模型预测控制-r.pptVIP

预测控制中模型的线性化处理并非在所有应用场合都适用。对于含有强烈非线性、扰动频繁的控制系统(如PH控制)或者带有时变特性且工作点跨越较大非线性过程动态的伺服控制系统(如聚合化工、合成氨)而言，模型线性化无法满足系统控制要求，在某些极端情况下，线性化的参考模型甚至会导致控制系统稳定性的丧失。 图5显示了常规生产过程中存在的非线性及其模型预测控制的应用情况。对于大多数带有强非线性的控制系统(如聚合化工、气体分馏、造纸过程等)而言，预测控制的应用依旧是 个空白。这种现状近年来得到了过程控制界越来越多的关注。 Inter Process Communication * Inter Process Communication * 1．预测模型 预测控制是一种基于模型的控制算法，这一模型称为预测模型。预测模型的功能是根据对象的历史信息和未来输入预测其未来输出。这里只强调模型的功能而不强调其结构形式。因此，状态方程、传递函数这类传统的核型都可以作为预测模型。对于线性稳定对象，甚至阶跃响应、脉冲响应这类非参数模型，也可直接作为预测模型使用。此外，非线性系统、分布参数系统的模型，只要具备上述功能，也可在对这类系统进行预测控制时作为预测模型使用。 预测核型具有展示系统未来动态行为的功能，这徐我们就可像在系统仿真时那样，任意地给出未来的控制策略，观察对象在不同控制策略下的输出变化。从而为比较这些控制策略的优劣提供了基础。 2．滚动优化 预测控制是一种优化控制算法，它是通过某一性能指标的最优来确定未来的控制作用的。这一性能指标涉及到系统未来的行为，例如，通常可取对象输出在未来的采样点上跟踪某一期望轨迹的方差为最小，但也可取更广泛的形式，例如要求控制能量为最小而同时保持输出在某一给定范围内等等。性能指标中涉及到的系统未来的行为，是根据预测模型由未来的控制策略决定的。 然而，需要强调的是，预测控制中的优化与传统意义下的离散最优控制有很大的差别。这主要表现在预测控制中的优化是一种有限时段的滚动优化。在每一采样时刻，优化性能指标只涉及到从该时刻起未来有限的时间，而到下一采样时刻，这一优化时段同时向前推移。因此，预测控制不是用一个对全局相同的优化性能指标，而是在每一时刻有一个相对于该时刻的优化性能指标。不同时刻优化性能指标的相对形式是相同的，但其绝对形式，即所包含的时间区域，则是不同的。因此，在预测控制中，优化不是一次离线进行．而是反复在线进行的，这就是滚动优化的含义，也是预测控制区别于传统最优控制的根本点。 3．反馈校正 预测控制是一种闭环控制算法。在通过优化确定了一系列未来的控制作用后，为了防止模型失配或环境干扰引起控制对理想状态的偏离．预测控制通常不是把这些控制作用逐一全部实施，而只是实现本时刻的控制作用。到下一采样时刻，则首先检测对象的实际输出，并利用这一实时信息对基于模型的预测进行修正，然后再进行新的优化。 反馈校正的形式是多样的，可以在保持预测模型不变的基础、上，对未来的误差作出预测并加以补偿，也可以根据在线辨识的原理直接修改预测模型。不论取何种校正形式，预测控制都把优化建立在系统实际的基础上，并力图在优化时对系统未来的动态行为作出较准确的预测。因此，预测控制中的优化不仅基于模型，而且利用了反馈信息，因而构成了闭环优化。 Inter Process Communication * 4. 参考轨迹 在预测控制中，考虑到过程的动态特性，为了使过程避免出现输入和输出的急剧变化，往往要求过程输出沿着一条所期望的、平缓的曲线达到设定值，这条曲线就称为参考轨迹。它是设定值经过在线“柔化”后的产物。最广泛采用的参考轨迹为一阶指数变化形式。 Inter Process Communication * 1、MAC算法在采用式(10—14)作为优化性能指标时，即使模型没有误差时，系统存在稳定余差。这是由于它以u(k)作为控制量，导出的控制作用具有比例作用性质。 2、N的选择显然与采样周期有关，对于给定的过程，采样周期短，则N会相应地增大。另外，在预测控制中，脉冲响应系数hi对于测量噪音具有一定的滤波抑制作用，而且，其误差对整个系统的影响往往不是累加的，甚至有时可能相互抵消。因此，N可适当选得大一些，但N太大会增加预测控制的计算量和存贮量。通常20-60为宜. 3、P是预测控制中极为重要的设计参数之一。通常P越大，预测控制的鲁棒性就越强。但相应的计算量和存储量也增大。一般P选择等于过程单位阶跃响应达到其稳态值所需过渡时间的一半所需的采样次数。 4、M也是预测控制中极为重要的设计参数之一。M越大，系统的鲁棒性也就越强。但是为了避免优化过程的寻优困难，M不宜选得太大，—般M取小于10为宜。 5、由前所述，α大，则预测控制的鲁棒性强，但导致闭