本发明涉及自动控制，尤其是指一种连续搅拌反应釜系统自适应储罐浓度量化跟踪控制方法及装置。
背景技术：
1、在众多化学反应器当中，按照反应器结构形式可以分为釜式、塔式、流化床等种类，其中连续搅拌反应釜可以实现操作温度、浓度和停留时间等方面的灵活调节，可以处理牛顿型和非牛顿型流体，操作方式灵活可以间接操作，也可以连续操作，尤其适用于需要小批量、多品种生产的场合。连续搅拌反应釜具有操作条件可控范围广，容积大小可调，适应性强的特点，能够均匀地搅拌多样化形态的反应物，效率较为理想，在化工生产中具有广泛的应用，尤其在三大合成材料的生产中占据着重要地位，约占反应器总数的90％，在染料，制药，农药等其他行业中也广泛使用，具有较大的学术研究价值和提升空间。
2、连续搅拌反应釜由于其适应性强，可用于多种不同的工业过程。它可以在较低的反应速率下进行操作，有助于消除过热点实现等温操作，这对于高活化能的反应或强放热反应尤为重要。连续搅拌反应釜最显著的优势之一是对温度的易于控制，使其在化工生产中成为一种重要且灵活的反应设备。
3、在连续搅拌反应釜系统的控制中，自适应控制技术的应用旨在处理系统动态变化和参数不确定性。自适应控制通过实时调整控制器的参数，使其适应不断变化的系统特性，能够应对系统复杂性和非线性特性，确保系统在不同操作条件下的稳定性和性能，从而提高系统鲁棒性和性能。
4、状态约束控制在连续搅拌反应釜系统中是必要的，状态约束通常指对系统操作状态的约束条件或限制，如温度约束、浓度约束、ph值约束等。由于连续搅拌反应釜系统通常受到各种状态约束条件的限制，如果不对这些约束条件有效处理，尤其是浓度约束、温度约束，可能会导致系统及设备超出安全运行范围，影响产物质量和反应效率，进而增加事故风险。
5、量化控制在连续搅拌反应釜系统中注重对反应过程的精确监测和测量。如对连续搅拌反应釜系统中的量化控制不足够有效，即对系统中操作变量如温度、浓度等不能实现精确控制，则不能精准地响应变化，影响反应过程的效率和稳定性，进而引起产品质量波动。没有有效的量化控制意味着无法最大程度地优化系统的能源利用效率，甚至会使系统安全性降低。
6、在化学反应过程中连续搅拌反应釜控制系统需要持续耗费能量来维持搅拌过程，尤其是对于大型反应釜来说，能耗相对较高。在已有连续搅拌反应釜控制系统的基础上结合量化控制技术，能显著提高整个连续搅拌反应釜的性能，减少加热、冷却和搅拌过程中的能耗，提高系统能效，并且在保证产品质量的前提下，通过优化反应条件和操作策略，提升生产效率，增强系统的鲁棒性和适应性。量化可看作是连续信号如温度信号等转换成离散的有限数值的信号集合的映射过程。
7、通过先进的量化控制技术，可以有效抑制输入信号中的噪声和抖动，降低信号传输频率、提高网络资源有效利用率，可以实时获取系统关键参数的信息，从而优化反应条件和生产过程，改进控制策略，使控制系统在面对输入变化如进料浓度、流量、温度等时，能更快速地响应变化，提高反应过程的效率和稳定性，保持反应温度在预定范围内，确保反应速率稳定，避免过热或过冷导致的反应失控或低效，维持连续搅拌反应釜稳定运行，进而提高经济效益，减少环境和安全风险。
8、然而，现有对连续搅拌反应釜系统的控制方法中，鲜有考虑到结合量化控制来对整个控制策略进行优化，导致现有连续搅拌反应釜系统稳定性、可靠性较低。因此现有对连续搅拌反应釜系统的控制方法中，有效的状态约束控制和量化控制问题仍有待解决。
技术实现思路
1、为此，本发明所要解决的技术问题在于克服现有技术中没有考虑状态约束控制和量化控制不够有效，从而影响系统和控制器性能的问题。
2、为解决上述技术问题，本发明提供了一种连续搅拌反应釜系统自适应储罐浓度量化跟踪控制方法，包括以下步骤：
3、建立连续搅拌反应釜系统的机理模型；
4、将所述机理模型转换为受状态约束非严格反馈非线性系统模型；
5、建立神经网络系统对所述受状态约束非严格反馈非线性系统模型中的非线性项和耦合项进行逼近，结合自适应调节算法，设计虚拟控制器；基于所述虚拟控制器，设计实际神经网络自适应量化控制器；
6、基于所述实际神经网络自适应量化控制器，得到控制信号；
7、将控制信号作用至所述连续搅拌反应釜系统，并通过所述连续搅拌反应釜系统输出的储罐浓度跟踪期望储罐浓度，迭代更新控制信号，直至预设的运行时间结束。
8、优选地，所述连续搅拌反应釜系统的机理模型为：
9、
10、其中且qa表示储罐浓度，ha表示储罐温度，qc表示冷却剂流速，q表示过程流量，qa0表示组分浓度，hf表示进料温度，hcf表示入口冷却液温度，v表示油箱容积，ha表示传热系数，a0表示指前因子，表示活化能，-δhc表示反应热，ρ1和ρc表示液体密度，cp和cpc表示热容量。
11、优选地，所述受状态约束非严格反馈非线性系统模型描述为：
12、
13、
14、其中y表示连续搅拌反应釜系统的输出，χ1＝qa表示储罐浓度，χ2＝ha表示储罐温度，表示χ1的导数，表示χ2的导数；q(u)表示迟滞量化器并作为受状态约束非严格反馈非线性系统模型的输入，u＝qc作为迟滞量化器q(u)的输入，过程流量q＝100l/min，组分浓度qa0＝1mol/l，进料温度hf＝350k，入口冷却液温度hcf＝350k，油箱容积v＝100l，传热系数ha＝7×105j/min·k，指前因子a0＝7.2×1010min-1，活化能反应热-δhc＝2×104cal/mol，液体密度ρ1＝ρc＝1×103g/l，热容量cp＝cpc＝1cal/g·k，ui＝δ1-iumin,0＜δ＜1表示量化密度的量度，q(u)在集合中，umin＞0表示q(u)的死区范围，sign()表示符号函数。
15、优选地，所述神经网络系统建立如下：
16、对于任意连续函数p1(s1):r5→r，任何给定的紧集和任意正常数存在一个理想的常数权重向量和一个径向基函数向量使得：
17、
18、成立，其中l＞1是神经网络的节点数，定义成具有以下形式的高斯函数：
19、
20、其中，μ1j和σ1j分别是高斯函数的宽度和中心，逼近误差ε1(s1)满足||s1-μ1j||表示s1-μ1j的欧几里得范数，最优权重向量定义如下：
21、
22、优选地，所述虚拟控制器和实际神经网络自适应量化控制器的设计包括以下步骤：
23、步骤1：定义s1为受状态约束非严格反馈非线性系统模型中经过非线性映射技术转换后的储罐浓度状态，定义s2为受状态约束非严格反馈非线性系统模型中经过非线性映射技术转换后的储罐温度状态，选择受状态约束非严格反馈非线性系统模型的期望储罐浓度，作为参考信号yd；
24、步骤2：将所述期望储罐浓度yd通过非线性映射技术转换得到转换后的期望储罐浓度将转换后的期望储罐浓度与储罐浓度状态s1做差，得出两者的误差e1，并进行动力学方程微分求解；
25、步骤3：利用神经网络系统对受状态约束非严格反馈非线性系统模型中的非线性项和耦合项逼近，将储罐浓度状态s1，转换后的期望储罐浓度及其一阶导数作为神经网络系统的输入，输出为储罐浓度动态子系统对应的神经网络系统的并含有相应的精确级误差ε1(s1)；
26、步骤4：利用神经网络系统输出的两种信号和建立关于储罐浓度动态子系统对应的神经网络系统权重的虚拟自适应调节算法其中是λ1的估计值，是的导数；
27、步骤5：基于所述虚拟自适应调节算法结合给定的相应正参数κ1、a1、υ1、σ1，设计储罐浓度动态子系统的虚拟控制器α1；
28、步聚6：根据所述虚拟控制器α1和虚拟自适应调节算法对受状态约束非严格反馈非线性系统模型中的储罐温度状态s2处理，得到与储罐温度动态子系统的虚拟控制器α1对应的控制误差信号e2，输入储罐温度状态动态子系统对应的神经网络系统，建立关于神经网络系统权重的实际自适应调节算法其中是λ2的估计值，是的导数；结合给定的相应正参数κ2、a2γ、υ2、σ2，设计储罐温度状态动态子系统的实际神经网络自适应量化控制器u。
29、优选地，储罐浓度状态s1和储罐温度状态s2描述为：
30、
31、
32、
33、χi表示非线性映射技术转换前受状态约束非严格反馈非线性系统模型中的每一阶子系统的状态，χ1表示非线性映射技术转换前储罐浓度，χ2表示非线性映射技术转换前储罐温度；χi被约束在区间(-k1(t),k2(t))上，k1(t)和k2(t)为已知正函数，0＜k1＜k1(t)，0＜k2＜k2(t)，为已知正常数，是k1(t)的导数，是k2(t)的导数。
34、优选地，转换后的期望储罐浓度描述为：
35、
36、
37、
38、其中，ω1表示经非线性映射技术转换后的期望跟踪轨迹，其中优选地，虚拟自适应调节算法和虚拟控制器α1、实际自适应调节算法和实际神经网络自适应量化控制器u如下：
39、
40、
41、其中x1＝[s1,ω1]t，并且a1，υ1，σ1和κ1表示设计正常数；
42、
43、
44、
45、其中e2表示储罐浓度与储罐温度动态子系统一阶滤波器输出的误差；α2表示控制器中间变量，υ2、a2、γ、σ2和κ2表示设计正常数，tanh()表示双曲正切函数，x2＝[s1,s2,ω2]t。
46、优选地，所述将控制信号作用至所述连续搅拌反应釜系统，并通过所述连续搅拌反应釜系统输出的储罐浓度跟踪期望储罐浓度，迭代更新控制信号，直至预设的运行时间结束包括：
47、将控制信号作用至所述连续搅拌反应釜系统，判断预设的运行时间是否结束；
48、如果预设的运行时间未结束，在运行时间内跟踪、监控连续搅拌反应釜系统输出的储罐浓度，返回步骤1继续循环，迭代更新控制信号，使得连续搅拌反应釜系统输出的储罐浓度与期望储罐浓度的误差保持在0附近波动，直至预设的运行时间结束，即达到控制目标；
49、如果预设的运行时间结束，则停止对该反应过程的控制。
50、优选地，一种连续搅拌反应釜系统自适应储罐浓度量化跟踪控制装置，包括：
51、模型构建模块，所述模型构建模块用于建立连续搅拌反应釜系统的机理模型；
52、模型转换模块，所述模型转换模块用于将所述机理模型转换为受状态约束非严格反馈非线性系统模型；
53、量化控制器构建模块，所述量化控制器构建模块用于建立神经网络系统对所述受状态约束非严格反馈非线性系统模型中的非线性项和耦合项进行逼近，结合自适应调节算法，设计虚拟控制器；基于所述虚拟控制器，设计实际神经网络自适应量化控制器；
54、控制信号计算模块，所述控制信号计算模块用于基于所述实际神经网络自适应量化控制器，得到控制信号；
55、跟踪控制模块，所述跟踪控制模块用于将控制信号作用至所述连续搅拌反应釜系统，并通过所述连续搅拌反应釜系统输出的储罐浓度跟踪期望储罐浓度，迭代更新控制信号，直至预设的运行时间结束。
56、本发明的上述技术方案相比现有技术具有以下有益效果：
57、本发明所述的一种连续搅拌反应釜系统自适应储罐浓度量化跟踪控制方法以连续搅拌反应釜系统转换后的受状态约束非严格反馈非线性系统模型为基础，建立神经网络系统，使用非线性映射技术有效解决连续搅拌反应釜系统中状态约束的问题，同时设计自适应调节算法和实际神经网络自适应量化控制器，使得连续搅拌反应釜系统在遭受非对称时变状态约束和耦合项的情况下，能够克服扰动实现自调节，依然能保持对控制目标的操作，从而提高系统性能和工作效率。
1.一种连续搅拌反应釜系统自适应储罐浓度量化跟踪控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种连续搅拌反应釜系统自适应储罐浓度量化跟踪控制方法，其特征在于，所述连续搅拌反应釜系统的机理模型为：
3.根据权利要求1所述的一种连续搅拌反应釜系统自适应储罐浓度量化跟踪控制方法，其特征在于，所述受状态约束非严格反馈非线性系统模型描述为：
4.根据权利要求1所述的一种连续搅拌反应釜系统自适应储罐浓度量化跟踪控制方法，其特征在于，所述神经网络系统建立如下：
5.根据权利要求1所述的一种连续搅拌反应釜系统自适应储罐浓度量化跟踪控制方法，其特征在于，所述虚拟控制器和实际神经网络自适应量化控制器的设计包括以下步骤：
6.根据权利要求5所述的一种连续搅拌反应釜系统自适应储罐浓度量化跟踪控制方法，其特征在于，储罐浓度状态s1和储罐温度状态s2描述为：
7.根据权利要求5所述的一种连续搅拌反应釜系统自适应储罐浓度量化跟踪控制方法，其特征在于，转换后的期望储罐浓度描述为：
8.根据权利要求5所述的一种连续搅拌反应釜系统自适应储罐浓度量化跟踪控制方法，其特征在于，虚拟自适应调节算法和虚拟控制器α1、实际自适应调节算法和实际神经网络自适应量化控制器u如下：
9.根据权利要求5所述的一种连续搅拌反应釜系统自适应储罐浓度量化跟踪控制方法，其特征在于，所述将控制信号作用至所述连续搅拌反应釜系统，并通过所述连续搅拌反应釜系统输出的储罐浓度跟踪期望储罐浓度，迭代更新控制信号，直至预设的运行时间结束包括：
10.一种连续搅拌反应釜系统自适应储罐浓度量化跟踪控制装置，其特征在于，包括：
