间歇生产过程产品质量迭代学习优化控制研究

摘要

间歇过程的研究受到越来越多的关注，其应用前景广阔，现已成为一个独具特色的研究领域。但就目前的文献资料看，这个领域的研究还存在很大的局限性。随着数据驱动技术、智能优化控制算法、过程仿真平台的研究与发展，先进控制与智能优化的引入，为间歇过程的研究赋予了更新的内容，提供了更多有效的手段。本文首先对间歇过程建模与优化控制的研究现状、存在问题以及未来的发展趋势进行了总结，然后从实际应用的角度出发，在基于神经模糊系统的间歇过程建模、产品质量优化控制器的设计、系统收敛性和误差跟踪性能分析等几个方面进行了深入的研究，主要研究成果如下：
　　 1．提出一种具有非线性模糊规则后件的间歇过程产品质量神经模糊模型，该模型由多层神经模糊网络构成，分两阶段学习。该方法的最大特点是能够根据输入数据的分布灵活地划分模糊集合，增强了区域分布的合理性，并且避免了传统学习算法中学习参数采用试凑法和易陷入局部极小的缺点。因此，该算法具有较好的非线性逼近和参数自学习能力。
　　 2．针对间歇生产过程的特点，利用神经模糊系统建立间歇过程的模型，并采用一种迭代学习方法解决间歇过程的产品质量的优化控制问题。论文不仅从理论上对控制器的收敛性进行了严格的数学分析，并且给出了深入的仿真实验研究，验证了算法的有效性和实用价值。
　　 3．在研究成果1、2的基础上，考虑到实际生产中存在扰动和不确定因素，提出了一种模型参数可自适应调节的问歇过程产品质量迭代学习算法。利用间歇过程重复运行的特性，根据历史批次的输入输出信息，对模型进行在线调节，从而使得模型和测量值之间的误差在不断的迭代过程中减小，在此基础上进行产品质量优化控制器的设计，使得控制轨迹收敛，并且产品质量趋于最优。
　　 4．在研究3的基础上，提出一种变R调节迭代学习控制算法，借鉴经典控制理论定义了有界跟踪和零跟踪概念。以此研究了能够让系统输出误差达到零跟踪的迭代学习控制策略，并严格地证明了算法的稳定性，得出可以通过调节权值R使过程产品质量的误差收敛到与模型精度相关联的有界区域的结论。