（控制理论与控制工程专业论文）基于神经网络的预测控制方法及其应用研究.pdf

摘要 基于神经网络的预测控制是国内外复杂工业过程控制领域中研 究的前沿问题之一。本文根据预测控制的三大机理，在分析基本的预 测控制算法的基础上，探讨了基于神经网络模型的非线性系统预测控 制算法。重点研究了非线性系统神经网络建模的原理和方法，以及 b f g s 算法在神经网络预测控制优化求解中的应用。 论文工作的主要研究内容和特色如下： 1 ) 绪论部分对预测控制产生的历史背景、发展历程、研究现状、 发展趋势和存在的问题作了简要的综述。对人工神经网络理论的产生 和发展进行了简单的回顾。 2 ) 第二章针对三种典型预测控制算法( 即模型算法控制、动态 矩阵控制和广义预测控制) 讨论了预测控制的基本结构和原理，深入 分析了它们的预测模型、反馈校正与滚动优化方法。给出了广义预测 控制算法的仿真实例，相比于普通的p i d 算法，控制品质明显提高。 对非线性系统的预测控制问题进行了简单的探讨。 3 ) 第三章讨论了神经网络的模型、结构以及它的学习方式和学 习算法。深入分析了标准b p 算法的基本原理、程序实现以及存在的 问题。针对标准b p 算法的局限性给出了其改进的算法。在此基础上 用神经网络作为预测模型，根据预测控制的三大机理论述了基于神经 网络的预测控制系统构成。详细给出了单步神经网络预测控制算法， 并指出单步预测控制算法虽然简单，但所含信息量少，系统抗干扰性 和鲁棒性较差；采用级联神经网络递推多步预测方法，建立了神经网 络多步预测模型，并推导出多步神经网络预测控制b f g s 优化算法。 4 ) 第四章基于一个3 7 5 m w 热电厂的锅炉一汽轮机系统仿真模 型，离线辨识建立了一个基于三层前向神经网络的预测模型，讨论了 网络结构设计、训练算法等神经网络建模问题。并提出了基于多步预 测模型的预测控制方案。通过仿真研究表明基于神经网络的非线性系 统预测控制算法优于常规的多回路p i d 控制器。以神经网络作为预测 模型的预测控制方案为解决非线性系统预测控制问题提供了一种可 行的方法。 5 ) 最后对全文进行总结，并结合自己的研究心得，指出一些可 深入研究或有待解决的问题，如非线性系统预测控制算法中主要设计 参数对稳定性、鲁棒性及其他控制性能的影响；存在建模误差及干扰 时预测控制系统的鲁棒性；如何选取优化策略，设计出控制效果好、 适应性、鲁棒性强的新型预测控制器等。 关键词：预测控制，神经网络，非线性系统，滚动优化，多步预测模 型 n a b s t r a c t p r e d i c t i v ec o n t r o lb a s e do nn e u r a ln e t w o r k si so n eo ft h ef o r w a r d p r o b l e m so ns t u d yi nt h ef i e l do fc o m p l e xi n d u s t r i a lp r o c e s sc o n t r 0 1 t h i s p a p e r , a c c o r d i n gt op r e d i c t i v ec o n t r o lt h e o r y , d i s c u s s e st h en o n l i n e a r s y s t e mp 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 d o nn e u r a ln e t w o r k s t h et h e o r y a n dm e t h o do fn e u r a ln e t w o r k sm o d e l i n gf o rt h en o n l i n e a rs y s t e ma r e e m p h a t i c a l l ys t u d i e d r e s e a r c ho nt h eb f g s ( b r o y d e n - f l e t c h e r - g o l d f a r b - s h a n n o ) q u a s i - n e w t o no p t i m i z i n gm e t h o da p p l i e dt on e u r a ln e t w o r k s p r e d i c t i v ec o n t r o lo p t i m i z a t i o ni sm a d e t h em a i nr e s e a r c hc o n t e n t sa n dc h a r a c t e r i s t i c si nt h i sp a p e ra r ea s f o l l o w s ： 1 ) i nc h 1 ，t h eb a c k g r o u n d 、t h ep r e s e n td e v e l o p m e n t 、t h et e n d e n c y a n dp r o b l e m so f t h ep r e d i c t i v ec o n t r o la r es u m m a r i z e d b r i e f l y t h eo r i g i i l a n dd e v e l o p m e n to f n e u r a ln e t w o r k sa r er e v i e w e d 2 ) i nc h 2 ，a i m i n ga tt h et y p i c a lp r e d i c t i v ec o n t r o la l g o r i t h m ( m o d e l a l g o r i t h m i cc o n t r o l ，d y n a m i cm a t r i xc o n t r o l ，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 0 1 ) ，t h eb a s i cs t r u c t u r ea n dt h e o r yo ft h ep r e d i c t i v ec o n t r o la r e d i s c u s s e d ad e t a i l e da n a l y s i si n c l u d i n gp r e d i c t i v em o d e l ，m e t h o d so f r e v i s i n gf e e d b a c ka n dr e c e d i n gh o r i z o no p t i m i z a t i o ni sm a d e a n da s i m u l a t i o no fg e n e r a l i z e dp r e d i c t i v ec o n t r o li s g i v e n t h ec o n t r o l p e r f o r m a n c eo fg p ci s b e t t e rt h a nc o n v e n t i o n a lp i dc o n t r 0 1 t h e p r o b l e m sa b o u t t h ep r e d i c t i v ec o n t r o lo f n o n l i n e a rs y s t e ma r ed i s c u s s e d 3 ) i nc h 3 ，t h em o d e l s ，s t r u c t u r e sa n ds t u d ya l g o r i t h m so fn e u r a l n e t w o r k sa r ed i s c u s s e d t h et h e o r y , p r o g r a m sa n ds h o r t a g e so ft h e s t a n d a r db a c kp r o p a g a t i o na l g o r i t h ma r e a n a l y z e d a i m i n g a tt h e s h o r t a g e si n s t a n d a r db p ( b a c kp r o p a g a t i o n ) a l g o r i t h m , i t si m p r o v e d a l g o r i t h mi sg i v e n t a k i n gn e u r a ln e t w o r k sm o d e lf o rp r e d i c t i v em o d e l a n dc o m b i n i n gt h r e ek i n d so fm e c h a n i s mo fp r e d i c t i v ec o n t r o l ，t h e s t r u c t u r eo f p r e d i c t i v ec o n t r o lb a s e do nn e u r a ln e t w o r k si sd i s c u s s e d t h e o n e - s t e pp r e d i c t i v ec o n t r o la l g o r i t h mi sp r e s e n t e da n di t i sp o i n t e do u t t h a tt h eo n e s t e pa l g o r i t h mi ss i m p l eb u th a sl i t t l ei n f o r m a t i o n ，s ot h e o n e - s t e pa l g o r i t h mh a sw o r s er o b u s ta n da n t i d i s t u r b i n g t h eb f g s q u a s i - n e w t o no p t i m i z i n gm e t h o da p p l i e dt on e u r a ln e t w o r k sm u l t i - s t e p p r e d i c t i v ec o n t r o lo p t i m i z a t i o ni sd e v e l o p e d 4 ) i nc h 4 ，b a s e do nas i m u l a t i o nm o d e lo ft h eb o i l e r - t u r b i n es y s t e m o fa3 7 5m w ( m e g a w a t t ) ap r e d i c t i v em o d e lo ft h r e el a y e rn e u r a l n e t w o r ki sb u i l to f f l i n e t h ep r o b l e m so fn e u r a ln e t w o r k sm o d e l i n gs u c h a ss t n j c t l l r ed e s i g na n dt r a i n i n ga l g o r i t h ma r ed i s c u s s e d a n dn e u r a l n e t w o r k sp r e d i c t i v ee o n t r o ls y s t e mb a s e do nm u l t i - s t e pp r e d i c t i v em o d e l i sp r e s e n t e d t h es i m u l a t i o nr e s u l t ss h o wt h a tt h ep r e d i c t i v ec o n t r o lo f n o n l i n e a rs y s t e mb a s e do nn e u r a ln e t w o r k sm o d e li sb e t t e rt h a n t r a d i t i o n a lp i d a n dt h ec o n t r o la l g o r i t h mi sa ne f f e c t i v em e t h o df o rt h e p r e d i c t i v ec o n t r o lo f n o n l i n e a rs y s t e m 5 ) i nt h ee n d , t h ep a p e ri ss u m m e du p s o m ep r o b l e m sa r ep r e s e n t e d ， i n c l u d i n gt h ei n f l u e n c eo f p a r a m e t e r su p o ns t a b i l i t y , r o b u s ta n do t h e r c a p a b i l i t i e s ，t h er o b u s to f t h ep r e d i c t i v ec o n t r o ls y s t e mt om o d e l i n ge l t o r 8 a n dd i s t u r b a n c e s ，t h ec h o i c eo f o p t i m i z a t i o ns t r a t e g yf o re f f e c t i v ea n d r o b u s tc o n t r o l l e r k e y w o r d s ：p r e d i c t i v ec o n t r o l ，n e u r a ln e t w o r k s ，n o n l i n e a rs y s t e m , r e c e d i n gh o r i z o no p t i m i z a t i o n , m u l t i - s t e pp r e d i c t i v em o d e l i v 原创性声明 本人声明，所呈交的学位论文是本人在导师指导下进行的研究 工作及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢 的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不 包含为获得中南大学或其他单位的学位或证书而使用过的材料。与我 共同工作的同志对本研究所作的贡献均已在论文中作了明确的说明。 作者签名： 魉牛 关于学位论文使用授权说明 本人了解中南大学有关保留、使用学位论文的规定，即：学校 有权保留学位论文，允许学位论文被查阅和借阅；学校可以公布学位 论文的全部或部分内容，可以采用复印、缩印或其它手段保存学位论 文；学校可根据国家或湖南省有关部门规定送交学位论文。 储躲拯牛导师签名骅魄必如上日 中南大学硕士学位论文 第一章绪论 第一章绪论 预测控制是上个世纪7 0 年代后期发展起来的一类新型计算机控制算法，在 工业过程控制应用中取得了巨大的成功，其理论体系也日趋完善。随着智能控制 理论与方法的不断发展，综合应用模糊逻辑、神经网络、模糊神经网络及遗传算 法等智能控制新技术新方法来建立高精度、多模态的预测模型及高鲁棒性的非线 性全局优化方法，将使预测控制突破现有框架，为日益复杂化、大型化的现代工 业过程控制提供一种新的理论基础和技术方案i i 】。 1 1 预测控制的产生与发展 1 1 1 预测控制产生的历史背景 以状态空间法为基础的现代控制理论从上个世纪6 0 年代初期发展以来，已 取得了很大进展，它以贝尔曼的“动态规划”、庞特里亚金的“最大值原理”和 卡尔曼的最优滤波理论为其发展的里程碑，并在航空、航天等领域取得了令人瞩 目的成就。但随着科学技术和工业生产的迅速发展，对大型、复杂和不确定性系 统实行自动控制的要求不断提高，使得现代控制理论的局限性日益明显。其原因 在于以下几个方面【z j ； 1 现代控制理论的综合是建立在被控对象精确数学模型的基础之上，它区别 于传统控制理论的一个显著特点是用系统的。内部研究”代替“外部研究”。然 而，实际工业过程常具有非线性、时变性和不确定性，且大多数工业过程是多变 量的，难于建立其精确的数学模型。即使一些对象能够建立起数学模型，其结构 也往往十分复杂，难于设计并实现有效控制。 2 实际工业对象的结构、参数和环境都具有很大的不确定性。由于这些不确 定性的存在，按照理论模型得到的最优控制在实际上往往不能保证最优，有时甚 至会引起控制品质的严重恶化。因此，在工业控制过程中，人们首先强调的是系 统的鲁棒性，即系统在其数学模型与实际过程出现失配时，使系统性能保持在允 许范围内的能力。 3 工业控制中必须考虑到控制手段的经济性，对工业控制计算机的要求不能 太高。因此控制算法必须简易以满足实时性的要求而依据现代控制理论设计的 控制算法，都难免存在复杂的数值计算，如设计l q 调节器须求f 挥r i c a t t i 方程，出 中南大学硕士学位论文第一章绪论 现计算量与实时性之间的矛盾。 基于上述情况，在工业过程控制领域，应用现代控制理论设计的控制效果往 往还不如按经典理论设计的p i d 调节器好。因此，到目前为止，在工业过程控制 中，占统治地位的仍然是经典的p i d 调节器。 为了克服理论和应用之间的不协调，从上世纪7 0 年代以来，除了加强对系统 辨识、模型简化、自适应控制、鲁棒控制等的研究外，人们开始打破传统方法的 约束，试图面对工业过程的特点，寻找各种对模型要求低、在线计算方便、控制 综合质量好的优化控制新算法。预测控制就是在这种情况下发展起来的一类新型 计算机控制算法。 1 1 2 预测控制的发展历程和研究现状 预测控制不是某一种统一理论的产物，而是在工业实践过程中发展起来的。 它是由美国和法国几家公司在2 0 世纪7 0 年代先后提出的，并在石油、电力和化工 等领域取得了成功的应用。随后又相继出现了各种其他相近的算法，到目前为止 已有几十种之多，可统称为预测控制算法。从时间上看，预测控制大致可划分为 三个阶段。 1 第一个阶段：基于非参数化模型的预测控制。 这一阶段大致经历了从预测控制的产生n 2 0 世纪八十年代初期，主要特征是 以非参数模型描述被控过程，如阶跃响应、脉冲响应等。例如有r i c h a l e t ( 1 9 7 8 ) 、 m e h r a ( 1 9 8 2 ) 等提出的建立在非参数模型脉冲响应基础上的模型预测启发控制 ( m o d e lp r e d i c t i v eh e u r i s t i cc o n t r o l ，简称为m p h c ) 例或称为模型算 l j ( m o d e l a l g o r i t h m i cc o n t r o l ，简称m a c ) 4 1 ，以及c u t l e r ( 1 9 8 0 ) 等提出的建立在阶跃响应基 础上的动态矩阵控* o ( d y n a m i cm a t r i xc o n t r o l ，简称d m c ) 【卯。 由于这类算法用来描述过程动态行为的信息是直接从工业现场检测到的过 程响应，且不需要事先知道过程模型的结构和参数等有关先验知识，也不必通过 复杂的系统辨识来建立过程的数学模型，而且其预测控制算法与系统的阶次和复 杂程度无关，避免了现代控制理论中需要精确建模的不利因素。由于预测控制算 法采用的是不断在线滚动优化，且在优化过程中不断通过实测系统输出与预测模 型输出的误差来进行反馈校正，所以在一定程度上克服了由于预测模型误差和某 些不确定干扰带来的影响，使得系统的鲁棒性得到增强，适合于复杂工业生产。 但其局限性主要表现在 6 1 ：( 1 ) 仅适用于开环稳定系统。因为只有开环稳定的系统 才能用有限的响应序列近似描述，所以限制了预测控制的适用范围。( 2 ) 为了保 证模型的精度，一般要选3 0 至4 0 个采样序列。这样，一方面增大了辨识的工作量， 使在线的自适应控制难以实现；另一方面增大了实现控制算法所需的计算量，不 便于进行实时控制。 2 中南大学硕士学位论文 第一章绪论 2 第二个阶段：基于参数化模型的预测控制。 这一阶段大致从2 0 世纪8 0 年代初至8 0 年代末。人们在自适应控制的研究中 发现，为了增强自适应控制系统的鲁棒性，有必要在广义最小方差控制的基础上， 吸取预测控制中的多步预测、滚动优化思想，以扩大反映过程未来变化趋势的动 态信息量，提高自适应控制系统的实时性。因此出现了基于辨识过程参数模型， 且带有自校正机制、在线修正模型参数的预测控制算法，如p e t e r k a 7 1 提出的基于 预测的自校正控制器，y d s t i e t s l 提出的扩展区间自适应控制蛳d c d h o r i z o n a d a p t i v ec o n t r o l ，简称e h a c ) ，还有d ek c y s e 一9 魄出的扩展预测自适应控制 t e x t e n d e dp r e d i c t i v es e l f - a d a p t i v ec o n t r o l ，简称e p s a c ) ，l e l i c l l 0 1 ( 1 9 8 7 ) 提出的广 义极点配置自校正控错q ( g e n e r a l i z e dp o l e - p l a c e m e n t ，简称g p p ) ，以及c i a r l 【e i l l j ( 1 9 8 7 ) 提出的广义预测控 l b t j ( g p c ) 。其中，数c l a r k e 的广义预测控制最具代表性， 影响最大。 上述各种控制方法在所用的预测模型形式和性能指标函数略有区别，故而其 具体的算法实现形式也互不相同。如e h a c 算法在模型中未考虑随机干扰和常值 干扰，而其它几种算法都以不同形式的模型考虑了扰动的影响。g p p 采用c a r m a 模型、g p c 采有c a m m a 模型；在性能指标函数中，e h a c 和e p s a c 只含有输出 偏差或控制量的二次函数，而其它算法则两项都包括。尽管有所差别，但仿真研 究表明，通过适当调整参数，都能达到相似的控制效果。并且c l a r k e 指出，适当 选择广义预测控制的输出区间和控制区间，可得到其它形式的算法，如g m v ( 广 义最小方差控制) 、e p s a c 、e h a c 和p e t e r k a 的自校正预测控制。所以广义预测 控制是这一阶段研究成果的总结，受到了广泛的重视。在该阶段以及后来的若干 年内，国内外许多学者都围绕广义预测控制开展了深入研究。徐立鸿和冯纯伯【1 2 1 指出：在没有结构型建模误差，且噪声强度不很大的条件下，g p c 不但能保证闭 环稳定，而且是一种性能优良，适用面广的自适应算法。 采用参数化模型是第二阶段预测控制的显著特点。由于参数化模型描述系统 简洁，需要确定的参数较少，减少了算法的计算量，故有利于实现自适应控制； 适用范围广，可用于开环不稳定系统。但是，从预测控制的观点看，由于广义预 测控制等一类的基于参数化模型的预测控制算法，离开了预测控制提出之初的建 模思想( 即不涉及模型结构的概念，只使用非参数信息) ，又回到了结构建模的老 路上，曾经遇到的模型结构失配及未建模动态等问题再次提到了预测控制的面 前。 1 9 8 2 年c , a r i c a t ”】提出内部模型控制o n t e m a lm o d e lc o n t r o l ，简称蹦c ) 。由于在 基于非参数化模型控制算法与基于参数模型控制算法中，都采用了大时域长度的 多步预测、多步优化的滚动控制策略，使得分析预测控制系统的动态性能，计算 3 中南大学硕士学位论文第一章绪论 闭环系统的输入输出特性交得非常困难和复杂。为此人们寻找新的分析预测控制 系统性能的方法，内模控制就是在这样的需求背景下产生的。内模控制是从结构 角度出发研究预测控制系统的一类新方法。迸一步分析表明，前面所提的预测控 制策略都与其在控制结构上有着密切的联系，预测控制具有内模控制结构。应用 内模控制结构来分析预测控制系统有利于从结构设计角度来理解预测控制的运 行机理，可进一步分析预测控制系统的闭环动静态特性、系统稳定性与鲁棒性。 内模控制结构为预测控制的深入研究提供了一种新方法，有力地推动了预测控制 的进一步发展。此外，利用内模控制结构还可以找出各类预测控制算法的内在联 系，从而导出它们的统一格式，为进一步研究各类预测控制算法提供了方便。 3 第三个阶段：围绕控制系统性能分析、算法改进与非线性系统的预测控制的研 究。 这一阶段从2 0 世纪九十年代至今，其主要特征是：分析前期提出的各种预测 算法的性能，如稳定性和鲁棒性等；结合已有的各种研究成果，迸一步完善预测 控制算法并提出新的预测控制算法。同时，这一阶段的另一个研究重点是转向非 线性系统预测控制的研究。 在算法的改进方面，国内、外学者做了大量的工作，取得了丰富的成果。首 先c l a r k e 弓l 入终端约束条件，得到可保证系统闭环稳定的广义预测控制方法，如 约束滚动优化预测控制( c 砒口c ) “4 l 和终端状态加权广义预测控制( g p c w ) ”5 1 ； c h i s c i 和m o s c a 提出基于c a r m a 模型稳定预测控制【l “1 ( s t a b i l i z i n gi 0r e c e d i n g h o r i z o nc o n t r 0 1 ) 。其次，英国学者r o s s i t e r 等人提出了另一种稳定的广义预测控 制算法( s g p c ，c s g p c ) ! 恪1 9 1 。该策略先采用一类反馈控制器得到一个稳定回路， 再将广义预测控制加在稳定回路之上，从而获得闭环稳定的广义预测控制系统。 再次，国内学者也做出了不小的贡献，如徐立鸿提出的加权多步预报控制算法 ( w l p c ) 2 0 2 ”。除具有预测控制机理外，还具有许多过去已知的改进系统稳定性 和鲁棒性的机理，如前馈、动态反馈、附加零点和极点配置等；王伟 2 2 1 给出了广 义预测自适应控制的直接算法并分析了控制算法的全局收敛性，相对于目前报导 的间接自适应方式，该方法有效地降低了在线计算量。另外，对早期的m a c 与 d m c 的算法进行了改进，对g p c 进行的改进与推广，这些成果极大地丰富了预 测控制的研究，也为预测控制的发展奠定了坚实的基础。 在性能分析方面，c l a r k e 给出了设计参数和闭环稳定性的关系及如何使用观 察器多项式提高预测系统鲁棒性能网。我国学者席裕庚等 2 4 1 通过把广义预测控 制转化为内模控制结构，导出其中控制器、滤波器的定量表达。并在此基础上分 析了系统的闭环动态特性、稳定性和鲁棒性，在理论上提供了设计广义预测控制 器的依据。 4 中南大学硕士学位论文 第一章绪论 进一步分析这一阶段的研究结果，我们发现预测控制的闭环性能分析主要集 中在稳定性和鲁棒性方面。而算法的改进也集中于保证系统的稳定性和提高系统 鲁棒性。另外，还有一部分是为了简化算法，减小在线计算量。这表明算法的稳 定性、鲁棒性以及易于实现是预测控制努力改进的目标，也是工业过程控制对控 制算法的基本要求。 预测控制从产生到现在，已经历了三十多年的发展历史，许多控制界学者和 工程师们在不同的领域不懈地工作，得出许多各具特色的控制结构和控制算法， 这些为我们更加深入地研究这一控制方法奠定了基础。 1 1 3 预测控制的发展趋势及存在的问题 虽然预测控制显示了强大的生命力，但在实际应用中还有诸多的问题，有关 预测控制的理论研究仍落后于工程应用实际。在发表的文献中，理论分析研究大 多集中在单变量、线性化模型等基本算法上，而成功的工业应用实践又大多是复 杂的多变量、非线性系统。这表明预测控制的理论研究落后于工业生产实际。因 此，如何突破现状，解决预测控制中存在的问题，对促进预测控制算法的发展具 有重要意义。下面就目前预测控制中存在的主要问题和发展前景作些探讨1 2 5 l 。 1 进一步开展对预测控制的理论研究，探讨算法中主要设计参数对稳定性、鲁棒 性及其他控制性能的影响，给出参数选择的定量结果。 寻求有稳定性保证、鲁棒性好的控制算法是我们始终追求的目标。虽然在稳 定性分析与鲁棒性研究上取得了一定的成果，特别是稳定性方面，但这些结果大 多是针对线性系统的，有的还增加了许多约束条件，有许多不足之处。 另外，预测控制算法涉及的参数较多，如预测长度、优化控制步数、加权阵 等。探讨算法中主要参数与闭环系统的稳定性、动静态特性和鲁棒性之间的定量 解析表达式还难以得到，尤其是对于多变量系统鲁棒性分析与综合，将是今后研 究的一个方向。给出主要参数的定量选取结果，是一个很有意义的工作，这对我 们认识预测控制的机理具有十分重要的意义。建立设计主要参数与系统性能间的 定量解析表达式，是预测控制成熟的一个标志，在这方面还有许多工作要做。 2 研究当存在建模误差及干扰时预测控制系统的鲁棒性，并给出定量分析结果。 分析预测控制系统的稳定鲁棒性有一定难度。当过程模型采用非最小化的非 参数模型时，如m a c 、d m c 等，研究闭环系统的稳定鲁棒性涉及到高阶多项式 的稳定性的判别问题，且可调设计参数又隐涵在闭环传递函数中，难于找出它们 与稳定鲁棒性的定量解析关系，增加了分析的难度。当过程模型采用最小化的参 数模型时，如g p c 、g p p 等，虽模型的参数个数减少了，可大大降低闭环特征多 项式的阶次，有可能定量地分析闭环系统的稳定鲁棒性但因为采用了最小化的 经简化后的低阶模型，没有包含在模型内的未建模动态和干扰等，在某些特定条 中南大学硕士学位论文 第一章绪论 件下有可能被激发，导致系统无法稳定运行。这其中所遇到的问题与研究自适应 控制系统鲁棒性的问题相类似，解决这一问题，尚需进一步的工作。 当前，研究预测控制系统的稳定鲁棒性，除了继续从理论上进行探讨、研究 新的分析方法外，还应该突破原有控制理论的框架，引入新的人工智能方法。将 控制理论与人工智能相结合，获取过程运行中的经验与数据，建立数据库和知识 库，运用逻辑推理，判断。做出在异常情况下能保证过程稳定安全运行的控制决 策，是解决预测控制系统鲁棒性的有效途径之一 3 建立高精度的信息预测模型。 预测控制常称为基于模型的预测控制，应用模型进行预测为其基本特征。但 是，随着模型概念的扩宽，所谓模型已不能局限在狭义的数学模型上，任何取自 过程的已有信息，且能对过程未来动态行为的变化趋势进行预测的信息集合，都 可作为预测模型。预测模型只有功能上的要求，而没有结构形式上的限制。如 m a c 的脉冲响应模型、d m c 的阶跃响应模型可以用，g p c 、g p p 的c a r i m a 、 c a r m a 模型可以用，状态方程模型可以用，甚至数据集合等数学模型也可以用。 只要所采用的信息集合能做出精度较高的预测，这一信息集合就是一个高质量的 预测模型。 随着人工智能、模糊控制、模式识别、人工神经网络等新技术的发展和应用， 采用各种有效信息处理手段，应用人工智能等新技术来建立高精度、多模型的信 息预测模型，将为预测控制突破现有框架、向更高层次的发展提供可能。 4 研究新的滚动优化策略。 预测控制的核心是在线滚动优化，其优化策略是可以多种多样的。目i 打文献 中常见的有二次型性能指标优化等多种。采用不同的优化策略可导出不同的控制 器结构。因此，如何选取优化策略，设计出控制效果好，适应性、鲁棒性强的新 型预测控制器，具有重要意义。 5 建立有效的反馈校正方法。 由于从过程获取的验前信息不够充分，基于这种不充分信息集合得到的预测 模型用于在线预测时，其预测值与实测值之间一定存在预测误差。预测误差愈大， 则控制效果愈差。因此，要求建立高精度的预测模型，以尽量减少预测误差。然 而，由于过程时变、干扰及所获取的信息不充分等复杂因素，使得预测误差必然 存在，只能在运行中通过不断采集信息进行反馈校正，才能减少预测误差的影响。 因此，进行在线预测误差反馈校正是提高预测控制系统鲁棒性的重要措施之一 然而，目前采用的校正方法不多，也未能达到理想的效果。在预测控制中引入自 校正机制，组成自校正预测控制器，通过辨识模型参数实现在线校正模型，减少 预测误差，是一种可行的方法。然而，这种模型校正方法也有缺点。当采用最小 6 中南大学硕士学位论文 第一章绪论 化参数模型时。如g p c 、g p p 等，对过程的结构型建模误差无法消除。因而这种 结构型建模误差、未建模动态等有可能在运行中激发系统，使运行失稳。当采用 脉冲响应、阶跃响应这类非参数模型时，由于过程序列长度n 很大，需要在线递 推估计的参数多，计算量大，实时性差，也限制了它的应用。此外，还可采用直 接对模型误差进行预测和加权校正的方法，但这种方法的校正效果也不尽如人 意。因此，进一步研究新的误差校正方法，也是预测控制中的一个有意义的研究 课题之一 6 研究非线性系统的预测控制。 由于实际工业过程多为非线性系统，采用非线性的预测控制策略理应优于线 性预测控制。对于非线性预测控制，目前主要是针对一些特殊模型进行的，还没 有通用的非线性预测控制方法。因而，关于非线性预测控制理论与应用将是目前 及今后的研究重点。 7 加强预测控制的应用研究。 目前，预测控制的应用几乎遍及各个工业领域，如：蒸馏塔催化裂化装置、 天然气传输网络、工业机器人、医学领域等。而且国外著名的控制公司都开发了 自己的商品化应用软件。 预测控制的软件产品，至今已走过了三代。第一代产品主要是以a d e r s a 公司 的i d c 0 m 和s h e l l o 几公司的d e m 为代表，可用于处理无约束的预测控制问题： 第二代是以s h e l l o i l 公司的q d m c 为象征，它增加了用于处理输入输出有约束 的多变量对象的技术：而目前的第三代产品，则主要有h o n e y w e l l 公司开发的 r m p c t ( v a n c e1 9 9 4 ) 。我国的浙江大学中控有限公司也有自己的产品。 可以预料，未来新一代的预测控制软件将有可能把非线性过程问题、自适应 模型辨识、对模型不确定性的估计和控制结构病态处理等内容都包括进去，并随 着理论的完美而出现功能更全、性能更优的产品。预测控制的应用研究也是未来 发展的一个重要方向。 1 2 神经网络的发展和应用 神经网络是2 0 世纪8 0 年代末期发展起来的一种实用的多学科交叉技术。它是 由大量简单的神经元相互连接而成的自适应非线性动态系统，能够反映人脑功能 的若干基本特性。神经网络已成为“智能控制”的一个新分支，为解决复杂非线 性、不确定性系统的控制问题，开辟了一条新的途径。 1 2 1 人工神经网络发展的历史回顾 ( 1 ) 第一次热潮 7 中南大学硕士学位论文第一章绪论 早在1 9 4 3 年，心理学家w m e c u l l o e l l 和数学家w p i t t s 合作提出的兴奋与抑制 型神经元模型和h e b b 提出的神经元连接强度的修改规则，开创了神经科学理论 研究的时代。 1 9 4 8 年，w i e n e r 在其控制论的著作中提出了伺服机反馈自稳定系统概念。 1 9 5 8 年，f r o s e n b l a t t 首次引进了模拟人脑感知和学习能力的感知器概念，激 发了许多学者对神经网络研究的极大兴趣。 1 9 6 1 年，c a i a n i e l l o 发表了关于神经网络数学的理论著作，提出了神经元网络 方程，将神经元作为双态器件，对其机能的动力过程用布尔代数加以模拟，进而 分析和研究了细胞有限自动机的理论模型。 1 9 6 2 年，b w i d r o w 提出的自适应线性元件，具有自适应学习功能，在信号 处理、模式识别等方面受到普遍重视和应用。 在上述的数学模拟理论发展的同时，还出现了利用电子器件进行电子模拟的 跑迷津的金属老鼠、条件概率机的龟模型、以及会下棋的机器等，形成了脑模拟 研究的第一个热潮。在这期间，神经网络大都是单层线性网络。 感知器是由阈值型神经元组成的层状网络，具有学习功能。但是，它也有局 限性，如不能产生复杂的逻辑函数。同时，又由于数字计算机正处于全盛时期并 在人工智能领域取得显著成就，从而使得人工神经网络的研究处于低潮。 进入2 0 世纪8 0 年代后，传统的数字计算机在模拟视听觉的人工智能方面遇到 了物理上不可逾越的极限。与此同时，物理学家h o p f i e l d 提出了h n n 模型，引入 了能量函数的概念，给出了网络稳定性的判据，神经网络的热潮再次掀起。 ( 2 ) 第二次热潮 1 9 8 2 年，在美国国家科学院的刊物上发表了著名的“h o p f i e l d ”模型理论， 这是一个非线性动力系统的理论模型。它引起了各国学者的关注，并力图将这一 数学模型进行电子学或光学的硬件实现。这一模型对人工神经网络信息存贮和提 取功能进行了非线性数学概括，提出了动力方程和学习方程，使得人工神经网络 的构造和学习有了理论指导。1 9 8 3 年，年轻学者s e j n o w s k i 与其合作者h i n t o n 黜 了大规模并行网络学习机，并明确提出隐单元的概念。这种学习机就是后来的 b o l t z m a n n 机。它的多层神经网络并行分布来改变各神经元间的连接权，克服了 以往神经网络的局限性。 i c f u k u s h i m a ：左r o s e n b l a t t 的感知器基础上增加了隐层，构成了多层感知器， 实现了可塑的反馈联系和更为普遍的前馈联系。这种感知器通过抑制性反馈和兴 奋性前馈作用，即使外部刺激停止以后，也可以继续实现自组织学习过程。还有 t k o h o n e n 提出自组织映射网络，s g r o s s b c r s o n 提出自适应共振理论，d w i l l s h a w 等提出了联想记忆网络，这些努力为神经网络的后期发展奠定了牢固的基础。目 8 中南大学硕士学位论文 第一章绪论 前在研究方法上已形成多个流派，包括多层网络b p 算法，h o p f i e l d 网络模型，自 组织特征映射理论等。1 9 8 7 年i e e e 在s a nd i e g o 召开了大规模的神经网络国际学 术会议，国际神经网络学会也随之诞生不久后学会的杂志神经网络和i e e e 的神经网络杂志相继问世。 1 2 2 神经网络的应用 神经网络理论的应用取得了令人瞩目的进展，特别是在人工智能、自动控制、 计算机科学、信息处理、机器人、模式识别、c a d c a m 等方面都有重大的应用 实例。下面是一些主要的应用领域 2 0 3 。 ( 1 ) 模式识别和图像处理 印刷体和手写体字符识别、语音识别、签字识别、指纹识别、人脸识别、图 像压缩和图像复原等。 c 2 ) 控制和优化 过程控制、机器人运动控制、家电控制、石油精炼优化控制和超大规模集成 电路布线设计等。 ( 3 ) 预报和智能信息管理 股票市场预测、地震预报、交通管理等。 ( 4 ) 空间科学 空间交会对接控制、导航信息智能管理、飞行器制导和飞行程序优化管理等。 ( 5 ) 通讯 自适应均衡、路由选择和a t m 网络中的呼叫接纳识别及控制等。 1 3 本论文所做的工作 本文结合预测控制的工程应用实际，以理论研究与仿真实验为重点，研究了 以人工神经网络模型为基础的过程预测控制算法。全文共分为五章，具体安排如 下： 第一章为绪论。主要介绍了预测控制产生的历史背景，发展历程和研究现状。 并就预测控制的发展趋势和存在的问题进行了探讨。同时对人工神经网络的产 生、发展和应用作了简单的介绍。最后给出了全文的结构和内容安排。 第二章介绍了预测控制的基本原理。通过回顾三种典型预测控制算法( 即模 型算法控制、动态矩阵控制和广义预测控制) ，进一步展示预测控制的方法机理， 作为全文研究的理论基础。并给出了广义预测控制算法的仿真实例。最后对非线 性系统的预测控制方法作了简要的描述。 第三章从神经网络的基本理论出发，讨论y b p 神经网络结构及其算法，给 9 中南大学硕士学位论文 第一章绪论 出b p 算法的改进算法。提出了基于神经网络的预测控制系统的构成，并推导出 多步神经网络预测控制滚动优化算法。 第四章针对一个3 7 5m w 热电厂的锅炉汽轮机系统仿真模型，采用多层前 向神经网络进行离线建模。并在预测模型的基础上提出了基于神经网络的预测控 制方案。 第五章为结论部分。对全文进行总结，并结合自己的研究心得，指出一些可 深入研究或有待解决的问题。 1 0 中南大学硕士学位论文 第二章预测控制的基本原理 第二章预测控制的基本原理 本章简要介绍了预测控制的基本原理，内容包括模型算法控制、动态矩阵控 制和广义预测控制。它们是最基本的预测控制算法，其它预测算法都是以它们为 基础发展起来的。 2 1 模型算法控制 模型算法控铜j ( m o d da l g o r i t h m i cc o n t r o l , 简称m a c ) 基本上包含：( 1 ) 内部模 型；( 2 ) 反馈校正；( 3 ) 滚动优化；( 4 ) 参考输入等几部分。它采用基于脉冲响应的 非参数模型作为内部模型，用过去和未来的输入输出信息，根据内部模型，预测 系统未来的输出状态。经过用模型输出误差进行反馈校正以后，再与参考输入轨 迹进行比较，应用二次型性能指标进行滚动优化。然后再计算当前时刻应加于系 统的控制动作，完成整个控制循环。其基本原理如图2 1 所示。 图2 - 1g a c 系统原理框图 2 1 1 单步模型算法控制 单步是指一步导前输出预测。 ( 1 ) 输出预测 模型算法控制采用被控对象的脉冲响应模型描述。设被控对象真实模型的离 散差分形式为 j ，( | i + 1 ) = g l ( | i )