[發明專利]一種基于經驗模態分解動態優化的催化劑混合反應控制裝置

有效

• 申請號: 201711116210.7
• 申請日: 2017-11-13
• 公開（公告）號: CN107703899B
• 公開（公告）日: 2019-11-26
• 發明（設計）人: 劉興高;劉平
• 申請（專利權）人: 浙江大學
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 33200 杭州求是專利事務所有限公司
• 代理人: 邱啟旺<國際申請>=<國際公布>=<進入

1.一種基于經驗模態分解動態優化的催化劑混合反應控制裝置，能夠對管式反應器內催化劑混合比率自動控制，以提高目標產品的生產濃度；其特征在于：所述裝置由管式反應器、混合比率傳感器、模數轉換器、現場總線網絡、分散控制系統(DCS)、主控室混合比率與產品濃度狀態顯示、混合比率控制閥門端的數模轉換器、混合比率控制閥門構成；所述控制裝置的運行過程包括：

步驟1)：控制室工程師指定管式反應器的長度、催化劑混合比率限制、反應器反應物的初始濃度狀態、催化劑的初始混合比率信息，設定需要提高濃度的目標產品；

步驟2)：DCS執行內部經驗模態分解動態優化算法，獲得使目標產品濃度最大的催化劑混合比率控制策略；

步驟3)：DCS將得到的催化劑混合比率控制策略轉換為混合比率控制閥門的開度指令，通過現場總線網絡發送給混合比率控制閥門端的數模轉換器，混合比率控制閥門根據收到的開度指令執行相應動作；

步驟4)：混合比率傳感器實時采集反應器反應物濃度，經過模數轉換器后用現場總線網絡回送給DCS，并在主控室內顯示，使控制室工程師隨時掌握生產過程；

所述的DCS，包括信息采集模塊、初始化模塊、動態優化求解模塊、動態優化收斂性判斷模塊、經驗模態分解模塊、參數更新模塊、控制指令輸出模塊；其中信息采集模塊包括管式反應器管長采集、初始濃度和混合比率限制采集、目標產品參數采集三個子模塊；動態優化求解模塊包括微分代數方程組(Ordinary differential equations，簡稱ODE)求解模塊、梯度求解模塊、非線性規劃(Nonlinear programming，簡稱NLP)問題求解模塊三個子模塊；NLP問題求解模塊包括尋優方向求解、尋優步長求解、尋優校正、NLP收斂性判斷四個子模塊；

所述DCS產生混合比率控制閥門開度指令的經驗模態分解動態優化算法，運行步驟如下：

步驟1)：信息采集模塊31獲取工程師指定的管式反應器的長度、需要優化的目標產品參數以及反應物初始濃度和混合比率限制；

步驟2)：初始化模塊32開始運行，將經驗模態分解迭代次數l和動態優化求解迭代次數k置零；采用分段常量參數化，設置反應器管長的分段數為NE，其對應的控制網格為T^(l)，設置催化劑混合比率控制策略的初始猜測值u^(l)，設定NLP問題的計算精度tol₁，動態優化求解算法收斂精度tol₂，動態優化最大迭代次數l_max；

步驟3)：通過動態優化求解模塊33獲取第l次迭代的的控制策略u^(l)和目標函數值φ[u^(l)]；

步驟4)：如果l＝0，直接轉至步驟5)；否則，采用動態優化收斂性判斷模塊34進行收斂性判斷，如果φ[u^(l)]與上一次迭代的目標函數值φ[u^(l-1)]滿足

則判斷滿足收斂條件，將第l次迭代得到的催化劑混合比率控制策略輸出至控制指令輸出模塊37并轉換為混合比率控制閥門開度指令輸出；如果不滿足，則繼續執行步驟5)；此外，如果l＝l_max，無論φ[u^(l)]是否滿足公式(1)，本次迭代得到的催化劑混合比率控制策略都將輸出至控制指令輸出模塊37并轉換為混合比率控制閥門開度指令輸出；

步驟5)：采用經驗模態分解模塊34對步驟3)中獲得的控制策略u^(l)進行經驗模態分解，得到模態分解趨勢項信息，根據得到的趨勢項信息重構控制網格并得到其對應的參數化向量

步驟6)：迭代次數l加1，結合重構后的控制網格和參數化向量更新參數為將更新后的參數值輸入動態優化求解模塊，開始下一次迭代；

所述的動態優化求解模塊，采用如下步驟實現：

步驟1)：結合初始化模塊32或參數更新模塊36提供的參數信息，采用ODE求解模塊38獲取第k次迭代的狀態信息x^(k)(t)和目標函數值J^(k)；

步驟2)：通過梯度求解模塊39獲取本次迭代目標函數梯度信息dJ^(k)；

步驟3)：NLP問題求解模塊40利用步驟1)和2)中獲得的目標函數值和梯度信息，求解尋優方向和尋優步長，并進行尋優修正，獲得比u^(k-1)更優的控制策略u^(k)；

步驟4)：NLP問題求解模塊40運行，通過NLP收斂性判斷模塊進行收斂性判斷，如果J^(k)與上一次迭代的目標函數值J^(k-1)的絕對值之差小于精度tol₁，則判斷收斂性滿足，u^(l)＝u^(k)，φ[u^(l)]＝J^(k)，將本次迭代得到的控制策略u^(l)和目標函數φ[u^(l)]輸出至動態優化收斂性判斷模塊34；如果收斂性不滿足，則繼續執行步驟5)；

步驟5)：NLP問題求解迭代次數k加1，利用步驟3)中得到的控制策略u^(k)采用ODE求解模塊38重新求取狀態信息x^(k)(t)和目標函數值J^(k)，采用梯度求解模塊39重新求解dJ^(k)，執行步驟3)；

所述的ODE求解模塊，采用的是四級五階龍格庫塔方法，求解公式為：

其中，t表示管長，t_i表示龍格庫塔方法選擇的積分節點，積分步長h為0.001，x^(k)(t_i)表示管式反應器反應物在第k次迭代中第t_i節點的狀態信息，F(·)是描述管式反應器中反應的狀態微分方程函數，K₁、K₂、K₃、K₄分別表示龍格庫塔法積分過程中的4個節點的函數值；

所述的梯度求解模塊，采用靈敏度軌跡方程法：

步驟1)：定義第k次迭代的靈敏度軌跡方程Γ^(k)(t)為：

Γ^(k)(t)的求解公式為：

其中，t表示反應器管長，表示第k次迭代中靈敏度軌跡方程對于t的導數，F(u^(k),x^(k)(t),t)是描述反應器反應物的狀態微分方程函數，Γ^(k)(t₀)表示靈敏度軌跡方程在第k次迭代時的初始節點狀態值，x₀表示狀態微分方程函數的初始節點狀態值；

步驟2)：采用四級五階龍格庫塔方法求解靈敏度軌跡方程Γ^(k)(t)在各積分時刻的值，求解公式為：

其中，t表示反應器管長，t_i表示龍格庫塔方法選擇的控制過程中反應器長度節點，h為積分步長，x^(k)(t_i)表示反應器中反應物在第k次迭代中第t_i節點的狀態信息，S(·)是描述靈敏度方程的函數，Q₁、Q₂、Q₃、Q₄分別表示龍格庫塔法積分過程中的4個節點的函數值；

步驟3)：根據得到的狀態信息x^(k)(t)和靈敏度軌跡方程Γ^(k)(t)，求解目標函數的梯度信息dJ^(k)：

其中，Φ(u^(k),x^(k)(t),t_f)表示待優化的產品濃度目標函數；

所述的NLP問題求解模塊，采用如下步驟實現：

步驟1)：將初始化模塊32或者參數更新模塊36提供的催化劑混合比率控制策略u^(k)作為初始值，u^(k)是向量空間中的某個點，記作P₁，P₁對應的目標函數值就是J^(k)；

步驟2)：從點P₁出發，根據選用的NLP算法，根據ODE求解模塊38、梯度求解模塊39得到的點P₁處的目標函數梯度信息dJ^(k)，構造向量空間中的一個尋優方向d^(k)和步長α^(k)；

步驟3)：通過式u^(k+1)＝u^(k)+α^(k)d^(k)構造向量空間中對應u^(k+1)的另外一個點P₂；

步驟4)：采用尋優校正u^(k+1)，得到校正后的點記為點P₃，同時令使得P₃對應的目標函數值J^(k+1)比J^(k)更優；

步驟5)：如果J^(k+1)與上一次迭代的目標函數值J^(k)的絕對值之差小于精度tol₁，則判斷收斂性滿足，令φ[u^(l)]＝J^(k+1)，u^(l)＝u^(k+1)，將本次迭代得到的控制策略u^(l)和目標函數φ[u^(l)]輸出至動態優化收斂性判斷模塊34；如果收斂性不滿足，迭代次數k增加1，將u^(k+1)設置為初始值，繼續執行步驟2)；

所述的經驗模態分解模塊，采用如下步驟實現：

步驟1)：對動態優化求解模塊33得到的控制策略u^(l)采用下式進行分解：

其中c_i是u^(l)的第i個固有模態函數，r_n是u^(l)的趨勢項函數；

步驟2)：根據步驟1)中得到的趨勢項函數r_n計算趨勢變化信息，定義δ_j為向量r_n的第j個元素的趨勢變化值，用下式求解：

δ_k＝r_n,j+1-r_n,j (8)

其中r_n,j表示r_n向量的第j個元素，r_n,j+1表示r_n向量的第j+1個元素；定義為向量r_n的第j個元素左右相鄰元素趨勢變化值，用下式求解：

其中，r_n,j-1表示r_n向量的第j-1個元素，r_n,j表示r_n向量的第j個元素，r_n,j+1表示r_n向量的第j+1個元素；

步驟3)：根據步驟2)中得到的δ_j和進行控制網格重構，定義ε₁為控制網格合并閾值，ε₂為控制網格細分閾值；如果|δ_j|≤ε₁，控制網格T^(l)所對應的兩個網格區間[T_j-1,T_j]和[T_k,T_k+1]將合并為一個網格區間[T_j-1,T_j+1]；如果控制網格T^(l)所對應的網格區間[T_j-1,T_j]將會細分為四個子區間[T_j-1,(3T_j-1+T_j)/4]，[(3T_j-1+T_j)/4,(T_j-1+T_j)/2]，[(T_j-1+T_j)/2,(T_j-1+3T_j)/4]，[(T_j-1+3T_j)/4,T_j]；

步驟4)：根據控制網格重構結果得到重構后的控制網格及其對應的參數化向量

步驟5)：將重構得到的控制網格及其對應的參數化向量輸出至參數更新模塊36。