用于非线性四罐系统液位控制的混合NMPC-ESO-PINSE方法:在随机不确定性条件下的深度学习与扩展状态观测融合

《Automation》:Hybrid NMPC-ESO-PINSE Approach for Liquid Level Control in a Nonlinear Four-Tank System: Integration of Deep Learning and Extended State Observation Under Stochastic Uncertainties

【字体: 大 中 小 】 时间:2026年06月19日 来源:Automation 2

编辑推荐:

   摘要 液体储

  

摘要

液体储罐广泛应用于水处理、石油天然气、食品加工和化工制造等领域。准确掌握储罐内的液体量对于确保安全、防止泄漏以及优化工艺控制至关重要,因此必须将储罐内的液位维持在精确的参考值上。正因如此,储罐液位控制就显得极为重要,而由于存在非线性、多变量耦合以及随机干扰等问题,它也成为了工业领域的一个核心难题。现有的控制方法,如传统的模型预测控制(MPC),往往高度依赖模型精度,且难以有效排除复杂的随机噪声,因此预测随机干扰无疑是一项重大的技术挑战。本文提出了一种新方法,专门用于解决四罐系统中的问题——即通过两个泵来控制两个下层储罐的液位,而这些泵往往存在不同的响应延迟以及较大的参数波动。为建立预期性能与MPC参数之间的关系,该方法采用了一种创新的混合非线性MPC、扩展状态观测器以及物理信息神经状态估计(NMPC-ESO-PINSE)架构。其中,物理信息神经状态估计(PINSE)层凭借其强大的学习能力,可通过应用伯努利物理定律来过滤传感器噪声;而扩展状态观测器(ESO)则用于识别并补偿工艺过程中的未建模不确定性。最终,所提出的混合策略(NMPC-ESO-PINSE)利用这些经过处理的、符合物理规律的状态估计结果,通过序贯二次规划(SQP)方法来解决非凸优化问题,从而确定最优的泵电压。大量的数值模拟表明,该解耦框架在应对参数漂移和连续噪声序列时具有更强的稳定性,与标准NMPC相比,其整体均方根误差降低了27.36%,闭环系统达到稳定状态的时间缩短至15.2秒,且瞬态超调幅度仅为0.18%。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号