[发明专利]一种适用于流程工业预测控制的模型自主学习方法

说明书

本发明公开了一种适用于流程工业预测控制的模型自主学习方法，通过多输入单输出系统作为基本子系统予以实现；包括：步骤一、模型设置及学习参数自选择；步骤二、参数分布建模；步骤三、数据采集和处理；步骤四、模型参数学习；步骤五、模型参数检验；步骤六、模型预测误差对比。本发明可在线自主学习过程的动态特性；可根据预设的模型参数自动选择待学习参数的类型，使待学习参数具有真实的物理意义，且在学习过程中，预设模型对模型学习的结果具有约束作用以提高模型的可靠性；对参数的学习结果进行检验、对预测结果进行评价，进一步提高模型的可靠性；采用参数死区的方式增加了模型参数的平稳性，减少因模型参数频繁变化而引起的控制效果波动。

技术领域

本发明涉及流程工业预测技术领域，具体涉及一种适用于流程工业预测控制的模型自主学习方法。

背景技术

自20世纪末期以来，流程工业得到了快速发展，其中也包括模型预测控制在流程工业中的成功应用。模型预测控制与传统的PID控制相比，不仅适用于多耦合、大时滞等难控的被控对象，而且可以对工艺条件和经济指标等约束建模，配合优化技术完成控制任务。故，模型预测控制在流程工业中具有广泛的应用前景。然而，在实际生产中，随着生产目标改变、生产原料配比改变、设备老化、催化剂活性不足等多种因素，过程的动态特性会发生变化。这种变化会引发预测控制的预测模型与真实过程动态特性的失配问题。因此，如果能增加预测模型与真实过程动态特性的匹配程度，则控制器可以实现更加准确的过程输出预测，进而有利于控制效果的提升。目前，行业已有一些思想或者方法来应对变化的动态特性问题，比如非线性建模、多工况建模、在线辨识等方法。但现有的方法在实施时存在以下不足。

第一点，对于非线性建模和多工况建模。流程工业大量的三传一反过程增加了机理建模的难度，且现场运行数据难以覆盖所有工况，因此数据驱动的建模方法也只能建立局部模型或者部分工况模型，如果投运时运行在未知工况，仍然需要一种模型在线学习的方法。

第二点，对于在线辨识的方法。一方面，现有方法多采用线性回归对动态特性建模，参数缺乏实际的物理意义，辨识时也缺少对参数的合理约束，导致辨识参数的自由度过高；另一方面，过程的动态特性往往是缓慢变化的，当前正在运行的预测模型应该对新的动态特性参数具有指导意义。然而，暂未发现能有效兼顾这两方面的技术方法。

发明内容

本发明为了克服以上技术的不足，提供了一种适用于流程工业预测控制的模型自主学习方法。

该方法的特点在于：第一，可在线自主学习过程的动态特性，以多输入单输出子系统划分的方式可适用于多输入多输出系统，当然也适用于比多输入多输出系统更简单的其他系统；第二，可根据预设的模型参数自动选择待学习参数的类型，使待学习参数具有真实的物理意义，且在学习过程中，预设模型对模型学习的结果具有约束作用，以提高模型的可靠性；第三，对参数的学习结果进行检验，对模型的预测结果进行评价，进一步提高模型的可靠性；第四，采用参数死区的方式增加了模型参数的平稳性，减少因模型参数频繁变化而引起的控制效果波动。本发明的方法是一种融合模型知识和过程数据的在线学习方法，适用于流程工业预测控制的模型自主学习问题。

术语解释：

1、增益：放大倍数。

2、自然角频率：描述物体振动快慢的物理量，与振动系统的固有属性有关。

3、阻尼系数：表征二阶以及二阶以上的系统在运动过程中系统能量减少这一特性的参数。

4、对数正态分布：一个随机变量的对数服从正态分布，则该随机变量服从对数正态分布。

5、预测模型：指预测控制中用于预测的，用数学语言或公式所描述的事物间的数量关系。

6、参数死区：指参数变化时，如果变化幅度未超过该值，则认为参数没有发生变化。

本发明克服其技术问题所采用的技术方案是：