一種面向工業(yè)系統(tǒng)多工況學(xué)習(xí)的預(yù)測(cè)控制方法和系統(tǒng)
1.本發(fā)明屬于工業(yè)系統(tǒng)預(yù)測(cè)控制領(lǐng)域，具體涉及一種面向工業(yè)系統(tǒng)多工況學(xué)習(xí)的預(yù)測(cè)控制方法和系統(tǒng)。
背景技術(shù)：
2.模型預(yù)測(cè)控制是一種廣泛應(yīng)用于工業(yè)過程的高效控制方法。通常情況下，它建立一個(gè)近似模型去預(yù)測(cè)被控對(duì)象狀態(tài)變化情況。接著利用預(yù)測(cè)的狀態(tài)構(gòu)造優(yōu)化問題，結(jié)合在線滾動(dòng)優(yōu)化技術(shù)得到最優(yōu)控制結(jié)果。同時(shí)，大部分mpc方法通常使用多步預(yù)測(cè)以此更好的跟蹤對(duì)象的動(dòng)態(tài)變化情況。在這種情況下，mpc可以不斷更新控制結(jié)果，最終實(shí)現(xiàn)有效優(yōu)化與精準(zhǔn)控制。
3.然而，隨著信息與通信技術(shù)的不斷發(fā)展，工業(yè)系統(tǒng)集成了先進(jìn)的計(jì)算、通信、控制技術(shù)以組成icps系統(tǒng)，這讓工業(yè)過程變得復(fù)雜、高度耦合與規(guī)模龐大。除此之外，外部環(huán)境的變化，如原料波動(dòng)、生產(chǎn)負(fù)荷與市場需求的變化等，加大了生產(chǎn)過程的不確定性。這些因素導(dǎo)致了工業(yè)過程中存在多種不同的運(yùn)行工況。例如，對(duì)于鋅冶煉焙燒過程，其運(yùn)行狀況通常受到運(yùn)行溫度、原料組分等因素影響。當(dāng)這些因素發(fā)生變化時(shí)，會(huì)產(chǎn)生不同的運(yùn)行工況，如高效工況、低耗工況等。不同工況下，系統(tǒng)的輸入輸出關(guān)系往往是不同的。對(duì)于不同工況下的控制問題，如果不能及時(shí)更新模型并切換控制策略，會(huì)降低系統(tǒng)的穩(wěn)定性，甚至造成嚴(yán)重的生產(chǎn)事故與損失。因此，解決工業(yè)過程中多工況控制問題是十分重要的。
4.目前，大部分多工況控制方法采用多模型架構(gòu)，為被控對(duì)象的每個(gè)工況單獨(dú)建立一個(gè)預(yù)測(cè)模型，并設(shè)計(jì)決策單元，辨識(shí)工況的變化情況，及時(shí)切換控制策略，保證被控對(duì)象平穩(wěn)運(yùn)行。zheng等人從機(jī)理層面分析水輪發(fā)電機(jī)不同工況的動(dòng)態(tài)特性，為每個(gè)工況分別設(shè)計(jì)控制策略；為了解決靈活微型智能電網(wǎng)的多工況操作問題，zhang等人建立三級(jí)分層架構(gòu)，提升了電網(wǎng)的傳輸效率；針對(duì)外部供熱條件變化導(dǎo)致家用熱水存儲(chǔ)箱運(yùn)行工況多變的問題，huang等人提出一種多工況控制方法，保證了存儲(chǔ)箱水溫恒定，提升了整個(gè)供熱系統(tǒng)的效率與供應(yīng)能力。上述的多工況控制方法在不同領(lǐng)域取得了一定效果，然而，這些方法仍存在一些局限性。首先，這些方法需要為每個(gè)工況設(shè)計(jì)獨(dú)立的預(yù)測(cè)與控制模型。隨著工業(yè)過程的運(yùn)行，當(dāng)工況數(shù)量不斷增加時(shí)，會(huì)顯著增加這些方法的訓(xùn)練與部署成本。其次，這些方法的控制性能嚴(yán)重依賴決策模塊。在實(shí)際工業(yè)過程中，運(yùn)行工況往往復(fù)雜多變，各個(gè)工況之間相互混疊與耦合的情況嚴(yán)重。這些因素導(dǎo)致決策模塊無法準(zhǔn)確辨識(shí)工況變化情況，進(jìn)而降低了控制方法的性能。要克服決策模塊對(duì)多工況控制的影響，一種可行的方法是利用單個(gè)預(yù)測(cè)模型精確跟蹤各個(gè)工況下被控對(duì)象的變化情況，這樣無需借助決策模塊進(jìn)行模型切換。因此，如何利用單個(gè)模型解決多工況預(yù)測(cè)問題逐漸成為學(xué)術(shù)界與工業(yè)界的研究重點(diǎn)。
5.隨著機(jī)器智能的不斷發(fā)展，深度學(xué)習(xí)已經(jīng)成為了學(xué)術(shù)界關(guān)注的焦點(diǎn)。深度學(xué)習(xí)來源于人腦研究成果。人腦研究表面，大腦的認(rèn)知過程依賴于知識(shí)積累與無監(jiān)督特征提取。當(dāng)利用具有復(fù)雜特征的大數(shù)據(jù)建模時(shí)，深度學(xué)習(xí)發(fā)揮性能比現(xiàn)有方法更為優(yōu)異。基于深度學(xué)習(xí)強(qiáng)大的表示能力，越來越多的學(xué)者開始將mpc與深度學(xué)習(xí)結(jié)合，提出了深度模型預(yù)測(cè)控
1),...,u(t-lu)]表示歷史控制變量序列，lu表示控制變量的遲滯因子；y
p
＝[y(t),y(t-1),...,y(t-ly)]表示歷史控制輸出序列，ly表示控制輸出遲滯因子；r(t)＝[r(t+1),r(t+2),...,r(t+t
p
)]表示穩(wěn)定跟蹤給定值序列；表示預(yù)測(cè)被控對(duì)象未來多個(gè)時(shí)刻控制輸出序列；u(t)＝[u(t),u(t+1),...,u(t+t
c-1)]表示求解優(yōu)化問題后得到的下一時(shí)間以后的控制變量序列；δu(t)＝[δu(t),δu(t+1),...,δu(t+t
c-1)]表示下一時(shí)間以后的控制變量增量序列，用來描述每個(gè)控制變量的變化差值；t
p
,tc分別表示預(yù)測(cè)步長與控制步長；g(
·
)表示基于lstm的預(yù)測(cè)模型；u
max
,u
min
表示控制變量的上限與下限，用于約束控制變量的輸出范圍；表示預(yù)測(cè)模型輸出的上限與下限，用于約束預(yù)測(cè)模型輸出范圍；δu
max
表示控制變量最大變化范圍，保證控制變量不會(huì)大范圍變動(dòng)。
[0023]
進(jìn)一步地，采用改進(jìn)學(xué)習(xí)率的梯度下降方法求解滾動(dòng)控制優(yōu)化問題，具體為：
[0024]
首先，利用梯度下降方法表示為：
[0025]uk+1
(t)＝uk(t)+δuk(t)
[0026][0027]
η
′1＝η1e-αk
[0028]
其中，η
′1＞0是更新控制變量的改進(jìn)后的學(xué)習(xí)率，η1為改進(jìn)前的學(xué)習(xí)率；α為每次迭代的衰減率，k為迭代的次數(shù)；
[0029]
然后，將目標(biāo)函數(shù)j(t)對(duì)于控制變量u(t)的導(dǎo)數(shù)改寫為：
[0030][0031]
再按照下列表達(dá)式計(jì)算雅克比矩陣
[0032][0033]
最終，按照下式更新控制變量：
[0034][0035]
一種面向工業(yè)系統(tǒng)多工況學(xué)習(xí)的預(yù)測(cè)控制系統(tǒng)，包括存儲(chǔ)器及處理器，所述存儲(chǔ)
器中存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)，使得所述處理器實(shí)現(xiàn)上述任一項(xiàng)所述的面向工業(yè)系統(tǒng)多工況學(xué)習(xí)的預(yù)測(cè)控制方法。
[0036]
有益效果
[0037]
本發(fā)明可以實(shí)現(xiàn)工業(yè)系統(tǒng)多工況運(yùn)行優(yōu)化控制。相比傳統(tǒng)多模型控制，本發(fā)明利用單個(gè)lstm網(wǎng)絡(luò)模型提取被控對(duì)象不同工況的運(yùn)行特性，建立預(yù)測(cè)模型，實(shí)現(xiàn)被控對(duì)象的多工況特性的表征，從而精確預(yù)測(cè)不同工況下被控對(duì)象的輸出。而且減少模型數(shù)量，提升運(yùn)行效率。另一方面，針對(duì)模型預(yù)測(cè)控制優(yōu)化問題，本發(fā)明改進(jìn)的梯度下降法，能更快到最優(yōu)控制律，實(shí)現(xiàn)被控對(duì)象多工況下的精準(zhǔn)控制，增強(qiáng)被控工業(yè)系統(tǒng)的穩(wěn)定性。
附圖說明
[0038]
圖1是本技術(shù)實(shí)施例所述lstm網(wǎng)絡(luò)架構(gòu)；
[0039]
圖2是本技術(shù)實(shí)施例所述模型預(yù)測(cè)控制基本框圖。
具體實(shí)施方式
[0040]
下面對(duì)本發(fā)明的實(shí)施例作詳細(xì)說明，本實(shí)施例以本發(fā)明的技術(shù)方案為依據(jù)開展，給出了詳細(xì)的實(shí)施方式和具體的操作過程，對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步解釋說明。
[0041]
焙燒爐系統(tǒng)狀態(tài)的輸出包括爐內(nèi)溫度、出口二氧化硫濃度、出口焙砂鋅含量等。根據(jù)現(xiàn)場工人經(jīng)驗(yàn)，為保證冶煉焙燒爐系統(tǒng)高水平運(yùn)行，在實(shí)際生產(chǎn)過程中，焙燒爐系統(tǒng)控制的核心目標(biāo)是給定溫度設(shè)定值，保證焙燒溫度穩(wěn)定在設(shè)定值附近。要實(shí)現(xiàn)對(duì)爐內(nèi)溫度的調(diào)節(jié)，主要是通過改變?nèi)肟谶M(jìn)料量和鼓風(fēng)量。焙燒爐運(yùn)行過程中受到外部進(jìn)料量和鼓風(fēng)量的影響，會(huì)存在4種典型運(yùn)行工況：正常工況、過分解、欠氧化和燒結(jié)。不同運(yùn)行工況會(huì)對(duì)控制效果產(chǎn)生不同程度的影響。為解決多運(yùn)行工況帶來的控制問題，本實(shí)施例提供一種面向工業(yè)系統(tǒng)多工況學(xué)習(xí)的預(yù)測(cè)控制方法，應(yīng)用于具有多工況頻繁變化的鋅冶煉焙燒過程中的爐內(nèi)溫度的預(yù)測(cè)控制。
[0042]
本實(shí)施例中的焙燒爐運(yùn)行溫度作為一種被控動(dòng)態(tài)系統(tǒng)，可以表示為以下差分形式：
[0043]
y(t+1)＝f(y(t),u(t)),y(t0)＝y(tǒng)(0)
???????
(1)
[0044]
其中，u(t)∈rn為控制變量輸入，對(duì)應(yīng)焙燒爐入口進(jìn)料量與鼓風(fēng)量；y(t)＝[y1,y2,...,ym]為系統(tǒng)狀態(tài)輸出，對(duì)應(yīng)焙燒爐運(yùn)行溫度；m和n分別是輸出向量和輸入向量的維度，f(
·
)是描述動(dòng)態(tài)系統(tǒng)的函數(shù)。通常情況，由于鋅冶煉焙燒過程環(huán)境復(fù)雜，工況變化頻繁，尋一個(gè)準(zhǔn)確的f(
·
)反應(yīng)系統(tǒng)的變化情況非常困難。因此，整個(gè)鋅冶煉焙燒爐系統(tǒng)被認(rèn)為是一個(gè)黑箱。多工況控制問題就是尋一種高效的控制方法，確保系統(tǒng)的輸出在不同工況下，能準(zhǔn)確跟蹤給定溫度設(shè)定值r(t)。為了更好的研究多工況控制問題，以下的兩個(gè)假設(shè)條件被提出：
[0045]
假設(shè)1：被控對(duì)象為慢變化過程，其運(yùn)行工況切換具有時(shí)滯性，即工況從一個(gè)轉(zhuǎn)換為另一個(gè)是緩慢變化的，通常需要花費(fèi)數(shù)個(gè)小時(shí)，且在變化過程不存在大幅度波動(dòng)。
[0046]
假設(shè)2：對(duì)于每個(gè)工況，控制量u的范圍保持恒定，即ui∈[u
min
,u
max
],i＝1,2,...,k,ui表示工況i下的控制量。
[0047]
通常情況下，上述的假設(shè)基本滿足多數(shù)實(shí)際工業(yè)過程。當(dāng)外部環(huán)境改變時(shí)，由于工
業(yè)系統(tǒng)存在耦合性與大時(shí)滯特性，工況變化是一個(gè)緩慢的過程。因此，假設(shè)1是合理的。對(duì)于假設(shè)2，可以通過分析工業(yè)過程實(shí)際控制過程進(jìn)行解釋。在工業(yè)現(xiàn)場，控制指令的最終執(zhí)行單元通常是位于不同節(jié)點(diǎn)的閥門，通過改變閥門的開度，間接改變被控變量。對(duì)于多數(shù)閥門，其操作范圍是固定的，不會(huì)因?yàn)榄h(huán)境的變化發(fā)生改變，這讓假設(shè)2是可以接受的。基于上述假設(shè)，本發(fā)明提出一種面向工業(yè)系統(tǒng)多工況學(xué)習(xí)的預(yù)測(cè)控制方法，利用lstm網(wǎng)絡(luò)精確預(yù)測(cè)被控對(duì)象在不同工況下的輸出，并設(shè)計(jì)自適應(yīng)梯度下降方法求解優(yōu)化問題，實(shí)現(xiàn)被控對(duì)象穩(wěn)定控制。
[0048]
本實(shí)施例提出的一種面向工業(yè)系統(tǒng)多工況學(xué)習(xí)的預(yù)測(cè)控制方法，應(yīng)用于具有多工況頻繁變化的鋅冶煉焙燒過程中的爐內(nèi)溫度的預(yù)測(cè)控制，即被控對(duì)象為爐內(nèi)運(yùn)行溫度，控制變量為焙燒入口進(jìn)料量和鼓風(fēng)量，具體包括以下步驟：
[0049]
步驟1，獲取工業(yè)系統(tǒng)當(dāng)前工況下的穩(wěn)定跟蹤給定值序列r(t)，獲取工業(yè)系統(tǒng)被控對(duì)象在最近時(shí)間t-1以前的歷史控制變量序列u
p
(t)和最近時(shí)間t-1以前的歷史控制輸出序列y
p
(t)。
[0050]
步驟2，使用訓(xùn)練好的基于lstm的預(yù)測(cè)模型，根據(jù)歷史控制變量序列u
p
(t)和被控對(duì)象的歷史控制輸出序列y
p
(t)，預(yù)測(cè)被控對(duì)象在未來多個(gè)時(shí)刻的控制輸出序列
[0051]
lstm網(wǎng)絡(luò)的架構(gòu)圖如圖1所示。在lstm網(wǎng)絡(luò)中，一個(gè)記憶模塊包含了三種特殊的門控單元：輸入門、遺忘門、輸出門。輸入門i
t
決定了多少新來的信息能作用在當(dāng)前狀態(tài)上。遺忘門f
t
決定了多少來自之前單元的信息將被遺忘，這確保了每個(gè)記憶模塊中的數(shù)值不會(huì)無邊界的增長。輸出門o
t
通過狀態(tài)篩選，決定了輸出到下一個(gè)單元的具體信息情況。lstm網(wǎng)絡(luò)在訓(xùn)練的過程中將逐漸學(xué)到歷史輸入序列x與預(yù)測(cè)輸出序列y＝[y1,y2,...,y
t
]之間的映射關(guān)系，其中t表示預(yù)測(cè)的步長。
[0052]
首先，輸入門決定了多少新來的信息將被存儲(chǔ)在記憶模塊中。
[0053]it
＝σ(wi·
[h
t-1
,x
t
]+bi)
??????????
(2)
[0054][0055]
接著，遺忘門將決定哪些信息將被剔除
[0056]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)
????????????????
(4)
[0057]
通過去除部分舊單元中的信息與引入新來的狀態(tài)信息，舊的記憶單元狀態(tài)c
t-1
可以更新為新的狀態(tài)c
t
[0058][0059]
最終，利用輸出門對(duì)信息進(jìn)行篩選，最終的輸入y能通過以下方法得到
[0060]ot
＝σ(wo·
[h
t-1
,x
t
]+bo)
???????????????????????????????????
(6)
[0061]ht
＝o
t
⊙
tanh(c
t
)
???????????????????????????????????????
(7)
[0062]yt
＝φ(w
yht
+by)
????????????????????????????????????????
(8)
[0063]
其中，c
t
是單元狀態(tài)，表示更新的狀態(tài)，h
t
表示隱藏層狀態(tài)，也就是記憶模塊的輸出，wi,wf,wc,wo,wy表示對(duì)應(yīng)的權(quán)值矩陣，bi,bf,bc,bo,by表示對(duì)應(yīng)的偏差向量。這些參數(shù)都能在lstm網(wǎng)絡(luò)訓(xùn)練過程中通過反向傳播機(jī)制予以確認(rèn)。另外，σ(.)和tanh(.)分別表示sigmoid函數(shù)與雙曲正切函數(shù)，
⊙
表示向量中的元素對(duì)應(yīng)相乘，φ表示網(wǎng)絡(luò)輸出層的激活函
數(shù)。利用lstm網(wǎng)絡(luò)記憶機(jī)制，能有效提取時(shí)序特性，實(shí)現(xiàn)多工況下被控對(duì)象變化情況的精準(zhǔn)跟蹤，為后續(xù)優(yōu)化控制奠定基礎(chǔ)。
[0064]
lstm網(wǎng)絡(luò)具有獨(dú)特的記憶模塊，可以提取每個(gè)工況的特征。同時(shí)，lstm網(wǎng)絡(luò)的輸入包含當(dāng)前時(shí)刻與過去時(shí)刻的狀態(tài)。當(dāng)工況發(fā)生變化時(shí)，過去時(shí)刻狀態(tài)的變化導(dǎo)致網(wǎng)絡(luò)輸入變化，進(jìn)而觸發(fā)lstm遺忘門機(jī)制，僅使用與當(dāng)前工況相關(guān)的特征。最終，lstm網(wǎng)絡(luò)實(shí)現(xiàn)了不同工況之間的自主切換，準(zhǔn)確預(yù)測(cè)被控對(duì)象的輸出。利用lstm網(wǎng)絡(luò)，不僅減少了模型數(shù)量，還無需借助額外的決策模塊，增強(qiáng)了預(yù)測(cè)魯棒性，為多工況精準(zhǔn)控制奠定了基礎(chǔ)。
[0065]
步驟3，根據(jù)被控對(duì)象在未來多個(gè)時(shí)刻的預(yù)測(cè)控制輸出序列和工業(yè)系統(tǒng)當(dāng)前工況下的穩(wěn)定跟蹤給定值序列r(t)，采用自適應(yīng)梯度下降方法求解基于模型預(yù)測(cè)控制的滾動(dòng)控制優(yōu)化問題，獲得預(yù)測(cè)被控對(duì)象在下一時(shí)間t以后的控制變量序列u(t)。
[0066]
模型預(yù)測(cè)控制的原理是利用已經(jīng)訓(xùn)練好的預(yù)測(cè)模型，通過在線優(yōu)化，尋一個(gè)合適的控制信號(hào)序列u(t)，讓系統(tǒng)的輸出盡可能的跟蹤設(shè)定值序列r(t)。因此，在本發(fā)明實(shí)施例中，參考圖2所示，模型預(yù)測(cè)控制的優(yōu)化問題與約束條件可以寫為以下形式：
[0067][0068]
約束條件為
[0069][0070]
其中a和b是控制權(quán)重參數(shù)，用于表示不同優(yōu)化目標(biāo)的重要性；u
p
(t)＝[u(t),u(t-1),...,u(t-lu)]表示歷史控制變量序列，lu表示控制變量的遲滯因子；y
p
＝[y(t),y(t-1),...,y(t-ly)]表示歷史控制輸出序列，ly表示控制輸出遲滯因子；r(t)＝[r(t+1),r(t+2),...,r(t+t
p
)]表示穩(wěn)定跟蹤給定值序列；表示預(yù)測(cè)被控對(duì)象未來多個(gè)時(shí)刻控制輸出序列；u(t)＝[u(t),u(t+1),...,u(t+t
c-1)]表示求解優(yōu)化問題后得到的下一時(shí)間以后的控制變量序列；δu(t)＝[δu(t),δu(t+1),...,δu(t+t
c-1)]表示下一時(shí)間以后的控制變量增量序列，用來描述每個(gè)控制變量的變化差值；t
p
,tc分別表示預(yù)測(cè)步長與控制步長；g(
·
)表示基于lstm的預(yù)測(cè)模型；u
max
,u
min
表示控制變量的上限與下限，用于約束控制變量的輸出范圍；表示預(yù)測(cè)模型輸出的上限與下限，用于約束預(yù)測(cè)模型輸出范圍；δu
max
表示控制變量最大變化范圍，保證控制變量不會(huì)大范圍變動(dòng)。
[0071]
對(duì)于上述優(yōu)化問題，可以利用梯度下降法進(jìn)行求解：
[0072][0073]
其中η1＞0是更新控制變量的學(xué)習(xí)率，k表示迭代步數(shù)。目標(biāo)函數(shù)j(t)對(duì)于控制變量uk(t)的導(dǎo)數(shù)可以改寫為：
[0074][0075]
因此，(11)式可以改寫為
[0076][0077]
最終，控制律u(t+1)的更新表達(dá)式可以寫為
[0078][0079]
觀察(14)式，可以發(fā)現(xiàn)在線求解控制優(yōu)化問題的關(guān)鍵是計(jì)算預(yù)測(cè)模型輸出關(guān)于控制變量uk(t)的導(dǎo)數(shù)。因?yàn)楸豢貙?duì)象的輸出與uk(t)有直接聯(lián)系，同時(shí)uk(t)也是預(yù)測(cè)模型的輸入，所以直接計(jì)算雅克比矩陣是可行的，雅克比矩陣的計(jì)算如下式所示
[0080][0081]
為了加快優(yōu)化過程，本實(shí)施例采用一種改進(jìn)的自適應(yīng)梯度下降方法。該方法利用自然指數(shù)，隨著迭代優(yōu)化過程的進(jìn)行，將學(xué)習(xí)率不斷衰減，加快優(yōu)化問題的收斂速度。學(xué)習(xí)率衰減形式如下所示：
[0082]
η1'＝η1e-αk
???????????
(16)
[0083]
其中，α為每次迭代的衰減率，k為迭代的次數(shù)。
[0084]
利用lstm網(wǎng)絡(luò)預(yù)測(cè)模型與(9)式目標(biāo)函數(shù)，能求解優(yōu)化問題u(t)＝argmin
u(t)
j(t)在每個(gè)時(shí)刻的控制變量序列u(t)。選取u(t)的第一項(xiàng)作為被控對(duì)象的輸入，確保系統(tǒng)狀態(tài)輸出序列y(t)能在不同工況下穩(wěn)定跟蹤給定設(shè)定值序列r(t)，增強(qiáng)系統(tǒng)運(yùn)行的穩(wěn)定性。
[0085]
本實(shí)施例提出方法的總體過程如下表所示：
[0086]
表1：lstm-mpc控制方法
[0087][0088]
本發(fā)明可以實(shí)現(xiàn)工業(yè)系統(tǒng)多工況運(yùn)行優(yōu)化控制。相比傳統(tǒng)多模型控制，本發(fā)明利用單個(gè)lstm網(wǎng)絡(luò)模型提取被控對(duì)象不同工況的運(yùn)行特性，建立預(yù)測(cè)模型，實(shí)現(xiàn)被控對(duì)象的多工況特性的表征，從而精確預(yù)測(cè)不同工況下被控對(duì)象的輸出。而且減少模型數(shù)量，提升運(yùn)行效率。另一方面，針對(duì)模型預(yù)測(cè)控制優(yōu)化問題，本發(fā)明改進(jìn)的梯度下降法，能更快到最優(yōu)控制律，實(shí)現(xiàn)被控對(duì)象多工況下的精準(zhǔn)控制，增強(qiáng)被控工業(yè)系統(tǒng)的穩(wěn)定性。
[0089]
以上實(shí)施例為本技術(shù)的優(yōu)選實(shí)施例，本領(lǐng)域的普通技術(shù)人員還可以在此基礎(chǔ)上進(jìn)行各種變換或改進(jìn)，在不脫離本技術(shù)總的構(gòu)思的前提下，這些變換或改進(jìn)都應(yīng)當(dāng)屬于本技術(shù)要求保護(hù)的范圍之內(nèi)。
技術(shù)特征：
1.一種面向工業(yè)系統(tǒng)多工況學(xué)習(xí)的預(yù)測(cè)控制方法，其特征在于，包括：獲取工業(yè)系統(tǒng)當(dāng)前工況下的穩(wěn)定跟蹤給定值序列r(t)，獲取工業(yè)系統(tǒng)被控對(duì)象在最近時(shí)間t-1以前的歷史控制變量序列u
p
(t)和最近時(shí)間t-1以前的歷史控制輸出序列y
p
(t)；使用訓(xùn)練好的基于lstm的預(yù)測(cè)模型，根據(jù)歷史控制變量序列u
p
(t)和被控對(duì)象的歷史控制輸出序列y
p
(t)，預(yù)測(cè)被控對(duì)象在未來多個(gè)時(shí)刻的控制輸出序列根據(jù)被控對(duì)象在未來多個(gè)時(shí)刻的預(yù)測(cè)控制輸出序列和工業(yè)系統(tǒng)當(dāng)前工況下的穩(wěn)定跟蹤給定值序列r(t)，采用自適應(yīng)梯度下降方法求解基于模型預(yù)測(cè)控制的滾動(dòng)控制優(yōu)化問題，獲得預(yù)測(cè)被控對(duì)象在下一時(shí)間t以后的控制變量序列u(t)。2.根據(jù)權(quán)利要求1所述的面向工業(yè)系統(tǒng)多工況學(xué)習(xí)的預(yù)測(cè)控制方法，其特征在于，被控對(duì)象在不同工況切換時(shí)具有時(shí)滯性。3.根據(jù)權(quán)利要求1所述的面向工業(yè)系統(tǒng)多工況學(xué)習(xí)的預(yù)測(cè)控制方法，其特征在于，所述被控對(duì)象為焙燒爐運(yùn)行溫度，控制變量為焙燒爐入口進(jìn)料量和鼓風(fēng)量。4.根據(jù)權(quán)利要求1所述的面向工業(yè)系統(tǒng)多工況學(xué)習(xí)的預(yù)測(cè)控制方法，其特征在于，所述工業(yè)過程為鋅冶煉焙燒過程。5.根據(jù)權(quán)利要求1所述的面向工業(yè)系統(tǒng)多工況學(xué)習(xí)的預(yù)測(cè)控制方法，其特征在于，所述滾動(dòng)控制優(yōu)化問題的目標(biāo)函數(shù)為：約束條件為：|δu(t)|≤δu
max
u
min
≤u(t)≤u
max
其中，a,b為權(quán)重參數(shù)，用于表示不同優(yōu)化目標(biāo)的重要性；u
p
(t)＝[u(t),u(t-1),...,u(t-l
u
)]表示歷史控制變量序列，l
u
表示控制變量的遲滯因子；y
p
＝[y(t),y(t-1),...,y(t-l
y
)]表示歷史控制輸出序列，l
y
表示控制輸出遲滯因子；r(t)＝[r(t+1),r(t+2),...,r(t+t
p
)]表示穩(wěn)定跟蹤給定值序列；表示預(yù)測(cè)被控對(duì)象未來多個(gè)時(shí)刻控制輸出序列；u(t)＝[u(t),u(t+1),...,u(t+t
c-1)]表示求解優(yōu)化問題后得到的下一時(shí)間以后的控制變量序列；δu(t)＝[δu(t),δu(t+1),...,δu(t+t
c-1)]表示下一時(shí)間以后的控制變量增量序列，用來描述每個(gè)控制變量的變化差值；t
p
,t
c
分別表示預(yù)測(cè)步長與控制步長；g(
·
)表示基于lstm的預(yù)測(cè)模型；u
max
,u
min
表示控制變量的上限與下限，用于約束控制變量的輸出范圍；表示預(yù)測(cè)模型輸出的上限與下限，用于約束預(yù)測(cè)模型輸出范圍；δu
max
表示控制變量最大變化范圍，保證控制變量不會(huì)大范圍變動(dòng)。6.根據(jù)權(quán)利要求5所述的面向工業(yè)系統(tǒng)多工況學(xué)習(xí)的預(yù)測(cè)控制方法，其特征在于，采用改進(jìn)學(xué)習(xí)率的梯度下降方法求解滾動(dòng)控制優(yōu)化問題，具體為：首先，利用梯度下降方法表示為：
u
k+1
(t)＝u
k
(t)+δu
k
(t)η'1＝η1e-αk
其中，η'1＞0是更新控制變量的改進(jìn)后的學(xué)習(xí)率，η1為改進(jìn)前的學(xué)習(xí)率；α為每次迭代的衰減率，k為迭代的次數(shù)；然后，將目標(biāo)函數(shù)j(t)對(duì)于控制變量u(t)的導(dǎo)數(shù)改寫為：再按照下列表達(dá)式計(jì)算雅克比矩陣再按照下列表達(dá)式計(jì)算雅克比矩陣最終，按照下式更新控制變量：7.一種面向工業(yè)系統(tǒng)多工況學(xué)習(xí)的預(yù)測(cè)控制系統(tǒng)，包括存儲(chǔ)器及處理器，所述存儲(chǔ)器中存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)，使得所述處理器實(shí)現(xiàn)如權(quán)利要求1～6中任一項(xiàng)所述的方法。
技術(shù)總結(jié)
本發(fā)明公開了一種面向工業(yè)系統(tǒng)多工況學(xué)習(xí)的預(yù)測(cè)控制方法和系統(tǒng)，方法包括：獲取工業(yè)系統(tǒng)當(dāng)前工況下的穩(wěn)定跟蹤給定值序列R(t)，獲取工業(yè)系統(tǒng)被控對(duì)象在最近時(shí)間以前的歷史控制變量序列U
