通过动态非线性偏最小二乘法对非线性模型进行预测以及控制分解.doc

通过动态非线性偏最小二乘非线性模型预测控制 G. BAFFI, J. MORRIS and E. MARTIN 过程分析与控制技术中心，纽卡斯尔大学，纽卡斯尔，英国 通过动态非线性偏最小二乘（ PLS ）模型模型预测控制（MPCPLS显示有适合它的多元回归方法，相关性总线的数据。一个“静态”框架内已广泛应用于工业过程数据建模和。本文的贡献是非线性动态PLS框架MPC应用。该非线性动态PLS模型误差的非线性偏最小二乘算法其中非线性于自回归与外源输入（ ARX ）框架。特别，二次和前馈神经网络内部模型。一个MPC框架内的一个动态的PLS模型的应用开辟了多元统计基础的预测方法不仅过程建模，推理估计和性能监控，同时也模型预测控制。一个基准仿真的pH值中和系统非线性动态PLS框架模型预测关键词：预测控制，非线性偏最小二乘模型预测控制（MPC ）正成为一种常规采用先进的过程控制策略。基于线性过程模型MPC算法已广泛研究并应用化工流程工业。这主要们处理，时间延迟和多变量系统。然而，许多过程是高度非线性的，线性过程模型可能会导致控制性能不佳，MPC技术延伸到非线性过程。在MPC中，的过程动态模型首先发展预测过程一定时间内的输出值。这些值被用来评估未来的控制动作，以减少预函数。程控制策略过程建模和模型系统适当的数学。一种方法是通过的知识原理虽然一些非线性的MPC方法已经基于非线性的展开机理模型由于他们详细知识和时间。此外环境，复杂的多产品生产理论模型可能不实用由于需要制定一个原理模型过程数据鉴定经验数据提供了另一种机械。工业流程这使得非线性的MPC算法更广泛应用。这种结构包括ARMA）3， Volterra模型和神经网络。。无视相关结构严重影响用于获得该模型的非线性优化技术参数。一种解决方案是偏最小二乘（ PLS ）建模技术多变量的统计预测，考虑到了数据底层结构的相关性。这项工作的目的是动态非线性PLSMPC应用。良好已知基准pH中和模型用于测试动态非线性偏最小二乘回归模型及其在非线性PLS MPC方案使用。的非线性特征提供了的建模挑战。 以经验数据为基础的建模方法数学函数关系和回归工具（例如，最小二乘法或非线性最优化技术）来评估模型参数（回归） 。这些变量代表进程的行为，以及质量或要被控制的产品，或系统输出的特性实验性的数据（测量）经验建模技术。大量的模型可用于动态。最常见的形式包括输入输出如状态空间，时间序列，卷积，连续和离散时间传递函数模型。一系列动态建模技术。在这项研究中，自回归与外部输入（ ARX ）模型用二次结合和神经网络偏最小二乘方法。ARX可以写为 （1） 其中，u（ k）和Y（ k）分别过程输入和输出数据矢量v（ k）是，根据输入和输出的数目维变量，在时间点Ai和Bj是模型系数和矩阵分别时间滞后的输出和输入变量。可以看出，该模型结构是基于（时间）过程变量的测量和滞后值它假定在k时刻输出值是一个以。优点是过程数据呈现给稳态回归模型是“动态”稳态回归技术可以用于动态过程建模 作为一种简单的矩阵形式，ARX??模型可以表示为回归行向量点x（k ），滞后输出和输入值 （2） 公式（2）可以改写为： （3） 其中模型矩阵C是由C A1, A2 ….Any， B1B2…Bny]给出。当建立一个ARX回归模型，在从其中被假定可用的输入和输出数据计算有代表性的典型过程操作。因此，这两个数据集，Xn p和Y其中n是样品P和是的数量质量变量，可以用来预测该过程的未来行为。该过程测量与产品“质量” “响应”数据样品（时间上）被定义和排序成两个矩阵 和 其中每一行向量点x（k ）根据公式（2） ，每个行向量y（K）包含相应的输出值公式（3） 。两个数据矩阵X和Y可以通过，其中V是包含信号v（k ） 。 (4) 在时间点kARX??模型提供了输入和输出数据一步到位的超前预测，即用于预测在时间点（K 1）的输出。，知道输入变量的未来值，同时实现模型形式作为多步超前预测。多步超前预测可以使用预测的输出值，而不是公式的输出值 ，即回归矢量x被定义为 （5） 其中YK）表示在时间点k的预测输出。此外，如果测得的输出值是可用的，即使在不规则的时间的基础上，通过回归向量代替预测值x它们可以被送入到模型线性的非线性的经验建模技术灵敏度回归工具的数据矩阵，包括变量高度相关或共线。最小二乘解方程（ 4 ）单数模型估算精确和不稳定，即数据矩阵将导致参数估计。当模型数据被收集在一个显着的因为大量的变量的化学过程记录在每个单元的过程中，其中有许多解释相同的底层程序的行