APP下载

非线性间歇过程的迭代学习状态估计

2020-09-02吴宏亮赵忠盖

计算机测量与控制 2020年8期
关键词:卡尔曼滤波系统

吴宏亮,赵忠盖,刘 飞

(1.轻工过程先进控制教育部重点实验室,江苏 无锡 214122;2.江南大学 物自动化研究所,江苏 无锡 214122)

0 引言

间歇过程是一类重复生产过程,按照相同的工序以批次为单位进行产品生产,越来越多地应用于食品、生物制药以及化工领域。间歇过程中很多关键参数直接与产品质量相关,需要对其进行实时监测。但是,受限于传感器技术的发展,间歇过程中的许多状态变量难以测量或者测量成本很高,因此对间歇过程状态变量的估计尤为重要,一直是工业界和学术界的关注焦点[1]。卡尔曼滤波(Kalman filter,KF)是一种广泛应用的最优状态估计的方法,但它适用于线性系统,而间歇过程通常具有非线性特性。对于非线性系统,通常采用扩展卡尔曼滤波(Extended Kalman filter,EKF)方法,无迹卡尔曼滤波和粒子滤波方法等[2-5]。但是,这些方法往往是连续过程状态估计的简单复制,忽略了批次之间的相关性。

近年来,为了提高间歇过程状态估计的性能,迭代学习策略被引入状态估计,考虑了批次运行之间的重复性和时间方向动态特性。迭代学习的思想来自于重复过程的控制,Arimoto等[6]提出一种迭代学习控制(iterative learning control,ILC)方法,针对重复运行的被控系统,通过前一次或前几次的控制误差信息修正当前操作的控制输入,最终实现在整个时间区间上系统的输出完全跟踪上期望轨迹。基于迭代学习的思想,文献[7-9]设计了确定性重复系统的迭代学习观测器。然而,实际间歇生产存在噪声干扰。……

登录APP查看全文

猜你喜欢

卡尔曼滤波系统
Smartflower POP 一体式光伏系统
WJ-700无人机系统
ZC系列无人机遥感系统
基于PowerPC+FPGA显示系统
半沸制皂系统(下)
改进的扩展卡尔曼滤波算法研究
基于递推更新卡尔曼滤波的磁偶极子目标跟踪
连通与提升系统的最后一块拼图 Audiolab 傲立 M-DAC mini
基于模糊卡尔曼滤波算法的动力电池SOC估计
基于扩展卡尔曼滤波的PMSM无位置传感器控制