基于阶跃响应的约束预测控制.pptVIP

基于阶跃响应模型的约束预测控制 ——印晶 邓强强 5.2基于阶跃响应模型的约束预测控制 基于阶跃响应模型的具有约束预测控制与不具有约束预测控制的主要区别是前者加了硬约束。不具有约束预测控制命题的寻优是利用预测模型并另性能指标对 的偏导数等于零而解析ΔUmopt(k)，而具有约束的预测控制命题就不能这样做，必须针对需求构造一个优化命题，然后调用通用的二次规划寻求算法来求出 ΔUmopt(k)的数值解序列。 下面以阶跃响应表达的预测模型来比较上述两种控制算法： (1)无约束预测控制命题的表达形式 目标函数： 预测模型： 将预测模型带入目标函数，然后令 解析求出ΔUmopt(k) (2)具有约束预测控制命题的表达形式 目标函数： 约束： 然后调用QP算法求解上述命题，解出 ΔUmopt(k) 的数值解。 比较上述两种命题的预测控制算法可以看出，预测模型是一样的且其表达形式不是本质的，根据实际需要来确定。根据需要来构造一个优化命题是两者的根本差别所在。 在上述约束预测控制命题中仅引入了输入及输入增量的约束，模型是作为等式约束引入的。一般讲，系统的输入约束是可以根据实际情况加上硬约束的，对于一个正在运行的工业装置，其上、下限也是容易确定的。但对于输出约束，由于系统在受到不可预测的大干扰时可能出现违反输出约束而进入命题的不可行域，从而使问题无解。所以一般输出是不建议加入硬约束的。 5.3两种模型描述方式的预测控制算法比较 早期的关于DMC预测控制内部模型的形式是直接取自阶跃响应序列的值而得到非参数 化 的动态矩阵模型。由于工业总存在严重的噪声，使得上面的做法几乎难以实现。工程上实际的做法是：实测的阶跃响应 传递函数　　阶跃响应（构成动态矩阵）。那么人们自然要问，既然得到了传递函数，而且总能找到某种最小实现（状态方程），那么为什么不能直接在状态空间上来研究与实施预测控制呢？似乎可以不在需要用表达输入－输出关系的动态矩阵模型了。实际上根据人们实际工作的体会，这两类模型描述方法（输入－输出与状态空间模型）各有特点，与它们相应的预测控制算法似乎不是替代关系，二十互补关系，原因如下： ?直接取自阶跃响应的动态矩阵建模方法由于其模型表现形式是非最小实现的，所以进一步研究诸如系统的稳定性，鲁棒性等问题时就较为困难，而这正是用状态空间描述的长处，装置一旦转化为状态空间的表述形式后，进一步研究系统的稳定性，鲁棒性等就可以借鉴线性系统的大量研究成果，从而将预测控制系统过的研究纳入现代控制理论的体系。极大地增强了对预测控制系统的本质了解，所以状态空间描述形式更适合与进行理论研究 ?状态空间描述方式对与存滞后系统的描述较为困难。本书3.4.2节介绍的方法（由阶跃响应得到低维状态空间模型）仅适用与具有较小存滞后的多变量系统作近似地出来，而对在离散时间系统中有较大存滞后的系统一般是采用扩展状态变量方法来处理，即将存滞后用扩展的状态变量来描述（以存滞后除以采样周期圆整后得到N个扩展状态）。这样做的缺点是系统的状态变量会变的很大，使问题复杂化 ?由于系统状态的不可测，使得状态变量描述的方法较难在工业过程中得到实际应用。因为这种模型中的状态，大多数是没有物理意义的，往往需要观测器或滤波器来得到。由于工业噪声的统计特性无法知道，而且肯定不是白噪声，使得这些技术手段在工业现场几乎无法正常使用，使得现代控制理论无法发挥起作用。相反，基于输入—输出模型的预测控制算法容易在工业控制中得到广泛应用。 ?在基于阶跃响应的动态矩阵描述的系统中，移位矩阵S的定义及反馈校正向量h的选择是启发性的，算法中要求模型时域N取得足够大。而在传递函数引入移位矩阵以及用状态观测器来校正向量h，是将参数模型描述方法与阶跃响应表述的模型预测控制算法结合起来，使得这种模型描述的预测控制漆模型时域N可以取得较小，而系统并不会产生余差。