高等过程控制—第8章预测控制资料.ppt

第五讲 模型预测控制 第八章 本章内容要点 预测控制发展背景 特点 基本原理 动态矩阵控制DMC 模型算法控制MAC 广义预测控制GPC 在工业中的应用举例 预测控制的发展背景(1/5) 现代控制理论及应用的发展与特点 要求 精确的模型 最优的性能指标 系统的设计方法 应用 航天、航空等空间技术领域取得极大成功； 工业生产过程应用遇到许多困难。 预测控制的发展背景(2/5) 工业过程的特点 多变量、非线性、时变性、强耦合、 不确定性 工业过程对控制的要求 高质量的控制性能 对模型要求不高 实现方便 预测控制的发展背景(3/5) 计算机性能的飞速提高 产生了以比较容易建立的非参数模型为基础的适合计算机控制的预测控制。 1978年，Richalet（理查勒特）提出以脉冲响应模型为基础的模型预测启发式控制（MPHC）或称为模型算法控制（Model Algorithmic Control,MAC）。 预测控制的发展背景(4/5) 1980年，Cutler（卡特勒）提出以阶跃响应模型为基础的动态矩阵控制（Dynamic Matrix Control，DMC）。工程师Prett 和Gillette在液化、催化裂化中应用成功。 这类以非参数模型为基础的预测算法 优点：建模简单、实现容易、鲁棒性强 缺点：脉冲响应和阶跃模型不能描述不稳定 系统；非参数模型在线辨识比较难。 预测控制的发展背景(5/5) 20世纪80年代初在自适应控制研究基础上，应用预测控制思想提出了各种自适应预测控制。 1987年，Clarke等人提出以可控自回归积分平均滑动模型(CARIMA)为基础的广义预测控制(Generalized Predictive Control，GPC)。不仅可用于控制简单的开环稳定的最小相位系统，也可用于控制非最小相位系统、不稳定系统和时滞变结构的系统。 预测控制的特点（1/2） 建模方便,不需要深入了解过程内部机理 非最小化描述的离散卷积和模型,有利于提高系统的鲁棒性 滚动的优化策略,较好的动态控制效果 不增加理论困难,可推广到有约束条件、大纯滞后、非最小相位及非线性等过程 是一种计算机优化控制算法 预测控制的特点（2/2） 对模型要求不高 鲁棒性可调 可处理约束(操作变量MV、被控变量CV) 可处理“方”、“瘦”、“胖”，进行自动转换 可实现多目标优化（包括经济指标） 可处理特殊系统：非最小相位系统、伪积分系统、零增益系统 目前预测控制的发展方向（1/1） 多变量预测控制系统的稳定性、鲁棒性 线性系统、自适应预测—理论性较强 非线性预测控制系统 内部模型用神经网络（ANN）描述 针对预测控制的特点开展研究 国内外先进控制软件包开发所采用 预测控制的基本原理 1978年，Richalet等就提出了预测控制算法的三要素： 内部(预测)模型、参考轨迹、控制算法 现在一般则更清楚地表述为： 内部(预测)模型、滚动优化、反馈控制 预测控制的基本原理 (1) 预测模型(内部模型) 预测模型的功能 根据被控对象的历史信息和未来输入，预测系统未来响应。 预测模型形式 参数模型：如微分方程、差分方程 非参数模型：如脉冲响应、阶跃响应 基于模型的预测示意图 (2) 滚动优化(在线优化） 控制目的 通过某一性能指标的最优, 确定未来的控制作用 优化过程 随时间推移在线优化，反复进行 每一步实现的是静态优化 全局看却是动态优化 (2) 滚动优化(在线优化) 滚动优化示意图 (3) 反馈校正 每到一个新的采样时刻，都要通过实际测到的输出信息对基于模型的预测输出进行修正，然后再进行新的优化。不断根据系统的实际输出对预测输出值作出修正使滚动优化不但基于模型，而且利用了反馈信息，构成闭环优化。 (3) 反馈校正(误差校正) 动态矩阵控制(DMC) 基于被控对象的单位阶跃响应 适用于渐近稳定的线性对象 即，设一个系统的离散采样数据{a1，a2 ，…，aN}（如P21的示意图），则有限个采样周期后， 满足 动态矩阵控制(DMC) DMC算法中的模型参数 有限集合aT={a1，a2 ，…，aN} 中的参数可完全描述系统的动态特性N称为建模时域。 系统的渐近稳定性 保证模型可用有限的阶跃响应描述 系统的线性性 则保证了可用线性系统的迭加性等 （1）DMC的预测模型(1/3) 系统的单位阶跃采样数据示意图 （1） DMC的预测模型(2/3) 如P23图, t=kT时刻预测未来N个时刻 无控制作用 u(k)的预测输出为 考虑有控制作用? u(k)时的预测输出为