Strong consistency analysis of steady-state models for nonlinear large industrial processes

Steady-state optimization is to optimize the objective function under constraints based on the mathematical model of the process, while the actual industrial process is often nonlinear or slow-time-varying. For dynamic nonlinear large industrial processes, a decentralized identification method is proposed to obtain a strong consistency estimate of its separable steady-state model; using the infinite approximation property of polynomials to nonlinear functions and the step signal of the set point in the optimization process as the input excitation signal, the separable steady-state model and identifiable conditions of the dynamic nonlinear large industrial process are obtained. Keywords nonlinear large-scale industrial processes; steady-state model; strong consistency; sub processes Abstract The steady-state optimization problem is optimizing objective functions based on mathematical model under constrained conditions, in fact the large-scale industrial processes are often nonlinear and slowly time varying. In allusion to dynamic nonlinear large-scale industrial processes, to bring up gained the method of decentralized identification for the strong consistency estimates of the divisible steady-state models, it is used that property of polynomial can infinitely approach to the nonlinear function and in optimization processes use step signals as input signals, the divisible steady-state models of dynamic nonlinear large-scale industrial processes, and the cognizable conditions are obtained.Key words nonlinear large-scale industrial processes; steady-state model; strong consistency; sub processes