中文摘要：

间歇聚合反应过程广泛应用于精细化工、生物制药等具有高附加值产品的工业生产中，系统研究间歇过程生产操作优化和产品质量先进控制的理论和方法，对提高我国精细化工工业的生产自动化水平、缩短与发达国家的差距，具有非常重要的意义。本项目采用动态回归神经网络建立对象模型，采用遗传算法求解生产操作的最优轨线。对于聚合反应过程参数频繁变化，采用批次间迭代优化策略更新最优轨线。针对间歇过程多产品多目标的生产方式，采用多神经网络建立大范围鲁棒模型，实现批量生产的优化调度。结合间歇过程重复运行的特点，采用基于线性时变扰动模型的迭代学习控制策略来跟踪生产的最优轨线，保证最终产品质量。研究迭代学习控制与模型预测控制相结合的集成控制策略，克服生产中出现的各种扰动。利用神经网络的学习和记忆能力，与迭代学习控制方法相结合，实现聚合反应过程的智能学习控制策略，并深入分析基于非线性对象描述的迭代学习控制理论和方法。

结论摘要：

间歇聚合反应过程广泛应用于精细化工、生物制药等具有高附加值产品的工业生产中，系统研究间歇过程生产操作优化和产品质量先进控制的理论和方法，对提高我国精细化工工业的生产自动化水平、缩短与发达国家的差距，具有非常重要的意义。本项目采用动态回归神经网络建立对象模型，采用遗传算法求解生产操作的最优轨线。对于聚合反应过程参数频繁变化，采用批次间迭代优化策略更新最优轨线。针对间歇过程多产品多目标的生产方式，采用多神经网络建立大范围鲁棒模型，实现批量生产的优化调度。结合间歇过程重复运行的特点，采用基于线性时变扰动模型的迭代学习控制策略来跟踪生产的最优轨线，保证最终产品质量。研究迭代学习控制与模型预测控制相结合的集成控制策略，克服生产中出现的各种扰动。利用神经网络的学习和记忆能力，与迭代学习控制方法相结合，实现聚合反应过程的智能学习控制策略，并深入分析基于非线性对象描述的迭代学习控制理论和方法。