买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学申请的专利一种数据驱动的闭环动态实时运行优化与预测控制方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120447396B 。

龙图腾网通过国家知识产权局官网在2025-09-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510921849.0，技术领域涉及：G05B13/04；该发明授权一种数据驱动的闭环动态实时运行优化与预测控制方法是由张欣雨;韩中洋;赵珺;王伟设计研发完成，并于2025-07-04向国家知识产权局提交的专利申请。

本一种数据驱动的闭环动态实时运行优化与预测控制方法在说明书摘要公布了：本发明公开了一种数据驱动的闭环动态实时运行优化与预测控制方法，属于工业过程优化控制技术领域，面向具有复杂动态特性和经济优化需求的工业过程，提出一种数据驱动的闭环动态实时运行优化与预测控制相结合的框架。首先采集真实工业过程数据，并整理操作约束和经济性能评价指标；其次，建立数据驱动的闭环动态实时优化模型，作为上层优化模型，经上层优化模型计算得到下层控制模型的最优设定轨迹；再建立鲁棒数据驱动预测控制模型，作为下层控制模型，求解下层控制模型计算出最优的控制策略。最后，实施计算出的第一个控制动作进行滚动优化，并将结果反馈至上层优化模型。本发明在提高运行经济性的同时，能够保持良好的动态控制性能。

本发明授权一种数据驱动的闭环动态实时运行优化与预测控制方法在权利要求书中公布了：1.一种数据驱动的闭环动态实时运行优化与预测控制方法，其特征在于，包括：首先采集真实工业过程数据，对采集到的数据进行预处理，并整理操作约束和经济性能评价指标；其次，针对设备运行经济性，考虑闭环反馈对未来响应的影响，建立数据驱动的闭环动态实时优化模型，作为上层优化模型，以最大化过程经济效益为目标，计算得到未来一段时间内的最优设定点轨迹；再针对设备控制跟踪性能，建立鲁棒数据驱动预测控制模型，作为下层控制模型，以精确跟踪最优设定点轨迹为目标，计算得到最优控制序列；最后，实施最优控制序列中的第一个控制动作进行滚动优化，并将结果反馈至上层优化模型； 具体包括以下步骤： S1：数据采集与预处理： 针对目标工业过程控制系统，简称“目标系统”，采集其设备的历史和实时运行数据作为原始数据，对原始数据进行预处理；将预处理后的数据整理成输入输出数据对序列，存储于运行数据库中；同时，整理并设定目标系统的操作约束和经济性能指标； S2：构建数据驱动的闭环动态实时优化模型，作为上层优化模型： 建立数据驱动的闭环动态实时优化模型，作为上层优化模型，其外层是一个动态实时优化DRTO问题，内层则嵌入一个数据驱动预测控制DDPC子问题： S2.1：构建外层DRTO模型；外层DRTO模型目标函数为： （1） 式中，是外层DRTO模型经济性能目标函数，和分别是外层DRTO模型在当前时刻决定的未来步预测时域内的输出和输入参考轨迹，和分别是提供给DDPC子问题的输出和输入设定点轨迹，亦为上层优化模型最终输出的当前最优设定值；和分别是外层DRTO模型在当前时刻决定的未来步预测时域内的预测输入和预测输出；为外层DRTO模型的预测时域长度；是待优化的系数向量，是的正则化系数；为松弛变量，是的正则化系数； 外层DRTO模型的约束条件包括： 1）数据驱动的预测模型约束： （2） 式中，表示基于历史输入输出数据构建的汉克尔矩阵，和分别是运行数据库中可用的历史输入和输出数据；是目标系统的阶数，表示矩阵转置变换； 2）初始状态约束： （3） 其中，表示外层DRTO模型的预测时域的步长，在这里取0到，表示预测轨迹的初始个值，和分别表示外层DRTO模型第步的预测输入和预测输出，式（3）表示预测轨迹的初始个输入和输出值分别与当前时刻之前的个实际测量的输入和输出保持一致； 3）运行操作约束： （4） 其中，和分别表示外层DRTO模型预测输入的下限和上限，和分别表示外层DRTO模型预测输出的下限和上限； 4）设定点传递约束： （6） 其中，表示由外层DRTO模型确定的参考轨迹和与传递给其内嵌DDPC子问题进行跟踪的设定点轨迹和之间转换关系； 5）外层DRTO模型与DDPC子问题变量关系约束： （7） （8） 式（7）表示在外层DRTO模型预测时域的第步，其决定的预测输入是由其内嵌的DDPC子问题计算得到的最优控制序列的第一个控制动作提供；式（8）表示采用DDPC子问题计算的最优控制序列的第一个控制变量，其中，表示DDPC子问题的预测时域的步长，是DDPC子问题的预测时域；表示求解DDPC子问题得到控制序列，表示DDPC子问题的目标函数； S2.2：构建内嵌DDPC子问题模型： 内嵌DDPC子问题模型的目标函数为最小化跟踪误差： （9） 其中，和分别表示沿外层DRTO模型预测时域第步时，内嵌DDPC子问题模型的预测输出和预测输入；和分别表示沿外层DRTO模型预测时域第步内嵌DDPC子问题模型从外层DRTO模型参考轨迹中提取的输入设定点和输出设定点，矩阵和分别是预测输出和预测输入与其相应的设定点、之间距离的惩罚权重矩阵；和分别为系数向量及其正则项系数，和分别为松弛变量及其正则项系数； 内嵌DDPC子问题模型的约束条件如下： 1）数据驱动的预测模型约束： （10） 其中，为内嵌DDPC子问题模型用于预测的汉克尔矩阵的历史数据窗口长度，和分别表示内嵌DDPC子问题模型中用于预测的历史输入和输出数据； 2）初始状态约束： （11） 式（11）用于保证预测的内部状态与目标系统在时刻的实际内部状态保持一致；式中和表示内嵌DDPC子问题模型的输出和输入的初始前个变量；和表示目标系统在时刻之前的个实际测量输入和输出； 3）控制变量约束： （14） 式中，为需满足的上下限约束集； S2.3：求解上层优化模型： 采用同时求解策略，将每一个内嵌DDPC子问题模型替换为其等效的一阶卡罗需-库恩-塔克KKT最优性条件，则上层优化模型被重新表述为一个单级的、包含互补约束的数学规划问题MPCC，通过MPCC求解器进行求解，得到使目标系统未来经济性能最优的操作设定点轨迹序列，作为当前时刻下层控制模型的目标设定点； S3：构建鲁棒数据驱动预测控制模型，作为下层控制模型： 基于实时更新的运行数据库，建立下层鲁棒数据驱动预测控制模型，作为下层控制模型； S3.1：下层控制模型的目标函数为最小化设定点跟踪误差： （27） 式（27）中，为目标系统预测时域，和分别是下层控制模型预测的未来输入和未来输出，和是在线计算可达目标稳态点，和分别为系数向量及其正则项系数，和分别为松弛变量及其正则项系数，是控制输入跟踪误差权重矩阵，是控制输出跟踪误差权重矩阵，是控制输入终端约束惩罚权重矩阵，是控制输出终端约束惩罚权重矩阵； S3.2：下层控制模型的约束条件包括： （28） （29） （30） （31） 式（28）为汉克尔矩阵的预测模型，其中和是下层控制模型用于预测未来趋势的历史输入和输出数据；式（29）是初始状态约束，用于确保下层控制模型预测的未来输入和未来输出轨迹的前个输入和输出值和与时刻的实际内部状态一致，和表示时刻之前的个实际测量输入和输出；式（30）是对下层控制模型预测的未来输入和未来输出轨迹的最后个输入和输出值的终端等式约束，和分别表示下层控制模型预测的未来输入和未来输出轨迹的最后个变量；式（31）表示对的约束，和分别表示下层控制模型控制变量的下限和上限； 在每个控制周期内求解下层控制模型，求解后得到最优控制序列； S4：控制实施与数据更新： 执行最优控制序列的第一个控制动作，在下一个采样时刻，测量目标系统新的实际输出；根据新获取的输入和更新运行数据库；具体更新方式如下： S4.1数据集更新：将最新的数据对加入到运行数据库中； （32） S4.2滚动优化：完成数据更新后，重复步骤S2至S4，形成闭环的动态实时优化与预测控制； 最终通过不断优化设定点和实施精确控制，使得目标系统在满足各种约束的前提下，持续趋向并维持在经济效益更优的运行状态。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。