基于MAS技术的焦炉集气管压力智能解耦与协调控制研究

论文摘要

焦炉是一个分布参数，非线性、时变、多变量紧密耦合的被控对象，在多座焦炉并联生产条件下，集气管压力控制对象存在复杂的耦合关系，很难建立精确的数学模型，这给集气管压力控制系统的设计带来较大的困难，难以实现稳定精确的控制。MAS（Multi-Agent System）技术具有自主性、分布性、协调性，并具有自组织能力、学习能力和推理能力。采用MAS技术解决实际应用问题，具有很强的适应性、鲁棒性和可靠性，并具有较高的问题求解效率。本文以焦炉集气管压力智能控制为背景，提出基于MAS技术的焦炉集气管压力解耦与协调控制结构和控制方法，其基本思想是将整个控制系统作为一个MAS系统，根据控制目标分解成一些控制子目标，将这些子目标分配给不同Agent去完成，应用Agent强化学习算法解决焦炉集气管压力智能解耦与协调控制问题，通过多种软硬件平台的集成，实现焦炉集气管压力长期稳定控制。论文主要从三个方面论述基于MAS技术的焦炉集气管压力智能解耦与协调控制：理论模型和基本框架；基于任务分解和强化学习的焦炉集气管压力解耦与多级协调控制；基于JADE平台为主的多种软硬件集成的系统实现及工业应用。针对焦炉集气管压力控制这类复杂工业过程控制，提出基于MAS技术的分布式集成智能控制的概念模型，从空间和时间两个方向描述分布式集成智能控制层次和设计到运行的整个过程，用于指导整个焦炉集气管智能解耦与协调控制设计。系统由人机集成单元、控制单元和虚拟仿真单元构成，每个单元由分层的Agent组构成。多个专业Agent和主管Agent组成功能Agent组，通过不同的Agent激活与后备构成Agent组的重构和控制模式的切换，在此基础上构建焦炉集气管压力集成智能协调解耦控制系统框架结构。针对焦炉集气管压力强耦合特性，建立焦炉集气管压力分布式智能解耦控制结构，采用TS模糊神经网络实现。为解决系统在动态和不确定性情况下的解耦控制规则学习和优化问题，引入强化学习方法，研究了遗传模糊强化学习和基于遗传模糊强化学习的多Agent协作，提出基于遗传模糊强化学习的焦炉集气管压力分布式协进化解耦机制和算法，通过多个控制Agent的协同强化学习，搜索到具有良好解耦性能的优化控制规则，实现焦炉集气管压力的分布式解耦控制。在焦炉集气管压力对象的机理模型上，用Matlab进行了控制系统仿真，结果验证了该方法的有效性。为解决焦炉集气管压力系统中高压氨水的冲击和外部环境变化问题，提出基于强化学习的焦炉集气管压力多级协调控制策略，形成集气管、初冷器和鼓风机梯级协调体系，运用多agent的协商解决初冷器前和鼓风机前压力给定问题，从而使各级控制处于灵敏控制状态。通过控制Agent的模态变迁实现不同运行模式的切换，以适应快速变化的环境。在高压氨水的强冲击环境下，在冲击控制Agent中采用Critic-Actor分布式强化学习结构，运用TS回归模糊神经网络实现行动和评判模块，通过强化学习各Agent学习到状态到行动正确映射，从而协调一致，较好地解决了高压氨水对焦炉集气管压力的冲击协调控制问题。应用面向Agent的软件工程方法，选择遵循FIPA标准的JADE开发平台为主、结合通用工控软件和可编程控制器实现所提出的框架和算法。对基于JADE开发平台的控制Agent和控制算法的实现技术、Agent之间的协调及其实现进行了探讨，在此基础上开发了基于MAS的焦炉集气管压力智能软件，实现了焦炉集气管压力长期稳定控制。通过基于MAS智能控制技术的应用，从整体上提高了焦炉智能解耦与协调控制水平，有效抑制了耦合和高压氨水干扰产生的压力波动，保护了环境，降低了工人劳动强度，提高了化工产品产量和质量，延长了焦炉寿命，取得了显著的经济效益和社会效益，同时也为基于MAS技术的复杂工业过程控制提供了一套实用的设计和实现方法。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 国内外研究现状
• 1.2.1 焦炉集气管压力控制及解耦控制
• 1.2.2 Multi-Agent系统及应用
• 1.3 主要研究内容和论文结构
• 第二章 基于MAS的集成智能控制框架
• 2.1 焦炉集气管工艺流程和控制要求
• 2.1.1 焦炉集气管工艺过程
• 2.1.2 焦炉集气管压力控制要求
• 2.2 焦炉集气管压力控制基本构想
• 2.3 基于MAS集成智能控制（MDIICS）的概念模型
• 2.4 组织结构
• 2.4.1 多Agent系统组织结构
• 2.4.2 Agent模型
• 2.5 任务分解与协作
• 2.5.1 任务分解
• 2.5.2 Agent协作
• 2.6 基于智能体的分布式集成控制实现框架
• 2.6.1 智能控制子系统
• 2.6.2 专家智能集成子系统
• 2.6.3 虚拟仿真子系统
• 2.7 小结
• 第三章 焦炉集气管压力分布式解耦控制
• 3.1 焦炉集气管压力控制结构
• 3.1.1 任务分解
• 3.1.2 分布式多模控制
• 3.1.3 解耦控制结构
• 3.2 强化学习及其算法
• 3.2.1 自适应启发评判（AHC）强化学习
• 3.2.2 基于遗传算法的自适应启发评判（AHC）强化学习
• 3.3 基于协进化强化学习的分布式多变量协调解耦控制算法
• 3.4 应用对象模型改进强化学习性能
• 3.4.1 TS类型回归模糊神经网络（TSRNFN）
• 3.4.2 TS类型回归模糊神经网络学习算法
• 3.5 焦炉集气管压力解耦控制仿真
• 3.5.1 焦炉集气管压力过程机理模型
• 3.5.2 仿真结果
• 3.6 小结
• 第四章 焦炉集气管压力多级智能协调控制
• 4.1 基于Agent的多级协调控制结构
• 4.2 初冷器前压力优化设定
• 4.3 初冷器及鼓风机专家智能协调规则
• 4.4 瞬态冲击协调控制算法
• 4.4.1 基本Q-强化学习算法
• 4.4.2 基于Actor-critic的Agent强化学习
• 4.4.3 基于强化学习的焦炉多级协调算法
• 4.4.4 单个Agent的全局奖赏
• 4.4.5 回归模糊网络结构确定
• 4.5 控制Agent模态变迁
• 4.6 仿真结果
• 4.7 小结
• 第五章 工业实现及运行结果
• 5.1 系统结构及配置
• 5.2 软件实现框架
• 5.3 基于JADE的Agent系统开发平台
• 5.3.1 开发平台的选择
• 5.3.2 FIPA多Agent系统
• 5.3.3 基于FIPA的JADE开发平台
• 5.4 基于JADE的上位应用系统开发
• 5.4.1 面向Agent软件工程与系统开发方法
• 5.4.2 Agent的定义与类设计
• 5.4.3 控制Agent实现与算法封装
• 5.4.4 从基本行为构成复杂行为Agent
• 5.5 Agent通信与协作
• 5.5.3 Agent通信
• 5.5.4 Agent与OPC服务器的通信
• 5.6 上位人机界面与下位基本控制Agent实现
• 5.7 实际工业应用结果
• 5.8 小结
• 第六章 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 致谢
• 读博期间发表的相关论文和参加的科研