数据与模型融合驱动的间歇聚合过程学习控制

近年来，为适应多品种、多规格和高附加值的市场要求，间歇聚合过程生产重新受到重视，已成为决定企业生存的重要因素。总体来看，目前国内间歇聚合生产的自动化水平普遍较低，且能耗巨大。本项目立足于提高产品质量与降低能耗之间的平衡，提高质量控制精度的同时，明显降低综合能耗，增加企业经济效益。与现有常规方法不同的是，从实用性角度出发，针对不可在线测量的质量指标和在线可测的过程变量，提出了数据驱动与模型驱动融合的学习控制方案。具体如下：首先采用改进支持向量机方法对产品质量与过程变量之间的关系进行建模，并探讨部分输出不可测情况下的模型学习机制；基于该模型对质量与能耗指标进行优化计算，获得最优的过程变量操作曲线；最后综合学习控制由基于模型的在线优化和基于数据的学习控制两部分组成，多方位对产品质量进行精确控制。本项目的实施为间歇聚合控制领域的研究提供新的思路和解决方案，有助于推进间歇过程的自动化进程。

为推动国内快捷响应制造过程的自动化进程，本项目立足于提高产品质量与降低能耗之间的平衡，针对不可在线测量的质量指标和在线可测的过程变量，重点研究数据驱动与模型驱动融合的优化、学习与控制方案。项目主要完成内容有以下几方面：（1）采用复合结构，对间歇聚合反应过程的产品质量与过程变量之间的关系进行建模，并探讨部分输入不可测情况下的模型学习机制；（2）从产品质量要求出发，进行优化控制方法研究，给出最佳的操作条件；（3）特别是针对间歇过程分布参数质量指标，采用非优化控制技术实现产品质量跟踪控制，降低控制难度；（4）从间歇过程的时间和批次三维特征出发，构建基于模型的在线优化与基于数据的学习控制融合的综合学习控制策略，研究数据驱动与模型驱动融合的自适应与迭代学习控制方法，多方位实现对产品质量的精确控制。（5）考虑到必须辅以合理的过程监控手段才能确保整个过程的完美运行，本项目在数据驱动的间歇过程故障诊断方面也做了一定的研究。本研究项目从多年的工程实践中抽出共性的规律，针对反应机理、类型各异的间歇过程，给出了相对简捷、统一的建模方法，把系统的产品质量与过程操作变量之间的关系以解析的形式表示出来，面向不可在线测量的质量指标和在线可测的过程变量，给出了数据驱动与模型驱动融合的优化、学习与控制综合方案，从而把产品质量优化学习与过程操作自适应控制问题联系起来，为间歇过程的高精度质量控制问题提出新的研究思路和解决方案。