批次过程二维递推辨识方法研究

发布时间：2022-02-24 04:10

　　准确的数学模型是批次过程先进控制与优化的关键。与连续过程不同,批次过程存在非稳态操作、非线性时变、有限运行时间、运行重复性等鲜明特点,面向连续过程的系统辨识方法直接应用到批次过程,难以取得好的建模品质。另外,现有的批次过程辨识方法利用批次重复特性,沿批次方向进行递推辨识,存在估计结果波动大、数据利用率低的问题。本文利用批次过程的二维特性,开展批次过程时变ARX模型的二维递推辨识研究,提高递推辨识算法的精度和收敛速度。主要研究成果如下:（1）针对沿批次方向递推最小二乘辨识方法存在参数估计波动大、数据利用率低的问题,本文利用批次过程的重复特性和局部建模思想,提出了基于局部多项式的批次过程二维递推最小二乘辨识方法,提高批次过程模型辨识的精度。该方法通过局部多项式对滑动时间窗口内的时变特性进行参数化建模,并通过最小化包含批次与时间这两个维度数据的损失函数,设计批次过程的二维递推最小二乘辨识算法。仿真实验结果表明该方法能有效提高参数辨识精度,降低参数波动方差。（2）针对传统遗忘因子递推最小二乘辨识方法存在的参数跟踪速度慢、不能有效处理批次间参数突变的问题,本文结合批次过程二维特性和增量辨识思想,... 

【文章来源】：浙江大学浙江省211工程院校985工程院校教育部直属院校

【文章页数】：89 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
Abstract
1 绪论
    1.1 研究背景与意义
    1.2 批次过程简介
    1.3 国内外研究现状
        1.3.1 连续过程递推辨识现状
        1.3.2 批次过程递推辨识现状
    1.4 研究内容及结构安排
2 递推最小二乘辨识
    2.1 连续过程递推最小二乘辨识方法
    2.2 批次过程递推最小二乘辨识方法
        2.2.1 沿批次方向递推最小二乘辨识
        2.2.2 带约束的批次过程二维递推最小二乘辨识
    2.3 本章小结
3 基于局部多项式的批次过程二维递推最小二乘辨识
    3.1 引言
    3.2 基于局部多项式的批次过程辨识
    3.3 二维递推最小二乘辨识
    3.4 收敛性证明
    3.5 仿真验证
        3.5.1 仿真案例1
        3.5.2 仿真案例2
    3.6 本章小结
4 批次过程二维增量递推最小二乘辨识
    4.1 引言
    4.2 连续过程增量辨识算法
    4.3 批次过程增量辨识算法
    4.4 二维增量递推最小二乘算法
    4.5 仿真验证和实验结果
        4.5.1 仿真案例1
        4.5.2 仿真案例2
    4.6 本章小结
5 基于局部多项式的批次过程二维增量递推最小二乘辨识
    5.1 引言
    5.2 基于局部多项式的批次过程增量辨识方法
    5.3 递推算法推导
    5.4 仿真验证和实验结果
        5.4.1 仿真案例1
        5.4.2 仿真案例2
    5.5 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
攻读硕士学位期间获得的研究成果


【参考文献】：
期刊论文
[1]批次过程控制—回顾与展望[J]. 卢静宜,曹志兴,高福荣.  自动化学报. 2017(06)

博士论文
[1]间歇生产过程经济模型预测控制理论与应用[D]. 陆鹏程.浙江大学 2019

硕士论文
[1]方程误差模型基于最新估计的加权新息最小二乘辨识[D]. 秦天龙.哈尔滨工业大学 2015



本文编号：3641949