《先进过程控制学习总结》由会员分享，可在线阅读，更多相关《先进过程控制学习总结（8页珍藏版）》请在金锄头文库上搜索。
1、 先进过程控制学习总结 学科专业： 姓 名： 学 号： 2016年06月引言什么是模型预测控制(MPC)？模型预测控制（Model Predictive Control）是一种基于模型的闭环优化控制策略，已在炼油、化工、冶金和电力等复杂工业过程中得到了广泛的应用。其算法核心是:可预测过程未来行为的动态模型，在线反复优化计算并滚动实施的控制作用和模型误差的反馈校正。模型预测控制具有控制效果好、鲁棒性强等优点，可有效地克服过程的不确定性、非线性和关联性，并能方便地处理过程被控变量和操纵变量中的各种约束。模型预测控制的产生背景1 工业需求：(i). 随着过程工业日益走向大型化、连续化，工业生产过程日
2、趋复杂多变, 往往具有强藕合性、非线性、信息不完全性和大纯滞后等特征，并存在着各种约束条件，其动态行为还会随操作条件变化、催化剂失活等因素而改变。(ii). 典型生产装置的优化操作点通常位于各种操作变量的约束边界处, 因而一个理想的控制器应当保证使生产装置在不违反约束的情况下尽可能接近约束, 以确保获取最佳经济效益。2传统控制及现代控制理论的局限性(i). 传统的PID控制策略和一些复杂控制系统不能满足控制要求;(ii). 现代控制理论的不作为：过分依靠被控对象的精确数学模型 ; 不能处理非线性、时变性、不确定性、有约束、多目标问题。模型预测控制的产生过程1 模型算法控制（MAC）的产生：(i
3、). 1978年，法国的Richalet等人在系统脉冲响应的基础上，提出了模型预测启发控制(MPHC, Model Predictive Heuristic Control)，并介绍了其在工业过程控制中的效果； (ii). 1982年，Rouhani和Mehra2给出了基于脉冲响应的模型算法控制(MAC, Model Algorithmic Control)； 2 动态矩阵控制（DMC）的产生：动态矩阵控制(DMC, Dynamic Matrix Control)于1974年应用在美国壳牌石油公司的生产装置上，并于1980年由Culter等在美国化工年会上公开发表。3 广义预测控制（GPC）的
4、产生：1987年，Clarke等人在保持最小方差自校正控制的在线辨识、输出预测、最小方差控制的基础上，吸取了DMC和MAC中的滚动优化策略，基于参数模型提出了兼具自适应控制和预测控制性能的广义预测控制算法。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 虽然预测控制算法种类多、表现形式多种多样，但它们都具有下述三项基本特征，即：预测模型、滚动优化、反馈校正。 预测控制
5、系统结构简图（1）预测模型预测控制的模型称为预测模型。预测控制对模型的要求不同于其他传统的控制方法，它强调的是模型的功能而不是模型的结构，只要模型可利用过去已知数据信息预测系统未来的输出行为，就可以作为预测模型。 (i) 传统的模型: 状态方程、传递函数 ;(ii) 实际工业过程中较易获得的脉冲响应模型或阶跃响应模型 ;(iii)易于在线辨识并能描述不稳定系统的CARIMA等模型 ;（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
6、测量值与模型的预估值进行比较，得出模型的预测误差，再利用模型预测误差来校正模型的预测值，从而得到更为准确的将来输出的预测值。正是这种由模型加反馈校正的过程，使预测控制具有很强的抗干扰和克服系统不确定的能力。（3） 滚动优化。预测控制中的优化与通常的离散最优控制算法不同，不是采用一个不变的全局最优目标，而是采用滚动式的有限时域优化策略。也就是说，优化过程不是一次离线完成的，而是反复在线进行的，即在每一采样时刻，优化性能指标只涉及从该时刻起到未来有限的时间，而到下一个采样时刻，这一优化时段会同时向前推移。2 参考轨线在预测控制中，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
7、求过程输出y(k+i)沿着一条所期望的、平缓的曲线达到设定值yd。这条曲线通常称为参考轨线。最广泛采用的参考轨线为一阶指数变化形式，可写为 i=1,2,3 式中其中Ts为采样周期；T为参考轨迹的时间常数；y(k)为现时刻过程输出；yd为设定值。显然，T 越小，a则越小，参考轨迹就能越快地达到设定值yd。a是预测控制中的一个重要设计参数，它对闭环系统的动态特性和鲁棒性都有重要作用。预测控制特点1 对模型要求低，建模方便，不需要深入了解过程内部机理2 滚动优化策略，较好的动态控制效果3 简单实用的模型校正方法，较强的鲁棒性4 不增加理论困难，可推广应用于有约束、大纯滞后、多输入多输出、非线性等过程
8、5 一类用计算机实现的优化控制算法鉴于其巨大优势，模型预测控制在过去几十年广泛应用于炼油、化工、电力、造纸、冶金、食品加工等复杂工业过程控制。工业过程控制中的复杂系统，是指被控对象容量滞后大、负荷变化剧烈而频繁，或者工艺对产品质量要求很高，常规控制策略无法满足性能要求的系统。基于阶跃响应模型的控制器设计与仿真基于系统的阶跃响应模型进行模型预测控制器设计的方法称为动态矩阵控制方法。该方法是采用工程上易于获取的对象阶跃响应模型，算法较为简单，计算量较少，鲁棒性较强，适用于纯时迟、开环渐近稳定的非最小相位系统，在工业过程控制中得到成功应用。考虑如下的双输入输出纯时延对象，其传递函数矩阵为MATLAB
9、程序如下：%将传递函数模型转换为阶跃响应模型g11=poly2tfd(12.8,16.71,0,1);g12=poly2tfd(6.6,10.91,0,7);g21=poly2tfd(-18.9,211,0,3);g22=poly2tfd(-19.4,14.41,0,3);delt=3;%采样周期ny=2;tfinal=90;model=tfd2step(tfinal,delt,ny,g11,g12,g21,g22);%进行模型预测控制器设计plant=model;%预测时域长度为6p=6;m=2;ywt=;uwt=;%设置输入约束和参考轨迹等控制器参数r=11;tend=30;%仿真时间为3
10、0ulim=-0.1-0.10.550.50.1100;ylim=;y,u,ym=cmpc(plant,model,ywt,uwt,m,p,tend,r,ulim,ylim);%设置输入约束和参考轨迹等控制器参数r=11;tend=30;%仿真时间为30ulim=-0.1-0.10.550.50.1100;ylim=;y,u,ym=cmpc(plant,model,ywt,uwt,m,p,tend,r,ulim,ylim);plotall(y,u,delt)闭环系统的输出和控制量变化曲线如图所示基于状态空间模型的预测控制器设计在MATLAB模型预测控制工具箱中，除了提供基于阶跃响应模型的预测控
11、制器设计功能外，还提供了MPC状态空间模型的预测控制器设计功能。考虑如下的双输入输出纯时延对象，其传递函数矩阵为MATLAB程序如下： g11=poly2tfd(12.8,16.7 1,0,1); g12=poly2tfd(6.6,10.9 10,7); g12=poly2tfd(6.6,10.9 1,0,7); g21=poly2tfd(-18.9,21 1,0,3); g22=poly2tfd(-19.4,14.4 1,0,3); delt=3; ny=2; imodel=tfd2mod(delt,ny,g11,g12,g21,g22); pmodel=imodel; p=6;m=2; ywt=;uwt=1 1; r=0 1; tend=30; ulim=-inf -0.15 inf inf 0.1 100; ylim=; y,u=scmpc(pmodel,imodel,ywt,uwt,m,p,tend,r,ulim,ylim); plotall(y,u,delt)闭环系统的输出和控制量变化曲线如图所示总结通过学习、查阅资料初步的了解了模型预测控制的工作原理。由于其独特的特点使得模型预测控制成为最可泛的先进过程控制技术。并且通过查阅先关资料初步了解了模型预测控制器的仿真方法，但还有待进一步提高。同时这次学习也是我对预测控制产生了更多的兴趣，今后将更加深入的去掌握预测控制。
