首页 / 专利分类库 / 一般热交换 / 通用热交换或传热设备的零部件 / 一种基于改进型迭代学习的热交换器控制方法

一种基于改进型迭代学习的热交换器控制方法

申请号 CN202311749394.6 申请日 2023-12-18 公开(公告)号 CN117906431A 公开(公告)日 2024-04-19
申请人 惠州学院; 发明人 万凯; 茅云寿;
摘要 本 发明 涉及 热交换器 控制方法技术领域,特别涉及一种基于改进型 迭代 学习的热交换器控制方法,利用热交换器在前几次迭代产生的 温度 误差与本次迭代中获取的温度误差,通过不断地更新迭代产生最优的控制输入,从而保证热交换器的 温度控制 在理想参考范围之内,同时在减少系统 跟踪 误差的前提下加快收敛速度。
权利要求

1.一种基于改进型迭代学习的热交换器控制方法,其特征在于,包括以下步骤:
S1,建立热交换器的数学模型;
S2,设置时间采样周期Δt和空间位置采样步长Δx,对系统输出Tk(x,t)和输入uk(x,t)进行采样;
S3,测量热交换器的理想温度和初始控制输入,并获取实际输出;
S4,设计改进型迭代学习控制律,将实际输出和理想温度输入到学习控制律,判断误差收敛条件并获取下一次迭代更新的控制输入;
S5,将控制信号作用于热交换器的系统模型,获取热交换器在当前迭代的实际输出序列;
S6,判断系统跟踪误差是否满足精度要求,若是则结束当前循环,若否则返回执行步骤S2。
2.根据权利要求1所述的一种基于改进型迭代学习的热交换器控制方法,其特征在于:
所述步骤S1包括,建立热交换器的数学模型,并离散化形成二维线性离散动态系统;
其中所述热交换器的数学模型为,
其中k为热交换器热交换的重复次数;x为空间位置,且x∈[0,Tx];t为运行时间,t∈[0,Tf];Tk(x,t)为热交换器的内部温度;uk(x,t)为给定的函数;yd(i,j)为采样后的参考温度轨迹;
令Tk(i,j)=Tk(iΔx,jΔt),uk(i,j)=uk(iΔx,jΔt),则,
yk(i,j)=Tk(i‑1,j)+Duk(i,j);
其中yk(i,j)为系统输出,D为系统输入到输出的直接项;
又令 则,
xk(i+1,j+1)=A1xk(i+1,j)+A2xk(i,j+1)+B1uk(i+1,j)+B2uk(i,j+1);
yk(i,j)=Cxk(i,j)+Duk(i,j);
其中 C
=[1 0],定义系统跟踪误差ek(i,j)为,
ek(i,j)=yd(i,j)‑yk(i,j)。
3.根据权利要求2所述的一种基于改进型迭代学习的热交换器控制方法,其特征在于:
对所述系统输出Tk(x,t)与输入采样uk(x,t)后,获取对应序列Tk(iΔx,jΔt)与uk(iΔx,jΔt);
其中,i∈(0,1,2,……M),且 j∈(0,1,2,……N),且
4.根据权利要求3所述的一种基于改进型迭代学习的热交换控制方法,其特征在于,所述步骤S3包括:
设定热交换器系统的采样后初始输入信号u0(i,j),且i∈(0,1,2,……M‑1),j∈(0,1,
2,……N‑1);
将信号u0(i,j)输入到热交换器获得实际输出Tk(x,t);
对Tk(x,t0采样得到输出序列yk(i,j),且i∈(0,1,2,……M),j∈(0,1,2,……N)。
5.根据权利要求4所述的一种基于改进型迭代学习的热交换器控制方法,其特征在于,所述步骤S4包括:
根据所述步骤S1中的二维线性离散动态系统得出,
uk+1(i,j)=uk(i,j)+Γ[ek(i,j)‑K(i,j‑1)ek(i,j‑1)];
其中
ek(i,j‑1)=ek(i,0),i∈(0,1,2,……M);
又由于学习控制增益Γ满足,
得到下一次迭代的控制输入信号uk+1(i,j)。
6.根据权利要求5所述的一种基于改进型迭代学习的热交换器控制方法,其特征在于:
所述步骤S5中,将控制输入uk+1(i,j)作用于热交换器系统,获得输出序列yk+1(i,j)。

说明书全文

一种基于改进型迭代学习的热交换器控制方法

技术领域

[0001] 本发明涉及热交换器控制方法技术领域,特别涉及一种基于改进型迭代学习的热交换器控制方法。

背景技术

[0002] 换热器,亦称为热交换器或热交换设备,是用来使热量从热流体传递到冷流体,以满足规定的工艺要求的装置,是对流传热及热传导的一种工业应用。在实际工业生产中,热交换器广泛应用于化工生产过程、冶金行业冷却过程等,这些实际应用要求热交换器在循环热交换或冷却过程中保持理想温度
[0003] 现有的热交换器为了维持其理想温度,需要设置有精确的数学模型,但是由于热交换器所在工作环境的复杂性及不确定性、热交换过程的重复性以及温度受到时间和空间位置耦合的影响,难以获取精确的数学模型,导致热交换器的温度无法精确控制的问题。
[0004] 因此,本发明提出了一种基于改进型迭代学习的热交换器控制方法。

发明内容

[0005] 本发明的发明内容在于提供一种基于改进型迭代学习的热交换器控制方法,主要解决了现有的热交换器为了维持其理想温度,需要设置有精确的数学模型,但是由于热交换器所在工作环境的复杂性及不确定性、热交换过程的重复性以及温度受到时间和空间位置耦合的影响,难以获取精确的数学模型,导致热交换的温度无法精确控制的问题。
[0006] 本发明提出了一种基于改进型迭代学习的热交换器控制方法,包括以下步骤:
[0007] S1,建立热交换器的数学模型;
[0008] S2,设置时间采样周期Δt和空间位置采样步长Δx,对系统输出Tk(x,t)和输入uk(x,t)进行采样;
[0009] S3,测量热交换器的理想温度和初始控制输入,并获取实际输出;
[0010] S4,设计改进型迭代学习控制律,将实际输出和理想温度输入到学习控制律,判断误差收敛条件并获取下一次迭代更新的控制输入;
[0011] S5,将控制信号作用于热交换器的系统模型,获取热交换器在当前迭代的实际输出序列;
[0012] S6,判断系统跟踪误差是否满足精度要求,若是则结束当前循环,若否则返回执行步骤S2。
[0013] 优选地,所述步骤S1包括:
[0014] 建立热交换器的数学模型,并离散化形成二维线性离散动态系统;
[0015] 其中所述热交换器的数学模型为,
[0016]
[0017] 其中k为热交换器热交换的重复次数;x为空间位置,且x∈[0,Tx];t为运行时间,t∈[0,Tf];Tk(x,t)为热交换器的内部温度;uk(x,t)为给定的函数;yd(i,j)为采样后的参考温度轨迹;
[0018] 令Tk(i,j)=Tk(iΔx,jΔt),uk(i,j)=uk(iΔx,jΔt),则,
[0019]
[0020]
[0021]
[0022] yk(i,j)=Tk(i‑1,j)+Duk(i,j);
[0023] 其中yk(i,j)为系统输出,D为系统输入到输出的直接项;
[0024] 又令 则
[0025] xk(i+1,j+1)=A1xk(i+1,j)+A2xk(i,j+1)
[0026] +B1uk(i+1,j)+B2uk(i,j+1);
[0027] yk(i,j)=Cxk(i,j)+Duk(i,j);
[0028] 其中 C=[1 0],定义系统跟踪误差ek(i,j)为,
[0029] ek(i,j)=yd(i,j)‑yk(i,j)。
[0030] 优选地,对所述系统输出Tk(x,t)与输入采样uk(x,t)后,获取对应序列Tk(iΔx,jΔt)与uk(iΔx,jΔt);
[0031] 其中,i∈(0,1,2,……M),且
[0032] 且
[0033] 优选地,所述步骤S3包括,
[0034] 设定热交换器系统的采样后初始输入信号u0(i,j),且i∈(0,1,2,……M‑1),j∈(0,1,2,……N‑1);
[0035] 将信号u0(i,j)输入到热交换器获得实际输出Tk(x,t);
[0036] 对Tk(x,t0采样得到输出序列yk(i,j),且i∈(0,1,2,……M),j∈(0,1,2,……N)。
[0037] 优选地,所述步骤S4包括:
[0038] 根据所述步骤S1中的二维线性离散动态系统得出,
[0039]
[0040] 其中
[0041]
[0042] ek(i,j‑1)=ek(i,0),i∈(0,1,2,……M);
[0043] 又由于学习控制增益 满足,
[0044]
[0045] 得到下一次迭代的控制输入信号uk+1(i,j)。
[0046] 优选地,所述步骤S5中,将控制输入uk+1(i,j)作用于热交换器系统,获得输出序列yk+1(i,j)。
[0047] 由上可知,应用本发明提供的技术方案可以得到以下有益效果:
[0048] 本发明提出的技术方案利用热交换器在前几次迭代产生的温度误差与本次迭代中获取的温度误差,通过不断地更新迭代产生最优的控制输入,从而保证热交换器的温度控制在理想参考范围之内,同时在减少系统跟踪误差的前提下加快收敛速度,进而保证系统跟踪控制精度。附图说明
[0049] 为了更清楚地说明本发明实施例现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
[0050] 图1为本发明实施例中改进型迭代学习控制方法的步骤图;
[0051] 图2为本发明实施例中一类热交换器的模型图;
[0052] 图3为本发明实施例中热交换器在改进型迭代学习控制下的跟踪误差指标SSE(k)图;
[0053] 图4为本发明实施例中热交换器在第3、8、10和35次跟踪误差曲面ek(i,j)图;
[0054] 图5和图6为本实施例提出的改进型迭代学习控制算法与传统的P型迭代学习控制算法的对比结果图;
[0055] 图7为本实施例提出的改进型迭代学习控制算法与传统的D型迭代学习控制算法的对比结果图。

具体实施方式

[0056] 下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
[0057] 现有的热交换器为了维持其理想温度,需要设置有精确的数学模型,但是由于热交换器所在工作环境的复杂性及不确定性、热交换过程的重复性以及温度受到时间和空间位置耦合的影响,难以获取精确的数学模型,导致热交换器的温度无法精确控制的问题。
[0058] 如图1与图2所示,为了解决上述问题,本实施例提出了一种基于改进型迭代学习的热交换器控制方法,包括以下步骤:
[0059] S1,建立热交换器的数学模型;
[0060] S2,设置时间采样周期Δt和空间位置采样步长Δx,对系统输出Tk(x,t)和输入uk(x,t)进行采样;
[0061] S3,测量热交换器的理想温度和初始控制输入,并获取实际输出;
[0062] S4,设计改进型迭代学习控制律,将实际输出和理想温度输入到学习控制率,判断误差收敛条件并获取下一次迭代更新的控制输入;
[0063] S5,将控制信号作用于热交换器的系统模型,获取热交换器在当前迭代的实际输出序列;
[0064] S6,判断系统跟踪误差是否满足精度要求,若是则结束当前循环,若否则返回执行步骤S2。
[0065] 优选地,步骤S1包括,建立热交换器的数学模型,并离散化形成二维线性离散动态系统;
[0066] 其中热交换器的数学模型为,
[0067]
[0068] 其中k为热交换器热交换的重复次数;x为空间位置,且x∈[0,Tx];t为运行时间,t∈[0,Tf];Tk(x,t)为热交换器的内部温度;uk(x,t)为给定的力函数;yd(i,j)为采样后的参考温度轨迹;
[0069] 令Tk(i,j)=Tk(iΔx,jΔt),uk(i,j)=uk(iΔx,jΔt),则,
[0070]
[0071]
[0072]
[0073] yk(i,j)=Tk(i‑1,j)+Duk(i,j);
[0074] 其中yk(i,j)为系统输出,D为系统输入到输出的直接项;
[0075] 又令 则,
[0076] xk(i+1,j+1)=A1xk(i+1,j)+A2xk(i,j+1)
[0077] +B1uk(i+1,j)+B2uk(i,j+1);
[0078] yk(i,j)=Cxk(i,j)+Duk(i,j);
[0079] 其中 C=[1 0],定义系统跟踪误差ek(i,j)为,
[0080] ek(i,j)=yd(i,j)‑yk(i,j)。
[0081] 在本实施例中,步骤S1用于根据一阶向前和向后差分方法,对实际的热交换器数学模型进行离散化,获得二维线性离散动态系统。
[0082] 更具体地,对所述系统输出Tk(x,t)与输入采样uk(x,t)后,获取对应序列Tk(iΔx,jΔt)与uk(iΔx,jΔt);
[0083] 其中,i∈(0,1,2,……M),且 且
[0084] 更具体地,步骤S3包括,
[0085] 设定热交换器系统的采样后初始输入信号u0(i,j),且i∈(0,1,2,……M‑1),j∈(0,1,2,……N‑1);
[0086] 将信号u0(i,j)输入到热交换器获得实际输出Tk(x,t);
[0087] 对Tk(x,t)采样得到输出序列yk(i,j),且i∈(0,1,2,……M),j∈(0,1,2,……N)。
[0088] 更具体地,步骤S4中,由步骤S1得出的二维线性离散动态系统有沿着i和j方向上耦合的特点,设计如下改进型迭代学习控制律:
[0089]
[0090] 其中
[0091]
[0092] ek(i,j‑1)=ek(i,0),i∈(0,1,2,……M);
[0093] 又由于学习控制增益 满足,
[0094]
[0095] 得到下一次迭代的控制输入信号uk+1(i,j)。
[0096] 更具体地,步骤S5中,将控制输入uk+1(i,j)作用于热交换器系统,获得输出序列yk+1(i,j)。
[0097] 在本实施例中,以Tx=1.2m,Tf=3h。D=1.5为例进行解释。
[0098] 按照S2算法设定热交换器的时间采样周期Δt=0.1h和空间位置步长Δx=0.04m。考虑实际热交换器的理想温度Tk(x,t)随位置x和时间t变化而变化,经过采样和函数曲线拟合方式可得:
[0099] yd(i,j)=cos[0.06π(iΔx‑jΔt)],i∈(0,1,2,……30),j∈(0,1,2,……30);
[0100] 设定采样后的迭代初始输入为u0(i,j)=0,i∈(0,1,2,……29),j∈(0,1,2,……29)。根据算法S3将u0(i,j)输入至实际被控系统得到实际系统输出,根据实际系统输出获取本次迭代的采样输出序列。根据算法S4设计改进型迭代学习控制律,选取学习控制增益满足跟踪误差收敛条件。采用如下绝对误差和指标评估跟踪误差的精度:
[0101]
[0102] 设定热交换器的初始边界温度和 根据算法
S4将采样误差函数序列、学习控制增益与改进型迭代学习控制律,更新系统在下一次迭代的控制输入,并传输到控制端,使得误差指标逐渐收敛。当迭代次数达到一定值时,系统的输出可以完全跟踪上期望输出。根据算法S6计算系统跟踪误差,并判断是否满足精度要求。
[0103] 在该情况下中,可以看到跟踪误差指标SSE(k)在有限次内快速收敛到容许误差范围内。由图3可看出,使用所提出的改进型迭代学习控制方法可使误差指标在第35次迭代能逐渐收敛至零。图4为第3、8、10和35次迭代的跟踪误差曲面图。从图4可以看出,系统跟踪误差在第35次收敛到零,说明本实施例提出的改进型迭代学习控制算法的有效性,即热交换器内部温度能够通过迭代学习控制算法保持在可控的理想温度。
[0104] 为了进一步说明本专利提出的改进型迭代学习控制方法的有效性,且能保证跟踪误差收敛到允许的精度范围和加快收敛速度的特点,本实施例与下述传统P型和D型迭代学习控制方法做对比,对比结果如图5、6和7所示。
[0105] 其中,P型迭代学习控制律:uk+1(i,j)=uk(i,j)+0.1ek(i,j);P型迭代学习控制律:uk+1(i,j)=uk(i,j)+0.1ek(i+1,j+1);D型迭代学习控制律:uk+1(i,j)=uk(i,j)+0.1[ek(i+
1,j+1)‑ek(i,j)]。
[0106] 综上所述,本实施例提出的技术方案不需要精确的热交换器模型参数,同时保证系统跟踪控制精度。具体是利用热交换器在前几次迭代产生的温度误差与本次迭代中获取的温度误差,通过不断地更新迭代产生最优的控制输入,从而保证热交换器的温度控制在理想参考范围之内,同时在减少系统跟踪误差的前提下加快收敛速度。
[0107] 以上所述的实施方式,并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等,均应包含在该技术方案的保护范围之内。
QQ群二维码
意见反馈