第6章基于模型预测控制.pptVIP

第10章 基于模型的预测控制 工业过程的多输入——多输出的高维复杂系统难于建立精确的数学模型，工业过程模型结构、参数和环境都有大量不确定性； 工业过程都存在着非线性，只是程度不同而已； 工业过程都存在着各种各样的约束，而过程的最佳操作点往往在约束的边界上等。 70年代以来，针对工业过程特点寻找各种对模型精度要求低，控制综合质量好，在线计算方便的优化控制算法。预测控制是在这样的背景下发展起来的一类新型计算机优化控制算法。 10.1 预测控制的发展 最早有理查德（Richult）、梅拉（Mehra）等提出建立在脉冲响应基础上的模型预测启发控制（Model predictive Heuristic Control, 简称MPHC）或称模型算法控制（Model Algorithmic Control 简称MAC），以及有卡特勒（Cutler）等提出建立在阶跃响应基础上的动态矩阵控制（Dynamic Matrix Control 简称DMC）。 由于脉冲响应、阶跃响应易于从工业现场直接获得，并不要求模型的结构有先验知识。基此采用滚动优化等策略，计算当前控制输入取代传统最优控制，并在线优化控制中利用实测信息不断进行反馈校正。所以在一定程度上克服了不确定性的影响，增强了控制的鲁棒性。此外，这类算法在线计算比较容易，非常适合于工业过程控制的实际要求。 70年代后期，MAC,DMC分别在锅炉、分馏塔和石油化工装置上获得成功的应用，取得了明显经济效益，从而引起工业控制界的广泛重视。国外一些公司如Setpoint, DMC, Adersa, Profimatics等也相继推出了预测控制商品化软件包，获得了很多成功的应用。 80年代初期，为了克服最小方差控制的弱点，吸取预测控制中的多步预测优化策略，这样可以增强算法的应用性和鲁棒性。因此出现了基于辩识模型并带有自校正的预测控制算法，如扩展时域自适应控制（Extended Prediction Self-Adaptive Control 简称 EPSAC）；广义预测控制（Generalized Predictive Control 简称GPC）等，这类算法以长时段多步优化取代了经典最小方差控制中的一步预测优化，从而可应用于时滞和非最小相位对象，并改善了控制性能和对模型失配的鲁棒性。 此外，莫拉里(Morari)等1982年研究一类新型控制结构——内模控制（Internal Model Control 简称IMC），发现预测控制算法与这类控制算法有着密切联系。MAC、DMC是IMC的特例，从结构的角度对预测控制作了更深入的研究。 目前GPC都是以线性系统作为被控制对象，对于弱非线性系统，一般仍能取得较好的控制效果，但对一些强的非线性系统难于奏效。对此，非线性的广义预测控制研究开始重视，主要有基于Hammerstein模型广义预测控制、基于LMOPDP模型广义预测控制、基于神经网络的非线性系统广义预测控制，还有基于双线性模型、多模型等多种方法。 由于预测控制对于复杂工业过程的适应性，在国外许多企业得到广泛应用，取得显著经济效益，国内亦有试点，逐步推广应用。它在工业过程有着广阔的应用前景。 10.2 预测控制的基本原理 通常的PID控制，是根据过程当前的和过去的输出测量值和设定值的偏差来确定当前的控制输入。 而预测控制不但利用当前的和过去的偏差值，而且还利用预测模型来预估过程未来的偏差值，以滚动优化确定当前的最优输入策略。 因此，从基本思想看，预测控制优于PID控制。 1 基本原理 各类预测控制算法都有一些共同特点,归结起来有三个基本特征,如图1所示. (1).预测模型。 预测控制需要一个描述系统动态行为的模型称为预测模型。它应具有预测功能，即能够根据系统的现时刻的控制输入以及过程的历史信息，预测过程输出的未来值。 脉冲响应模型和阶跃响应模型等非参数模型, 传递函数，状态空间模型。 目前经常采用易于在线辨识并能描述不稳定过程的CARMA受控自回归滑动平均模型(Controlled Auto-Regressive Moving Average,简称CARMA)和CARIMA受控自回归积分滑动平均模型(Controlled Auto-Regressive Integrated Moving Average,简称CARIMA)。 （2）反馈校正。 在预测控制中，采用预测模型进行过程输出值的预估只是一种理想的方式，对于实际过程，由于存在非线性、时变、模型失配和干扰等不确定因素，使基于模型的预测不可能准确地与实际相符。因此，在预测控制中，通过输出的测量值与模型的