动态数据驱动的间歇过程综合学习型优化控制

间歇过程因其能够满足现代过程工业的特点和要求而被广泛采用，但间歇过程具有很强的非线性及动态特性，这些特性决定了间歇过程控制要比连续过程控制复杂，需要新的非传统的技术。如何将具有离散时间特征（批次轴）和连续时间特征（时间轴）的信息统一在同一个模型和控制系统框架下是间歇过程优化控制中面临的挑战。本项目引入动态数据驱动模式，建立间歇过程批次轴-时间轴综合数据驱动模型。在此基础上，重点研究间歇过程的学习型控制算法，包括批次轴上的优化性能函数分析、基于性能指标的智能学习控制律、最优求解问题以及时间轴上的实时预测控制问题，从而提出批次轴-时间轴综合优化与协同设计方法，弥补当前研究工作中单纯研究批次轴上前向控制或单纯研究时间轴上反馈控制的欠缺，为间歇过程的优化控制提供新思路。这不仅在理论上具有先进性，也为间歇过程的应用研究提供有效的理论与实践依据。

为满足现代社会瞬息万变的市场要求，现代过程工业正逐渐由生产大批量、通用性的基础材料向既生产基础材料又生产小批量、多品种、系列化、高附加值的专业产品发展。间歇过程具有小批量、多品种、系列化、合成步骤复杂、技术密集等特点，能够满足现代过程工业的特点和要求。间歇过程控制要比连续过程控制复杂，需要新的非传统的技术。.本项目研究主要是以提高产品的质量、产量或缩短运行时间等为目标，目标的实现由最佳操作轨线来保证。项目开展了基于数据的间歇生产过程综合学习型优化控制研究，从间歇过程具有较强非线性、动特性、多工作点等特点出发，充分利用了间歇过程有利于控制的一些特性，以神经模糊、迭代学习、粒子群等先进技术为理论基础，建立了间歇过程的动态预测模型及其算法，设了计基于神经模糊技术的间歇过程学习型优化控制算法，进行了相应的稳定性理论分析研究，并提出了一套高质量的间歇过程批次轴-时间轴综合学习型优化控制仿真系统，为间歇过程建模与控制提供了有效的理论与实践依据。.此外，利用本项目课题组培养了间歇过程优化控制方向研究生7名，其中4名已获得硕士学位，发表论文22篇，其中有7篇为SCI源刊论文，9篇EI收录。登记软件著作权1项。.已按原定指标按时完成了项目，主要研究成果如下：.1)根据间歇过程具有重复性的特性，提出一种新颖的动态神经模糊模型，引入时变权重的概念，从而使模型的结构中蕴含了间歇过程重复性的特性；.2)利用间歇过程具有重复性的特征，提出了一种基于模型误差概率密度函数控制的时变神经模糊模型； .3)将基于辅助误差模型和误差概率密度函数为辨识准则的混合学习算法引入到神经模糊模型中，通过辅助误差模型构造出一个虚拟的自适应控制系统，利用概率密度函数控制来解决神经模糊模型中的辨识问题；.4)提出一种变R调节迭代学习控制算法，借鉴经典控制理论定义了有界跟踪和零跟踪概念，以此研究了能够让系统输出误差达到零跟踪的迭代学习控制策略，并严格地证明了算法的稳定性；.5)提出一种基于微粒群算法的间歇过程多目标优化控制方法，引入了点间相似度概念，用相似度求取微粒的全局最优解gbest，从而使得微粒群算法具有了同时求解多个目标的能力；.6)提出基于模型在线修正的间歇过程综合学习型优化控制，通过模型的在线修正不断提高模型精度，实现批次轴-时间轴的协同设计，并对算法的收敛性给出了严格的数学分析。