工业过程稳态整改控制算法研究.docVIP

　　工业过程稳态整改控制算法研究 第一章 绪论 1.1工业过程稳态优化控制算法的研究概况 在实际工业过程中，离线优化方法是一种理想化方法[1]，其原因是尽管人们把工业过程设计的按正常工况连续运行，但是噪声会产生一定的扰动、生产设备的损坏以及原材料成分会发生变化，这些因素会对工业过程产生影响，因此按照原来设计的方案运行就不能达到最优。目前解决此类问题的常见的有以下几种方法：局部参数最优化方法的基本思想是：利用模型和被控过程输出之差来调整控制器参数，使输出误差平方的积分达到最小。全局最优分为两部分：一个是离线最优，其目标函数在一个时间段或一定的范围内是不变的；另一个是在线最优，它是指整个实际工业过程的最优化。预测控制，又称基于模型的控制(Model-based Control)[4,5]。它采用的是滚动式的优化策略，也就是说优化过程是反复在线进行的。在复杂的工业环境中，这种策略比建立在理想条件下的最优控制有效，用这种方法可以处理实际过程中更加复杂的情况，例如有约束、多目标、非线性等。复杂的工业过程的稳态优化控制问题常采用递阶控制方法[6]，这种方法既有控制层又有优化层，优化层由局部决策单元级和协调器组成。这种方法的思想是：每个决策单元同时响应子过程优化，由上一级决策单元协调各优化过程，所有的优化层通过相互迭代达到最优解。但在实际应用上，这个解未必能使工业过程达到最优，相反还可能会违反约束。学者们提出了一个思想[7]：从实际过程提取变量的稳态信息，反馈至上一层协调器或决策单元，并用它修正通过模型求得的最优解，使它接近实际最优解。 .. 1.2非线性优化算法研究概况 在实际研究过程和生产实践中存在着非常多的非线性优化问题, 这些实际问题具有变量越来越多、规模越来越大、问题越来越复杂的特点，因此所研究问题的非线性程度也越来越高。这类问题一般是在一组非线性约束条件下寻求某一非线性目标函数的最值。因此，我们选取的优化方法将直接关系到所求问题的准确度以及有效性。1951 年建立的 Kuhn-Tucker 最优条件[17](简称 KT 条件)是非线性优化的一个重要理论。此后的 50 年里，梯度法和牛顿法都有了进一步的研究，最早使用的求解非线性优化问题的方法是最速下降法和牛顿法[18,19]。最速下降法算法简单，每迭代一次的工作量较小，所需要的贮存量也少，从一个不好的点出发也能保证算法的收敛，但是收敛速度较慢，并且收敛速度与变量的尺度关系很大，关于小的扰动是不稳定的；牛顿法收敛速度很快，但是需要目标函数二阶连续可微，在迭代中要计算 Hessian 矩阵，选取的初始点不能偏离最小点太远，否则迭代有可能不收敛。拟牛顿方法和共轭梯度法[20,21]在 60 年代开始活跃起来，共轭梯度法的优点是公式简单、存储量小、可以用来求解大规模的问题，特别是用于最优控制问题时效果很好。至今为止最有效的拟牛顿方法是在 1970 年由 Broyden，Fletcher等[20]提出的 BFGS 方法。与牛顿法相比，拟牛顿法只需要知道目标函数的一阶导数的信息。70 年代中期，非线性优化方法快速发展，约束变尺度(SQP)方法和Lagrange 乘子法是这一时期的代表[18,19]。80 年代，计算机科学与技术的迅速发展为非线性优化方法的研究提供了更广阔的平台，科研人员开始研究信赖域法和稀疏拟牛顿法，并且在 90 年代提出了求解非线性规划问题的内点法和有限储存法。总之，这半个世纪是最优化发展的黄金时期。 第二章 预备知识 2.1 非线性约束优化问题的基本知识 本文提出了一种可求解工业过程稳态优化控制问题的新算法，该算法的基本思想是：用最小二乘法估计实际导数，求出拉格朗日乘子，然后通过实际输出与模型输出求出乘子，最后使修正的系统优化和参数估计交替进行直至迭代收敛到最优解。为了说明该算法的有效性，本文将该算法应用于几个工业过程中，仿真结果表明本文提出的算法是可行的。如果设定点选取得当，通过该方法可以快速有效的求得实际过程导数[31]。动态模型识别法[42-44]分为线性模型和非线性模型，这种方法通过动态模型模拟实际工业过程来近似估算稳态时的导数，特别适用于缓慢工业过程。模型的选取是个难点，计算也相对复杂。Mansour 等[30]对以上导数估计方法进行了比较和分析，它们各有优点和局限性：有限差分算法计算导数矩阵需要每次迭代都要对设定点进行扰动，计算负担较大；双重控制优化方法要求矩阵必须是非奇异的，如果遇到病态矩阵，就要解决非凸优化问题，引入一个条件数，通过矩阵的最小奇异值与最大奇异值的比来求得，计算比较困难；Broydon 算法要在每次更新的时候对测量值进行初始化；动态模型识别法则需要找到合适的动态模型，但是不是所有的非线性问题都能有适当的模型来描述。国内的一些研究人员黄正良、万