[发明专利]基于控制网格精细化的催化剂混合动态优化系统

权利要求书

1.基于控制网格精细化的催化剂混合动态优化系统，能够对间歇反应装置中催化剂的混合比率进行自动控制，以最大化目标产品的浓度；其特征是：由间歇反应装置、混合比率传感器、模数转换器、现场总线网络、分布式控制系统、主控室混合比率及产品浓度显示、混合比率控制阀门端的数模转换器、混合比率控制阀门构成；所述系统的运行过程包括：

步骤A1：控制室工程师指定反应持续时间、间歇反应装置中物料的初始浓度状态、需要提高浓度的目标产品；

步骤A2：分布式控制系统执行内部的控制网格精细化优化方法，获得使目标产品浓度最大的催化剂混合比率；

步骤A3：分布式控制系统将计算获得的催化剂混合比率转换为混合比率控制阀门的开度指令，通过现场总线网络发送给混合比率控制阀门端的数模转换器，使混合比率控制阀门根据收到的控制指令执行相应动作；

步骤A4：间歇反应装置端的混合比率传感器实时采集催化剂的混合比率，经过模数转换器后用现场总线网络回送给分布式控制系统，并在主控室内显示，使控制室工程师随时掌握生产过程；

所述的分布式控制系统，包括信息采集模块、初始化模块、控制网格精细化模块、ODE求解模块、梯度计算模块、非线性规划(Non-linear Programming，简称NLP)问题求解模块、精细化收敛性判断模块、控制指令输出模块；其中信息采集模块包括反应持续时间采集、初始浓度状态采集、目标产品采集三个子模块，NLP问题求解模块包括寻优方向计算、寻优步长计算、NLP收敛性判断三个子模块；

为获得使目标产品浓度最大的催化剂混合比率，所述的分布式控制系统执行的控制网格精细化优化方法，运行步骤如下：

步骤B1：信息采集模块(31)获取控制室工程师指定的反应持续时间、间歇反应装置中物料的初始浓度状态、以及需要提高浓度的目标产品；

步骤B2：初始化模块(32)开始运行，采用分段常量参数化，设置反应持续时间的分段数为N、对应的控制网格为催化剂混合比率的参数化向量的初始猜测值设定NLP问题的计算精度tol₁和网格精细化的收敛精度tol₂，将迭代次数k₁和精细化次数k₂置零；

步骤B3：当k₂＝0时，执行步骤B4；否则，通过控制网格精细化模块(33)对控制网格进行精细化处理，得到新的控制网格及其对应的参数化向量

步骤B4：通过ODE求解模块(34)获取本次迭代的物料浓度和目标函数值

步骤B5：通过梯度计算模块(35)获取本次迭代的梯度信息当k₁＝0时跳过步骤B6直接执行步骤B7；

步骤B6：NLP问题求解模块(36)运行，通过NLP收敛性判断模块进行收敛性判断；

步骤B7：用的值覆盖的值，并将迭代次数k₁增加1；

步骤B8：NLP问题求解模块(36)利用在步骤B4和B5中获得的目标函数值和梯度信息，通过计算寻优方向和寻优步长，获得比更优的新的催化剂混合比率该步骤执行完成后再次跳转至步骤B4；

步骤B9：精细化收敛性判断模块(37)运行，记当k₂＝0时，执行步骤B10，否则，判断与上一次精细化的目标函数值之差的绝对值是否小于精度tol₂，如果是，则判断收敛性满足，并将本次迭代的催化剂混合比率转换为混合比率控制阀门的开度指令输出，否则收敛性不满足，置精细化次数k₂:＝k₂+1，继续执行步骤B3，直至精细化收敛性判断模块满足为止；

所述的控制网格精细化模块，采用如下步骤实现：

步骤C1：由以下公式计算网格节点处的左斜率和右斜率

其中，u_k表示催化剂混合比率的参数化向量的第k个分量，t_k表示u_k和u_k+1之间的网格节点；

步骤C2：若网格节点t_k处的左右斜率满足如下要求，则从网格中剔除该节点：

其中，ε_e是一个较小的正实数；网格节点t_k剔除后，u_k和u_k+1所对应的网格合并为一个新的网格，其上的参数更新为(u_k+u_k+1)/2；

步骤C3：若网格节点t_k处的左斜率满足：

其中，ε_i是一个大于ε_e的正实数，则在[t_k-1,t_k]上插入网格节点；若网格节点t_k处的右斜率满足：

则在[t_k-1,t_k]上插入网格节点；实际应用时，可根据左右斜率的绝对值大小自由设定加入节点的个数；

步骤C4：根据步骤C2和C3中剔除和插入的节点，生成新的控制网格和相应的参数化向量；

所述的ODE求解模块，采用的是四步Runge-Kutta方法，计算公式为：

其中，t表示时间，t_i表示Runge-Kutta方法选择的积分时刻，t_i+1表示位于时刻t_i后的积分时刻，积分步长h为任意两相邻积分时刻之差，x(t_i)表示间歇反应装置中在t_i时刻的物料浓度，F(·)是描述状态微分方程的函数，K1、K2、K3、K4分别表示Runge-Kutta法积分过程中的4个节点的函数值；

所述的梯度计算模块，采用的是伴随方法:

步骤D1：令λ(t)为协态向量，它的值由伴随方程确定：

其中，t_f表示反应过程的结束时间，H表示哈密尔顿函数，且H＝L+λ(t)^TF，L为目标函数的积分项，Φ[x(t_f)]为目标函数的稳态项；

步骤D2：对于伴随方程，采用四步Runge-Kutta方法得到协态向量λ(t)在各积分时刻的值，计算公式为：

其中，t表示时间，t_i为ODE求解模块中选择的积分时刻，t_i+1表示位于时刻t_i后的积分时刻，并且t_i+1＝t_i+h，h为积分步长，Q1、Q2、Q3、Q4分别表示Runge-Kutta法积分过程中的4个节点的函数值；

步骤D3：基于得到的协态向量λ(t)的值，由以下公式得到梯度信息

其中，和表示的第一个和第二个分量，依此类推；

所述的NLP问题求解模块，采用如下步骤实现：

步骤E1：如果与上一次迭代的目标函数值的绝对值之差小于精度tol₁，则判断收敛性满足，返回本次迭代得到的催化剂混合比率；如果收敛性不满足，则继续执行步骤E2；

步骤E2：用的值覆盖的值，并将迭代次数k₁增加1；

步骤E3：将催化剂混合比率作为向量空间中的某个点，记作P₁，P₁对应的目标函数值就是

步骤E4：从点P₁出发，根据选用的NLP算法和点P₁处的梯度信息构造向量空间中的一个寻优方向和步长

步骤E5:通过式构造向量空间中对应的另外一个点P₂，使得P₂对应的目标函数值比更优，其中I是与同维数的单位向量。