论文部分内容阅读
间歇过程是一类重复生产过程,按照相同的工序以批次为单位进行生产,越来越多地应用于食品、生物制药以及化工领域。间歇过程中存在一些关键的过程变量(也称状态变量),对生产过程稳定运行以及产品质量优化有着重要的影响。有些关键的状态变量不可测或测量成本较高,因此间歇过程的状态估计一直是工业界和学术界的关注焦点。作为经典状态估计算法,卡尔曼滤波(Kalman filter,KF)将实时测量数据与系统状态在时间方向进行关联估计。考虑到间歇过程的典型多批次重复特性,迭代学习卡尔曼滤波(Iterative learning Kalman filter,ILKF)方法既沿时间方向估计相邻两批次之间的状态误差,又沿批次方向迭代更新当前状态估计,兼顾了时间和批次两维特性。但是目前这种方法只适用于线性系统,本文针对间歇过程的非线性、测量时滞、多阶段和多批次特性,结合现有状态估计方法,研究基于迭代学习的非线性间歇过程状态估计方法,具体创新工作包括:(1)针对非线性间歇过程,提出一种迭代学习拟线性卡尔曼滤波(Iterative learning quasilinear Kalman filter,ILQKF)方法。该方法基于间歇过程的标称模型,将实际状态与标称状态之间的误差作为新状态,从而建立与误差相关的线性化模型。然后根据ILKF方法,对状态误差进行估计,再利用标称轨迹,估计出非线性间歇过程的状态,并使状态估计误差随着批次的增加逐渐减小至收敛。(2)针对间歇过程中关键变量的测量时滞问题,结合状态增广方法,提出一种融合时滞的迭代学习增广拟线性化卡尔曼滤波(Iterative learning augmented quasilinear Kalman filter,ILAQKF)方法,考虑将精度较低的在线无时滞测量值和精度较高的离线含时滞测量值进行融合,提高实时估计精度。首先,将非线性系统拟线性化,再利用增广矩阵的方法建立融合时滞的扩展模型。然后,基于ILQKF设计ILAQKF方法。该方法能很好地处理间歇过程含测量时滞的状态估计问题,仿真结果表明优于不考虑离线时滞测量值的情况。(3)针对一个模型未知的非线性间歇过程,研究基于线性多模型的迭代学习状态估计方法。首先采用线性变参数(liner parameter varying,LPV)模型,用多个简单局部线性模型逼近复杂的非线性过程。然后采用一种多向线性变参数(Multi-LPV,MLPV)建模方法对多批次的间歇过程进行建模。再将MLPV模型扩展成状态空间(State space,SS)模型,考虑批次间重复干扰、过程噪声和测量噪声,构造误差系统。最后,设计改进的ILKF方案用于估计误差系统状态,间接得到原状态估计值,实现模型未知间歇过程的状态估计。