[发明专利]Hammerstein非线性动态系统的建模及其连续搅拌反应器浓度控制

说明书

本发明提供一种Hammerstein非线性动态系统的建模及其连续搅拌反应器浓度控制，利用Hammerstein非线性动态系统建立连续搅拌反应器模型，利用三层BP神经网络逼近静态非线性模块，利用传递函数模型建立线性动态模块模型，在该方法中，首先根据二进制信号的输入输出数据，采用最小二乘方法估计模型中动态线性模块的参数；其次，基于随机信号的输入输出数据，通过含有动量因子的随机梯度下降寻优算法估计模型中静态非线性模块的参数；最后，利用Hammerstein非线性系统的特殊结构将连续搅拌反应器系统的反应物浓度控制问题转化为线性系统控制问题，简化了控制系统的设计，取得到较好的控制效果。

技术领域

本发明属于过程工业领域，涉及一种Hammerstein非线性动态系统的建模及其连续搅拌反应器浓度控制，该方法适用化工、生物制药、石油生产等相关领域。

背景技术

目前，在非线性动态系统的建模和控制研究领域中，一类新颖的块结构非线性动态系统成为当前研究的热点。在块结构非线性动态系统中，Hammerstein非线性动态系统是一类具有特定结构的典型非线性系统，同时结合了静态非线性模块和线性动态模块，该系统能较好地描述工业设备和过程，如发酵生物反应器系统、连续搅拌反应釜、中和过程、蒸馏塔等非线性过程。

Hammerstein非线性动态系统的建模研究主要分为静态非线性模块的建模和线性动态模块的建模，重点在于研究具有高精度、外延性的非线性模块的建模方法，如：基函数、多项式、样条函数、分段线性函数、支持向量机、神经网络、模糊系统等方法。这些方法具体可以分为两类：(1)假设非线性是一些已知非线性基的线性组合，如多项式、样条函数、分段线性函数以及支持向量机，但在研究多变量系统时，这种方法需要大量的参数和很高的阶；(2)基于数据的非线性模型，如神经网络、模糊系统，这类方法能够较好地逼近非线性系统，并且适用于非线性模型难于参数化的情况。

在建立Hammerstein系统各串联模块的模型后，再利用一系列的参数估计方法估计模型中的未知参数。在获得具体的模型后，利用静态非线性模块的可逆原理将Hammerstein非线性动态系统控制问题转化为线性系统控制问题，这对过程工业中非线性控制系统的设计具有重要的理论和实际意义。目前在非线性系统的建模及其控制方法研究中取得许多重要成果，形成了各具特色的理论方法，但依然存在以下几方面问题：

1.复杂工业过程具有强非线性和不确定性等特征导致难以建模问题，如何建立满足过程特性的Hammerstein非线性系统的数学模型是求解优化问题和实行有效控制的基础；

2.Hammerstein非线性系统的参数估计方面，现有的参数估计方法中往往含有系统参数的乘积项，需要采用分解技术实现参数的分离，增加了计算的复杂性和参数估计的难度。如何利用利用有效的参数估计方法降低计算复杂性，提高系统参数估计精度和鲁棒性；

3.在非线性系统的控制方面，现有的复合控制策略能够取得良好的控制效果，但仍存在计算量大，控制规律复杂的缺陷。如何运用更有效的控制方法降低计算量和控制规律的复杂度，实现对非线性系统的高效控制。

发明内容

为解决现有技术中存在的上述问题，本发明提供了一种Hammerstein非线性动态系统的建模及其连续搅拌反应器浓度控制。