面向工业过程的在线学习控制策略及其在松散回潮中的应用

本文提出了一种新颖的自适应库普曼模型预测控制（MPC）框架，称为 HPC-AK-MPC，旨在应对复杂工业过程中时变动态和安全运行的双重挑战。该框架集成了两种核心策略：在线学习和基于历史信息的安全约束。为了应对过程的时变性，我们采用了递归扩展动态模式分解（rEDMDc）技术来构建一个自适应库普曼模型，该模型能够根据实时数据更新其参数，赋予控制器持续学习和跟踪动态变化的能力。为了解决模型不确定性下的安全运行这一关键问题，我们引入了一种新颖的历史过程约束（HPC）机制。该机制从历史数据库中挖掘成功的操作经验，并通过将其与在线模型的置信度相结合，为 MPC 优化问题生成一个动态的“安全走廊”。这种方法将隐式的专家知识转化为显式的、自适应的约束，在追求最优性能和确保鲁棒安全性之间建立了动态平衡。所提出的 HPC-AK-MPC 方法被应用于一个真实的烟草松散回潮过程，并使用带有工业数据的“顾问模式”仿真框架进行了系统验证。实验结果表明，与历史操作相比，所提出的方法在所有测试批次中均显著提高了关键质量变量的过程能力指数（Cpk），证明了其在保证操作安全的同时提升控制性能的巨大潜力。