基于机理的残差提升与控制一致性建模：用于气动干燥工艺

农业、化工和制药等行业的气动干燥工艺因多源扰动、耦合阶段动力学以及显著的测量延迟而极难建模与控制。传统的建模范式往往无法同时满足准确性、可解释性和闭环适用性。为此，本文引入一种统一的混合建模框架，称为物理引导残差提升与控制一致性校正（Physics-Guided Residual Lifting with Control-Consistent Correction），该框架将瞬态机理模型与受稳定性约束的数据驱动组件相集成。该框架覆盖了干燥、输运和甄别的完整工艺链。 在机理层面，模型使用水汽分压差统一质量传递动力学， Incorporate水活性限制和潜热校正以处理结合水，并通过湿度相关比热确保能量闭合。在数据驱动层面，本文提出正交残差学习方案。利用机理模型的中间状态作为代理变量，以构建物理启发的字典，防止在岭回归期间发生参数补偿和过拟合。此外，为确保预测控制的适用性，采用受稳定性约束的控制一致性扩展动态模态分解（Control-Consistent Extended Dynamic Mode Decomposition）学习残差动力学，并提供有界性证明和稳定性保证。该框架在10批工业工艺中验证，包含63,000个样本。在未见测试数据上，混合模型对出口湿度的平均绝对误差为0.016%，出口温度为0.015°C，误差分别降至0.986和0.995。所得预测残差表现为白噪声特性，在低频率上的谱能显著降低。