本发明涉及工业自主控制方法领域，特别是涉及一种级联耦合下的分布式智能自主控制方法。
背景技术：
1、自动控制是实现工业过程稳定高效运行的重要手段。而多设备级联是流程工业过程常见的现象。在级联装置内发生一系列的物理化学反应，导致反应过程存在复杂的非线性。此外，由于前一设备的出口连接后一设备的入口，因而前一个设备的运行状态会影响后续设备的状态，对整个过程的精确控制带来了极大挑战。
2、pid控制和模糊控制是常用的控制方法。这些方法通常用于单变量和单回路控制过程，不适应多设备级联下的多变量协调控制。虽然新兴的控制方法，如强化学习，已经获得了广泛的研究和应用，但由于建立精确的环境模型存在挑战，导致难以训练合适的控制器，阻碍了其在流程工业过程中的应用。近年来，模型预测控制得到了广泛的研究。在每个时间点，模型预测控制利用一个预测模型来预测被控变量的未来值；然后通过优化得到未来的控制序列，使被控制变量的实际值接近期望值。最后，将控制序列的第一个控制量应用于被控对象，并通过滚动优化实现实时控制。模型预测控制具有许多优点，如它能够处理复杂的约束，控制多变量等。模型预测控制可分为三种形式：集中式、分散式和分布式。其中，集中式模型预测控制是最常见的。然而，对于长流程和非线性的多设备级联过程，一方面很难建立精确的全局预测模型，另一方面集中式模型预测控制方法难以对这一复杂的大规模非凸优化问题进行求解，限制了其在整个过程实时控制中的应用。虽然分散式模型预测控制方法降低了计算要求，同时其控制模式灵活，但由于缺乏对设备之间的级联耦合的考虑，也难以取得令人满意的结果。近年来，分布式模型预测控制方法逐渐应用于流程工业过程。与集中式模型预测控制相比，它显著降低了计算开销，与分散式模型预测控制方法相比，其具有突出的控制表现。模型的准确性是保证预测控制有效性的关键。当前，流程工业过程中的分布式模型预测控制方法主要通过机理建立了子系统的预测模型，并通过局部线性化将非线性模型转换得到线性模型。机理模型本身存在一定程度的误差，这种误差在线性化过程中加剧，导致预测模型的不准确，进而影响控制效果。随着新一代信息技术的到来和自动控制系统在生产现场的广泛部署，现场数据的积累越来越多。它为基于学习的预测模型研究与应用提供了基础。非线性自回归模型可以通过使用神经网络或其他数据模型直接建立。单个设备在不同的运行状态下，模型的输入输出关系会发生变化，导致直接建立的非线性模型难以精准描述设备多变的运行状态。基于状态依赖的模型预测控制方法，利用神经网络来学习预测模型在每个状态点上的系数，能够描述时变的非线性，并已在单系统或设备控制中显示出了良好的结果。然而，当前对于多设备级联的流程工业过程而，需要一种具备设备状态自学习、设备之间信息实时交互、设备关键参数智能自主控制的方法，以实现流程工业过程多设备级联的精细化管控。
3、为此，针对级联过程设备前后影响同时设备运行状态多变下的控制难题，本专利提出了一种基于状态自学习的分布式自主控制方法。它包括基于状态自学习的非线性动态建模，前后级联设备的多步协同预测，以及级联设备的分布式自主控制。
技术实现思路
1、基于此，本发明的目的在于，提供一种级联耦合下的分布式智能自主控制方法。首先，利用神经网络对各设备的时变工作状态进行自学习，获得不同状态下的线性自回归模型参数，其中通过预测模型的局部线性化捕获设备的非线性动态特性。然后，利用不同设备的模型对未来状态进行多步预测，将前一个设备出口的预测信息作为后一个设备的未来入口信息，以实现级联设备的协同预测。随后，基于预测结果以级联方式实现每个设备的分布式自主控制。
2、一种级联耦合下的分布式智能自主控制方法，包括如下步骤：
3、第1步：对于每个设备建立基于状态自学习的非线性动力学模型，得到l个分布式非线性预测模型；
4、第2步：每个设备根据自己的状态在线学习自回归模型参数；
5、第3步：对于在线控制，获得第l个设备未来输出的多步预测，然后进行控制序列的优化；
6、第4步：将控制序列的第一个值应用于设备l，如果l＝l，跳转到步骤2继续进行滚动优化，否则继续执行步骤5；
7、第5步：预测信息沿级联方向传输，计算第个设备l+1的未来的入口条件；
8、第6步：令l＝l+1并跳转到步骤3，实现级联分布式控制。
9、进一步的，所述第1步通过公式(1)得出l个分布式非线性预测模型，
10、
11、进一步的，所述第二步令t＝t+1，每个设备通过公式(2)根据自己的状态在线学习自回归模型参数，
12、
13、其中，w(t-1)表示设备当前t-1时刻的状态变量，是rbf神经网络的隐藏层系数,
14、
15、表示rbf神经网络输出层系数。
16、进一步的，所述第三步通过公式(6)获得第l个设备未来输出的多步预测，
17、
18、其中
19、
20、
21、e{x}表示x的期望。
22、进一步的，第三步通过公式(17)进行优化，
23、
24、进一步的，所述步骤5通过公式(14)计算第l+1个设备的未来入口条件
25、
26、其中,el(t)表示第l个设备在t时刻的预测误差,函数g通过物料平衡和其他机理知识来确定。
27、本发明所述的一种级联耦合下的分布式智能自主控制方法，首先，利用神经网络对各设备的时变工作状态进行自学习，获得不同状态下的线性自回归模型参数，其中通过预测模型的局部线性化捕获设备的非线性动态特性。然后，利用不同设备的模型对未来状态进行多步预测，将前一个设备出口的预测信息作为后一个设备的未来入口信息，以实现级联设备的协同预测。随后，基于预测结果以级联方式实现每个设备的分布式自主控制。相比其控制精度大大提升，为多设备级联下的精细化控制提供了新的解决思路。
28、为了更好地理解和实施，下面结合附图详细说明本发明。
1.一种级联耦合下的分布式智能自主控制方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种级联耦合下的分布式智能自主控制方法，其特征在于：所述第1步通过公式(1)得出l个分布式非线性预测模型，
3.根据权利要求2所述的一种级联耦合下的分布式智能自主控制方法，其特征在于：所述第二步令t＝t+1，每个设备通过公式(2)根据自己的状态在线学习自回归模型参数，
4.根据权利要求3所述的一种级联耦合下的分布式智能自主控制方法，其特征在于：所述第三步通过公式(6)获得第l个设备未来输出的多步预测，
5.根据权利要求4所述的一种级联耦合下的分布式智能自主控制方法，其特征在于：第三步通过公式(17)进行优化，
6.根据权利要求5所述的一种级联耦合下的分布式智能自主控制方法，其特征在于：所述步骤5通过公式(14)计算第l+1个设备的未来入口条件
