預(yù)測(cè)控制理論

1、預(yù)測(cè)控制1 前言自從 1946年第一臺(tái)計(jì)算機(jī)問(wèn)世以來(lái) , 計(jì)算機(jī)軟、硬件技術(shù)得到飛速發(fā)展。這些技術(shù)的發(fā) 展, 使計(jì)算機(jī)在工業(yè)控制的應(yīng)用中得到了普及的同時(shí) , 也推動(dòng)了高級(jí)過(guò)程控制、人工智能控制 等復(fù)雜工業(yè)控制算法、策略的誕生、發(fā)展和完善。首先將計(jì)算機(jī)直接應(yīng)用于過(guò)程控制系統(tǒng)的 思想產(chǎn)生于20世紀(jì)50年代前后。當(dāng)時(shí)由美國(guó)湯姆森拉默伍爾里奇航空公司和得克薩柯 公司的工程師們對(duì)美國(guó)得克薩斯州的波特阿瑟煉油廠的一臺(tái)聚合裝置，將計(jì)算機(jī)直接應(yīng)用于工業(yè)控制的可行性問(wèn)題展開(kāi)了 30年工程量的研究。最終這個(gè)計(jì)算機(jī)控制裝置于 1959-03 在線運(yùn)行, 用來(lái)控制 26個(gè)流量、 72個(gè)溫度、 3個(gè)壓力和 3個(gè)成分,

2、其基本功能是使反應(yīng)器的 壓力最小, 確定 5個(gè)反應(yīng)器供料的最佳分配 ,根據(jù)催化劑活性測(cè)量結(jié)果來(lái)控制熱水的流量 , 以 確定最佳循環(huán)。在過(guò)程計(jì)算機(jī)控制發(fā)展領(lǐng)域 , 值得一提的是預(yù)測(cè)控制技術(shù)的發(fā)展。預(yù)測(cè)控制 誕生于 20世紀(jì) 60年代,經(jīng)過(guò) 20多年的發(fā)展與應(yīng)用 ,從線性時(shí)不變預(yù)測(cè)控制發(fā)展出應(yīng)用于非 線性、時(shí)變系統(tǒng)的多種新的預(yù)測(cè)控制技術(shù) , 成為控制工程界研究的一個(gè)熱點(diǎn)。2模型預(yù)測(cè)控制（MPC技術(shù)術(shù)語(yǔ)“模型預(yù)測(cè)控制”描述的是使用顯示過(guò)程模型來(lái)控制對(duì)象未來(lái)行為的一類計(jì)算機(jī)算 法。就一般意義而言 , 預(yù)測(cè)控制算法都包含模型預(yù)測(cè)、滾動(dòng)優(yōu)化和反饋校正三個(gè)主要部分。 下面分別介紹這三個(gè)部分。2.1 預(yù)測(cè)模型

3、預(yù)測(cè)控制是一種基于模型的控制算法 , 這一模型稱為預(yù)測(cè)模型。預(yù)測(cè)模型只注重模型的 功能, 而不注重模型的形式 , 預(yù)測(cè)模型的功能就是根據(jù)兌現(xiàn)的歷史信息和未來(lái)輸入預(yù)測(cè)系統(tǒng)的 未來(lái)輸出, 只要具有預(yù)測(cè)功能的模型 , 無(wú)論其有什么樣的表現(xiàn)形式 , 均可作為預(yù)測(cè)模型。因此 , 狀態(tài)方程、傳遞函數(shù)這類傳統(tǒng)的模型都可以作為預(yù)測(cè)模型 , 同樣, 對(duì)于線性穩(wěn)定對(duì)象 , 階躍響 應(yīng)、脈沖響應(yīng)這類非參數(shù)模型，也可直接作為預(yù)測(cè)模型使用。例如，在DMC MAC等預(yù)測(cè)控制 策略中，采用了實(shí)際工業(yè)中容易獲得的階躍響應(yīng)、脈沖響應(yīng)等非參數(shù)模型 ，而GPC等預(yù)測(cè)控制 策略則選擇CARIMAg型、狀態(tài)空間模型等參數(shù)模型。此外，非

4、線性系統(tǒng)、分布參數(shù)系統(tǒng)的模 型, 只要具備上述功能 , 也可在這類系統(tǒng)進(jìn)行預(yù)測(cè)控制時(shí)作為預(yù)測(cè)模型使用。因此 , 預(yù)測(cè)控制 擺脫了傳統(tǒng)控制基于嚴(yán)格數(shù)學(xué)模型的要求 , 從全新的角度建立模型的概念。預(yù)測(cè)模型具有展 示系統(tǒng)未來(lái)動(dòng)態(tài)行為的功能。這樣 , 就可以利用預(yù)測(cè)模型為預(yù)測(cè)控制進(jìn)行優(yōu)化提供先驗(yàn)知識(shí) , 從而決定采用何種控制輸入 , 使未來(lái)時(shí)刻被控對(duì)象的輸出變化符合預(yù)期的目標(biāo)。盡管生產(chǎn)過(guò) 程對(duì)象都或多或少地呈現(xiàn)非線性 , 在預(yù)測(cè)控制系統(tǒng)中幾乎都使用線性化的模型。這種使用線 性簡(jiǎn)單化模型的策略在大多數(shù)情況下是值得考慮的 :首先,線性化的階躍響應(yīng)模型和脈沖響應(yīng) 模型在離線辨識(shí)、經(jīng)驗(yàn)和機(jī)理建模中很容易獲得

5、;其次,對(duì)于大多數(shù)緩慢的化工過(guò)程 , 在穩(wěn)態(tài) 工作點(diǎn)附近的模型 , 使用線性化的模型不會(huì)給整個(gè)控制帶來(lái)很大的誤差 ; 再次, 在工作點(diǎn)在線 辨識(shí)得到的線性模型足以滿足控制要求 ;最后, 對(duì)于使用線性模型的線性系統(tǒng) , 數(shù)學(xué)上有較為 成熟的優(yōu)化工具對(duì)凸規(guī)劃進(jìn)行求解。2.2 滾動(dòng)優(yōu)化 預(yù)測(cè)控制的最主要特征表現(xiàn)在滾動(dòng)優(yōu)化。預(yù)測(cè)控制通過(guò)某一性能指標(biāo)的最優(yōu)來(lái)確定未來(lái) 的控制作用 , 這一性能指標(biāo)涉及到系統(tǒng)未來(lái)的行為 , 例如, 通常可取對(duì)象輸出在未來(lái)的采樣點(diǎn) 上跟蹤某一期望軌跡的方差最小等。但也可取更廣泛的形式 , 例如要求控制能量為最小而同 時(shí)保持輸出在某一給定范圍內(nèi)等等。性能指標(biāo)中涉及到的系統(tǒng)未來(lái)的

6、行為 , 是根據(jù)預(yù)測(cè)模型 由未來(lái)的控制策略決定的。但是 , 預(yù)測(cè)控制中的優(yōu)化與通常的離散最優(yōu)控制算法有很大的差 別。這主要表現(xiàn)在預(yù)測(cè)控制中的優(yōu)化目標(biāo)不是一成不變的全局優(yōu)化目標(biāo) , 而是采用有限時(shí)段 的滾動(dòng)優(yōu)化策略 ,在每一采樣時(shí)刻 ,優(yōu)化性能指標(biāo)只涉及到從未來(lái)有限的時(shí)間 , 而到下一采樣 時(shí)刻, 這一優(yōu)化時(shí)段同時(shí)向前推移。因此 ,預(yù)測(cè)控制在每一時(shí)刻有一個(gè)相對(duì)于該時(shí)刻的優(yōu)化性 能指標(biāo) ,不同時(shí)刻優(yōu)化性能指標(biāo)的相對(duì)形式是相同的 , 但其絕對(duì)形式 （即所包含的時(shí)間區(qū)域 ） 則 是不同的。因此 ,在預(yù)測(cè)控制中 , 優(yōu)化不是一次離線進(jìn)行 , 而是反復(fù)在線進(jìn)行的 ,這就是滾動(dòng)優(yōu) 化的含義 , 也是預(yù)測(cè)控制

7、區(qū)別于傳統(tǒng)最優(yōu)控制的根本特點(diǎn)。對(duì)于實(shí)際的復(fù)雜工業(yè)過(guò)程來(lái)說(shuō) , 模 型失配、時(shí)變、干擾等引起的不確定性是不可避免的 , 預(yù)測(cè)控制采用這種有限時(shí)段優(yōu)化具有 一定的局限性 , 滾動(dòng)優(yōu)化可能無(wú)法得到全局的最優(yōu)解 , 但優(yōu)化的滾動(dòng)實(shí)施卻能顧及由于模型失 配、時(shí)變、干擾等引起的不確定性 , 及時(shí)彌補(bǔ)這些因素造成的影響 , 并始終把新的優(yōu)化建立在 實(shí)際過(guò)程的基礎(chǔ)上 , 因此, 建立在有限時(shí)段上的滾動(dòng)優(yōu)化策略更加符合過(guò)程控制的特點(diǎn)。2.3 反饋校正 過(guò)程控制算法采用的預(yù)測(cè)模型通常只能粗略描述對(duì)象的動(dòng)態(tài)特性 , 由于實(shí)際系統(tǒng)中存在 的非線性、時(shí)變、模型失配、干擾等因素 , 基于不變模型的預(yù)測(cè)不可能和實(shí)際情況完全

8、相符 , 因此, 反饋策略是不可少的。滾動(dòng)優(yōu)化只有建立在反饋校正的基礎(chǔ)上 , 才能體現(xiàn)出它的優(yōu)越 性。因此 , 預(yù)測(cè)控制算法在通過(guò)優(yōu)化確定了一系列未來(lái)的控制作用后 , 為了防止模型失配或環(huán) 境干擾引起控制對(duì)理想狀態(tài)的偏離 , 并不是把這些控制作用逐一全部實(shí)施 , 而只是實(shí)現(xiàn)本時(shí)刻 的控制作用。到下一采樣時(shí)刻 ,首先監(jiān)測(cè)對(duì)象的實(shí)際輸出 ,并通過(guò)各種反饋策略 , 修正預(yù)測(cè)模 型或加以補(bǔ)償 , 然后再進(jìn)行新的優(yōu)化。綜上所述 ,預(yù)測(cè)控制綜合利用歷史信息和模型信息 , 對(duì) 目標(biāo)函數(shù)不斷進(jìn)行滾動(dòng)優(yōu)化 , 并根據(jù)實(shí)際測(cè)得的對(duì)象輸出修正或補(bǔ)償預(yù)測(cè)模型。這種控制策 略更加適用于復(fù)雜的工業(yè)過(guò)程 , 并在復(fù)雜的工業(yè)

9、過(guò)程中獲得了廣泛的應(yīng)用。2.4 傳統(tǒng)MPC空制軟件產(chǎn)品及其應(yīng)用MPC 技術(shù)經(jīng)過(guò) 20 多年的發(fā)展 , 目前在理論上已經(jīng)相對(duì)成熟并且在國(guó)外已經(jīng)出現(xiàn)了大量的 商品化軟件包。國(guó)內(nèi)的以上海交通大學(xué)過(guò)程控制研究所為主的研究機(jī)構(gòu)在國(guó)家“九五”攻 關(guān)項(xiàng)目中自主開(kāi)發(fā)的預(yù)測(cè)空制軟件包目前已經(jīng)在石油化工領(lǐng)域獲得成功了應(yīng)用 , 其商品化軟 件包正在不斷完善之中。3非線性預(yù)測(cè)控制（NMPC技術(shù) 預(yù)測(cè)控制中模型的線性化處理并非在所有應(yīng)用場(chǎng)合都適用。對(duì)于含有強(qiáng)烈非線性、擾動(dòng) 頻繁的控制系統(tǒng)（如pH控制）或者帶有時(shí)變特性且工作點(diǎn)跨越較大非線性過(guò)程動(dòng)態(tài)的伺服控 制系統(tǒng)（如聚合化工、合成氨 ）而言,模型線性化無(wú)法滿足系統(tǒng)控制要

10、求 ,在某些極端情況下 , 線性化的參考模型甚至?xí)?dǎo)致控制系統(tǒng)穩(wěn)定性的喪失。圖 1 顯示了常規(guī)生產(chǎn)過(guò)程中存在的非 線性及其模型預(yù)測(cè)控制的應(yīng)用情況。對(duì)于大多數(shù)帶有強(qiáng)非線性的控制系統(tǒng) （如聚合化工、氣 體分餾、造紙過(guò)程等 ）而言,預(yù)測(cè)控制的應(yīng)用依舊是個(gè)空白。這種現(xiàn)狀近年來(lái)得到了過(guò)程控制界越來(lái)越多的關(guān)注。一般而言，非線性預(yù)測(cè)控制中有兩類控制思想：多模型預(yù)測(cè)控制和非線性 模型預(yù)測(cè)控制。多模型預(yù)測(cè)控制使用權(quán)函數(shù)從一組能夠覆蓋整個(gè)過(guò)程動(dòng)態(tài)的線性模型中選出 最佳組合作為參考模型。這類預(yù)測(cè)控制方法主要應(yīng)用于對(duì)于全局模型很難獲得但分段線性化 模型容易取得的過(guò)程控制(如生物醫(yī)學(xué)控制系統(tǒng))中。非線性模型預(yù)測(cè)控制和線

11、性模型預(yù)測(cè)控 制相比,在預(yù)測(cè)模型、滾動(dòng)優(yōu)化和反饋校正上都存在著本質(zhì)差別。取得廣泛應(yīng)用的領(lǐng)域尚未取得廣泛應(yīng)用的領(lǐng)域過(guò)程非線性MPC應(yīng) 用 個(gè)數(shù)圖1預(yù)測(cè)控制在非線性過(guò)程的應(yīng)用3.1 預(yù)測(cè)模型不同于線性模型預(yù)測(cè)控制，非線性預(yù)測(cè)控制用非線性函數(shù)表示預(yù)測(cè)模型，根據(jù)動(dòng)態(tài)模型獲 得方式,非線性預(yù)測(cè)模型可大致分為狀態(tài)空間模型、輸入輸出模型和實(shí)驗(yàn)?zāi)Ｐ腿悺７蔷€性 狀態(tài)空間模型由一個(gè)線性化狀態(tài)方程和非線性化的輸出方程構(gòu)成，根據(jù)非線性模型的辨識(shí)方法，該部分可為 Wiener、Laguerre和Hammerstein模型等多種形式；非線性輸入輸出模型的 思想可用“非線性工作點(diǎn)的連續(xù)線性化”來(lái)表述，它將參考模型分成兩個(gè)

12、部分：穩(wěn)態(tài)模型和動(dòng) 態(tài)模型。前者呈現(xiàn)非線性，后者在穩(wěn)態(tài)值的附近使用線性化模型；在過(guò)程機(jī)理明了的情況下, 機(jī)理模型是在形式上更為一般化的非線性參考模型，由于準(zhǔn)確的機(jī)理模型難以獲得，在大多數(shù)情況下,這類模型都是使用混合建模方法，即通過(guò)將機(jī)理模型和經(jīng)驗(yàn)?zāi)Ｐ拖嘟Y(jié)合得到的。3.2 滾動(dòng)優(yōu)化非線性參考模型的引入，使得非線性預(yù)測(cè)控制在滾動(dòng)優(yōu)化環(huán)節(jié)上也相應(yīng)地比傳統(tǒng)預(yù)測(cè)控 制復(fù)雜得多。為方便討論，引入更一般化的非線性參考模型：耳廠柿人,44)(1)y g(xQ ek(2)me yk- yk(3)式中：XkRn,Uk Rnu, dk Rnd,yRny和-Rny分別為狀態(tài)變量、控制變量、擾動(dòng)變量、被控變量和測(cè)量噪聲

13、 ；f(D,g(D 非線性狀態(tài)轉(zhuǎn)移函數(shù)和系統(tǒng)輸出函數(shù)；n、nu、nd、ny 狀態(tài)變量、控制變量、擾動(dòng)變量和被控變量維數(shù)。NMPC滾動(dòng)優(yōu)化的目標(biāo)是使用非線性優(yōu)化算法，在每個(gè)控制周期內(nèi)滿足約束的情況下計(jì)算 當(dāng)前控制率uk使得目標(biāo)函數(shù)最小化：PPM Vmi nJ 八 y- is-人 Rj 打叮(4)吐i Ti =11=0st 廠 yk i 豈 y, -i =1,.,pu - uk i u , -j =0,M( 5)ilu 豈 uku , j =0,.,M -1h(uk,yQ = 0式中：p、m-預(yù)測(cè)時(shí)域和控制時(shí)域；Qi - Rnyny，R嚴(yán)Rnu nu和Rnunu 被控變量、控 制變量和控制變量變化

14、率的懲罰因子；q 范數(shù),一般取1、2和*; ys、us 被控變量和控 制變量的穩(wěn)態(tài)值。式(5)為控制變量和被控變量的不等式約束，式(6)為控制變量和被控變量 的等式約束。不同于傳統(tǒng) MPC中的滾動(dòng)優(yōu)化使用的凸規(guī)劃,NMPC使用非線性參考模型的優(yōu)化 問(wèn)題主要存在兩個(gè)困難：首先優(yōu)化問(wèn)題的凸性喪失，因此使得在有效時(shí)間內(nèi)問(wèn)題求解難以保證 為全局最優(yōu)解。一般而言，NMPC處理的非線性優(yōu)化問(wèn)題通常只是在一個(gè)控制周期中能夠取得 動(dòng)態(tài)優(yōu)化的全局最優(yōu)解的非線性問(wèn)題。在工程應(yīng)用中已知的優(yōu)化方法有：非線性最小方差算法、QP快速算法、廣義簡(jiǎn)化梯度法(GRG)梯度法等。其次是穩(wěn)定性問(wèn)題：在最優(yōu)化控制理 論早期的發(fā)展中已

15、經(jīng)指出，甚至當(dāng)非線性參考模型與實(shí)際模型完全一致時(shí)，即使非線性優(yōu)化問(wèn) 題取得了最優(yōu)解，仍無(wú)法保證整個(gè)控制系統(tǒng)閉環(huán)穩(wěn)定性。因此，目前非線性預(yù)測(cè)控制的穩(wěn)定性 研究主要集中在名義穩(wěn)定問(wèn)題上。目前主要有三種理論方法用于解決對(duì)于帶有約束的非線性 名義穩(wěn)定性的優(yōu)化問(wèn)題：(1) 終態(tài)約束法。通過(guò)給狀態(tài)變量施加終態(tài)約束Xk .p二Xs ( Xs為狀態(tài)變量穩(wěn)態(tài)值)，將目標(biāo)函數(shù)轉(zhuǎn)換成名義上穩(wěn)定的閉環(huán)控制系統(tǒng)的 Lya-punov函數(shù)進(jìn)行處理。但為滿足終態(tài)約 束,數(shù)值算法需要進(jìn)行無(wú)窮次迭代計(jì)算，因此算法無(wú)法滿足實(shí)時(shí)性要求。(2) 雙?？刂破鞣?。為進(jìn)一步放寬穩(wěn)定性要求，Michalska在上述處理方法的基礎(chǔ)上提出 一個(gè)

16、穩(wěn)態(tài)領(lǐng)域W的概念。當(dāng)Xk.pW(Xs)時(shí),NM-PC使用類似于上述優(yōu)化方法進(jìn)行控制；當(dāng) Xk T W (Xs)時(shí),NMPC使用線性化反饋控制策略將Xk p控制到Xs。(3) 無(wú)窮時(shí)域法。當(dāng)控制時(shí)域 M和預(yù)測(cè)時(shí)域P趨向無(wú)窮時(shí)，目標(biāo)函數(shù) 可轉(zhuǎn)化為名義穩(wěn) 定的閉環(huán)系統(tǒng)的Lyapunov函數(shù)進(jìn)行處理。MeadowsS步指出，如果NMP計(jì)算中存在可行 解,那么在滾動(dòng)優(yōu)化中的每一步求解中都存在可行解。以上三種方法奠定了求解非線性優(yōu)化控制閉環(huán)名義穩(wěn)定性問(wèn)題的理論基礎(chǔ)。但在實(shí)際應(yīng) 用中,非線性優(yōu)化問(wèn)題的求解同時(shí)還受到非線性辨識(shí)方法、模型形式和非線性數(shù)值計(jì)算方法 等諸多因素的影響。3.3 反饋校正由于模型誤差和

17、不可測(cè)擾動(dòng)的影響，NMPC需要使用反饋校正的機(jī)制消除由此帶來(lái)的穩(wěn)態(tài) 偏差。和MPC中反饋校正一樣，根據(jù)過(guò)程中擾動(dòng)和偏差的性質(zhì)，反饋方式有常數(shù)輸出干擾和積 分輸出干擾兩種。根據(jù)線性控制理論中通過(guò)在反饋環(huán)節(jié)中加入卡爾曼濾波器可以在控制中很 好地引入不可測(cè)擾動(dòng)信息的思想，Muske成功地將卡爾曼濾波器應(yīng)用于 MPC勺反饋環(huán)節(jié)。在 非線性信號(hào)濾波領(lǐng)域中，Ramirez提出了擴(kuò)展卡爾曼濾波并在 NMP（的反饋環(huán)節(jié)得到了應(yīng)用。3.4 非線性預(yù)測(cè)控制軟件產(chǎn)品及其應(yīng)用與MP（技術(shù)的發(fā)展相比,NMPC在理論上發(fā)展還很不成熟,商品化控制軟件包技術(shù)也相對(duì) 滯后。4 魯棒預(yù)測(cè)控制技術(shù)從MP（過(guò)渡到NMPC從技術(shù)發(fā)展的

18、縱向來(lái)看，一些新的預(yù)測(cè)控制技術(shù)近年來(lái)也得到了蓬 勃發(fā)展。這類預(yù)測(cè)控制技術(shù)主要體現(xiàn)在傳統(tǒng) MPC和魯棒、自適應(yīng)等技術(shù)的結(jié)合。這類技術(shù)繼 承了 MPC勺控制思想，通過(guò)算法參數(shù)的（自）調(diào)整、參考模型的在線修正和啟發(fā)性建模等手段， 從而回避了 NMP發(fā)展中所遇到的非線性理論中存在的重重困難 ，有效地將模型預(yù)測(cè)控制技術(shù) 擴(kuò)展到了非線性控制領(lǐng)域。就如何處理帶有不確定性的過(guò)程對(duì)象的問(wèn)題上 , 通常有兩類處理 方法:一是采用“未雨綢繆”的策略 ,即使用魯棒控制算法 ,在算法設(shè)計(jì)初期就將系統(tǒng)的不確 定性考慮進(jìn)去 , 使得整個(gè)控制系統(tǒng)在實(shí)際控制中面對(duì)對(duì)象不確定時(shí)仍能表現(xiàn)出應(yīng)有的穩(wěn)定性 ; 另一類則采用“隨機(jī)應(yīng)變”

19、的策略 , 即系統(tǒng)辨識(shí)技術(shù) , 主動(dòng)修正控制器本身的參數(shù)和策略 , 使 得在新的控制環(huán)境中仍能得到令人滿意的控制效果。本文就魯棒預(yù)測(cè)控制技術(shù)的發(fā)展做一簡(jiǎn) 單闡述。4.1 魯棒預(yù)測(cè)控制技術(shù)的發(fā)展對(duì)于可精確描述的過(guò)程對(duì)象而言 , 開(kāi)環(huán)的最優(yōu)化控制可以得到近乎完美的控制性能。事 實(shí)上, 開(kāi)環(huán)控制系統(tǒng)面臨著兩大問(wèn)題 : 開(kāi)環(huán)控制的本質(zhì)決定了它無(wú)法對(duì)控制通道中存在的負(fù) 載擾動(dòng)、噪聲進(jìn)行抑制；由于真實(shí)的過(guò)程對(duì)象很難使用精確的數(shù)學(xué)模型進(jìn)行表述 ，最優(yōu)控制 的控制效果將大打折扣。第一個(gè)問(wèn)題直接促進(jìn)了反饋控制技術(shù)的發(fā)展 , 目前已經(jīng)發(fā)展為相當(dāng)成熟的理論。后者 , 即 針對(duì)模型偏差和不確定性的控制的研究 , 導(dǎo)致

20、了魯棒控制技術(shù)的誕生 , 并已成為過(guò)程控制界的 一個(gè)熱門研究。魯棒控制的模型不確定性的假設(shè)有著鮮明的工程意義 : 從模型結(jié)構(gòu)簡(jiǎn)化和控制實(shí)時(shí)性的 考慮, 在大多數(shù)的控制問(wèn)題中使用固定模型結(jié)構(gòu)的線性簡(jiǎn)化模型 （稱為“標(biāo)稱模型” ）, 由此導(dǎo) 致模型和 （非線性）真實(shí)對(duì)象之間在動(dòng)態(tài)性能上存在的顯著差異。由于真實(shí)對(duì)象的不可知性 , 使用線性化參考模型的傳統(tǒng)的預(yù)測(cè)控制在進(jìn)行模型響應(yīng)的動(dòng) 態(tài)預(yù)測(cè)時(shí),很自然地引入了更多的控制質(zhì)量下降。盡管預(yù)測(cè)控制中引入了反饋校正機(jī)制 ,試圖 最大程度地減小模型中的不確定因素 ,然而,對(duì)于具有強(qiáng)非線性和不確定性的控制過(guò)程而言 , 這種使用線性化預(yù)測(cè)校正的機(jī)制無(wú)法從本質(zhì)上將傳統(tǒng)

21、意義上的預(yù)測(cè)控制技術(shù)很好地應(yīng)用于模 型不確定控制場(chǎng)合。魯棒預(yù)測(cè)控制技術(shù)是當(dāng)使用線性參考模型的預(yù)測(cè)控制理論在非線性控制過(guò)程中的應(yīng)用受 到質(zhì)疑的情況下誕生的 , 并且目前有關(guān)魯棒預(yù)測(cè)控制的文獻(xiàn)已經(jīng)浩如煙海。有關(guān)無(wú)約束的MPC勺魯棒穩(wěn)定性早在1982年Garcia和Morari的文章中進(jìn)行了分析并且導(dǎo)出了保證系統(tǒng) 的魯棒穩(wěn)定性的內(nèi)?？刂茷V波器的調(diào)整策略。Polak和Ya ng具體討論了 MHC(Mov- ingHorizon Control) 的魯棒穩(wěn)定問(wèn)題 , 對(duì)象為采樣時(shí)間可變的連續(xù)時(shí)間線性系統(tǒng)。還有部分 人鮮明地表述了對(duì)象的不確定性 , 并把在線約束的最小化問(wèn)題轉(zhuǎn)換成一個(gè)最小最大問(wèn)題來(lái)解 決。

22、由上述對(duì)MPC魯棒性能研究的回顧中可以看出,MPC的魯棒性能分析問(wèn)題得到了很多的 重視, 也取得了一些有意義的成果 , 然而關(guān)于魯棒綜合問(wèn)題僅有少數(shù)的文獻(xiàn)加以討論 ,而且都 局限于 FIR 模型。直到將線性矩陣不等式 (LMI) 技術(shù)引入到魯棒預(yù)測(cè)控制研究框架之后，魯 棒MPC的研究又注入了新的活力。將魯棒優(yōu)化問(wèn)題及各種約束轉(zhuǎn)換成線性矩陣不等式，利用成熟的求解算法即可對(duì)魯棒優(yōu)化問(wèn)題進(jìn)行快速求解計(jì)算。4.2 魯棒預(yù)測(cè)控制軟件產(chǎn)品及其應(yīng)用盡管魯棒控制的研究如火如荼 , 但應(yīng)用卻寥寥無(wú)幾 , 特別是魯棒預(yù)測(cè)控制的應(yīng)用更是鳳毛麟 角。Honeywell公司推出的RMPCT中明確提到了魯棒模型預(yù)測(cè)控制，

23、并首次給出了 RMPC在 杜邦公司尼龍固相聚合反應(yīng)釜中的應(yīng)用實(shí)例 ,但其中對(duì)于系統(tǒng)魯棒性的討論卻很少。5 自適應(yīng)預(yù)測(cè)控制技術(shù)在如何處理模型對(duì)象不確定性問(wèn)題上與魯棒預(yù)測(cè)控制相左的一類預(yù)測(cè)控制技術(shù)可以大致 地用自適應(yīng)預(yù)測(cè)控制來(lái)描述。它的思想是使用自適應(yīng) (如系統(tǒng)辨識(shí)、模糊及人工神經(jīng)網(wǎng)絡(luò)建 模)技術(shù),主動(dòng)地對(duì)外界環(huán)境進(jìn)行認(rèn)知 ,最終修改自身的參考模型或調(diào)整控制器參數(shù)和策略 ,極 大地減少了控制中存在的不確定性 , 以期得到良好的控制性能。根據(jù)實(shí)現(xiàn)方法的不同 ,自適應(yīng) 技術(shù)可大體分為兩類：一類是控制模式的自我調(diào)整 , 這一類又稱為參考自整定方法 ; 另一類基 于模型的自我修正 , 即在線辨識(shí) (如迭代

24、最小二乘法 )方法。由此自適應(yīng)預(yù)測(cè)控制技術(shù)也可分 為參數(shù)自整定自適應(yīng)預(yù)測(cè)控制和模型辨識(shí)自適應(yīng)預(yù)測(cè)控制。自適應(yīng)控制與預(yù)測(cè)控制有機(jī)地結(jié)合起來(lái)，不僅提高了預(yù)測(cè)控制對(duì)于不確定性環(huán)境的適應(yīng) 能力，而且增強(qiáng)了自適應(yīng)控制的魯棒性。自適應(yīng)控制與預(yù)測(cè)控制的結(jié)合，具有良好的互補(bǔ) 性，在預(yù)測(cè)控制中引入自適應(yīng)機(jī)制，則是預(yù)測(cè)控制反饋校正的一種表現(xiàn)形式，可提高預(yù)測(cè)控 制系統(tǒng)對(duì)于環(huán)境不確定性的適應(yīng)能力，借鑒自適應(yīng)控制成熟的理論，通過(guò)預(yù)報(bào)時(shí)域的擴(kuò)展及 性能指標(biāo)的加權(quán)，發(fā)展自適應(yīng)預(yù)測(cè)控制算法。當(dāng)前自適應(yīng)預(yù)測(cè)控制理論研究，大多是針對(duì)線 性系統(tǒng)進(jìn)行的，有少量文獻(xiàn)把自適應(yīng)預(yù)測(cè)控制應(yīng)用于非線性系統(tǒng)，其處理方法是將一類非線 性系統(tǒng)等價(jià)為

25、時(shí)變線性系統(tǒng)，將時(shí)變參數(shù)估計(jì)方法與預(yù)測(cè)控制結(jié)合起來(lái)，雖然對(duì)一類非線性 系統(tǒng)取得了效果，但缺乏定性的分析和有效的等價(jià)轉(zhuǎn)換手段，其實(shí)質(zhì)還是對(duì)一類非線性系統(tǒng) 的線性等價(jià)轉(zhuǎn)換，可以說(shuō)，當(dāng)前自適應(yīng)預(yù)測(cè)控制理論與應(yīng)用主要是針對(duì)線性多變量的過(guò)程對(duì) 象，由過(guò)程物理量直接反應(yīng)性能指標(biāo)以及集中式的信息模式，要把它應(yīng)用于帶有非線性的全 過(guò)程目標(biāo)控制，無(wú)論在理論與實(shí)際上都還有不少問(wèn)題有待解決。5.1 參數(shù)自整定預(yù)測(cè)控制預(yù)測(cè)控制與傳統(tǒng)的最優(yōu)控制有很大不同 ,它采用了啟發(fā)式優(yōu)化的概念 ,允許設(shè)計(jì)者自由地 選擇優(yōu)化性能指標(biāo)的形式 , 一點(diǎn)為設(shè)計(jì)者提供了極大的設(shè)計(jì)自由 , 同時(shí)也成為預(yù)測(cè)控制參數(shù)自 整定方法的基本出發(fā)點(diǎn)。席裕

26、庚教授在其著作中從工程和理論角度闡述了以上各個(gè)參數(shù)選 擇、整定的基本原則 , 為后人研究奠定了基礎(chǔ)。 Rani 在他的一篇文章中 , 比較并分析了三種DMC參數(shù)整定方法和三種GPC參數(shù)整定方法在非線性連續(xù)攪拌反應(yīng)釜(CSTR)和汽輪發(fā)電機(jī)控 制系統(tǒng)中的控制效果,并在此基礎(chǔ)之上提出新的 GPC參數(shù)整定方法。Shridhar在1998年前 后研究了 DMC系統(tǒng)在SISO和MIMC控制系統(tǒng)中的參數(shù)整定。羅剛等提出在對(duì)一個(gè)四階弱阻尼 振蕩最小相位SISO控制對(duì)象的控制中，使用控制變量的位置型靜態(tài)誤差、超調(diào)量、上升時(shí)間 以及進(jìn)入穩(wěn)態(tài)時(shí)間控制性能指標(biāo)的多目標(biāo)滿意度優(yōu)化計(jì)算模型，使用遺傳算法，離線計(jì)算一組

27、優(yōu)化控制器參數(shù)：預(yù)測(cè)時(shí)域、控制時(shí)域、控制權(quán)矩陣和反饋校正濾波系數(shù)，由此得到比試湊法更好的DM(控制器參數(shù)。以上提及的方法，大多只是為了解決離線參數(shù)配置問(wèn)題。對(duì)于時(shí)變、非線性控制對(duì)象 ，我 們更發(fā)展一類在線參數(shù)整定方法。遺憾的是，目前明確提出在線參數(shù)整定的文獻(xiàn)較少，直到近 年來(lái)Al-Ghazzawi的工作中給出了一種在線調(diào)節(jié)預(yù)測(cè)控制器參數(shù)的算法。2001年AI-Ghazzawi的一篇文章中定義了使用k時(shí)刻下第i步預(yù)測(cè)輸出值Y(k+i |k) Rny與誤差權(quán)*呻向量q(k+i |k)乏r的偏導(dǎo)數(shù)以及預(yù)測(cè)輸出Y(k + i|k)與控制權(quán)向量r(k + i|k) Rn1偏 導(dǎo)數(shù)描述的敏感函數(shù)組： 式中

28、：%、ny 控制系統(tǒng)中被控變量和控制變量的個(gè)數(shù)。通過(guò)以上定義，文獻(xiàn)中提出了控制權(quán)向量和誤差權(quán)向量的隱性修改率：A式中：丫(k i) k i時(shí)刻下的控制期望。通過(guò)如上修改率，在每個(gè)時(shí)刻進(jìn)行在線整定控制權(quán)和誤差權(quán)向量 ，然后使用新的權(quán)系數(shù)進(jìn) 行下一輪的滾動(dòng)優(yōu)化和反饋校正，使得控制器能夠在每一步預(yù)測(cè)中都達(dá)到控制器參數(shù)最優(yōu)設(shè) 計(jì);同時(shí),通過(guò)調(diào)整控制期望，預(yù)測(cè)控制可以完成更為復(fù)雜的約束控制(如帶有指定邊界域的設(shè) 定值控制、指定邊界域的擾動(dòng)抑制控制等以及更為復(fù)雜的隨動(dòng)控制)。Al-Ghazzawi的工作頗具啟發(fā)性，但同時(shí)也存在不足。首先，控制權(quán)和誤差權(quán)對(duì)預(yù)測(cè)輸出的影響是一個(gè)典型的非線 性，但文中處于處理方

29、便使用的是簡(jiǎn)化的線性化方程，這就意味著當(dāng)控制權(quán)或誤差權(quán)有較大變化時(shí),采用文中的線性方程將對(duì)計(jì)算引入不可忽視的誤差；其次,AI-Ghazzawi在推導(dǎo)敏感函數(shù)過(guò)程中引用了大量的矩陣運(yùn)算，由此導(dǎo)致的是控制時(shí)效性問(wèn)題將成為該方法工程應(yīng)用的主 要考慮因素。事實(shí)上，這種考慮是值得的，因?yàn)?隨著控制系統(tǒng)維數(shù)的增加，矩陣運(yùn)算量(如矩 陣求逆)的工作量將呈現(xiàn)出指數(shù)增長(zhǎng)態(tài)勢(shì)，因此如何進(jìn)一步簡(jiǎn)化參數(shù)在線修正率是一個(gè)值得關(guān) 注的研究方向。此外，文獻(xiàn)的工作是基于精確時(shí)不變模型的基礎(chǔ)之上的，實(shí)際上的控制對(duì)象都或多或少地帶有非線性和時(shí)變特性，因此，為使參數(shù)自整定預(yù)測(cè)控制更具實(shí)用化的思想是將模 型在線辨識(shí)自適應(yīng)預(yù)測(cè)控制與預(yù)

30、測(cè)控制器的參數(shù)自整定技術(shù)相結(jié)合。5.2 模型辨識(shí)自適應(yīng)預(yù)測(cè)控制(簡(jiǎn)稱自適應(yīng)預(yù)測(cè)控制)事實(shí)上，如果將預(yù)測(cè)控制參數(shù)模型的在線修正視為一般意義上的預(yù)測(cè)控制器的參數(shù)調(diào)整，那么模型辨識(shí)自適應(yīng)預(yù)測(cè)控制就退化成了上述中的參數(shù)自整定預(yù)測(cè)控制。在系統(tǒng)辨識(shí)和建模 技術(shù)發(fā)展的強(qiáng)烈勢(shì)頭的帶動(dòng)下，基于參考模型在線修正的預(yù)測(cè)控制技術(shù)近年來(lái)得到了迅猛的 發(fā)展,有關(guān)系統(tǒng)辨識(shí)和預(yù)測(cè)控制技術(shù)相結(jié)合的文獻(xiàn)更是不勝枚舉。以下簡(jiǎn)要介紹模型辨識(shí)自 適應(yīng)預(yù)測(cè)控制技術(shù)在近年來(lái)取得的研究和應(yīng)用成果。早在1984年Greco在預(yù)測(cè)多變量多步自適應(yīng)調(diào)節(jié)器控制算法中就提出了使用一系列獨(dú) 立估計(jì)預(yù)測(cè)模型的線性組合來(lái)克服在控制過(guò)程中存在的模型失配。陳紹

31、東進(jìn)一步闡述并發(fā)展 了這種用多個(gè)簡(jiǎn)單線性參考模型的凸組合來(lái)消除或減少預(yù)測(cè)模型與實(shí)際控制對(duì)象之間存在的 失配的思想。然而 , 在陳紹東博士的論文中也明確指出 ,在多變量控制中引入多模型組合的策 略, 無(wú)疑會(huì)帶來(lái)巨大的在線計(jì)算量 , 因此對(duì)于實(shí)際多變量控制問(wèn)題應(yīng)對(duì)多模型組合策略進(jìn)行極 大簡(jiǎn)化才使該方法具備工程可操作性。其次 , 對(duì)于一個(gè)未知的控制系統(tǒng)，有些文章對(duì)于如何 選擇這些基模型沒(méi)有給出明確的方法 , 因此使用顯式多模型組合的預(yù)測(cè)控制策略在應(yīng)用中只 能具體問(wèn)題具體分析 , 因而顯得有些經(jīng)驗(yàn)化。對(duì)于復(fù)雜對(duì)象的控制問(wèn)題而言 , 一種更為直觀和現(xiàn)實(shí)的做法是在非線性、高維和不確定 對(duì)象的標(biāo)稱工作點(diǎn)上獲

32、取線性化的簡(jiǎn)化模型。如何有效地得到非線性或不確定對(duì)象在標(biāo)稱工 作點(diǎn)的時(shí)空上的簡(jiǎn)化線性模型 , 正是線性辨識(shí)技術(shù)研究的范疇和不斷努力的方向。線性辨識(shí) 技術(shù)從 1809 年法國(guó)數(shù)學(xué)家高斯的一篇文獻(xiàn)中提及的最小二乘法的數(shù)據(jù)處理方法開(kāi)始 ,經(jīng)歷了 近兩百年的發(fā)展 , 目前無(wú)論在理論還是在應(yīng)用中都已經(jīng)十分成熟。它的思想連同卡爾曼濾波 理論一起為后來(lái)發(fā)展起來(lái)的現(xiàn)代自適應(yīng)控制技術(shù)的發(fā)展奠定了堅(jiān)實(shí)的理論基礎(chǔ)。目前, 有關(guān)將線性辨識(shí)技術(shù)同預(yù)測(cè)控制結(jié)合起來(lái)的 , 從而在一些非線性控制場(chǎng)合達(dá)到自適應(yīng)控制目的的 文獻(xiàn)和應(yīng)用實(shí)例在近年來(lái)并不鮮見(jiàn) , 例如，在非線性的氧化氮排放量的預(yù)測(cè)控制中使用 RLS 對(duì)ARX模型進(jìn)行

33、辨識(shí)之后的模型估計(jì)作為參考模型；將卡爾曼濾波思想與預(yù)測(cè)控制結(jié)合，從而 得到了預(yù)測(cè)時(shí)域分為一步和兩步情況下的隨機(jī)時(shí)變自適應(yīng)預(yù)測(cè)控制算法 , 但同時(shí)也指出 : 當(dāng)預(yù) 測(cè)時(shí)域較大 （ 大于等于 3） 時(shí), 算法的推導(dǎo)陷入異常艱難的境界。事實(shí)上，線性模型的辨識(shí)未必能夠?yàn)?MPC在所有非線性控制場(chǎng)合都提供很好的模型估 計(jì)。為此，一系列新的非線性建模和辨識(shí)技術(shù)與 MPC技術(shù)的結(jié)合也在不斷進(jìn)行之中。一些人 在預(yù)測(cè)控制的框架中提出使用線性 ARX模型和二次Volterra模型的組合對(duì)非線性系統(tǒng)的動(dòng) 態(tài)進(jìn)行辨識(shí) ； 還有提出使用 Wiener 模型估計(jì)作為預(yù)測(cè)控制的參考模型 ； 也有人提出使用 Laguerre

34、-Hammerstein 非線性模型的自適應(yīng)預(yù)測(cè)控制 ； 還有很多文獻(xiàn)中提出了使用模糊建模 方法改善預(yù)測(cè)控制在不確定系統(tǒng)中的控制效果。5.3 自適應(yīng)預(yù)測(cè)控制軟件產(chǎn)品及其應(yīng)用由于實(shí)際控制問(wèn)題的復(fù)雜性 , 自適應(yīng)預(yù)測(cè)控制應(yīng)用并不象其理論上的研究那樣有著豐碩 的成果。就目前來(lái)看 ,大多數(shù)相關(guān)文獻(xiàn)中的研究工作都是基于仿真研究 ,成功的實(shí)際應(yīng)用并不 多見(jiàn)。 Greco 在他的文章中提供一個(gè)使用一系列獨(dú)立參考模型估計(jì)的自適應(yīng)預(yù)測(cè)控制軟件包 MUSMA并成功地應(yīng)用于超高溫鍋爐控制系統(tǒng)之中；Daley在Matlab/DSpace的仿真/控制框 架下在線實(shí)施了燃燒器NOX放量控制。因此，相比于自適應(yīng)PID控制的

35、成功應(yīng)用而言,自適 應(yīng)預(yù)測(cè)控制軟件的設(shè)計(jì)和應(yīng)用是工程界有待開(kāi)發(fā)的新領(lǐng)域。6 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制技術(shù)智能預(yù)測(cè)控制是針對(duì)復(fù)雜的受控系統(tǒng) , 采用某種智能模型與典型的預(yù)測(cè)控制算法相結(jié)合 構(gòu)成的一類智能型預(yù)測(cè)控制系統(tǒng) , 它彌補(bǔ)了傳統(tǒng)預(yù)測(cè)控制算法精度不高、僅適用于線性系 統(tǒng)、缺乏自學(xué)習(xí)和自組織功能、魯棒性不強(qiáng)的缺陷。這些算法可以處理非線性、多目標(biāo)、約 束條件等異常情況。因此 , 智能預(yù)測(cè)控制是當(dāng)前預(yù)測(cè)控制研究的熱點(diǎn)之一。本文主要研究其 中的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制。將神經(jīng)網(wǎng)絡(luò)理論與預(yù)測(cè)控制算法相結(jié)合 , 形成了一類神經(jīng)網(wǎng)絡(luò)預(yù)測(cè) 控制。6.1 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)控制技術(shù)的研究 首先是利用神經(jīng)網(wǎng)絡(luò)能對(duì)任意的復(fù)雜非線性函

36、數(shù)充分逼近 , 能夠?qū)W習(xí)和適應(yīng)不確定系統(tǒng) 的動(dòng)態(tài)特性 , 能采用并行分布處理算法快速進(jìn)行實(shí)時(shí)運(yùn)算等特點(diǎn) , 建立神經(jīng)網(wǎng)絡(luò)辨識(shí)模型作為 預(yù)測(cè)模型。在此基礎(chǔ)上 ,求取控制律。按照控制律求取方式的不同 , 本文將神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制 分為以下幾種類型 :(1) 基于線性化方法的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制。線性化方法一直是處理非線性問(wèn)題的常用方 法, 通過(guò)各種線性化逼近 ,可以將非線性控制律的求解加以簡(jiǎn)化 , 提高其實(shí)時(shí)計(jì)算速度。張日 東等人提出一種可用于非線性過(guò)程的神經(jīng)網(wǎng)絡(luò)多步預(yù)測(cè)控制方法 , 將非線性系統(tǒng)處理成簡(jiǎn)單 的線性和非線性兩部分 ,用線性預(yù)測(cè)控制方法求得控制律 , 避免了復(fù)雜的非線性優(yōu)化求解 , 仿 真

37、結(jié)果表明了該算法的有效性。(2) 基于迭代學(xué)習(xí)求解的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制。這種方法采用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)過(guò)程的多步 預(yù)測(cè), 控制信號(hào)的求取基于多步預(yù)測(cè)的目標(biāo)函數(shù) , 利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型提供的梯度信息進(jìn)行 迭代學(xué)習(xí)獲得。丁淑艷等人先利用一個(gè) BP網(wǎng)絡(luò)構(gòu)造一個(gè)非線性多步預(yù)測(cè)模型，根據(jù)被控對(duì)象 輸出與網(wǎng)絡(luò)實(shí)際輸出之間的誤差采用改進(jìn)的 BP算法修改網(wǎng)絡(luò)權(quán)值,模型建好后，根據(jù)網(wǎng)絡(luò)的 多步預(yù)測(cè)輸出序列與設(shè)定值序列的偏差構(gòu)造性能指標(biāo)函數(shù) , 采用自適應(yīng)變步長(zhǎng)梯度法修改控 制律。李玉云等人在神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制中采用一般迭代法求解神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制律。(3) 基于神經(jīng)網(wǎng)絡(luò)控制器的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制。這種方法基于兩個(gè)神經(jīng)網(wǎng)絡(luò)

38、 , 一個(gè)是建模 網(wǎng)絡(luò), 用于過(guò)程的動(dòng)態(tài)建模以獲取對(duì)過(guò)程的預(yù)測(cè)信號(hào) ;另一個(gè)是控制網(wǎng)絡(luò) , 它按照與預(yù)測(cè)控制 目標(biāo)函數(shù)相應(yīng)的驅(qū)動(dòng)信號(hào)來(lái)調(diào)整整個(gè)網(wǎng)絡(luò)的權(quán)值 , 以獲取對(duì)預(yù)測(cè)控制律函數(shù)的逼近。陳博等 人將傳統(tǒng)預(yù)測(cè)控制的優(yōu)化策略與神經(jīng)網(wǎng)絡(luò)逼近任意非線性函數(shù)的能力相結(jié)合 , 提出了一種基 于BP神經(jīng)網(wǎng)絡(luò)的新的預(yù)測(cè)控制算法，即滾動(dòng)優(yōu)化模塊用一個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)，并針對(duì)一個(gè)工 業(yè)裝置控制實(shí)例 , 探討了該算法在工業(yè)過(guò)程控制中的應(yīng)用。徐湘元等人在神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制 中其滾動(dòng)優(yōu)化部分也是用一個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn) , 即是一個(gè)神經(jīng)網(wǎng)絡(luò)控制器。楊黎峰在學(xué)位論 文中其優(yōu)化指標(biāo)用一個(gè)前向網(wǎng)絡(luò)(NNC)來(lái)實(shí)現(xiàn)。文獻(xiàn)27用神經(jīng)網(wǎng)

39、絡(luò)模型作為滾動(dòng)優(yōu)化控制 器, 神經(jīng)網(wǎng)絡(luò)控制器通過(guò)利用非線性模型及對(duì)控制算法提供一種快速、可靠的解決辦法來(lái)消 除在非線性預(yù)測(cè)應(yīng)用中主要的問(wèn)題 , 并闡述了控制器的設(shè)計(jì)和補(bǔ)償方法 ,最后用一個(gè)實(shí)例仿真 證明了該方法的有效性。(4) 基于遺傳算法求解的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制。薛福珍等人利用通用學(xué)習(xí)網(wǎng)絡(luò)的建模方法 ,提出了一種利用先驗(yàn)知識(shí)和神經(jīng)網(wǎng)絡(luò)建立非線性系統(tǒng)模型的方法 , 基于這種模型利用改進(jìn)的 遺傳算法進(jìn)行優(yōu)化計(jì)算 , 實(shí)現(xiàn)了基于先驗(yàn)知識(shí)和神經(jīng)網(wǎng)絡(luò)的非線性建模和預(yù)測(cè)控制 , 并用一個(gè) 懸吊系統(tǒng)的仿真試驗(yàn)說(shuō)明了該算法的有效性。陳華等人采用一種神經(jīng)網(wǎng)絡(luò)作為預(yù)測(cè)模型, 遺傳算法作為滾動(dòng)優(yōu)化策略的預(yù)測(cè)控制方法

40、 ,仿真結(jié)果表明對(duì)于這類高階非線性被控對(duì)象該方 法具有良好的魯棒性及抗干擾性能。6.2 基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)控制的產(chǎn)品及其應(yīng)用基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)控制在復(fù)雜工業(yè)過(guò)程控制中取得了許多成功的應(yīng)用 , Staib 等基于 神經(jīng)網(wǎng)絡(luò)控制電弧爐這個(gè)多變量、非線性、時(shí)變、難以用傳統(tǒng)數(shù)學(xué)模型描述的系統(tǒng)。 Bongards 等將神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器和模糊控制器結(jié)合在一起 , 在污水處理廠上得到了應(yīng)用。 Galvand 等采用并行結(jié)構(gòu)的遞歸神經(jīng)網(wǎng)絡(luò)在套管式化學(xué)反應(yīng)釜中進(jìn)行了應(yīng)用 ,并行遞歸神經(jīng) 網(wǎng)絡(luò)很好地模擬各個(gè)反應(yīng)器不同的加熱冷卻回路中的動(dòng)力學(xué)行為。他們還將神經(jīng)網(wǎng)絡(luò)逆控制 和預(yù)測(cè)控制應(yīng)用在試驗(yàn)性化學(xué)反應(yīng)堆上比原先的自校

41、正 PID 控制器有更好的控制品質(zhì)。柴天佑等將神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)結(jié)合 , 設(shè)計(jì)了鋼球磨中儲(chǔ)式制粉系統(tǒng)的神經(jīng)網(wǎng)絡(luò)解耦控制器 , 極大 地提高了制粉效率。 Jose 等提出一種直接自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制器 , 能夠?qū)ξ粗姆蔷€性系統(tǒng) 進(jìn)行預(yù)測(cè)控制 ,并成功地將其應(yīng)用在化工熱交換過(guò)程的流速與溫度控制中。Hu 等設(shè)計(jì)了基于模糊神經(jīng)網(wǎng)絡(luò)模型的有約束多步預(yù)測(cè)控制 , 并將其應(yīng)用于燒結(jié)生產(chǎn)線的線速度控制中。此外 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制在熱電廠和太陽(yáng)能電廠都有成功應(yīng)用的實(shí)例。這些成功的應(yīng)用實(shí)踐表明結(jié) 合神經(jīng)網(wǎng)絡(luò)與預(yù)測(cè)控制的優(yōu)勢(shì)而形成的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制在工業(yè)過(guò)程中具有廣闊的應(yīng)用前 景。而應(yīng)用成功的關(guān)鍵是穩(wěn)定性。基于神經(jīng)網(wǎng)

42、絡(luò)非線性系統(tǒng)多步預(yù)測(cè)控制在復(fù)雜的工業(yè)過(guò)程控制中已顯示了其優(yōu)良的控制 性能,展現(xiàn)了誘人的應(yīng)用前景，但它是一種新的嘗試，還有許多問(wèn)題有待于進(jìn)一步研究。進(jìn) 一步加強(qiáng)非線性預(yù)測(cè)控制中適用的各種神經(jīng)網(wǎng)絡(luò)的理論研究 , 包括網(wǎng)絡(luò)逼近與泛化能力 , 結(jié)構(gòu) 參數(shù)的選取規(guī)律，有效的實(shí)時(shí)學(xué)習(xí)算法等。加強(qiáng)對(duì)基于神經(jīng)網(wǎng)絡(luò)的有約束多變量預(yù)測(cè)控制 求解算法的研究 , 這方面有一些初步成果 , 有待于進(jìn)一步研究 , 以便更好地拓寬神經(jīng)網(wǎng)絡(luò)控制 的應(yīng)用領(lǐng)域。加強(qiáng)對(duì)基于神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)預(yù)測(cè)控制的理論分析研究。這是具有挑戰(zhàn) 性的課題,需要深入開(kāi)展研究。促進(jìn)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制與遺傳算法、模糊邏輯等其他智能 理論的結(jié)合，推動(dòng)智能預(yù)

43、測(cè)控制的發(fā)展。必須加強(qiáng)對(duì)智能預(yù)測(cè)控制的應(yīng)用研究，把一些理論研究成果盡快應(yīng)用于實(shí)際工業(yè)過(guò)程 , 更多地解決一些復(fù)雜的實(shí)際的工業(yè)控制難題 , 并從中發(fā)現(xiàn) 新問(wèn)題,找到推動(dòng)理論發(fā)展的新思路。7 總 結(jié)在對(duì)計(jì)算機(jī)控制算法的發(fā)展趨勢(shì)和展望中可以看出 , 預(yù)測(cè)控制作為先進(jìn)過(guò)程控制算法 , 由 于其獨(dú)特的優(yōu)越性、具有強(qiáng)的適應(yīng)性和魯棒性，它區(qū)別于最優(yōu)控制，又具有最優(yōu)控制的特 征，在實(shí)際應(yīng)用中得到驗(yàn)證，被認(rèn)為是過(guò)程控制最有效的控制策略。從技術(shù)的橫向發(fā)展來(lái)看 預(yù)測(cè)控制目前基于線性時(shí)不變模型的算法研究日益成熟 , 并且有著諸多的成功應(yīng)用 ; 在非線性 控制領(lǐng)域 , 預(yù)測(cè)控制的發(fā)展 （由于受到非線性應(yīng)用數(shù)學(xué)的發(fā)展的約束 ）顯得相當(dāng)不成熟 , 并且成 功的應(yīng)用實(shí)例亦是屈指可數(shù)。但正是因?yàn)槿绱?, 非線性預(yù)測(cè)控制越來(lái)越成為學(xué)術(shù)界關(guān)注的焦 點(diǎn), 并推動(dòng)著非線性預(yù)測(cè)控制理論和技術(shù)的縱向發(fā)展。繼而