（控制理论与控制工程专业论文）基于支持向量机的建模与预测控制技术研究及应用.pdf

浙江大学硕士学位论文 摘要 模型预测控制( m p c ) 是一种根据系统动态模型和历史信息，通过对系统未 来行为的预测来优化当前输入的控制策略。线性预测控制是基于线性预测模型， 在理论上发展的比较成熟，并在工业过程控制的应用中取得很多成功。然而，对 于非线性的过程对象，由于线性模型无法精确地描述其系统特性，因此仍需要使 用非线性模型以及相应的预测控制策略。 本文主要在算法实验研究和工程应用两方面进行探讨。在算法实验研究中， 基于智能工厂实验室的半实物仿真平台，构建不同的过程对象，并针对一类非线 性过程对象，提出了基于最小二乘支持向量机的非线性预测控制策略。工业现场 应用中，针对工艺流程复杂、干扰频繁和工况变化很大的轻烃分馏装置，设计以 线性模型预测控制技术为主的先进控制系统，应用后取得良好的投运效果。 论文主要内容： 1 采用物理模拟和数字仿真相结合的形式，在以石化行业为背景的智能工 厂实验室，构建各类过程对象并进行相应的预测控制算法研究。 2 提出了一种基于支持向量机的非线性预测控制算法，并基于智能工厂实 验室的半实物仿真平台，设计非线性过程控制对象，实验验证了该非线 性预测控制算法的有效性。 3 分析了轻烃分馏装置的工艺流程、控制现状和需求，根据现场需求设计 先进控制系统，并取得了良好控制效果。 最后是全文总结和展望。 关键词：预测控制、先进控制、支持向量机、非线性补偿器、轻烃分馏装置 一 塑坚盔兰堡主堂焦笙三鉴 a b s t r a c t m o d e lp r e d i c t i v e c o n t r o l ( m p c ) r e f e rt oac l a s so fc o n t r o la l g o r i t h m st h a t o p t i m i z et h ec u r r e n ti n p u tb yp r e d i c t i n gt h ef u t u r eb e h a v i o ro fs y s t e mb a s e do n s y s t e md y n a m i cm o d e l b a s e do nl i n e a rp r e d i c t i v em o d e l ，l i n e a rp r e d i c t i v ec o n t r o lh a s b e e nm a t u r e dt h e o r e t i c a l l y , a n dm a n ys u c c e s s f u l a p p l i c a t i o n s c a nb ef o u n di n i n d u s t r i a lp r o c e s sc o n t r 0 1 h o w e v e r , f o rt h eh i g h l yn o n l i n e a rp r o c e s s e s ，n o n l i n e a r m o d e la n dt h ec o r r e s p o n d i n gp r e d i c t i v ec o n t r o ls t r a t e g i e sh a v et ob ee m p l o y e ds i n c e l i n e a rm o d e l sc a n n o ta c c u r a t e l yd e s c r i b et h es y s t e mc h a r a c t e r i s t i c s t h i st h e s i sf o c u s e so nt h er e s e a r c ho fa l g o r i t h me x p e r i m e n t a la n de n g i n e e r i n g a p p l i c a t i o n o nt h es i m u l a t i o np l a t f o r mi nt h ev i r t u a lp l a n tl a b ，d i f f e r e n tp r o c e s s e sa r e c o n s t r u c t e da n dn o n l i n e a rp r e d i c t i v ec o n t r o ls t r a t e g i e sb ym i n i m i z i n gt h el e a s ts q u a r e s u p p o r tv e c t o rm a c h i n ea r ep r e s e n t e df o rak i n do fn o n l i n e a rp r o c e s so b j e c t s i n i n d u s t r i a l a p p l i c a t i o n ，f o r t h el i g h t h y d r o c a r b o nf r a c t i o n a t i n gd e v i c e t h a th a s c o m p l i c a t e dp r o c e s sa n dd i s t u r b a n c e sa n dl o n g r a n g e dr e q u i r e m e n t ，a d v a n c e dc o n t r o l s y s t e mm a i n l ye m p l o y i n gl i n e a rm o d e lp r e d i c t i v et e c h n i q u ei sd e s i g n e d ，w h i c h p r o d u c e sg o o dp e r f o r m a n c e t h em a i nc o n t e n t sa r ea sf o l l o w s 1 s e v e r a lp r o c e s so b j e c t sa n dr e l a t e dm o d e lp r e d i c t i v ec o n t r o la l g o r i t h m sa r e c o n s t r u c t e di nt h ef o r mo fp h y s i c a la n dd i g i t a ls i m u l a t i o n ，i nt h ev i r t u a l f a c t o r yl a bb a s e do np r o c e s s in d u s t r ie s 2 3 n o n l i n e a rm o d e lp r e d i c t i v ec o n t r o la l g o r i t h mb a s e do ns u p p o r tv e c t o r m a c h i n ei sp r e s e n t e d ，a n dn o n l i n e a rp r o c e s sc o n t r o lp l a n ti sd e s i g n e do n s i m u l a t i o np l a t f o r mo ft h ev i r t u a ll a b e x p e r i m e n ts h o w st h ee f f e c t i v e n e s so f t h ep r e s e n t e dn o n l i n e a rp r e d i c t i v ec o n t r o la l g o r i t h m a f t e ra n a l y z i n gc o n t r o ls t a t ea n dr e q u i r e m e n to ft h ep r o c e s so ft h el i g h t h y d r o c a r b o nf r a c t i o n a t i n gd e v i c e ，a d v a n c e d c o n t r o ls y s t e mi s d e s i g n e d a c c o r d i n gt ot h er e q u i r e m e n t s ，w h i c hg i v e sg o o dc o n t r o lp e r f o r m a n c e t h el a s tp a r ti ss u m m a r ya n dp e r s p e c t i v e a b s t r a c t k e yw o r d ：m o d e lp r e d i c t i v ec o n t r o l ，a d v a n c e dp r o c e s sc o n t r o l ，s u p p o r tv e c t o r m a c h i n e ，n o n l i n e a rc o m p e n s a t o r , t h el i g h th y d r o c a r b o nf r a c t i o n a t i n gd e v i c e 浙江大学硕士学位论文 第一章绪论 本章简要贪绍了模型预测控制技术的历史背景、发展和工业应用现状。 1 、1 引言 模型预测控制( m o d e lp r e d i c t i v ec o n t r o l ，m p c ) 是采用多步预测、滚动优化 和反馈校正等控制策略的一类新型计算机控制算法。上世纪6 0 年代初期，模型 预测控制的思想已经被提出，但直到8 0 年左右关于i d c o m 和动态矩阵控制 ( d y n a m i cm a t r i xc o n t r o l ，d m c ) 以及广义预测控制( g e n e r a l i z e dp r e d i c t i v e c o n t r o l ，g p c ) 文章发表，m p c 取得了长足发展和广泛的应用( m o r a r i ，2 0 0 0 ) 。 自5 0 年代末发展起来的以状态空间方法为主体的现代控制理论，为过程控 制带来了状态反馈、输出反馈、解祸控制、自适应控制等一系列多变量控制系统 设计方法；对于状态不可测量的系统，也有状态观测器和估计器等工具。然而， 当现代控制理论真正应用于工业过程控制时，却遇到了前所未有的困难，以至产 生它是否适用予过程控制的困惑。究其原因，人们发现，除了上述多变量控制策 略自身的不足外( 例如。解耦控制在约束处理和控制变更时缺乏灵活性) ，工业过 程的复杂性使得建立其精确数学模型十分困难。此外，现代控制理论所需的数学 基础也在一定程度上限制了它被过程控制界所熟悉和了解。 与此同时，计算机技术的持续发展使得计算机控制在工业生产过程中得到了 广泛的应用，强大的计算能力可以用来求解许多过去认为是无法求解计算的问 题，这一切都孕育着过程控制领域的新突破。1 9 8 0 年前后，模型预测启发式控 锚i ( m p h c ) 和动态矩阵控铜j ( d m c ) 的成功应用，表明过程工业已开始接受现代控 制概念，从而引发了预测控制在工业过程控制的大量应用。 作为一种新型的控制方法，模型预测控制提供了在复杂环境下有效利用过程 信息实现优化控制的途径。由于强调模型的功能而不是结构，使它可以根据对象 的特点和控制的要求，以最简易的方式集结信息建立预测模型。由于采用了对模 型信息的辅助预测和非经典的优化模式，使它可以把实际系统中的多种复杂因素 考虑在优化过程中，形成动态的优化控制，并可处理约束和多种形式的优化目标 因其在炼油、化工、电力等复杂工业过程中的一系列成功应用( s ，j o eq i n ， 第一章绪论 t h o m a s a b a d g w e l l ，2 0 0 3 ) ，m p c 正嗣益受到人们的重视。经过2 0 多年的发展与应 用，m p c 从线性时不变预测控制发展出应用于非线性、时变系统的多种预测控 制技术。目前，它不仅是工业过程控制领域中最具代表性的先进控制策略，而且 相应的理论研究也是控制理论界的热点。 1 2 预测控制算法发展回顾 模型预测控制的基本思想可追溯到上世纪6 0 年代。z a d e h 和w l l a l e n 在1 9 6 2 年提出了有关最小时间优化的控制问题( z a d e h ，1 9 6 2 ) ：在1 9 6 3 年，p r o p o i 提出 了预测控制的核心思想滚动优化( p m p o i ，1 9 6 3 ) ，这就是所谓的“开环优化 问题”。但工业界和学术界对预测控制产生兴趣并随之涌现出工业应用和理论研 究的高潮，则是在2 0 世纪7 0 年代后期。 1 9 7 8 年r i c h a l e t 等人基于i d c o m 软件在法国相关企业的成功应用提出了模 型预测启发控制( m p h c ) ( 或又谓m e h r a 等人( 1 9 8 2 ) 提出的模型算法控制 ( m a c ) ，这两种算法都是建立在对象的脉冲响应基础上的) 。不久，c u t l e r 和 r a r n a k e r ( 1 9 7 9 ，1 9 8 0 ) 提出了建立在对象阶跃响应基础上的动态矩阵控制 ( d m c ) 。由于这类响应易于从工业现场中直接获得，并不要求对模型的结构有 先验的知识，所以不必通过复杂的辨识过程便可设计控制系统。 这些预测控制算法汲取了现代控制理论中的优化思想，但用不断地在线优化 即所谓的滚动优化取代了传统的最优控制。由于在优化过程中利用实测信息不断 进行反馈校正，所以在一定程度上克服了不确定性的影响，增强了控制器的鲁棒 性。此外，随着计算机工业应用的发展，这些算法的实现相对来说比较容易。这 些特点使它们很适合于工业过程控制的实际要求。此后，基于对象脉冲响应或阶 跃响应的各种预测算法相继出现，并形成了商品化软件包，在石油、化工、电力 等领域的过程控制中取得了明显的经济效益。 上述这两种预测控制算法一般要比常规的p i d 控制算法复杂，在线计算量相 对较大，对控制实时性的要求较高，因此一开始它的主要应用局限于慢过程对象 的控制，即过程量的控制。后来，随着预测控制原理日益发展，为满足快速系统 的要求，r i c h a l e t 等人( 1 9 8 8 ) 又提出了预测函数控制( p f c ) ，并成功地应用于 工业机器人的快速高精度跟踪控制。以上这些算法均属于非参数模型范畴，它们 的特点是：模型在工业现场易于获得，不需要复杂的系统辨识和建模；采用反馈 浙江大学硕士学位论文 校正基础上的在线滚动优化取代传统的最优控制，因而可以克服各种不确定性的 影响，增强系统的鲁棒性，而且在线计算简单。 8 0 年代出现了预测控制的另一个分支即参数化模型的预测控制。由于最小 方差控制( m v c ) ( a s t r o m ，1 9 7 9 ) 、广义最小方差控制( g m v c ) ( c l a r k e ，1 9 7 9 ) 都不能保证闭环系统的稳定性，而且对模型失配也比较敏感。因此，为了增强自 适应控制系统的鲁棒性，在广义最小方差控制的基础上，汲取了预测控制算法中 多步预测策略，从而出现了基于受控参数模型且具有自适应性的或为改善系统稳 定性而配置极点的预测控制算法，即广义预测控制算法( g p c ) ( c l a r k e 。1 9 8 7 ) 和广义预测极点配置控制算法( g p p ) ( l e l i c ，1 9 8 7 ) ，它们采用的模型是受控自 回归积分滑动平均( c a m m a ) 模型或受控自回归滑动平均( c a r m a ) 模型。 由于引入自适应机制，因而可及时修正参数变化产生的预测误差，从而改善系统 的动态性能。此外，在有随机噪声情况下，参数化模型的预测控制具有非参数化 模型无法比拟的优点，因为后者只考虑不包含任何外部扰动的确定性模型。 为了更好的利用现代控制理论的成果，状态空闻模型在预测控制的理论研究 中得到了目益广泛的应用。近年来的预测控制文献普遍采用状态空间模型。模型 预测控制本质上是最优控制问题的在线滚动实施，因此预测控制和最优控制之间 必然存在千丝万缕的联系。事实上，被首先应用到预测控制研究的一些现代控制 理论成果也正是最优控制的一些结果。 1 3 模型预测控制原理 模型预测控制( m p c ) 是使用显示过程模型来控制对象未来行为的一类计算 机控制算法。它一般包含预测模型、滚动优化和反馈校正三个基本要素( c a m a c h o 1 9 9 8 ，e d u r d o1 9 9 9 ，席裕庚1 9 9 3 ) 。 1 3 1 预测模型 预测控制是一种基于模型的控制算法，这一模型称为预测模型。预测模型只 注重模型的功能，而不注重模型的形式，预测模型的功能就是根据兑现的历史信 息和未来输入预测系统的未来输出，只要具有预测功能的模型，无论其有什么样 的表现形式，均可作为预测模硭。因此，状态方程、传递函数这类传统的模型都 可以作为预测模型，同样，对于线性稳定对象，阶跃响应、脉冲响应这类非参数 一3 一 一 茎二童堡堡 模型，也可直接作为预测模型使用。例如，在d m c 、m a c 等预测控制策略中， 采用了实际工业中容易获得的阶跃响应、脉冲响应等非参数模型，而g p c 等预 测控制策略则选择c a r i m a 模型、状态空间模型等参数模型。此外，非线性系 统、分布参数系统的模型，只要具备上述功能，也可在这类系统进行预测控制时 作为预测模型使用。因此，预测控制摆脱了传统控制基于严格数学模型的要求， 从全新的角度建立模型的概念。 预测模型具有展示系统未来动态行为的功能。这样，就可以利用预测模型为 预测控制进行优化提供先验知识，从而决定采用何种控制输入，使未来时刻被控 对象的输出变化符合预期的目标。 尽管生产过程对象都或多或少地呈现非线性，在预测控制系统中几乎都使用 线性化的模型。这种使用线性简单化模型的策略在大多数情况下是值得考虑的： 首先，线性化的阶跃响应模型和脉冲响应模型在离线辨识、经验和机理建模中很 容易获得；其次，对于大多数缓慢的化工过程，在稳态工作点附近的模型，使用 线性化的模型不会给整个控制带来很大的误差；再次，在工作点在线辨识得到的 线性模型足以满足控制要求；最后，对于使用线性模型的线性系统，数学上有较 为成熟的优化工具对凸规划进行求解。 1 3 2 滚动优化 预测控制的最主要特征表现在滚动优化。预测控制通过某一性能指标的最优 来确定未来的控制作用，这一性能指标涉及到系统未来的行为，例如，通常可取 对象输出在未来的采样点上跟踪某一期望轨迹的方差最小等。但也可取更广泛的 形式，例如要求控制能量为最小而同时保持输出在某一给定范围内等等。性能指 标中涉及到的系统未来的行为，是根据预测模型由未来的控制策略决定的。 但是，预测控制中的优化与通常的离散最优控制算法有很大的差别。这主要 表现在预测控制中的优化目标不是一成不变的全局优化目标，而是采用有限时段 的滚动优化策略，在每一采样时刻，优化性能指标只涉及到从未来有限的时间， 而到下一采样时刻，这一一优化时段同时向前推移。因此，预测控制在每一时刻有 个相对于该时刻的优化性能指标，不同时刻优化性能指标的相对形式是相同 的，但其绝对形式( 即所包含的时间区域) 则是不同的。因此，在预测控制中，优 化不是一次离线进行，而是反复在线进行的，这就是滚动优化的含义，也是预测 第一章绪论 模型，也可直接作为预测模型使用。例如，在d m c 、m a c 等预测控制策略中， 采用了实际工业中容易获得的阶跃响应、脉冲响应等非参数模型，而g p c 等预 测控制策略则选择c a r i m a 模型、状态空问模型等参数模型。此外，非线性系 统、分布参数系统的模型，只要具备上述功能，也可在这类系统进行预测控制时 作为预测模型使用。因此，预测控制摆脱了传统控制基于严格数学模型的要求， 从全新的角度建立模型的概念。 预测模型具有展示系统未来动态行为的功能。这样，就可以利用预测模型为 预测控制进行优化提供先验知识，从而决定采用何种控肯输入，使未来时刻被控 对象的输出变化符合预期的目标。 尽管生产过程对象都或多或少地呈现非线性，在预测控制系统中几乎都使用 线性化的模型。这种使用线性简单化模型的簟略在大多数情况下是值得考虑的： 首先，线性化的阶跃响应模型和脉冲响应模型在离线辨识、经验和机理建模中很 容易获得；其次，对于太多数缓慢的化工过程。在稳态工作点附近的模型，使用 线性化的模型不会给整个控制带来很大的误差；再次，在工作点在线辨识得到的 线性模型足以满足控制要求；最后，对于使用线性模型的线性系统，数学上有较 为成熟的优化工具对凸规划进行求解。 1 32 滚动优化 预测控制的最主要特征表现在滚动优化。预测控制通过某一性能指标的最优 来确定未来的控制作用，这一性能指标涉及到系统未来的行为，例如，通常可取 对象输出在未来的采样点卜跟踪某一期望轨迹的方差最小等。但也可取更广泛的 形式，例如要求控制能量为最小而同时保持输出在某一给定范围内等等。性能指 标中涉及到的系统未来的行为，是根据预测模型由未来的控制筻略决定的。 但是，预测控制中的优化与通常的离散最优控制算法有很大的差剐。这主要 表现在预测控制中的优化目标不是一成不变的全局优化 j ；| 标，而是采用有限时段 的滚动优化策略，在每采样时刻，优化性能指标只涉及到从来来有限的时阀， 而到下一采样时刻，这优化时段同时向前推移。因此，预测控制在每一时刻有 个相对于该时刻的优化性能指标，不同时刻优化性能指标的相对形式是相同 的，但其绝对形式( 即所包含的时问区域) 则是不同的。因此，在预攫4 控制中，优 化不是一次离线进行，而是反复存线进行的，这就是滚动优化的含义，也是预测 化不是一次离线进行，而是反复在线进行的，这就是滚动优化的含义，也是预测 塑婆丕堂塑主堂焦鲨塞 控制区别于传统最优控制的根本特点。对于实际的复杂工业过程来说，模型失配、 时变、干扰等引起的不确定性是不可避免的，预测控制采用这种有限时段优化具 有一定的局限性，滚动优化可能无法得到全局的最优解，但优化的滚动实施却能 顾及由于模型失配、时变、干扰等引起的不确定性，及时弥补这些因素造成的影 响，并始终把新的优化建立在实际过程的基础上，因此，建立在有限时段上的滚 动优化策略更加符合过程控制的特点。 1 3 3 反馈校正 过程控制算法采用的预测模型通常只能粗略描述对象的动态特性，由于实际 系统中存在的非线性、时变、模型失配、干扰等因素，基于不变模型的预测不可 能和实际情况完全相符，因此，反馈策略是不可少的。滚动优化只有建立在反馈 校正的基础上，才能体现出它的优越性。因此，预测控制算法在通过优化确定了 一系列未来的控制作用后，为了防止模型失配或环境干扰引起控制对理想状态的 偏离，并不是把这些控制作用逐一全部实施，而只是实现本时刻的控制作用。到 下一采样时刻，首先监测对象的实际输出，并通过各种反馈策略，修正预测模型 或加以补偿，然后再进行新的优化。 综上所述，预测控制综合利用历史信息和模型信息，对目标函数不断进行滚 动优化，并根据实际测得的对象输出修正或补偿预测模型。这种控制策略更加适 用于复杂的工业过程，并在复杂的工业过程中获得了广泛的应用。 1 3 4 模型预测控制特点 模型预测控制一经问世，即在复杂工业过程中得到成功应用，显示出强大的 生命力。其成功主要是由于它突破了传统控制思想的约束，不仅较好地符合工业 过程控制的实际要求，而且体现了现代控制理论的优化思想。模型预测控制利用 生产过程的响应来建立描述过程动态行为的数学模型，并根据某种优化指标来确 定控制量的时间序列，从而使未来段时间内被控量与经柔化后的期望轨迹之间 的误差为最小。由于预测控制算法采用在线滚动优化，且在优化过程中不断通过 系统实际输出与模型预测输出之差来进行反馈校正，因此，模型预测控制能在一 定的程度上克服由于预测模型误差和某些不确定性干扰等的影响， 从而增强系 统的鲁棒性。 c 一 蔓二童堑监 理论上看，模型预测控制有下列基本特征： ( 1 ) 模型预测控制算法综合利用过去、现在和将来( 模型预测) 的信息， 而传统算法，如p i d 等，却只利用过去和现在的信息。此外，由于模型预测控制 采用多步预测方式，扩大了反映过程未来变化趋势的信息量，因而，增强了克服 各种不确定性和复杂变化影响的能力。 ( 2 ) 对模型要求低，现代控制理论之所以在过程工业中难以大规模应用， 其重要的原因之一是对模型精度要求太高，而预测控制就成功地克服了这一点。 用于描述过程动态行为的预测模型可以通过简单的实验得到，无需太多系统辨识 这类建模过程的复杂运算。此外，由于采用了非最小化形式描述的离散卷积和模 型，信息冗余量大，有利于提高系统的鲁棒性。 ( 3 ) 用滚动优化取代全局一次性优化。这意味着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。每个控制周期不断地进 行优化计算，不仅在时间上满足了实时性的要求，丽且突破了传统的全局次优 化的局限，把稳态优化与动态优化相结合。 ( 4 ) 采用误差反馈校正。由于实际系统中存在非线性、不确定性等因素的 影响，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， 模型预测控制采用过程实际输出与模型输出之间的误差进行反馈校正来弥补这 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 ) 用多变量的控制思想取代传统控制手段的单变量控制。在应用于多变 量问题时，预测控制也常常称为多变量预测控制。 ( 6 ) 能有效处理约束问题。因为在实际生产中，往往希望将生产过程的设 定状态推向设备及工艺条件的边界上( 安全边界、设备能力边界、工艺条件边界 等) 运行，这种运行状态常会产生使操作变量饱和，及使被控变量超出约束的问 题。所以能够处理多目标、具有约束能力就成为使控制系统能够稳定、可靠、长 周期运行的关键技术。 从工业应用的角度看，模型预测控制不仅可取代p 1 d 控制器来解决一些局部 控制问题，而且在处理复杂的多变量控制问题时更具优势。多变量预测控制策略 浙江大学硕士学位论文 可用于含有时滞、约束的多输入、多输出过程；其特有的隐式解耦能力可有效地 克服传统分散控制、解耦控制的繁琐和缺陷，从而使模型预测控制成为工业过程 递阶控制结构中介于基础控制级与优化级之间极为重要的动态控制级。由于模型 预测控制对于设定值有较好的动态响应和稳态精度，因此，它是实现实时优化的 重要基础。b r i s k 的观点反映了工业界对模型预测控制的看法： ( 1 ) 预测控制的最主要的特征是在线优化； ( 2 ) 预测控制的发展主要归功于实践者，而非控制理论； ( 3 ) 预测控制的成功在于满足许多实际的需要，如：约束、易于获得的经 验模型、可测扰动的考虑；实施标准化，对操作者透明； ( 4 ) 预测控制不是过程控制的万应灵药，它计算耗时、建模未利用过程知 识：黑箱模型缺乏对过程的理解而不能支持新系统设计，在许多应用场合是大材 小用。 1 4t 业应用现状 在流程工业中，从4 0 年代开始，单回路p i d 控制一直是过程控制的主要手 段，它以经典控制理论为基础、主要用频域方法进行控制系统的分析设计和综合。 目前，p i d 控制仍得到广泛应用，甚至在分散控制系统( d c s ) 较普及的现代流程 工业中，这类回路仍占总回路数的8 0 9 0 。这是因为p i d 控制算法通过对人的 有效操作方式的总结与模仿，可以达到使一般工业过程平稳运行的目的，而且这 类算法简单且应用历史悠久、工程人员比较熟悉且容易接受。然而，在生产过程 中，仍有很多控制问题采用常规p i d 控制无法奏效，所涉及的对象往往具有多变 量、强耦合性、不确定性、非线性、以及大滞后等特征，并存在苛刻的约束条件。 而且，这些难对付的对象通常是生产过程的核心部分，直接关系到产品的质量、 产率和消耗等经济性能指标。随着现代流程工业日益走向大型化、连续化，过程 本身对控制系统提出了更高的要求，即在平稳操作的基础上追求最佳的经济效益 和社会效益。因此，迫切需要一些能从整体优化的角度处理上述复杂过程的先进 控制策略。 从2 0 世纪5 0 年代开始，过程控制界逐渐发展了串级、比值、前馈、均匀和 s m i t h 预估控制等复杂控制系统，很大程度上满足了复杂工业的一些特殊的控制 要求。从理论上看，它们仍以经典控制理论为基础，但在结构和应用上各有特色， 一 箜二童缝迨 而且目前仍在继续改进和发展。自2 0 世纪6 0 年代初发展起来的以状态空间方法 和现代频域方法为主体的现代控制理论为过程控制提供了状态反馈、输出反馈、 解耦控制、最优控制、自适应控制等一系列控制系统设计方法：对于状态不能直 接测量的情形还提供了观测器和估计器等工具。然而，当现代控制理论真正应 用于工业过程控制时，却遇到了前所未有的困难。究其原因、人们发现，除了这 些多变量控制策略自身的不足之处，如解耦控制在处理约束和控制结构变动时缺 乏灵活性，工业过程的复杂性也造成了难以建立其正确的数学模型，从而使得模 型成为现代控制理论工业应用的一个瓶颈；此外，现代控制理论对于数学基础的 要求也在定程度上阻碍了它为过程控制界所熟悉和了解。尽管如此，现代控制 理论及其在现代工业中的应用还是为过程控制领域提供了丰富的思想和方法，进 而成为先进控制的重要理论基础。 2 0 世纪7 0 年代中、后期，计算机技术的持续发展所带来的强大计算能力使 得求解许多过去难以完成的计算问题成为可能。并促进了计算机在工业控制中的 广泛应用，出现了分散控制系统( d c s ) 和- i 编程控制器( p l c ) 为代表的新型控制系 统平台。这一切都孕育着控胄4 领域的新突破。8 0 年前后，关于m p h c 和d m c 的报道解决了有约束多变量系统实时控制问题。这些事实表明，现代流程工业已 开始接受先进控制的概念。进入8 0 年代，出现了许多约束模型预测控制的工程 化软件包。通过模型辨识、优化算法、控制结构分析、参数整定、系统稳定性和 鲁棒性等一系列研究工作，基于模型的控制理论体系和商品化软件已基本形成， 并成为目前过程控制中应用最成功的先进控制技术。 审 西譬 i 赢 r ( 重亟吵唾j多q多一 f 一、=a i- 世一 崮 逦多 图1 1线性模型预测控制的发展状况 浙江大学硕士学位论文 就先进控制软件的发展而言，专业性的控制软件公司如a s p e nt e e h 公司、 a d e r s a 公司和t r e i b e r 控制公司等，流程工业的大型跨国公司如s h e l l 、e x x o n 等， d c s 和p l c 制造商如h o n e y w e l l 公司、f i s h e r - - r o s e m o u n t 公司等，三者的共同 努力推动了先进控制技术的发展和先进控制软件的更新换代。以预测控制为例， 从第一次公开发表至今已发展到第三代( s ，j o eq i n ，t h o m a sa b a d g w e l l ，2 0 0 3 ) 。第 一代以a d e r s a 的i d c o m 和s h e l lo i l 的d m c 为代表，算法主要针对无约束多变 量过程。第二代以s h e l lo i l 的q d m c 为代表，处理约束多变量过程的控制问题。 第三代的产品包括a d e r s a 的h i e c o m 和p f c 、a s p e nt e e h 的d m cp l u s 和 h o n e y w e l l 的r m p c t ，其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。 近年来，先进控制软件及其产业出现了综合集成的发展趋势。许多d c s 制 造商，如h o n e y w e l l 公司、s i e m e n s 公司等通过收购从事先进控制、工艺模拟和 计算机网络通信等专业技术的软件公司，纷纷推出集硬件和软件一体化的全厂综 合自动化全面解决方案。另一方面，控制软件业也通过收购、兼并形成大型软件 工程公司，可以提供全厂综合自动化各层次成套应用软件和工程服务，其典型代 表就是美国的a s p e nt c c h 公司。值得注意的是、一些专业性的计算机公司，如 i b m 公司等也积极发挥其在信息集成领域的优势，推出全厂综合自动化的信息 集成平台。这一切预示着今后在先进控制技术乃至整个综合自动化应用领域将出 现激烈的市场竞争。 国内在工业过程先进控制的研究和应用方面虽起步较晚，但也引起了专家、 学者、生产厂家和主管部门的高度重视。一方面，以中国石化集团公司为代表的 一些行业已引进数1 0 套各类先进控制软件。另一方面，国内的高校、科研机构 和企业通过多年的合作攻关，产生了一批达到国际水平的先进控制研究成果。这 些工作使我们积累了大量的先进控制工程应用经验，并形成了一批应用先进控制 技术的技术力量。 总之，现代控制理论和人工智能几十年来的发展已为先进控制奠定了应用理 论基础，而控制计算机尤其是分散控制系统的普及与提高则为先进控制技术的应 用提供了强有力的硬件和软件平台。企业的需要，控制理论和计算机技术的发展， 是先进控制技术发展强劲的推动力。 第一章绪论 1 5 支持向量机发展现状 支持向量机( s u p p o r tv e c t o rm a c h i n e ，s v m ) 是v a p n i k 基于统计学习和结构 风险最小化原理提出的，兼顾学习算法的经验风险和推广能力，可以很好的用于 非线性函数的拟合。在标准s v m 的基础之上，s u y k e n 在目标函数中增加误差平 方和项，提出了最小二乘支持向量机( l s s v m ) 。该算法具有很好的鲁棒性， 适合于大规模运算，而且修剪法的采用使其支持稀疏性。 传统的建模方法都需要在样本数目足够多的前提下进行学习和辨识。但多数 实际应用中，样本数据通常是有限的，这时传统方法难以取得理想效果。而且由 于传统的学习算法多是基于期望风险最小化原理，因而都存在过拟舍阚题， 即用有限量的样本进行学习，学习到某种程度以后，对数据的拟含精度越高，模 型的泛化能力( 可推广性) 反而越差。 统计学习理论是一种专门的有限样本机器学习理论( 边肇祺，2 0 0 0 ) ，它是基 于经验风险最小化和有序风险最小化原理发展起来的。1 9 9 2 至1 1 9 9 5 年问， v a p n i k ( 1 9 9 8 ) 基于统计学习理论，提出了支持向量机( s v m ) 方法，它能够较好地 解决小样本学习问题。s m o l a r ( 1 9 9 6 ；1 9 9 8 ) ，h e a r e s t ( 1 9 9 8 ) 和g u n n ( 1 9 9 8 ) 都从 分类和回归、理论和应用的不同角度介绍了s v m 。s u y k e n s ( 1 9 9 9 ；2 0 0 0 ) 在s v m 的 基础上，给s v 硅的目标函数添加了误差平方项，并且使用等式约束，提出了最小 二乘支持向量机( l s s v 蛳方法。l s s v b l 方法可直接通过求解解析表达式得出支持 向量，及相应的拉格朗日乘子。因为l s - s w l 方法得到的所有拉格朗日乘子都不为 零，因此它得到的支持向量不具有稀疏性。s u y k e n s 又提出修剪算法解决l s s v m 的稀疏性问题。 1 6 论文结构 目前，基于线性模型的预测控制技术以趋于成熟，很多控制软件生产厂商已 经推出相应控制软件包，并在工业中广泛应用。然而基于非线性模型的预测控制 理论还在很多方面需要进一步研究，至今很少有成功的实例。本论文基于智能工 厂实验室的半实物仿真试验平台，设计了不同的控制对象，进行线性月e 线性预 测控制算法研究。另外，根据轻烃分馏装置的过程控制需要，设计先进控制系统， 并取得良好的应用效果。 浙江大学硕士学位论文 本文共分六章： 第一章为绪论。主要简述模型预测控制技术和支持向量机的背景、原理、特 点，以及发展和工业应用现状。 第二章介绍基础数学知识。 第三章提出了一类具有在线修正的支持向量机的非线性建模方法，并基于此 设计了非线性模型实时线性化d m c 控制器和非线性补偿器两种不同的预测控制 算法。 第四章主要针对第三章设计的预测控制算法进行实验研究。详细介绍了智能 工厂实验室的半实物仿真实验平台，并基于此平台设计实验研究对象，进行算法 的实验研究工作。 第五章针对轻烃分馏装置过程控制需求，设计先进控制系统，经现场试投运， 明显提高了过程控制品质，获得良好的应用效果。 第六章给出全文的总结和展望。 浙江大学硕士学位论文 第二章数学基础 本章主要介绍模型预测控制和支持向量机的数学基础。 2 1 模型预测控制 模型预测控制( m p c ) 是种基于预测模型、滚动优化和反馈校正的控制策 略。它以预测模型为基础对系统未来状态进行预测，并以此来优化系统的输入 ( j b r a w l i n g s ，2 0 0 0 ) 。基本算法主要有动态矩阵控制( d m c ) 、模型算法控制 ( m a c ) 、广义预测控制( g p c ) 等，这些算法原理相同，一经提出便引起广泛 的关注，很快就有许多成功的应用和对基本算法进一步发展、完善。 2 2 1 动态矩阵控制d 豫c 动态矩阵控制采用被控对象的有限阶跃响应( f s r ) 作为预测模型。对 于s i s o 系统，系统的多步输出预测为： m i n t ， ，) 萝。( 七+ _ ，) = 多o ( 女+ _ ，) + 艺a j _ i + t a “( 七+ f 一1 ) j = 1 , 2 ，p ( 2 1 ) 其中m 、p 分别为预测时域和控制时域且mcp ，日，为系统的阶跃响应系数。 用矩阵描述为： 匕( 七+ 1 ) = y o ( k + 1 ) + a a u ( k ) ( 2 2 ) 其中： 或( + 1 ) = 【多。( 女+ 1 ) 多。( + 2 ) t 多。( 女+ 尸) 】7 t o ( k + 1 ) = 【夕。( 七十1 ) 多。( + 2 ) ，5 o ( 女+ p ) 】7 a u ( k ) = 【“( _ j ) a u ( k + 1 ) a u ( 女+ 肘一1 ) 】7 a = 日 口2口l a m 口2玎l 口t pt i p m 口p m 第二章数学基础 闭环预测 y ( k + 1 ) = 匕( k + 1 ) + h e ( k ) = r o ( k + 1 ) + a a u ( k ) + h e ( k ) = 【h i 吃h p 】7 反馈系数向量 e ( k ) = y ( k ) 一多，( 七) 输出误差 性能指标函数通常采用二次型形式： j ( ) = i l p ( 七+ 1 ) 一p r ( 七+ 1 ) i i + i l u ( 七) l ： 其中，1 1 1 | 2 。一- i 以：矩阵q 左乘列向量后所得向量的2 范数 对称的权矩阵： ( 2 3 ) ( 2 4 ) q 和r 是正定 w ( k + 1 ) = 【w ( k + 1 ) w ( k + 2 ) w ( k + p ) 】7 ，w ( k ) 是参考轨迹。 在控伟4 量和输出无约束的情况下直接对上式求导，令其为零，得到最优控制增量 序列 a u ( 七) = ( 彳7 倒+ r ) “aq 眵( 七+ 1 ) 一矗( + 1 ) 一h e ( k ) j ( 2 5 ) 预测控制只取第一个控制量作用于系统，即 u ( k ) = u ( k 一1 ) + a u + ( i )( 2 6 ) ( 七) = 【10 - o a u ( t ) 2 2 2 约束预测控制 控制系统中，由于各种客观的情况，使得输入输出存在一定的约束范围。 而在卜述典型的预测控制算法中，都是通过直接对控制目标即优化问题j ( ) 的求解得到最优控制律，没有考虑输入、输出的约束。实际工业应用中，由 于装置硬件系统以及系统稳定等各种考虑的需要，对输入输出提出了更高的 控制要求( k a o u f l l e r2 0 0 4 ) 。 输入约束： 根据现场的限制和控制性能的要求，对于输入主要存在一下的上下限、 速度约束： “删。( u ( k + _ ，) “。娃，a u m 。 a u ( k + ，一1 ) a u 。a x ， ，等0 ，一，m 一1 利用矩阵表示为： 浙江大学硕士学位论文 辟 薏 鼢 怨 其中：e 为m 维单位矩阵，e 为下三角矩阵 e = i _ l u ( 七) = 【甜( t ) “( + 1 ) - - u ( k + m 一1 ) r 合并( 2 7 ) 、( 2 8 ) 式得到输入约束： 风u ( i ) 吃 其中： 风= 一e e 置 巨 吃= 一。 。 【，m 。 a u m 。 输出约束： 同输入约束一样，输出同样存在着很多约束： 咒m y ( | i + ，) 。，a 。 a y ( k + j ) y 加。，j = 1 ，一，p 利用矩阵表示为： 吲m 删 旧m 邶 瓷 其中：e 为p 维单位矩阵，e 为下三角矩阵 巨= 】，( 七+ 1 ) = 【j ，( 七+ 1 ) y ( 七+ 2 ) t y ( 七+ 尸) 】7 ( 2 7 ) ( 2 8 ) ( 2