1、以模型預(yù)測控制MPC(Model Predictive Control)策略為代表的現(xiàn)代先進控制技術(shù)ACT(Advanced Control Technology)是流程工業(yè)過程控制領(lǐng)域一項新興的、應(yīng)用前景廣闊的技術(shù)。它從考慮使生產(chǎn)企業(yè)獲得最大經(jīng)濟效益的角度出發(fā),采用分層式控制結(jié)構(gòu),實現(xiàn)生產(chǎn)過程優(yōu)化操作,為過程工業(yè)界提供了一種以經(jīng)濟性能和控制質(zhì)量相結(jié)合的手段來實現(xiàn)過程控制的新方法。通過對現(xiàn)有過程系統(tǒng)動態(tài)行為進行精確辨識后,在裝置中采用可

2、以實現(xiàn)裝置的整體優(yōu)化控制的MPC策略,使生產(chǎn)企業(yè)能以最優(yōu)化的方式運行并獲得可觀的經(jīng)濟效益,找到挖掘提高系統(tǒng)經(jīng)濟潛能的最佳途徑,為提升企業(yè)的競爭力提供科學(xué)的生產(chǎn)決策依據(jù)。此外,ACT可以智能地利用過程系統(tǒng)信息和管理信息實現(xiàn)過程的優(yōu)化控制。結(jié)合反映經(jīng)濟性能的測評指標(biāo)和結(jié)果,即使是非線性、強耦合、大時滯這樣的過程系統(tǒng),也可以在保證最大經(jīng)濟收益與優(yōu)化操作性能指標(biāo)的前提下,設(shè)計和實施性能優(yōu)越的控制策略,維護工業(yè)過程高品質(zhì)運行。
　　 MP

3、C是基于反映過程動態(tài)行為和信息的過程模型的控制策略,需要建立被控制過程的性能目標(biāo)函數(shù)和反映過程安全運行、滿足環(huán)境立法所要求的排放標(biāo)準(zhǔn)的關(guān)鍵變量的操作約束范圍。采用收縮域優(yōu)化控制的方法來求解過程工作在優(yōu)化模式下的控制量。基于預(yù)測控制的先進控制策略的實施涉及到過程模型辨識、參數(shù)估計、性能目標(biāo)函數(shù)的構(gòu)建、摔制性能評估、數(shù)值計算和優(yōu)化等多個學(xué)科領(lǐng)域的知識和技術(shù),是當(dāng)今過程工業(yè)界和控制界最受關(guān)注的研究方向之一。本論文結(jié)合當(dāng)前基于MPC的ACT理論

4、研究和國內(nèi)工程應(yīng)用現(xiàn)狀,分別展開了以下幾個方面的研究工作:
　　 (1)針對在采用神經(jīng)網(wǎng)絡(luò)模型預(yù)測非線性過程動態(tài)行為的非線性預(yù)測控制NMPC(Nonlinear model predictive control)算法中,滾動優(yōu)化因低效率的優(yōu)化算法造成的模型預(yù)測不精確、控制實時性差和控制質(zhì)量下降的問題,提出了一種基于改進微分進化MDE(Modified Differential Evolution)法的自適應(yīng)神經(jīng)網(wǎng)絡(luò)權(quán)值的神經(jīng)網(wǎng)絡(luò)

5、ANN(Artificial Neural Network)模型NMPC策略。該策略的設(shè)計與實施分為四個部分:首先采用神經(jīng)網(wǎng)絡(luò)模型對預(yù)測控制中的預(yù)測非線性模型進行建模;對所建立的神經(jīng)網(wǎng)絡(luò)模型用MDE這一高效的優(yōu)化算法對網(wǎng)絡(luò)的權(quán)值進行在線自適應(yīng)計算,以提高模型的在線預(yù)測能力:將該模型應(yīng)用到預(yù)測控制算法的目標(biāo)函數(shù)中,在收縮域的窗口中,使非線性預(yù)測控制算法中優(yōu)化的增量式控制量的計算更為精確;最后將該方法應(yīng)用到蒸餾塔這樣一個高非線性化工過程的控

6、制中,仿真結(jié)果驗證了該方法的有效性。
　　 (2)針對預(yù)測控制在實施精確跟蹤設(shè)定值的控制策略中時,因不確定擾動和噪音的影響所導(dǎo)致魯棒性能下降的問題,提出一種基于自適應(yīng)目標(biāo)函數(shù)加權(quán)系數(shù)的區(qū)域模型預(yù)測控制ZMPC(Zone model Predictive Control)策略。利用加權(quán)系數(shù)具有懲罰(抑制)偏差和調(diào)節(jié)過激這一特點,在過程存在不確定擾動時,在每一個采樣周期內(nèi),控制器根據(jù)輸出量偏差的大小自適應(yīng)地調(diào)節(jié)目標(biāo)函數(shù)中變量權(quán)值的松

7、弛系數(shù),實現(xiàn)關(guān)鍵被控制量的魯棒區(qū)域預(yù)測控制方法,將其精確地控制在與產(chǎn)品規(guī)格對應(yīng)的約束區(qū)域內(nèi),而不是常規(guī)的設(shè)定值跟蹤控制。該方法在系統(tǒng)存在不確定擾動或是存在不確定時變參數(shù)時,可達到實現(xiàn)提高預(yù)測控制的魯棒性能和穩(wěn)定性能目的。事例驗證了該方法的有效性。
　　 (3)針對分布式預(yù)測控制DMPC(Distributed MPC)中,控制性能會因未充分考慮子過程間重要通道的相互作用行為,以及子預(yù)測控制器間通訊機制的不確定性而造成的整體控制性

8、能下降的問題,提出了一種基于概率密度函數(shù)PDF(Probability density function)協(xié)調(diào)原則的多預(yù)測控制器協(xié)調(diào)方法。該方法的實現(xiàn)分為四個部分:RTO層計算出過程關(guān)鍵變量的設(shè)定值送到下層的MPC層;MPC層根據(jù)過程的實時動態(tài)行為計算出優(yōu)化的控制量,但由于每個予控制器因忽略了關(guān)鍵的子過程間的動態(tài)耦合行為,導(dǎo)致了計算出來的控制量不是全局最優(yōu);將這些控制量送入到協(xié)調(diào)層中進行PDF協(xié)調(diào)后再送到下層的MPC層進行執(zhí)行,進而減小

9、非全局最優(yōu)控制量對控制性能的影響。兩個事例仿真表明該方法的有效性。
　　 (4)針對大型復(fù)雜過程因市場行為導(dǎo)致的原材料等生產(chǎn)要素的價格發(fā)生頻繁變化時不能及時保證整個生產(chǎn)過程的經(jīng)濟性能最佳這一問題,提出一種基于動態(tài)實時優(yōu)化DRTO(Dynamic Rcal Time Optimization)的多層預(yù)測控制的先進控制策略。上層的DRTO層不是常規(guī)的穩(wěn)態(tài)優(yōu)化機制,而是動態(tài)優(yōu)化機制。即在結(jié)合企業(yè)計劃、調(diào)度等信息的過程優(yōu)化操作不再是常規(guī)