批量生产过程的抗扰辨识与带约束鲁棒迭代学习控制设计

For chemical and industrial batch processes, state-space model identification methods will be studied to deal with the presence of continuous or periodic type load disturbances, so as to overcome the incapability of the existing model identification methods for such cases. For the presence of nonrandom type load disturbances, on-line recursive identification algorithms that can guarantee the uniform convergence on estimating the plant state-space or transfer function model parameters will be studied, and piecewise model identification methods will be explored for nonlinear processes. For batch processes subject to the plant input and output constraints, based on the identified plant model description, iterative learning control (ILC) methods that can comply with these constraints will be studied to realize perfect tracking of the desired output trajectory or the minimum-error tracking performance, and robust ILC methods of the minimum-conservativeness type will be studied for batch processes involved with time delay response and time-varying load disturbances. The developed methods will be applied for demonstration through batch processes such as jacketed crystallization reactors and phenol distillation apparatus etc. The project results will give some new methods relating to model identification against disturbance and robust ILC with constraints, which will further enrich the existing theories on industrial system identification and ILC, and have practical reference value and application merits to improve the control technology level for chemical and industrial batch production technologies and related state-of-the-art manufacturing industries.

针对化工批量生产过程存在连续性或周期性负载干扰的情况，研究抗扰辨识状态空间模型的方法，从而克服现有的模型辨识方法不适用于这样工况的缺点。对于存在非随机性负载干扰的情况，研究能够一致收敛估计对象状态空间或传递函数模型参数的在线递推辨识算法，并且探讨分段线性化辨识建模非线性生产过程的方法。对于带有输入和输出约束的批量生产过程，基于辨识得到的对象模型描述，研究能满足这些约束条件的迭代学习控制方法，以实现完全跟踪期望输出轨迹或最小误差跟踪性能，并且针对含有时滞响应以及时变性负载干扰的情况，研究具有最小保守性的鲁棒迭代学习控制方法。所得出的研究方法针对夹套式结晶反应釜和苯酚分馏装置等批量生产过程进行应用验证。本项目成果将给出抗扰辨识模型和带约束鲁棒迭代学习控制的一些新方法，进一步丰富现有的工业系统辨识和迭代学习控制理论，对于提高化工批量生产工艺和有关先进制造业的控制技术水平具有实际参考和应用价值。

化工和冶金生产过程普遍存在由原料供给和产物输出操作、以及负载变化等引起的干扰。如何抗扰辨识建模是过程控制领域的挑战性问题。对于批量生产过程，如何克服随时间和批次变化的过程不确定性，以实现鲁棒控制和批次运行优化，亦是有待于解决的难题。围绕这些工程问题与挑战，本项目取得了一批具有原创性的研究成果，主要包括：(i) 建立了抗扰辨识时滞响应过程和非线性过程动态特性的新理论，给出了无偏估计状态空间模型参数矩阵和传递函数模型参数的充分或充要条件; (ii) 提出一种基于新息估计和正交投影的闭环系统状态空间模型辨识方法，给出了一致估计的充分条件。针对受慢时变扰动影响的闭环生产系统，建立了基于输出预测误差的自适应遗忘因子递归最小二乘法; (iii) 对于具有时滞响应的积分型动态过程，通过引入一个微分器预滤波激励信号，克服了不能采用持续激励信号直接测试积分型对象的难题，给出了能辨识带有整数型时滞参数的输出误差模型(OEM)的方法；(iv) 针对时滞响应生产过程，提出了一种新颖的时滞预估器设计方法，可以用于鲁棒估计开环稳定型、积分型、以及不稳定型过程的无时滞输出响应。由此提出了基于时滞预估器的新型二自由度控制方法，能显著提高控制性能；(v) 针对带有时滞响应的批量生产过程，提出了基于无时滞系统状态响应预测的鲁棒迭代学习控制方法；(vi) 针对带有时变不确定性的批量生产过程，基于常用的PI控制闭环结构，提出了基于调节闭环系统设定点的间接型迭代学习控制方法，能显著提高闭环控制系统批次运行性能。这些成果成功用于结晶反应釜和工业注塑机等。合计发表论文38篇，其中17篇发表于SCI检索国际控制期刊，包括Automatica和IEEE 汇刊论文4篇。申请国家发明专利5项。应邀在国内外控制会议做两次大会报告和两次特邀专题报告。荣获2017年中国自动化学会自然科学二等奖、2017年中国过程控制会议优秀论文奖。