[0010] 本发明的目的就是针对由开环控制来控制塑料烘干器温度的不足，提供一种塑料烘干过程温度优化节能控制方法。
[0011] 本发明采用多模型切换系统预测控制和混合神经网络优化控制相结合的优化控制方法。考虑实际控制信号时延滞后对控制效果的影响，在烘干器空气温度变化时，通过对系统模型参数的适当调整，建立不同工况下的切换系统模型，再利用混合神经网络方法对切换控制系统进行优化控制，从而提高塑料烘干器空气温度控制的精度。
[0012] 本发明方法的具体步骤是：
[0013] a.建立多模型切换系统模型。具体方法是：以塑料烘干器的燃气阀门开度值、冷配风阀门开度值、塑料进料量和塑料烘干器转轴转速为输入控制量，以温度传感器采集到的塑料烘干器空气温度值为输出量，以塑料进料量、冷配风阀门开度值、湿度传感器采集到的塑料烘干器空气湿度为状态量，建立典型工况下的离散时间切换模型：
[0014] x(k+1)＝Aix(k)+Biu(k)
[0015] y(k)＝Cix(k)
[0016] 其中x(k)∈R3是3维状态变量，分别表示k时刻塑料进料量、冷配风阀门开度值、塑料烘干器内空气湿度值这三个状态变量；u(k)∈R4是4维控制输入变量，分别表示k时刻燃气阀门开度值、冷配风阀门开度值、塑料进料量和塑料烘干器转轴转速；y(k)∈R1是单输出变量，表示k时刻塑料烘干器中空气温度测量值。Ai,Bi,Ci分别表示需要辨识的不同状态下的多模型参数。Rn代表n维欧氏空间，i是分段切换常数，从有限集I＝{1,2,3,…,m}中选取，表示m个典型工况下的系统模型参数。状态变量x(k)和控制变量u(k)分别为：
[0017] x(k)＝[x1(k),x2(k),x3(k)]T；
[0018] u(k)＝[u1(k),u2(k),u3(k),u4(k)]T；
[0019] 其中x1(k)表示塑料进料量，x2(k)表示冷配风阀门开度值，x3(k)表示塑料烘干器内湿度传感器采集到的空气的湿度值，u1(k)表示燃气阀门开度值，u2(k)表示冷配风阀门开度值、u3(k)表示塑料进料量，u4(k)表示塑料烘干器转轴转速，y(k)表示塑料烘干器中空气温度值。在烘干过程中，通过调节燃气阀门开度值、冷配风阀门开度值、塑料进料量和塑料烘干器转轴转速来实现烘干器内气体温度的控制，是一个多输入单输出的控制系统。
[0020] b.建立输出值的预测方程。按照前面建立的离散时间切换模型，得到塑料烘干器中空气温度值预测模型。
[0021] 基于前一步建立的切换系统模型，有输出变量模型
[0022]
[0023] 其中y(k+j|k)为k+j时刻的输出变量，u(k+j|k)为k+j时刻的控制输入变量，j为正整数。
[0024] 可以得到y(k+j|k)的预测模型为：
[0025]
[0026] 其中 表示状态变量x(k)的预测估计值， 表示k+j时刻塑料烘干器空气温度的预测输出值，Δu(k+p-1|k)表示k+p-1时刻与前一时刻控制变量的差值。
[0027] 定义
[0028]
[0029] 其中N是预测时域，Nc是控制时域。
[0030] 则可得
[0031]
[0032] 其中
[0033]
[0034] c.建立多模型切换系统的优化目标函数。由于系统由m个子系统构成，且相互之间进行切换，直接求解较难，本发明将利用切换规则建立优化目标函数，再利用混和神经网络进行优化求解。
[0035] 假设k时刻状态变量的初始值已知，选择系统的目标函数J，并进行如下优化：
[0036]
[0037] ymin≤y(k+j|k)≤ymax j＝0,…,N
[0038] umin≤u(k+j|k)≤umax j＝0,…,Nc-1
[0039] 其中J是优化目标函数，Q和P是权重矩阵；ymin和ymax分别表示输出变量的最小值和最大值；umin和umax分别表示控制变量的最小值和最大值；yr和ur分别是输出变量和控制变量的参考轨迹。
[0040] 对于系统模型数量为m的多模型切换系统，基于切换规则可得：
[0041]
[0042]
[0043] 其中m表示切换系统模型的数量，gi(k)为0-1变量，即对于i∈{1,2,…m}有gi(k)∈{0,1}。
[0044] 考虑到任何一个时刻只有一个子系统被激活，即
[0045]
[0046] 模型之间的切换规则为：
[0047] i(k+1)＝Θ(x(k),y(k),u(k))
[0048] 式中Θ(x(k),y(k),u(k))为切换信号的切换规则，i(k+1)为切换后被激活的子系统。
[0049] 根据切换规则，系统状态方程和输出方程，以及前面的优化目标函数，可得[0050]
[0051] i(k+1)＝Θ(x(k),y(k),u(k))
[0052]
[0053] Umin≤U(k)≤Umax
[0054] 其中Υ、D和M为常数矩阵，且
[0055] U(k)＝[u(k) u(k+1) … u(k+N-1)]T
[0056] G(k)＝[g(k) g(k+1) … g(k+N-1)]T
[0057] g(k)＝[g1(k),g2(k),…,gm(k)]
[0058]
[0059]
[0060] 且Ymin＝[ymin … ymin]，Ymax＝[ymax … ymax]，
[0061] d.基于混合神经网络求解最优控制律。本发明利用混合神经网络对前述切换系统优化问题进行优化求解，该神经网络由两个相互作用的神经网络组成，即c-网络(处理连续变量的神经网络)和b-网络(处理离散二进制变量的神经网络)。
[0062] 选择神经网络的作用函数为
[0063]
[0064]
[0065] 其中ui∈[s1i,s2i]， 表示在连续c-网络中第i个点的控制输入，其下限和上限分别为s1i和s2i，gi∈{0,1}， 表示在离散b-网络中第i个点的模型输入，L＝4×(N-1)，M＝m×(N-1)。
[0066] 于是，神经网络中变量的赋值空间为
[0067]
[0068] 惩罚函数可以增强优化的约束条件和切换规则，于是用惩罚函数的方法构造混合神经网络的能量函数，它由下述三部分组成:
[0069] R(u,g)＝G(g)+H(u,g)+K(g)
[0070]
[0071]
[0072]
[0073] 令G(u,g)＝H(u,g)＝K(g)＝0，则可以得到优化可行解，于是可以得到神经网络的能量函数为
[0074] E(u,g)＝αf(u,g)+βG(u,g)+γK(g)+χH(u,g)
[0075] 其中α,β,γ和χ是惩罚系数。
[0076] 本发明方法采用多模型切换系统预测控制和混合神经网络优化相结合的优化控制方法。针对塑料烘干系统大惯性、大滞后及参数随负荷显著变化对系统控制带来的困难，采用了一种基于多模型切换的预测控制策略对塑料烘干器空气温度对象的动态特性进行辨识，在每个采样时刻基于切换性能指标选出最优的局部模型作为当前模型，并据此设计预测控制器；然后利用切换规则建立具有约束的优化目标函数；再由处理连续变量的神经网络和处理离散二进制变量的神经网络组成混合神经网络，并利用混合神经网络方法对切换控制系统进行优化求解，使系统处于任意时刻都处于最优控制状态，从而保证了控制的精度。在塑料烘干器运行的整个过程中，使系统在任意时刻都可以利用最简单的资源处于最优的状态，从而达到了企业节能的要求，显著降低了成本，提高了企业效益。
