精馏塔非线性模型预测控制的混合模型自适应学习

非线性模型预测控制（NMPC）需要准确且计算高效的工厂模型。我们之前的工作表明，精馏塔的经典分室化模型降阶方法可通过用基于离线求解解训练的人工神经网络（ANNs）替代部分方程组来增强计算性能。然而，在现实应用中，缺乏用于数据生成的高保真模型会阻碍该方法的部署。因此，我们提出一种仅利用工厂测量数据的方法，从小规模初始数据集开始，然后持续适应新测量的数据。所提方法的功效在文献中某精馏塔的计算机仿真（in silico）中得以检验。为此，我们首先将最初基于分室化的简化混合机理/数据驱动建模方法调整为级聚合流程，使其适配于自适应学习框架中的应用。其次，我们应用一种自适应学习算法，在 newly available 数据上训练替代稳态级间计算的 ANNs。我们将混合模型的自适应学习应用于调节型 NMPC 框架并进行闭环仿真。我们证明，与使用非自适应方法相比，采用所提方法控制性能可随时间稳步提升，同时具备实时适用性。此外，我们表明，当使用基于大量离线生成数据训练的模型或原始高保真模型时，其性能在极限情况下可被逼近。