基于炼油过程的克服纯滞后的广义预测控制.docVIP

基于炼油过程的克服纯滞后的广义预测控制 　　摘要:针对炼油工业过程中存在的纯滞后问题,提出一种克服纯滞后的广义预测控制方法。由神经网络辨识出非线性系统的纯滞后时间参数,在每个控制周期内,递推预测非线性滞后系统在未来时刻的工作点,在工作点附近对非线性系统进行线性化,根据得出的线性化模型进行广义预测控制,预测出未来对应时刻的系统输出,从而达到预期的控制目的,仿真结果表明,此方法能快速有效地跟踪系统给定值,控制效果良好。 　　Abstract: This paper focused on extending the generalized predictive control algorithm for overcoming the promblem of pure lag system based on the process of refinng. First non-linear system identified pure lag time parameters by the neural network, then at each control period, we predict the nonlinear system’s future working point at which we linearize the nonlinear system and get a linear system, then we apply the generalized predictive control algorithm to this linear model to control the nonlinear system and predict the system future output and achieve the desired objective.The simulating results show that this method can track the set value of the system rapidly and efficiently,and has a good control result. 　　关键词:神经网络;广义预测控制;纯滞后;线性化模型 　　Key words: neural network;generalized predictive control;pure lag;linear model 　　中图分类号:TE624;F272.1 文献标识码:A文章编号:1006-4311(2010)14-0127-02 　　 　　0引言 　　炼油工作过程具有典型的非线性、纯滞后的特点,常规的PID控制往往无能为力。1957年Smith提出的预估器是解决大纯滞后的有效方法,也有很多学者在此基础上提出一些改进方法,取得了较好的控制效果[1-2],但是它需要控制对象的精确数学模型,抗干扰能力差。而组合Smith的模糊控制[3],虽不需要控制对象的精确模型,但难以实现各预估器之间的无扰动切换。 　　广义预测控制(GPC)[4]的研究大多以线性系统为被控对象,并取得了许多理论和应用成果。为将GPC良好的控制效果推广到非线性系统控制中,近年来一些学者展开这方面的研究。文献[5]中提出的将预测函数控制应用于纯滞后温度控制系统,减小了稳态误差,但超调量偏大。还有一些学者采用神经网络辨识系统的滞后参数,来描述非线性系统进行预测控制。但如何将辨识后的纯滞后时间参数结合未来时刻的工作点预测控制输出等控制方法未加讨论。 　　根据上述情况提出一种用神经网络辨识系统的滞后时间参数,对递推预测出的未来工作点得出其线性化模型,用广义预测控制算法实现对炼油过程的纯滞后对象的控制。 　　1非线性模型及滞后时间参数的辨识 　　对于一般纯滞后非线性控制系统: 　　y=g(y(t),u(t-d),t)(1) 　　其中,y(t)、u(t)分别表示系统的输出和控制量;d为系统的纯滞后时间;设非线性函数g连续可导。在用神经网络对非线性系统滞后时间参数进行辨识时,主要是利用不同的输入采样区间样本集对网络的训练结果有很大的影响的特性,即:在用采集的样本对神经网络进行训练时,期望输出与网络输出误差平方和(即网络训练结果)会在不包含第一个延迟输入量h=d+1到包含第一个延迟输入量h=d的输入采样区间产生突变,由此可以用来辨识出系统的纯滞后时间。 　　2工作点预测 　　由于系统存在的纯滞后,已知当前时刻之前的控制量和输出的前提下,忽略将来时刻噪声的影响,由式(1)可计算系统将来时刻d步延时后的预测输出ym(t+d),它与控制量u(t-1)一起作为系统在将来时刻(t+d)的工作点的预测值。 　　3线性化模