欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2013102812606
申请人: 杭州电子科技大学
专利类型:发明专利
专利状态:已下证
专利领域: 控制;调节
更新日期:2024-01-05
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.塑料烘干器温度优化节能控制方法,其特征在于该方法的具体步骤是:a.建立多模型切换系统模型;具体方法是:以塑料烘干器的燃气阀门开度值、冷配风阀门开度值、塑料进料量和塑料烘干器转轴转速为输入控制量,以温度传感器采集到的塑料烘干器空气温度值为输出量,以塑料进料量、冷配风阀门开度值、湿度传感器采集到的塑料烘干器空气湿度为状态量,建立典型工况下的离散时间切换模型:x(k+1)=Aix(k)+Biu(k)

y(k)=Cix(k)

3

其中x(k)∈R是3维状态变量,分别表示k时刻塑料进料量、冷配风阀门开度值、塑料烘干器内空气湿度值这三个状态变量;

u(k)∈R4是4维控制输入变量,分别表示k时刻燃气阀门开度值、冷配风阀门开度值、塑料进料量和塑料烘干器转轴转速;y(k)∈R1是单输出变量,表示k时刻塑料烘干器中空气温n度测量值;Ai,Bi,Ci分别表示需要辨识的不同状态下的多模型参数;R代表n维欧氏空间,i是分段切换常数,从有限集I={1,2,3,…,m}中选取,表示m个典型工况下的系统模型参数;

状态变量x(k)和控制变量u(k)分别为:x(k)=[x1(k),x2(k),x3(k)]T;

u(k)=[u1(k),u2(k),u3(k),u4(k)]T;

其中x1(k)表示塑料进料量,x2(k)表示冷配风阀门开度值,x3(k)表示塑料烘干器内湿度传感器采集到的空气的湿度值,u1(k)表示燃气阀门开度值,u2(k)表示冷配风阀门开度值、u3(k)表示塑料进料量,u4(k)表示塑料烘干器转轴转速,y(k)表示塑料烘干器中空气温度值;在烘干过程中,通过调节燃气阀门开度值、冷配风阀门开度值、塑料进料量和塑料烘干器转轴转速来实现烘干器内气体温度的控制,是一个多输入单输出的控制系统;

b.建立输出值的预测方程;按照前面建立的离散时间切换模型,得到塑料烘干器中空气温度值预测模型;

基于前一步建立的切换系统模型,有输出变量模型其中y(k+j|k)为k+j时刻的输出变量,u(k+j|k)为k+j时刻的控制输入变量,j为正整数;

可以得到y(k+j|k)的预测模型为:

其中 表示状态变量x(k)的预测估计值, 表示k+j时刻塑料烘干器空气温度的预测输出值,Δu(k+p-1|k)表示k+p-1时刻与前一时刻控制变量的差值;

定义

其中N是预测时域,Nc是控制时域;

则可得

其中

c.建立多模型切换系统的优化目标函数;由于系统由m个子系统构成,且相互之间进行切换,直接求解较难,现将利用切换规则建立优化目标函数,再利用混和神经网络进行优化求解;

假设k时刻状态变量的初始值已知,选择系统的目标函数J,并进行如下优化:ymin≤y(k+j|k)≤ymax j=0,…,Numin≤u(k+j|k)≤umax j=0,…,Nc-1其中J是优化目标函数,Q和P是权重矩阵;ymin和ymax分别表示输出变量的最小值和最大值;umin和umax分别表示控制变量的最小值和最大值;yr和ur分别是输出变量和控制变量的参考轨迹;

对于系统模型数量为m的多模型切换系统,基于切换规则可得:其中m表示切换系统模型的数量,gi(k)为0-1变量,即对于i∈{1,2,…m}有gi(k)∈{0,

1};

考虑到任何一个时刻只有一个子系统被激活,即模型之间的切换规则为:

i(k+1)=Θ(x(k),y(k),u(k))式中Θ(x(k),y(k),u(k))为切换信号的切换规则,i(k+1)为切换后被激活的子系统;

根据切换规则,系统状态方程和输出方程,以及前面的优化目标函数,可得i(k+1)=Θ(x(k),y(k),u(k))Umin≤U(k)≤Umax

其中Υ、D和M为常数矩阵,且

U(k)=[u(k) u(k+1) … u(k+N-1)]TT

G(k)=[g(k) g(k+1)… g(k+N-1)]g(k)=[g1(k),g2(k),…,gm(k)]且 Y m i n = [ y m i n   …   y m i n ] ,Y m a x = [ y m a x   …   y m a x ] ,d.基于混合神经网络求解最优控制律;利用混合神经网络对前述切换系统优化问题进行优化求解,该神经网络由两个相互作用的神经网络组成,即c-网络和b-网络,其中c-网络为处理连续变量的神经网络,b-网络为处理离散二进制变量的神经网络;

选择神经网络的作用函数为

其中ui∈[s1i,s2i], 表示在连续c-网络中第i个点的控制输入,其下限和上限分别为s1i和s2i,gi∈{0,1}, 表示在离散b-网络中第i个点的模型输入,L=4×(N-1),M=m×(N-

1);

于是,神经网络中变量的赋值空间为

惩罚函数可以增强优化的约束条件和切换规则,于是用惩罚函数的方法构造混合神经网络的能量函数,它由下述三部分组成:R(u,g)=G(g)+H(u,g)+K(g)令G(g)=H(u,g)=K(g)=0,则可以得到优化可行解,于是可以得到神经网络的能量函数为E(u,g)=αf(u,g)+βG(g)+γK(g)+χH(u,g)其中α,β,γ和χ是惩罚系数。