多变量系统组合模型预测控制概述及软件设计.docVIP

　　多变量系统组合模型预测控制概述及软件设计 第 1 章 绪 论 1.1课题研究背景及意义 当今工业生产在国民生活中占有重要位置，是生活物资供应的基础。工业自动化水平是衡量一个国家综合实力的标准，因此自动化方向的科学工应当把提高我国工业自动化控制水平作为不断追求的目标[1]。工业过程控制始于上世纪 40 年代，起初阶段是采用 PID 控制单变量简单反馈控制回路，以传统的经典控制理论为根本，主要对控制对象进行频域分析来设计控制方法和综合策略[2]。目前，以 PID 控制器为主的控制系统仍十分广泛，大多数的现代化设备都采用集散控制系统(DCS)进行控制，但 PID 控制回路还能占到总控制回路的 80%以上[3,4]。工业生产的实际控制最重要的原则是控制平稳，PID 算法符合人的思想，通过常用的简单算法组合，通常能满足一般系统的控制要求。并且这类算法具有一定的历史遗传性，很早就得到工业界的认可，控制器的设计也比较成熟。但是，PID 控制由于其算法本身的局限性不能适应于所有的控制对象更不能达到现代大工业控制的所有控制标准[5]。从上世纪中旬开始发展起来的一系列复杂的控制系统包括串级、比值、前馈、均匀和 Smith 预估控制等，扩充了传统的 PID 控制的方式，对单变量系统的控制也达到了令人满意的效果。这些控制方法都以经典控制理论为基础，在结构和应用上各具特色，是控制理论多方向发展的结果，许多控制方法目前仍处在不断改进和应用阶段[6]。目前，控制领域两大最棘手的研究问题就是非线性问题和多变量问题[7]。非线性问题一直是控制领域的一大难题，目前对于线性系统的控制已经有了很成熟的理论和实践应用。但实际工业生产中组成控制系统的各个元件，各单元都存在不同程度的非线性，不同部分非线性的程度也不一样，因此很难有统一有效的方法适用于所有非线性系统[8]。多变量问题是控制研究从理论到实践应用必然提及的重要问题。现在大工业的系统都是多变量的复杂系统，每个变量都有自身的特点，各变量间都相互联系存在耦合关系。所以要实现对系统的良好控制，必须要处理多变量问题[9,10]。 1.2国内外研究现状与分析 预测控制是以预测模型为基础，以预测控制算法为核心，具有预测输出和反馈校正特点的先进的控制方法，通常也被称为模型预测控制(Model Predictive Control，MPC)[18,19]。20 世纪 70 年代末随着计算机技术的发展，计算机可处理问题的复杂度和计算速度逐渐增加，为以数据计算为主的预测控制算法提供了技术平台。1978 年，Richalet 首先提出了预测控制的基本思想和基础理论，并阐述了其在化工生产控制中的应用效果。预测控制从产生到现在经过 40 多年的不断发展和实践应用，已经对工业过程控制产生了巨大的影响，极大地提高了化工、冶金、电力等多个行业的自动控制水平[20-22]。从发展历程上看，最先把预测控制应用到工业控制领域的是法国 Adersa 公司的理查勒特(Richalet)等提出的模型预测启发式控制(Model Predictive Heuristic Control,MPHC)[23]，该控制方法比传统的 PID 控制适用范围更广，并能过解决一些传统控制难题。随后，在 1980 年 Shell Oil 公司的 Culter 和 Remarker 在模型预测启发控制的基础上做了完善，提出了同样采用非参数模型的动态矩阵控制(Dynamic MatrixControl, DMC)[24]。以上两种算法都是将预测控制思想引入控制领域，并具备了滚动优化和反馈校正等控制策略，为以后预测控制的发展奠定了基础。在 80 年代初期，研究人员在已有的预测控制的基础上又先后提出了模型算法控制(Model AlgorithmicControl, MAC)[25]及内模控制(Internal Model Control, IMC)[26]，这两种预测控制方法的研究和实践应用是对原有预测控制方法的扩展与延伸，将预测控制推向了新的阶段，推动了预测控制的向前发展。随着模型预测控制的不断创新和扩展，到 80 年代末期，一种新的预测控制算法广义预测控制(Generalized Predictive Control, GPC)[27-19]诞生。这种预测控制算法是预测控制和自校正思想结合参数辨识的产物，大幅度改善了预测控制的性能，得到了广泛的应用。因此模型预测控制的发展及广泛应用，一方面是理论研究不断深入的结果，更重要的是工业实践对控制要求不断提高的成果展示[30]。 第 2 章 多变量系统的 ARMAX 模型辨识研究 2.1 引言 当前，大多数工业生产中的控制系统都是多变量系统，多变量系统本身结构复杂，变量之间存在相互耦合关系，传统的控制建模方法很难对多变量系统准确建模。