预测的初始值，yi,RM(k+p|k)(i＝1,2)为反应物料温度和循环冷却水温度的多步预测的某时刻的初始值，p为预测时域，ΔUM(k)是MV的增量值，ΔU1M(k)，ΔU2M(k)，ΔU3M(k)，ΔU4M(k)分别表示在多步预测时磁控管1、2、3、4输入电功率的增量序列，或者说是优化控制序列；ΔujM(k+p|k)表示第j个磁控管输入电功率的增量序列，或者说是优化控制序列。
进一步地，所述步骤4的控制策略中的误差校正，其中CV实际值与CV预测值之间的误差为：
E(k+1)＝YR(k+1)-YP1(k+1|k) (5)
其中
Figure BDA0001872582240000063
ei(k+1)(i＝1,2)为反应物料温度和循环冷却水温度的误差，YR(k+1)为CV在k+1时刻的实际输出值，则yi(k+1)(i＝1,2)为反应物料温度和循环冷却水温度在k+1时刻的实际输出值，YP1(k+1|k)为CV在k时刻对下一k+1时刻的一步预测值，yi,P1(k+1|k),(i＝1,2)分别为基于k时刻对k+1时刻反应物料温度和循环冷却水温度的一步预测值；
对CV误差通过下式进行校正：
Yright,P1(k+1|k)＝YP1(k+1|k)+VE(k) (6)
其中：
Figure BDA0001872582240000071
Figure BDA0001872582240000072
V为误差校正矩阵，通过基于k时刻对k+1时刻的预测值进行校正得到优化后的CV值Yright,P1(k+1|k)，并用该优化值作为k+1时刻预测的初始值,yiright,P1(k+1|k)(i＝1,2)为对反应物料温度和循环冷却水温度进行校正后得到的值，E(k)为k时刻CV实际值与CV预测值之间的误差。
进一步地，所述步骤5中，应用计算机，根据设定所需温度以及微波高温反应器磁控管在某一时刻k可能的多种输入电功率，对k+1时刻的不同反应温度进行在线实时优化，得出能够使反应温度在k+1时刻尽可能接近设定温度的磁控管输入功率，并控制磁控管达到该输入功率以实现最优控制效果；优化的目标函数为：
Figure BDA0001872582240000073
式中，Yss(k)以及Uss(k)分别是稳态目标计算层计算的最优CV值及MV值，YPM(k)为CV的多步预测值，UPM(k)是MV的多步预测值，ΔUM(k)是MV的增量值，S为CV误差权矩阵，T为MV控制权矩阵，W为MV增量权矩阵。
所述的CV、MV以及各约束，其相关表达式为：
Figure BDA0001872582240000074
其中
ΔYss(k)＝[Δy1,ss(k) Δy2,ss(k)]T
Δyi,ss(k)＝yi,ss(k+1)-yi,ss(k),i＝1,2
ΔUss(k)＝[Δu1,ss(k) Δu2,ss(k) Δu3,ss(k) Δu4,ss(k)]T
Δuj,ss(k)＝uj,ss(k+1)-uj,ss(k),j＝1,2,3,4
y1,min(k)≤y1,ss(k)＝y1,ss(k-1)+Δy1,ss(k|k-1)≤y1,max(k)
y2,min(k)≤y2,ss(k)＝y2,ss(k-1)+Δy2,ss(k|k-1)≤y2,max(k)
UA,min≤u1,min(k)≤u1,ss(k)＝u1,ss(k-1)+Δu1,ss(k|k-1)≤u1,max(k)≤UA,max
UA,min≤u2,min(k)≤u2,ss(k)＝u2,ss(k-1)+Δu2,ss(k|k-1)≤u2,max(k)≤UA,max
UA,min≤u3,min(k)≤u3,ss(k)＝u3,ss(k-1)+Δu3,ss(k|k-1)≤u3,max(k)≤UA,max
UA,min≤u4,min(k)≤u4,ss(k)＝u4,ss(k-1)+Δu4,ss(k|k-1)≤u4,max(k)≤UA,max
UA,min≤u1,ss(k)+u2,ss(k)+u3,ss(k)+u4,ss(k)≤UA,max
y1,min和y1,max分别表示CV中反应温度的最低硬约束(室温)和最高硬约束(1200℃)；y2,min和y2,max分别表示CV中循环冷却水温度的最低硬约束和最高硬约束；uj,min和uj,max(j＝1,2,3,4)分别表示MV中每个磁控管输入功率的最低硬约束(0.075KW)和最高硬约束(1.5KW)；UA,min和UA,max分别为磁控管集合的输入电功率的最低硬约束(0.3KW)和最高硬约束(6KW)，GU表示输入-输出稳态增益矩阵，GU可以实际加热过程辨识得到。
本发明所应用的微波高温反应器的主要设备以及模块组件有：4*1.5KW的磁控管，涂敷有绝热材料的由不锈钢及钢板喷塑制成的微波反应谐振腔体，冷却水循环***、热电偶及红外测温仪等，磁控管模块本身吸收反射微波为能耗的主要来源。
从控制方法层面来看，一般来说，工业用微波高温反应器常用PID控制方法来对磁控管的输入电功率进行调节，在采用模型预测控制方法后能够优化能量的利用，进一步的如果采用双层结构模型预测控制方法将能够进一步降低工作能耗，提升经济效益，提高控制性能。
本发明的有益效果是：
1、本发明能实现微波高温反应器温度精确跟随设定值，温度控制更加精确；
2、本发明能在保证微波高温反应器工作时的温度精确控制的同时有效降低能耗；
3、本发明所述方法不仅可用于本发明中所述的四磁控管情况，也能够适用于磁控管数量少于或多于四个的情况，泛用性高；
4、本发明所述方法不仅可用于微波高温反应器的磁控管功率控制，也适用于其他多体控制的情况，泛用性高。
附图说明
图1是本发明参与实际应用的流程框图；
图2是本发明步骤1的流程图；
图3是本发明步骤2的流程图；
图4是包含本发明稳态目标计算、模型预测、误差校正、动态控制、磁控管开关选择的在内的步骤3、步骤4、步骤5的流程图；
图5-图6是本发明所述的微波高温反应器及磁控管安装位置的三视图及立体图；
其中，三视图中，左上为正视图，左下为俯视图，右上为左视图；
图7是本发明的工艺流程简图。
具体实施方式
实施例1：如图1-3所示，一种基于双层结构模型预测控制的微波高温反应器温度精确控制的方法，所述方法的计算中涉及到以下模块：稳态目标计算(Steady StateTarget Calculation,SSTC)模块和动态控制(Dynamic Control，DC)模块；SSTC模块接收上层设定值(反应温度设定值)并通过不断计算(一般通过线性规划或二次规划)来求得在计算时刻可以达到所要求工作状态的最优的CV的稳态值(温度)，DC模块接收SSTC模块得到的稳态值，通过预测方法计算当前时刻的MV增量值并应用于实际被控对象；
所述方法的具体步骤如下：
步骤1、根据微波高温反应器工作时所需元件以及工作过程建立微波高温反应器加热过程的数学模型；如图2所示；
通过对微波高温反应器进行多次加热试验来建立微波高温反应器的数学模型，并以此数学模型作为加热的初始模型来进行加热，在加热过程中不断更新模型参数以达到对模型进行修正的目的。
进一步地，所述步骤1中，微波高温反应器的工作过程是通过对磁控管输入电功率进行调节从而控制反应温度，进一步的是通过调节磁控管输入阳极电压来调节磁控管输入电功率，其中磁控管模块为4个最大功率为1.5KW的磁控管组成，为实现减小磁控管之间相互影响提高加热效率的目的，磁控管在微波加热装置中的位置遵循正交布置，总的功率范围为0.3KW-6KW连续可调，最高反应温度为1200℃，磁控管自身发热由冷却水内部循环来降温；温度采集周期为10秒，稳态目标计算层的计算周期为1分钟，动态控制层的计算周期为5秒。
步骤2、确定微波高温反应器工作时的操作变量MV、被控变量CV以及各项软硬约束，判明并设置各变量以及约束优先级别，判明操作变量MV、被控变量CV之间的相关耦合关系；如图3所示为步骤2的流程图；
进一步地，所述步骤2中，微波高温反应器工作时的MV、CV及及各约束如下：
MV：磁控管1输入功率，磁控管2输入功率，磁控管3输入功率，磁控管4输入功率；
CV：物料加热温度，循环冷却水温度；
确定微波高温反应器工作时的硬约束为反应温度的上、下限，下限为室温，上限为1200℃，磁控管模块功率的下限为0.3KW，上限为6KW，即每个磁控管的功率硬约束为0.075～1.5KW，
软约束为反应温度、磁控管模块功率；反应温度测量由热电偶及红外测温仪进行，其中，室温～1200℃使用K型分度热电偶测温，而600～1800℃使用红外测温仪测温。
进一步地，所述步骤2中，各变量优先级规则遵循数字越小优先级越高的规则，其优先级定义如下：
所述被控变量CV中反应物温度优先级为1，循环冷却水温度优先级为2，则反应温度的约束比循环冷却水温度的约束更优先获得满足且要优先保证对反应温度的控制；在判明并设置所述操作变量MV中优先级时，首先对四个磁控管进行编号，分别为磁控管1、磁控管2、磁控管3、磁控管4，每个磁控管对应的阳极输入电功率的优先级分别对应1、2、3、4；优先级的高低遵循数字越小优先级越高的规则；
MV与CV的相关耦合性判明为：磁控管输入电功率增大时物料温度也相应增高，两者之间呈正相关关系；磁控管输入功率增大时循环冷却水温度相应增高，两者之间呈正相关关系。
如图5-图6所示为磁控管在微波高温反应器中的分布，磁控管1和磁控管2安装位置在反应器的同一个壁上(壁4)且两者发射的微波正交，磁控管3和磁控管4安装位置在反应器的同一个壁上(壁3)且两者发射的微波正交。
进一步地，CV中反应物温度优先级高于循环冷却水温度优先级，则反应温度的约束比循环冷却水温度的约束更优先获得满足且要优先保证对反应温度的控制，MV中磁控管1输入功率、磁控管2输入功率、磁控管3输入功率、磁控管4输入功率的优先级为磁控管1输入功率>磁控管2输入功率>磁控管3输入功率>磁控管4输入功率，且四个磁控管能够分别进行开关控制。
进一步地，所述四个磁控管能够分别进行开关控制，微波高温反应器工作时，磁控管的启动顺序为：首先启动磁控管1，若只启动磁控管1无法达到要求反应所需温度或所须总输入功率超过磁控管1功率硬约束时则启动磁控管2，若仍无法达到要求则启动磁控管3，若仍无法达到要求则启动磁控管4，此时，每个磁控管的硬约束对于磁控管模块的功率总的硬约束而言可视为软约束。
进一步地，所述每个磁控管的硬约束对于磁控管模块的功率总的硬约束而言可视为软约束，是指：磁控管模块的功率硬约束为0.3～6KW，单个磁控管的功率硬约束为0.075～1.5KW，两个磁控管的总硬约束为0.15～3KW，三个磁控管的总硬约束为0.225～4.5KW，以此类推；则当微波高温反应器从一个磁控管工作变为两个磁控管工作时，磁控管模块总的硬约束依旧为0.3～6KW，软约束由0.075～1.5KW放松为0.15～3KW，以此类推，软约束等级由低到高共放松3次，反之则共收缩3次，放缩档位为0.075～1.5KW、0.15～3KW、0.225～4.5KW、0.3～6KW。
如图4所示为步骤3、4、5的流程图，同时，也是本发明的主要部分。
步骤3、对微波高温反应器进行分析得出双层结构模型预测控制的第一层，即稳态目标计算层的目标函数；
步骤4、对微波高温反应器进行***辨识得出双层结构模型预测控制的第二层，即动态控制层的控制策略；
步骤5、优化设定所须反应温度并基于前述步骤1～4的结果，得出应该采用的最优MV增量并以此增量对微波高温反应器进行实时动态控制，进而动态跟踪设定温度实现反应过程温度的优化控制。
进一步地，所述步骤3中，确定稳态目标计算层的目标函数分为步骤3-1和步骤3-2两个步骤；
首先是SSTC模块，其中包含有关经济效益的目标函数，步骤3-1为确定微波高温反应器工作时的有关经济效益的目标函数，其目标函数为：
min J1＝CyΔYss(k)+CuΔUss(k) (1)
其中：
ΔYss(k)＝[Δy1,ss(k) Δy2,ss(k)]T
Δyi,ss(k)＝yi,ss(k+1)-yi,ss(k),i＝1,2
Cy＝[cy1 cy2]
ΔUss(k)＝[Δu1,ss(k) Δu2,ss(k) Δu3,ss(k) Δu4,ss(k)]T
Δuj,ss(k)＝uj,ss(k+1)-uj,ss(k),j＝1,2,3,4
Cu＝[cu1 cu2 cu3 cu4]
式中，Cy和Cu为代价系数向量，△Yss(k)和△Uss(k)为CV和MV的稳态增量，进一步地说，△y1,ss(k)和△y2,ss(k)分别是反应物温度、循环冷却水***温度的稳态增量并且△uj,ss(k)(j＝1,2,3,4)分别是四个磁控管的输入电功率的稳态增量cy1，cy2分别是反应物温度和循环冷却水温度的代价系数，cu1，cu2，cu3，cu4分别是磁控管1、2、3、4输入电功率的代价系数；
若只有一个磁控管工作，则上式中有关MV的相应条件变为：
ΔUss(k)＝Δu1,ss(k)
Cu＝cu1
若有两个磁控管工作，则上式中MV的相应条件变为：
ΔUss(k)＝[Δu1,ss(k) Δu2,ss(k)]T
Cu＝[cu1 cu2]
以此类推；总的来说式(1)表示的是微波高温反应器工作时的成本；以及实现目标跟踪的函数：
步骤3-2为稳态目标计算层的CV与MV计算值与其设定值之间关系的目标函数，其目标函数为：
Figure BDA0001872582240000121
其中
Yss(k)＝[y1,ss(k) y2,ss(k)]T,Yt＝[y1,t y2,t]T
Uss(k)＝[u1,ss(k) u2,ss(k) u3,ss(k) u4,ss(k)]T
Ut＝[u1,t u2,t u3,t u4,t]T
式中，Yt、Ut分别是设定的CV及MV值，Yss(k)以及Uss(k)分别是稳态目标计算层计算的最优CV值及MV值，uj,ss(k)(j＝1,2,3,4)分别对应由稳态目标计算层计算的磁控管1、磁控管2、磁控管3、磁控管4的最优输入电功率；uj,t(k)(j＝1,2,3,4)分别对应磁控管1、磁控管2、磁控管3、磁控管4的输入电功率设定值；y1,ss(k)，y2,ss(k)分别是稳态目标计算层计算的最优反应物温度和循环冷却水温度，y1,t，y2,t分别是最优反应物温度和循环冷却水温度的设定值；
由此式可实现使稳态目标计算层计算值跟踪设定值；若只有一个磁控管工作，则上述式中相应条件变为：
Uss(k)＝u1,ss(k)
Ut(k)＝u1,t(k)
若有两个磁控管工作，则上述式中相应条件变为：
Uss(k)＝[u1,ss(k) u2,ss(k)]T
Ut(k)＝[u1,t(k) u2,t(k)]T
以此类推。
利用SSTC模块式(1)、式(2)以及各变量及约束表达式(8)求得最优稳态输出值y1,ss(k)和y2,ss(k)。
进一步地，所述步骤4中的双层结构模型预测控制的动态控制层的控制策略中的预测模型如下：
首先将SSTC模块计算的最优稳态输出值作为设定点，根据式(3)求得基于k时刻的k+1时刻CV的一步预测值：
其中，一步预测模型为：
YP1(k+1|k)＝YR(k)+AΔU(k+1|k) (3)
其中
Figure BDA0001872582240000131
Figure BDA0001872582240000132
YP1(k+1|k)为CV在k时刻对下一(k+1)时刻的一步预测值，YR(k)为CV在k时刻的实际输出值，A为动态矩阵，ΔU(k+1|k)为MV的增量值；yi,P1(k+1|k),(i＝1,2)分别为基于k时刻对k+1时刻反应物料温度和循环冷却水温度的一步预测值，y1,R(k),y2,R(k)分别表示反应物温度和循环冷却水温度在k时刻的实际值，Δui(k+1|k),(i＝1,2,3,4)分别表示对磁控管1、2、3、4输入电功率在基于k时刻对k+1时刻的预测增量值；
若只有一个磁控管工作，则上式中相关量变为：
A＝[a11],ΔU(k+1|k)＝[Δu1(k+1|k)]
若有两个磁控管工作，则式中相关量相应变为：
Figure BDA0001872582240000141
以此类推；
把一步预测模型推广为多步预测模型如下：
YPM(k)＝YRM(k)+AMΔUM(k) (4)
其中
Figure BDA0001872582240000142
Figure BDA0001872582240000143
式中，Yi,PM(k)(i＝1,2)分别为反应物料温度和循环冷却水温度的多步预测值，yi,PM(k+p|k)(i＝1,2)分别为反应物料温度和循环冷却水温度基于k时刻对k+p时刻的预测值，Yi,RM(k)(i＝1,2)分别为反应物料温度和循环冷却水温度的多步预测的初始值，yi,RM(k+p|k)(i＝1,2)为反应物料温度和循环冷却水温度的多步预测的某时刻的初始值，p为预测时域，ΔUM(k)是MV的增量值，ΔU1M(k)，ΔU2M(k)，ΔU3M(k)，ΔU4M(k)分别表示在多步预测时磁控管1、2、3、4输入电功率的增量序列，或者说是优化控制序列；ΔujM(k+p|k)表示第j个磁控管输入电功率的增量序列，或者说是优化控制序列，p为预测时域，M为控制时域。
然后通过式(5)和式(6)求得CV的实际值与CV预测值之间的误差E(k+1)并对预测值进行误差校正：
进一步地，所述步骤4的控制策略中的误差校正，其中CV实际值与CV预测值之间的误差为：
E(k+1)＝YR(k+1)-YP1(k+1|k) (5)
其中
Figure BDA0001872582240000151
ei(k+1)(i＝1,2)为反应物料温度和循环冷却水温度的误差，YR(k+1)为CV在k+1时刻的实际输出值，则yi(k+1)(i＝1,2)为反应物料温度和循环冷却水温度在k+1时刻的实际输出值，YP1(k+1|k)为CV在k时刻对下一k+1时刻的一步预测值，yi,P1(k+1|k),(i＝1,2)分别为基于k时刻对k+1时刻反应物料温度和循环冷却水温度的一步预测值；
对CV误差通过下式进行校正：
Yright,P1(k+1|k)＝YP1(k+1|k)+VE(k) (6)
其中：
Figure BDA0001872582240000152
Figure BDA0001872582240000153
V为误差校正矩阵，通过基于k时刻对k+1时刻的预测值进行校正得到优化后的CV值Yright,P1(k+1|k)，并用该优化值作为k+1时刻预测的初始值,yiright,P1(k+1|k)(i＝1,2)为对反应物料温度和循环冷却水温度进行校正后得到的值，E(k)为k时刻CV实际值与CV预测值之间的误差。
在步骤5中首先根据式(3)以及由式(3)推广的来的式(4)以及式(7)来完成滚动优化，得出应该采用的最优MV增量并以此数据对微波高温反应器进行实际控制；
进一步地，所述步骤5中，应用计算机，根据设定所需温度以及微波高温反应器磁控管在某一时刻k可能的多种输入电功率，对k+1时刻的不同反应温度进行在线实时优化，得出能够使反应温度在k+1时刻尽可能接近设定温度的磁控管输入功率，并控制磁控管达到该输入功率以实现最优控制效果；优化的目标函数为：
Figure BDA0001872582240000161
式中，Yss(k)以及Uss(k)分别是稳态目标计算层计算的最优CV值及MV值，YPM(k)为CV的多步预测值，UPM(k)是MV的多步预测值，ΔUM(k)是MV的增量值，S为CV误差权矩阵，T为MV控制权矩阵，W为MV增量权矩阵。
在此过程中需要遵循步骤4中的规则判断只用磁控管1工作能否达到功率要求，若达不到则开启磁控管2，若再达不到要求则开启磁控管3，若再达不到要求则开启磁控管4，并且工作磁控管总功率不得超过0.3～6KW，如果超过了则需要对反应器进行急停，同时反应温度不得超过1200℃，如果超过了则同样需要对反应器进行急停，在实际加热过程中，受式(8)约束。
所述的CV、MV以及各约束，其相关表达式为：
Figure BDA0001872582240000162
其中
ΔYss(k)＝[Δy1,ss(k) Δy2,ss(k)]T
Δyi,ss(k)＝yi,ss(k+1)-yi,ss(k),i＝1,2
ΔUss(k)＝[Δu1,ss(k) Δu2,ss(k) Δu3,ss(k) Δu4,ss(k)]T
Δuj,ss(k)＝uj,ss(k+1)-uj,ss(k),j＝1,2,3,4
y1,min(k)≤y1,ss(k)＝y1,ss(k-1)+Δy1,ss(k|k-1)≤y1,max(k)
y2,min(k)≤y2,ss(k)＝y2,ss(k-1)+Δy2,ss(k|k-1)≤y2,max(k)
UA,min≤u1,min(k)≤u1,ss(k)＝u1,ss(k-1)+Δu1,ss(k|k-1)≤u1,max(k)≤UA,max
UA,min≤u2,min(k)≤u2,ss(k)＝u2,ss(k-1)+Δu2,ss(k|k-1)≤u2,max(k)≤UA,max
UA,min≤u3,min(k)≤u3,ss(k)＝u3,ss(k-1)+Δu3,ss(k|k-1)≤u3,max(k)≤UA,max
UA,min≤u4,min(k)≤u4,ss(k)＝u4,ss(k-1)+Δu4,ss(k|k-1)≤u4,max(k)≤UA,max
UA,min≤u1,ss(k)+u2,ss(k)+u3,ss(k)+u4,ss(k)≤UA,max
y1,min和y1,max分别表示CV中反应温度的最低硬约束(室温)和最高硬约束(1200℃)；y2,min和y2,max分别表示CV中循环冷却水温度的最低硬约束和最高硬约束；uj,min和uj,max(j＝1,2,3,4)分别表示MV中每个磁控管输入功率的最低硬约束(0.075KW)和最高硬约束(1.5KW)；UA,min和UA,max分别为磁控管集合的输入电功率的最低硬约束(0.3KW)和最高硬约束(6KW)，GU表示输入-输出稳态增益矩阵，GU可以实际加热过程辨识得到。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (10)

1.一种基于双层结构模型预测控制的微波高温反应器温度精确控制的方法，其特征在于：所述方法的具体步骤如下：
步骤1、根据微波高温反应器工作时所需元件以及工作过程建立微波高温反应器加热过程的数学模型；
步骤2、确定微波高温反应器工作时的操作变量MV、被控变量CV以及各项软硬约束，判明并设置各变量以及约束优先级别，判明操作变量MV、被控变量CV之间的相关耦合关系；
步骤3、对微波高温反应器进行分析得出双层结构模型预测控制的第一层，即稳态目标计算层的目标函数；
步骤4、对微波高温反应器进行***辨识得出双层结构模型预测控制的第二层，即动态控制层的控制策略；
步骤5、优化设定所须反应温度并基于前述步骤1～4的结果，得出应该采用的最优MV增量并以此增量对微波高温反应器进行实时动态控制，进而动态跟踪设定温度实现反应过程温度的优化控制；
所述步骤1中，微波高温反应器的工作过程是通过对磁控管输入电功率进行调节从而控制反应温度，进一步的是通过调节磁控管输入阳极电压来调节磁控管输入电功率，其中磁控管模块为4个最大功率为1.5KW的磁控管组成，为实现减小磁控管之间相互影响提高加热效率的目的，磁控管在微波加热装置中的位置遵循正交布置，总的功率范围为0.3KW-6KW连续可调，最高反应温度为1200℃，磁控管自身发热由冷却水内部循环来降温；温度采集周期为10秒，稳态目标计算层的计算周期为1分钟，动态控制层的计算周期为5秒。
2.根据权利要求1所述的基于双层结构模型预测控制的微波高温反应器温度精确控制的方法，其特征在于：所述步骤2中，确定微波高温反应器工作时的操作变量MV为磁控管模块的输入功率；确定微波高温反应器工作时的被控变量CV为反应物温度以及磁控管模块循环冷却水***水温；确定微波高温反应器工作时的硬约束为反应温度的上、下限，下限为室温，上限为1200℃，磁控管模块功率的下限为0.3KW，上限为6KW，即每个磁控管的功率硬约束为0.075～1.5KW，软约束为反应温度、磁控管模块功率；反应温度测量由热电偶及红外测温仪进行，其中，室温～1200℃使用K型分度热电偶测温，而600～1800℃使用红外测温仪测温。
3.根据权利要求2所述的基于双层结构模型预测控制的微波高温反应器温度精确控制的方法，其特征在于：所述步骤2中，所述被控变量CV中反应物温度优先级为1，循环冷却水温度优先级为2；在判明并设置所述操作变量MV中优先级时，首先对四个磁控管进行编号，分别为磁控管1、磁控管2、磁控管3、磁控管4，每个磁控管对应的阳极输入电功率的优先级分别对应1、2、3、4；优先级的高低遵循数字越小优先级越高的规则；
MV与CV的相关耦合性判明为：磁控管输入电功率增大时物料温度也相应增高，两者之间呈正相关关系；磁控管输入功率增大时循环冷却水温度相应增高，两者之间呈正相关关系。
4.根据权利要求3所述的基于双层结构模型预测控制的微波高温反应器温度精确控制的方法，其特征在于：CV中反应物温度优先级高于循环冷却水温度优先级，则反应温度的约束比循环冷却水温度的约束更优先获得满足且要优先保证对反应温度的控制，MV中磁控管1输入功率、磁控管2输入功率、磁控管3输入功率、磁控管4输入功率的优先级为磁控管1输入功率>磁控管2输入功率>磁控管3输入功率>磁控管4输入功率，且四个磁控管能够分别进行开关控制。
5.根据权利要求4所述的基于双层结构模型预测控制的微波高温反应器温度精确控制的方法，其特征在于：所述四个磁控管能够分别进行开关控制，微波高温反应器工作时，首先启动磁控管1，若只启动磁控管1无法达到要求反应所需温度或所须总输入功率超过磁控管1功率硬约束时则启动磁控管2，若仍无法达到要求则启动磁控管3，若仍无法达到要求则启动磁控管4，此时，每个磁控管的硬约束对于磁控管模块的功率总的硬约束而言视为软约束。
6.根据权利要求5所述的基于双层结构模型预测控制的微波高温反应器温度精确控制的方法，其特征在于：所述每个磁控管的硬约束对于磁控管模块的功率总的硬约束而言可视为软约束，是指：磁控管模块的功率硬约束为0.3～6KW，单个磁控管的功率硬约束为0.075～1.5KW，两个磁控管的总硬约束为0.15～3KW，三个磁控管的总硬约束为0.225～4.5KW，以此类推；则当微波高温反应器从一个磁控管工作变为两个磁控管工作时，磁控管模块总的硬约束依旧为0.3～6KW，软约束由0.075～1.5KW放松为0.15～3KW，以此类推，软约束等级由低到高共放松3次，反之则共收缩3次。
7.根据权利要求3所述的基于双层结构模型预测控制的微波高温反应器温度精确控制的方法，其特征在于：所述步骤3中，确定稳态目标计算层的目标函数分为步骤3-1和步骤3-2两个步骤；
步骤3-1为确定微波高温反应器工作时的有关经济效益的目标函数，其目标函数为：
minJ1＝CyΔYss(k)+CuΔUss(k) (1)
其中：
ΔYss(k)＝[Δy1，ss(k) Δy2，ss(k)]T
Δyi，ss(k)＝yi，ss(k+1)-yi，ss(k)，i＝1，2
Cy＝[cy1 cy2]
ΔUss(k)＝[Δu1，ss(k) Δu2，ss(k) Δu3，ss(k) Δu4，ss(k)]T
Δuj，ss(k)＝uj，ss(k+1)-uj，ss(k)，j＝1，2，3，4
Cu＝[cu1 cu2 cu3 cu4]
式中，Cy和Cu为代价系数向量，ΔYss(k)和ΔUss(k)为CV和MV的稳态增量，进一步地说，Δy1，ss(k)和Δy2，ss(k)分别是反应物温度、循环冷却水***温度的稳态增量并且Δuj，ss(k)(j＝1，2，3，4)分别是四个磁控管的输入电功率的稳态增量， cy1，cy2分别是反应物温度和循环冷却水温度的代价系数，cu1，cu2，cu3，cu4分别是磁控管1、2、3、4输入电功率的代价系数；
若只有一个磁控管工作，则上式中有关MV的相应条件变为：
ΔUss(k)＝Δu1，ss(k)
Cu＝cu1
若有两个磁控管工作，则上式中MV的相应条件变为：
ΔUss(k)＝[Δu1，ss(k) Δu2，ss(k)]T
Cu＝[cu1 cu2]
以此类推；
步骤3-2为稳态目标计算层的CV与MV计算值与其设定值之间关系的目标函数，其目标函数为：
Figure FDA0002836233730000031
其中
Yss(k)＝[y1，ss(k) y2，ss(k)]T，Yt＝[y1，t y2，t]T
Uss(k)＝[u1，ss(k) u2，ss(k) u3，ss(k) u4，ss(k)]T
Ut＝[u1，t u2，t u3，t u4，t]T
式中，Yt、Ut分别是设定的CV及MV值，Yss(k)以及Uss(k)分别是稳态目标计算层计算的最优CV值及MV值，uj，ss(k)(j＝1，2，3，4)分别对应由稳态目标计算层计算的磁控管1、磁控管2、磁控管3、磁控管4的最优输入电功率；uj，t(k)(j＝1，2，3，4)分别对应磁控管1、磁控管2、磁控管3、磁控管4的输入电功率设定值；y1，ss(k)，y2，ss(k)分别是稳态目标计算层计算的最优反应物温度和循环冷却水温度，y1，t，y2，t分别是最优反应物温度和循环冷却水温度的设定值；
由此式可实现使稳态目标计算层计算值跟踪设定值；若只有一个磁控管工作，则上述式中相应条件变为：
Uss(k)＝u1，ss(k)
Ut(k)＝u1，t(k)
若有两个磁控管工作，则上述式中相应条件变为：
Uss(k)＝[u1，ss(k) u2，ss(k)]T
Ut(k)＝[u1，t(k) u2，t(k)]T
以此类推。
8.根据权利要求3所述的基于双层结构模型预测控制的微波高温反应器温度精确控制的方法，其特征在于：所述步骤4中的双层结构模型预测控制的动态控制层的控制策略中的预测模型如下：
其中，一步预测模型为：
YP1(k+1|k)＝YR(k)+AΔU(k+1|k) (3)
其中
Figure FDA0002836233730000051
Figure FDA0002836233730000052
YP1(k+1|k)为CV在k时刻对下一(k+1)时刻的一步预测值，YR(k)为CV在k时刻的实际输出值，A为动态矩阵，ΔU(k+1|k)为MV的增量值；yi，P1(k+1|k)，(i＝1，2)分别为基于k时刻对k+1时刻反应物料温度和循环冷却水温度的一步预测值，y1，R(k)，y2，R(k)分别表示反应物温度和循环冷却水温度在k时刻的实际值，Δui(k+1|k)，(i＝1，2，3，4)分别表示对磁控管1、2、3、4输入电功率在基于k时刻对k+1时刻的预测增量值；
若只有一个磁控管工作，则上式中相关量变为：
A＝[a11]，ΔU(k+1|k)＝[Δu1(k+1|k)|
若有两个磁控管工作，则式中相关量相应变为：
Figure FDA0002836233730000053
以此类推；
把一步预测模型推广为多步预测模型如下：
YPM(k)＝YRM(k)+AMΔUM(k) (4)
其中
Figure FDA0002836233730000054
Figure FDA0002836233730000055
式中，Yi，PM(k)(i＝1，2)分别为反应物料温度和循环冷却水温度的多步预测值，yi，PM(k+p|k)(i＝1，2)分别为反应物料温度和循环冷却水温度基于k时刻对k+p时刻的预测值，Yi，RM(k)(i＝1，2)分别为反应物料温度和循环冷却水温度的多步预测的初始值，yi，PM(k+p|k)(i＝1，2)为反应物料温度和循环冷却水温度的多步预测的某时刻的初始值，p为预测时域，ΔUM(k)是MV的增量值，ΔU1M(k)，ΔU2M(k)，ΔU3M(k)，ΔU4M(k)分别表示在多步预测时磁控管1、2、3、4输入电功率的增量序列，或者说是优化控制序列；ΔujM(k+p|k)表示第j个磁控管输入电功率的增量序列，或者说是优化控制序列。
9.根据权利要求1所述的基于双层结构模型预测控制的微波高温反应器温度精确控制的方法，其特征在于：所述步骤4的控制策略中的误差校正，其中CV实际值与CV预测值之间的误差为：
E(k+1)＝YR(k+1)-YP1(k+1|k) (5)
其中
Figure FDA0002836233730000061
ei(k+1)(i＝1，2)为反应物料温度和循环冷却水温度的误差，YR(k+1)为CV在k+1时刻的实际输出值，则yi(k+1)(i＝1，2)为反应物料温度和循环冷却水温度在k+1时刻的实际输出值，YP1(k+1|k)为CV在k时刻对下一k+1时刻的一步预测值，yi，P1(k+1|k)，(i＝1，2)分别为基于k时刻对k+1时刻反应物料温度和循环冷却水温度的一步预测值；
对CV误差通过下式进行校正：
Yright，P1(k+1|k)＝YP1(k+1|k)+VE(k) (6)
其中：
Figure FDA0002836233730000071
Figure FDA0002836233730000072
V为误差校正矩阵，通过基于k时刻对k+1时刻的预测值进行校正得到优化后的CV值Yright，P1(k+1|k)，并用该优化值作为k+1时刻预测的初始值，yiright，P1(k+1|k)(i＝1，2)为对反应物料温度和循环冷却水温度进行校正后得到的值，E(k)为k时刻CV实际值与CV预测值之间的误差。
10.根据权利要求1所述的基于双层结构模型预测控制的微波高温反应器温度精确控制的方法，其特征在于：所述步骤5中，应用计算机，根据设定所需温度以及微波高温反应器磁控管在某一时刻k可能的多种输入电功率，对k+1时刻的不同反应温度进行在线实时优化，得出能够使反应温度在k+1时刻尽可能接近设定温度的磁控管输入功率，并控制磁控管达到该输入功率以实现最优控制效果；优化的目标函数为：
Figure FDA0002836233730000073
式中，Yss(k)以及Uss(k)分别是稳态目标计算层计算的最优CV值及MV值，YPM(k)为CV的多步预测值，UPM(k)是MV的多步预测值，ΔUM(k)是MV的增量值，S为CV误差权矩阵，T为MV控制权矩阵，W为MV增量权矩阵。
CN201811384157.3A 2018-11-20 2018-11-20 一种基于双层结构模型预测控制的微波高温反应器温度精确控制的方法 Active CN109688652B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811384157.3A CN109688652B (zh) 2018-11-20 2018-11-20 一种基于双层结构模型预测控制的微波高温反应器温度精确控制的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811384157.3A CN109688652B (zh) 2018-11-20 2018-11-20 一种基于双层结构模型预测控制的微波高温反应器温度精确控制的方法

Publications (2)

Publication Number Publication Date
CN109688652A CN109688652A (zh) 2019-04-26
CN109688652B true CN109688652B (zh) 2021-06-01

Family

ID=66185863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811384157.3A Active CN109688652B (zh) 2018-11-20 2018-11-20 一种基于双层结构模型预测控制的微波高温反应器温度精确控制的方法

Country Status (1)

Country Link
CN (1) CN109688652B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112947174B (zh) * 2021-02-03 2023-04-07 昆明理工大学 一种可拓展多微波源协同输出的智能微波反应器***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010113638A (ja) * 2008-11-10 2010-05-20 Fuji Electric Systems Co Ltd プラント制御システムおよび制御方法
CN103472723A (zh) * 2013-08-19 2013-12-25 上海交通大学 基于多模型广义预测控制器的预测控制方法及***
CN106647250A (zh) * 2015-10-30 2017-05-10 中国科学院沈阳自动化研究所 基于离线优化/在线查表方式的双层结构预测控制方法
CN107045290A (zh) * 2017-06-14 2017-08-15 重庆科技学院 基于mqpso‑dmpc的反应再生***优化控制方法
CN108021024A (zh) * 2016-10-28 2018-05-11 中国科学院沈阳自动化研究所 基于双层结构预测控制的工业循环水节能优化控制方法
CN108563121A (zh) * 2018-04-12 2018-09-21 南京航空航天大学 基于历史数据的微波加热温度场智能监控方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010113638A (ja) * 2008-11-10 2010-05-20 Fuji Electric Systems Co Ltd プラント制御システムおよび制御方法
CN103472723A (zh) * 2013-08-19 2013-12-25 上海交通大学 基于多模型广义预测控制器的预测控制方法及***
CN106647250A (zh) * 2015-10-30 2017-05-10 中国科学院沈阳自动化研究所 基于离线优化/在线查表方式的双层结构预测控制方法
CN108021024A (zh) * 2016-10-28 2018-05-11 中国科学院沈阳自动化研究所 基于双层结构预测控制的工业循环水节能优化控制方法
CN107045290A (zh) * 2017-06-14 2017-08-15 重庆科技学院 基于mqpso‑dmpc的反应再生***优化控制方法
CN108563121A (zh) * 2018-04-12 2018-09-21 南京航空航天大学 基于历史数据的微波加热温度场智能监控方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Numerical modeling dynamic process of multi-feed microwave heating of industrial solution media;杨彪 等;《Journal of Central South University》;20161231(第12期);3192-3203 *
Self-adaptive PID controller of microwave drying rotary device tuning on-line by genetic algorithms;杨彪 等;《Journal of Central South University》;20131031(第10期);2685-2692 *
双层结构DMC/MPC概述与展望;李鑫培 等;《价值工程》;20180620(第17期);259-261 *
基于动态矩阵控制的双层结构预测控制的整体解决方案;李世卿 等;《自动化学报》;20151130;第41卷(第11期);1157-1866 *
微波预处理富硒渣生产试验装置与控制***研究;梁贵安 等;《昆明理工大学学报(自然科学版)》;20110430;第36卷(第02期);16-19 *

Also Published As

Publication number Publication date
CN109688652A (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
CN104375475B (zh) 间歇反应器中间歇反应过程的优化控制方法
Mahfoud et al. Enhancement of the direct torque control by using artificial neuron network for a doubly fed induction motor
CN114335625B (zh) 燃料电池堆温度控制方法、装置、模型预测控制器及***
CN109688652B (zh) 一种基于双层结构模型预测控制的微波高温反应器温度精确控制的方法
Visek et al. Performance analysis of a solar cooling system using self tuning fuzzy-PID control with TRNSYS
Bao et al. Control parameter optimization of thermostatically controlled loads using a modified state-queuing model
Chen et al. Design of an improved implicit generalized predictive controller for temperature control systems
CN113315164A (zh) 无功电压控制方法和装置、介质以及计算装置
CN110373510B (zh) 一种基于双模态切换的钢水质量窄窗口控制方法及***
CN109287021B (zh) 一种基于在线学习的微波加热温度场智能监控方法
Alhato et al. Thermal exchange optimization based control of a doubly fed induction generator in wind energy conversion systems
Genc et al. A rule base modification scheme in fuzzy controllers for time-delay systems
Liu et al. Adaptive critic based optimal neurocontrol of a distributed microwave heating system using diagonal recurrent network
Jegajothi et al. An efficient metaheuristic optimization based fuzzy controller for brushless DC drives lifetime expansion
CN112994036A (zh) 一种基于模型预测的温控负荷参与微电网调控方法及***
Pradeep et al. A finite horizon Markov decision process based reinforcement learning control of a rapid thermal processing system
Ma et al. Collaborative thermal management of power battery and passenger cabin for energy efficiency optimization
CN109556176A (zh) 一种基于双时间步长的供暖末端智能通断调节方法
Yanguang et al. An intelligent ladle furnace control system
Wang Development and simulation of fuzzy adaptive PID control for time variant and invariant systems
CN112737364A (zh) 三电平整流器的延时补偿模型预测控制
Jarrah et al. Optimised implementation of AVR system using particle swarm optimisation
KR100375488B1 (ko) 급속 열처리 장치에서 최적 학습 제어 기법을 이용한 웨이퍼의 온도 균일성 제어 방법
Hamane et al. Thermal MIMO controller for setpoint regulation and load disturbance rejection
Khasanov et al. The reference model control algorithms with signal adaptation for multiply connected objects of a robotic technological complex

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant