《第5章模型预测控制.ppt》由会员分享，可在线阅读，更多相关《第5章模型预测控制.ppt（29页珍藏版）》请在三一办公上搜索。
1、5.1 引言,一 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。,二 模型预测控制的产生背景,1.工业需求：,2.传统控制及现代控制理论的局限性,(i).随着过程工业日益走向大型化、连续化，工业生产过程日趋复杂多
2、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。,(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：,3.计算机技术的迅速发展为求解许多复杂控制计算问题提供了强大的物质基础。,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。,三 模型预测控制的产生过程,1
3、.模型算法控制（MAC）的产生：,(i).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
4、，,3.广义预测控制（GPC）的产生：,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。,预测控制特点:对模型要求低，建模方便，不需要深入了解过程内部机理滚动优化策略，较好的动态控制效果简单实用的模型校正方法，较强的鲁棒性不增加理论困难，可推广应用于有约束、大纯滞后、多输入多输出、非线性等过程一类用计算机实现的优化控制算法,四 预测控制的特点,预测控制是一种比较特殊的控制算法：,(i).起源于实践（不是理论发展的需要，而是工业实践向控制论提出的
5、挑战）；,(ii).理论研究落后于实践（定量分析）。,五 模型预测控制的应用,在预测控制问世来，由于计算机技术的发展和日益复杂的工业系统对先进控制的需求，使预测控制的应用范围日渐扩大，控制水平日益提高。目前，预测控制已成为工业控制领域应用最多的一种先进控制策略。,商品化预测控制软件产品：,(i).第一代：以Adersa的IDCOM和She11 Oil的DMC为代表，算法针对无约束多变量过程;,(ii).第二代：以Shell Oil的QDMC为代表，处理约束多变量过程的控制问题;,(iii).第三代：产品包括Adersa的HIECOM和PFC，DMC的DMC plus和Honeywell的RMP
6、CT，算法增加了摆脱不可行解的办法，并具有容错和多个目标函数等功能。,商品化预测控制软件简介,5.2 模型预测控制基本原理,一 模型预测控制的分类,1.基于非参数模型的预测控制算法,代表性的算法有模型算法控制(MAC)和动态矩阵控制(DMC)。这类算法适合处理开环稳定多变量过程约束间题的控制；,2.基于ARMA或CARIMA等输入输出参数化模型预测控制算法,代表性的算法为广义预测控制算法(GPC)。这类算法可用于开环不稳定、非最小相位和时变时滞等较难控制的对象，并对系统的时滞和阶次不确定有良好的鲁棒性。但对于多变量系统，算法实施较困难。,3.滚动时域控制(Receding Horigon Co
7、ntrol,RHC),这种算法由著名的LQ或LQG算法发展而来。对于状态空间模型，用有限时域二次性能指标再加终端约束的滚动时域控制方法来保证系统稳定性。它已拓展至跟踪控制和输出反馈控制。,二 模型预测控制的基本原理,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。,预测模型的功能为：在当前时刻，基于过程的动态模型，利用被控对象的历史信息和未来输入，预测系统未来响应。,(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
8、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.滚动优化,(i)优化目的,按照某个目标函数确定当前和未来控制作用的大小，这些控制作用将使未来输出预测序列沿某个参考轨迹“最优地”达到期望输出设定值.,(ii)优化过程,不是采用一成不变的全局最优化目标，而是采用滚动式的有限时域优化策略。优化过程不是一次离线进行，而是在线反复进行优化计算、滚动实施，从而使模型失配、时变、干扰等引起的不确定性能及时得到弥补，提高了系统的控制效果。,滚动优化示意图,3.反馈校正,每到一个新的采样时刻，都要根据最新实测数据对前一时刻的过程输出预测序列作出校正，或基于不变模型的预
9、测输出进行修正，或对基础模型进行在线修正，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。,由于实际系统中存在非线性、不确定性等因素，在预测控制算法中,基于不变模型的预测输出不可能与系统的实际输出完全一致，而在滚动优化过程中，又要求模型输出与实际系统输出保持一致，为此，采用反馈校正来弥补这一缺陷。这样的滚动优化可有效地克服系统中的不确定性，提高系统的控制精度和鲁棒性。,5.3 预测控制基本算法,5.3.1 模型算法控制（MAC）,5.3.1.1 预测模型,MAC基本上包括四个部分:预测模型、反馈校正、参考轨迹和滚动优化。
10、,MAC采用被控对象的单位脉冲响应序列作为预测模型，如右图所示。,其脉冲响应序列为：,根据线性系统的叠加原理，被控对象的脉冲响应模型为：,对象的有限脉冲模型可以用来预测对象从k时刻起到P步的输出：,即,将已知控制量和未来控制量分开考虑，可以用向量形式表示为：,式中,如果直接把上述预测模型计算的模型输出ym当作预测输出，即,开环预测的缺陷:当模型由于时变或非线性等因素存在误差，加上系统中的各种随机干扰，模型预测的输出不可能与实际对象的输出完全相同，这样会产生静差。,解决办法：有必要用实测的对象输出信息构成闭环预测，以实现对未来输出预测的反馈校正。,开环预测,5.3.1.2 反馈校正,为了在模型失
11、配时有效地消除静差，可以在模型预测值ym的基础上附加一误差项e，即构成反馈校正（闭环预测）。,具体做法：将第k时刻的实际对象的输出测量值与预测模型输出之间的误差附加到模型的预测输出ym(k+i)上，得到闭环预测模型，用yp(k+i)表示：,5.3.1.3 参考轨迹,为了减少突加设定值时的冲击，在MAC中，控制系统的期望输出是由从当前实际输出y(k)出发且向设定值w平滑过渡的一条参考轨迹规定的。,通常,参考轨迹采用从当前时刻实际输出y(k)出发的一阶指数形式：,5.3.1.4 滚动优化,在MAC中，k时刻的优化目标是:求解未来一组P个控制量，使在未来P个时刻的预测输出ym(k+i)尽可能接近由参
12、考轨迹所确定期望输出yr(k+i)。,目标函数可取为：,一、单步预测、单步控制MAC，即预测时域为P=1,控制时域为M1.,(i)开环预测控制：,(ii)闭环预测控制：,单步优化MAC的特点:算法简单,但 不适用于有时滞或非最小相位对象.,二、多步优化MAC（多步预测、多步控制MAC），并选取不同的预测时域P和控制时域M，MP.,目标函数可取为：,当取MP时，意味着在(k十M一1)时刻后控制量不再改变,即,由于P、M取值不同，开环预测模型修改为：,式中：,闭环预测模型为：,极小化性能指标，即令，得最优控制率：,根据滚动优化原理，只实施当前控制量u2(k)：,式中：,多步优化MAC的特点:,优点
13、:(i)控制效果和鲁棒性优于单步MAC算法简单;(ii)适用于有时滞或非最小相位对象。,缺点:(i)算法较单步MAC复杂;(ii)由于以u作为控制量,导致MAC算法不可避免地出现稳态误差.,目标函数写成矩阵形式为：,5.3.2 动态矩阵控制（DMC）,DMC算法是一种基于对象阶跃响应的预测控制算法，适用于有时滞、开环渐近稳定的非最小相位系统。DMC算法包括三个部分:预测模型、反馈校正和滚动优化。,5.3.2.1 预测模型,DMC采用被控对象的单位阶跃响应序列作为预测模型，如右图所示。,其阶跃响应序列为：,对于这样一个对象，它在k时刻的输出是k时刻以前所有的输入增量造成的,根据线性系统的比例和叠
14、加原理，被控对象的阶跃响应模型为：,式中：,如果当前及未来时刻的控制增量为,利用上述模型，可得未来P个时刻的预测模型输出值（设定模型截断长度为N）：,DMC开环预测输出为：,式中：,5.3.2.2 反馈校正,DMC闭环预测输出为：,5.3.2.2 滚动优化,目标函数可取为：,根据滚动优化原理，只实施当前控制量u2(k)：,DMC算法的特点:,优点:(i)适用于有时滞或非最小相位对象;(ii)无稳态误差控制；,极小化性能指标，即令，得最优控制率：,式中：,缺点:不适用于不稳定对象!,5.3.3 广义预测控制（GPC）,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
15、方差控制的基础上，吸取了DMC和MAC中的滚动优化策略，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。GPC采用的是CARIMA或CARMA等参数模型。,5.3.3.1 预测模型,GPC采用下列具有随机阶跃扰动非平稳噪声的离散差分方程描述，即CARIMA模型：,j步最优预测输出为：,式中：,Diophantine方程,其中：,j步最优预测输出写成矩阵形式为：,5.3.3.2 滚动优化,目标函数可取为：,极小化性能指标，即令，得最优控制率：,目标函数写成矩阵形式为：,实际实施的控制作用为：,5.3.3.3 反馈校正,为克服随机扰动、模型误差以及慢时变的影响，GPC保持了自校正方法的原理，即：通过不断侧量实际输人输出，在线地估计预测模型参数，以此来修正控制律。这是一种广义的反馈校正。与DMC和MAG算法不同的是:DMC与MAC采用一个不变的预测模型，并附加一个误差模型共同保证对未来输出作出较为准确的预测.,预测控制的发展,SISO,MIMO,无约束,有约束,输入输出方系统,非方系统,线性,非线性,常规预测控制,鲁棒预测控制,DMC的典型应用,DMC-PID串级控制,采取DMC-PID串级控制的原因,DMC-PID串级控制的结构,第5章结束,
