（控制理论与控制工程专业论文）复杂工业过程新型先进控制方法研究.pdf

一! 兰塑斐 中文摘要 针对日益复杂的生产过程及其对控制的超常要求，本论文研究并提出了 几种新型预测控制方法，较好地解决了非线性系统和混合逻辑动态系统中的 难控问题，仿真和实际应用表明本文所提方法的有效性。本文的研究的丰要 内容和取得的创新之处体现在以下几个方面： 1 在研究基于尺度函数的小波神经网络的基础上，首次将小波神经嘲络 应用到复杂青霉素发酵过程的软测量建模与预测控制中，仿真结果和应用结 果表明小波神经网络在生化过程中具有。l 阔的应用前景。 2 1 4 - 支持向量机理论引入流程工业预测控制中，针对流程工业提出了基 于支持向量机的非线性动态系统辨识方法和基于支持向量机的非线性预测控 制算法同时给出了这种非线性预测控制算法稳定性的证明，并在一个复杂 的聚酯生产过程上进行了仿真验证，结果表明所提算法在小样本建模情况卜| 就能取得良好的控制效果。 3 分析流程工业中存在混杂特性的基础上，研究了混合逻辑动态系统建 模方法，提出了在将逻辑命题转化为混合整数线性不等式时转换方法的选取 准则，并利用混合逻辑动态系统建模方法建立了一个实验装置的m l d 模型。 4 针对预测控制中的不可行和优先级问题，利用混合逻辑动态系统的概 念，提出了一种基于输入输出模型的混杂预测控制方法，有效地处理了预测 控制约束不可行与优先级问题。通过将约束优先级表示为命题逻辑并将命题 逻辑转化为整数不等式约束，从而可将约束不可行和优先级问题转化为统一 的预测控制求解问题。在保证高优先级的约束满足的同时能最大化低优先级 约束的满足数目。针对该方法求解过程中遇到的混合整数求解问题，根据流 程工业的连续操作的特点，提出了一种l e a s tl o wf i r s t 求解方法来满足控 制实时性的要求。混杂预测控制方法在化工过程中得到了仿真验证，仿真结 果表明该算法使系统控制性能得到了很大的改善。 5 针对一类具有高度非线性和随机特性的对象，提出了变周期单值智能 预测控制方法，引入“过程容量”的概念，对“过程容量”变化率进行估计， 在此基础上对被控变量变化趋势进行预报，并能精确计算出控制作用。基于 专家知识和模糊规则的变周期控制，避免了传统控制算法无论是否得到了正 确的测量信息，都必须盲目地送出控制作用的弊端。该控制策略在常减压装 置h 成功地得到了实际应用，并取得了良好的控制效果。 关键词：非线性预测控制，小波神经网络，支持向量机，混杂系统，m l d 英文摘要 a b s t r a c t i nl h js d i s s e r t a t i o n n e wn o n l i n e a r p r e d i c t i v e c e n t r e l a p p r p o a c h e s a r e d e v e l o p e df o rc o m p l e xp r o c e s si n d u s t r i e sa n dt h eu n o r d i n a r yc e n t r e lr e q u i r e m e n t s t h en e w s t r a t e g i e s c a n s u f f i c i e n t l y t a c k l et h ed i f f i c u l t i e sb o t hi nn o n l i n e a r p r o c e s s e sa n dh y b r i dc e n t r e ls y s t e m sa p p l i c a t i o na n ds i m u l a t i o nr e s u l t ss h o wt h a t t h en e wn o n l i n e a r p r e d i c t i v e c e n t r e l a p p r o a c h e s a r eo fe f f e c t i v e n e s sm a i n r e s e a r c hc o n t r i b u t i o n sa n da c h i e v e m e n t si nt h i sd i s s e r t a t i o na r ea sf o l l o w i n g ： 1 b a s i n g o ut h er e s e a r c ho fw a v e l e tn e u r a ln e t w o r ku s i n go n l ys c a l e f u n c t i o n t h ew a v e i e tn e u r a ln e t w o r ki nd e v e l o p i n gs o f ls e n s o r sa n dp r e d i c t i v e c e n t r e lo f c o m p l e xp e n i c i l l i n f e r m e n t a t i o n p r o c e s s i sf i r s t s u c c e s s f u l l y i m p l e m e n t e d t h er e s u l t so fs i m u l a t i o na n dp r a c t i c a l a p p l i c a t i o ns h o wt h a t t h e w a v e l e tn e u r a ln e t w o r k s a p p l i c a t i o n i nf e r m e n t a t i o np r o c e s si so fp r o m i s i n g p r o s p e c t 2 t h es u p p o r tv e c t o rm a c h i n ei si n t r o d u c e di n t ot h ea r e ao f p r o c e s sc o n t r o l an e wi d e n i i f i c a t i o nm e t h o db a s e do n s u p p o r t v e c t o ra n dan e wn o n l i n e a r p r e d i c t i v ec o n t r e la l g o r i t h mb a s e do ns u p p o r tv e c t o ra r ef i r s td e v e l o p e d s t a b i l i t y f o rt h en e wp r e d i c t i v ec e n t r e ls t r a t e g yi sp r o v e d ，s i m u l a t i o n sa r ec a r r i e do t l t o na c o m p l e xp o l y m e r i z a t i o np r o c e s s e v e nt h ed a t af o r l t l as p a r s ed i s t r i b u t i o ni nt h e i n p u ts p a c e t h ee x c e l l e n tn o n l i n e a rm o d e lc a nb eo b t a i n e db yt h ei d e n t i f i c a t j o n m e t h o d a n dt h e p r o c e s s w i t hd e s i r e d p e r f o r m a n c e i ss h o w n b yu s i n g t h e p r e d i c t i v ec o n t r o ls t r a t e g y 3t h eh y b r i dp r o p e r t yo f p r o c e s si n d u s t r i e si sa n a l y z e d t h e nam o d e l i n g f r a m e w o r kc a l l e dm l d ( m i x e dl o g i cd y n a m i c ) s u i t a b l ef o rm o d e l i n gt h eh y b r i d p r o p e r t y i n p r o c e s s i n d u s t r i e si ss t u d i e d ar u l ef o rc h o s i n gm e t h o d sw h e n t r a n s l a t i n gp r o p o s i t i o n a ll o g i ci n t oi n e q u a l i t i e si ss u g g e s t e d 。a d o p t i n gt h em l d f r a l n e w o r k am o d e lo fa ne x p e r i m e n tp r o c e s si sd e v e l o p e d 4 u s i n gm l df r a m e w o r k ah y b r i dp r e d i c t i v ec o n t r 0 1s c h e m eb a s e do n i n p u t o u t p u tm o d e lj sp r e s e n t e dt oh a n d l ei n f e a s i b i l i t ya n d c o n s t r a i n tp r i o r i t i z a t i o n i s s u e si nm p c b ye x p r e s s i n gc o n s t r a i n tp r i o r i t ya sp r o p o s i t i o n a ll o g i ca n db y t r a n s l a t i n gp r o p o s i t i o n a ll o g i c i n t o i n e q u a l i t i e s ，i n f e a s i b i l i t y a n dc o n s t r a i n t p r i o r i t i z a t i o n i s s u e sc a nb eu n i f i e da st h es o l u t i o no fap r e d i c t i v ec o n t r o l l e r s a t i s f a c t i o no fc o n s t r a i n to nh i g h e rp r i o r i t yl e v e li sg u a r a n t e e dt o g e t h e r w i t h m a x i m i z i n gt h en u m b e r o fs a t i s f i e dc o n s t r a i n t so n1 0 w e rp r i o r i t yl e v e l ，i no r d e rt o s o l v et h em i q p p r o b l e m i nt h ef o r m u l a t i o n ，al e a s t l o wf i r s ts t r a t e g yb a s e do n t h ec o n t i n u i t yp r o p e r t yo fp r o c e s si n d u s t r i e si sp r e s e n t e dt o m e e tt h er e a lt i m e r e q u i r e m e n t s t h en e wm e t h o dw a si m p l e m e n t e ds u c c e s s f u l l y i nt h ec e n t r e l s i m u l a t i o n s i m u l a t i o nr e s u l t ss h o wt h a tt h en e wm e t h o dc a l ln o to n l yh a n d l e s i n f e a s i b i l i t yt o g e t h e r w i t hc o n s t r a i n t p r i o r i t y , b u t a l s o i m p r o v e s c o n t r o l i i i 英文摘要 p e r f o r m a n c ee f f e c t i v e l y 5an e w i n t e l l i g e n tp r e d i c t i v ec o n t r o ls t r a t e g yw i t hv a r i a b l ec o n t r o lp e r i o d a n ds i n g l ep r e d i c t i o ni sp r e s e n t e df o rs o m e p r o c e s s e sw i t hs e v e r en o n l i n e a r i t ya n d r a n d o m i c i t y t h ec o n c e p t “p r o c e s sc a p a c i t y i si n t r o d u c e da n dt h ec h a n g er a t eo f “p r o c e s sc a p a c i t y ”i se s t i m a t e d t h e nt h et r e n do f c o n t r o l l e dv a r i a b l ei sp r e d i c t e d o n l yf o ro n es t e pi nt h ef u t u r e a n dt h em a n i p u l a t e dv a r i a b l ec a nb ec a l c u l a t e d e x a c t l y ，b a s i n go nt h ek n o w l e d g eo fe x p e l sa n df u z z yr u l e s ，v a r i a b l ec o n t r o l p e r i o d i s a d o p t e d t h u s t h i s s t r a t e g yo v e r c o m e st h e s h o r t c o m eo ft r a d i t i o n a l c o n t r 0 1m e t h o d st h a tt h ec o n t r o la c t i o n sm u s tb e o u t p u t w h e t h e rt h et r u e 1 7 1 e a s u r e m e n ti so b t a i n e do rn o t t h es t r a t e g yi s i m p l e m e n t e ds u c c e s s f u l l yi n a c d u p r o c e s sa n de x c e l l e n tp e r f o r m a n c ei so b t a i n e d k e y w o r d s ：n o n l i n e a rp r e d i c t i v ec o n t r o l ，w a v e l e tn e u r a ln e t w o r k s u p p o r tv e c t o rm a c h i n e ，h y b r i ds y s t e m ，m l d 独创性声明 本人声明所成交的论文是我个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。与我一同工作的同志对本研究所 做的任何贡献均己在论文中作了明确地说明并表示了谢意。 签名 一至覃b j 。 日期：211 土_ = ：! ! 关于论文使用授权的说明 本人完全了解中国科学院自动化研究所有关保留、使用学位论文的规 定，即：中国科学院自动化研究所有权保留送交论文的复印件，允许论文被 查阅和借阅；可以公布论文的全部或部分内容，可以采用影印、缩印或其他 复制手段保存论文。 ( 保密的论文在解密后应遵守此规定) 签名：至霉 马 导师签名： 、oo毖 日期 l o 牛r t f 第一章引言 第一章引言 本论文针对日益复杂的生产：过程及其对控制的超常要求，研究流程工业中 预测控制技术的新算法，具有实际系统背景。本章介绍论文的研究背景和意义， 对预测控制在流程工业中的应用进行了综述，在分析系统复杂性的基础上给出 了本文的技术路线。最后介绍了本文的研究内容安排。 1 1 课题的研究目的背景和意义 1 1 1 课题的研究背景 自流程t - 业形成大规模连续生产以来，自动控制就成为保证产品质量，提 高产率的不可缺少的一部份。在过去的二十多年时间里，先进控制技术连续工 业生产过程取得了显著的成果1 2 6 1 ( 6 2 6 6 1 ，在流程工业，应用最为成功的技术兀 疑是预测控制技术【2 0 2 1 】| ：6 0 】1 6 3 】 6 4 j 【6 5 7 6 】。7 0 年代末出现的基于模型的预测控制算 法标志着先进控制在生产过程中实际应用的开始。经过多年的努力，基于模型 的预测控制目前已被工业界所认可，得到推广和应用。 在现代流程工业中，工业生产向着大型化和综合化发展，产品的更新换代 以及对产品质量和性能的越来越高的要求，预测控制技术需要面对的是越来越 复杂的过程系统。从理论分析和实际应用角度看，这种复杂性表现在三个方面。 1 预测控制的应用范围变广，所面对的过程越来越复杂。 预测控制的应用在流程工业无疑取得了巨大的成功，但大部分的成功应用 主要集中在炼油和化工过程中，随着过程非线性程度和复杂程度的加深，预测 控制的应用变得越来越少，这可以用图1 1 来表示悔“。 从图1 1 可以看出，在流程工业中，尚有许多过程还没有应用预测控制， 这些过程具有高度非线性、严重的时变性和随机性特点。 以青霉素发酵过程为例，这是一个间歇式生产过程 5 ”。青霉索是微生物次 级代谢的产物，在青霉索的生产过程中伴随着复杂的生物、物理、化学变化过 程，初级代谢和次级代谢交替进行。因此，青霉素的发酵过程具有高度的非线 复杂工业过程新型先进控制方法研究 性、时变| 生。至今尚没有一个完善的模型能描述青霉素的生产过程田 。过程的 复杂性为在发酵过程的实施预测控制带来了困难。 过程的非线性程度 图1 1 预测控制应用数量与过程非线性程度关系 然而，预测控制在炼油化工行业的成功应用和获得的巨大效益，使得预测 摔制成为一个诱人的切实可行的先进控制技术，因此，为了实现利益最大化， 其他流程工业也开始引入预测控制 6 2 】【6 7 。考虑到过程的复杂性，这些流程工、世 中引入的大都是非线性预测控制，但成功应用的例子还很少。 所以，探讨将预测控制技术应用到更为复杂的流程工业中，或者探讨新的 非线性预测控制方法，是一个具有迫切需求的课题。 2 现代化生产的总体规划要求、石化工业过程的严重非线性和仪表的滞环 和死区特性，需要预测控制要根据具体情况来定制算法。 在现代流程工业中，工业生产向着大型化和综合化发展。随着生产规模的 扩大、产品的更新换代以及对产品质量和性能的越来越高的要求，现代化生产 越来越多地需要对整个生产过程进行总体规划，得到最优生产过程，由此使得 过程控制埘象变得复杂起来。 即使在预测控制广泛成功应用的石化过程中，也存在许多需要解决问题。 过程本身的非线性就是一个无法避免的问题。在非线性较强时，线性预测控制 第一章引言 算法就无法应用；有的系统甚至是一个分布参数系统，这时需要利用非线性预 测控制算法。 研究大多数预测控制应用可以发现，这些应用不考虑仪表特性。但是在我 国流程工业生产中，由于仪表质量问题，许多装置的测量仪表和执行仪表存在 蓑严重滞环和死区，如测量液位的浮球使用时间殴了以后就会出现大的滞环。 对于仪表环节中存在的严重滞环和死区特性，再加上装置的非线性特性，需要 提出新的预测控制算法来对这种复杂现象进行控制。 3 生产过程中的混杂特性对预测控制也提出了挑战。 在现代流程工、j k 中，控制系统开始呈现多模型、多层结构特性。 一方面，过程工业在线稳态优化技术已经开始得到重视和实施，这需要以 过程实时数据、工艺机理与专家经验等混合知识为基础，将专家经验和机理组 成的混合知识进行表达。这形成一个混杂的知识表达。 另一方面，计算机在生产中已经不仅仅是只作为生产过程的控制单元，而 是集底层控制、加工调度、运营管理和总体优化于一体，形成了一个多任务多 功能的摔制和决策系统。需要建立混杂系统的理论来加以分析和解决。 具体而言，在流程工业中，预测控制需要面对的混杂特性表现在以下方面： ( 1 )具有高度自主性的智能控制系统和具有分层组织结构的复杂控制系统、 优化调度系统。 ( 2 )具有多目标和多约束优先级的控制系统、 ( 3 )具有多子模型切换的切换控制系统， ( 4 )具有离散输入和离散输出的系统。 ( 5 )问歇工业生产过程，其不同的阶段( p h a s e ) 可用混杂系统描述。 在预测控制算法中如何融入混杂特性将是本文研究的另一个内容。 1 1 2 课题的研究目的和意义 本文将针对流程工业的具体特点，研究新的预测控制算法及其应用。 1 研究在高度非线性、严重的时变性过程中应用基于小波神经网络非线性 动态系统辨识算法和预测控制算法； 2 提出新的非线性预测控制算法； 复杂工业过程新型先进控制方法研究 3 对预测控制约束不可行和优先级问题利用混合逻辑动态方法来处理。 本文的研究具有工业背景，其中部分方法已在实际中得到了实施和应用。 1 2 预测控籼的发展综述 七j 年代末出现模型预测控制，使得最优控制在石化过程中得到应用。预测 控制的基本特征有三个8 _ l 2 0 岬1 2 2 j 6 3 】：模型预测、反馈修正、滚动优化。 1 2 1 线性预测控制的代表算法与性能分析 预测控制代表性的算法有基于卷积模型的d m c 6 ，m a c _ 0 算法，将预测 控制思想与自校正控制结合的广义预测控制算法g p c t 7 2 7 3 ，基于状态空州模型 的s f p c i 7 4 】算法和基于系统矩阵模型的u p c t 7 5 1 算法。 早刘预测控制算法一般基于非参数模型，其代表为基于卷积模型的模型算 法柠制( m a c ) 和基于阶跃响应模型的动态矩阵控g l j ( d m c ) ，分剐由r i c h a l e t 和 c u t l e r 等人提出。这类算法的优点是模型可通过脉冲响应测试或阶跃响应测试得 到，模型获得容易，不需考虑模型阶次及结构，过程纯滞后包含在模型之中。 g a r c i a 和m o r a r i 将这些基于非参数模型的预测控制和其它控制系统统一为内模 控制结构【” ，并指出这类控制需满足双稳定原则。内模控制为分析和统一从工 业界发展起来的预测控制方法提供了理论分析手段。 基于c a r m a 模型或c a r i m a 模型的预测控制算法含有两部分功能：基于 模型的预测控制算法和模型的在线辨识。利用辨识可提高系统鲁棒性，但若被 控对象中有不可测干扰，或随机噪声是有色的，辫识结果可能有很大误差。 c l a r k e 提出的广义预测控制，将自适应技术与模型预测控制技术结合起来， 有一定的吸引力，但由于多种原因，其在石油化工过程中应用蒡不多见。 基于状态宁间模型的预测控制算法 w 1 综合了预测控制和状态反馈控制的优 点，具有跟踪和抑制噪声能力强的优点，能方便地应用于多变量过程。在状态 可测时，该算法适合于开环不稳定的被控过程。但利用状态反馈预测控制的一 个问题是有时状态空间模型的获得比较困难，另一个问题是有些状态不可测， 基于严格的机理建模限制了这种方法的大面积推广。 由丁预测控制一般都带有输入输出约束，众多约束条件之间可能出现矛盾， 第一章引言 再加之为了保汪稳定性，人为加入的终端约束，还可能导致无可行解存在。本 文将探讨约束不可行和约束优先级的一种混杂处理策略。 预测控制的理论研究滞后于实际应用。预测控制的在线滚动优化策略，使 得预测控制的闭环传递函数非常复杂，其主要设计参数都是以隐含的方式出现 在闭环传递函数中的，因而难以进行稳定性的定量分析。有限时域预测的思想 在简化计算的同时，也导致系统的稳定性无法保证。 囤内外学者对在一定条件的稳定性进行了些研究。第一种处理方法是将 m p c 问题的有限预测时域和控制时域问题放宽到无限预测时域和控制时域，对 线性无约束m p c 问题类似丁l q r 控制，r i c c a t i 方程可得到定常增益反馈控制， 保证无模型失配系统的稳定1 7 7 - 7 8 。第二种处理方法是无限预测时域、有限控制 时域，无限预测时域保证了优化目标函数值在滚动优化过程中不断下降，有限 控制时域使在线优化成为一个有限维的q p 问题，从而得到稳定的m p c 系统， 尽管计算量大幅度增加 7 9 】 8 0 。第三种处理方法是通过加入终端硬约束，在预测 时域结束时将状态量或输出误差量强制为零，保证优化目标函数的单调下降性， 用l y a p a n o v 稳定性定理来证明其稳定性川【8 2 8 3 ，关键问题是在实际i a - j 题中如何 实现硬约束。第四种处理方法是在m p c 的优化目标函数中引入终端加权，这是 针对前终端硬约束可能会影响控制器的灵活性和可行性而提出的蝉。 控制系统的鲁棒性是指当系统的不确定性在一组给定的范围内发生变化 时，必须保证其稳定性、渐进调节能力和动态特性不受影响【8 “。z h e n g a 综合研 究了这两种情况下控制系统的闭环特性，给出了两个定理 8 。 定理1 1 考虑两个系统，口l ，b 1 和。4 2 ，b 2 ) 。设c 1 是基于似1 ，日1 而设计 的控制器，且有调节参数 m ，q 1 ，r 1 ) ，如果存在矩阵q ：，r 2 满足一定条件( 参 见文献 8 6 1 ) ，则q 也能使系统似2 ，b 2 ) 稳定。 定理1 2 设受控对象的模型集合s ： s = ( ( 4 ，b ) ：a = ( i + 1 ) 4 ，l 1 i 五；b = ( i + h , z ) ，l 2 l 占2 考虑控制器c ，如果当y = 0 时a q 0 ，6 r ( r ) 0 ，则对于集合s 中的每一个 模型来说，若61 o ，62 0 足够小的话，控制器c 总能使其稳定。 由此可以看出，约束预测控制系统当模型存在失配或不确定性干扰时，在一 定的条件下仍能保持良好的稳定性，即控制系统具有较强的鲁棒性。 复杂工业过干旱新型先进控制方法研究 1 2 2 非线陛线预测控制算法 实际生产过程大多存在着程度不同的非线性 4 ”，由于非线性模型结构及由 此而采用的复杂的目标函数，缺乏统。的模型结构和控制方法，因而提出了许 多种形式的非线性预测控制方法【6 ”。e c o n o m o u 等人利用算子理论开发出非线性 内模控制算法，通过牛顿迭代求下一步的控制作用l ”8 。l i 和b i e g l e r 等人利 j l 2 j 牛顿型算法逼近非线性并扩展非线性模型到内模控制设计方法，构成单步预 测摔制算法，并进一步通过在无模型失配情况下的运行轨迹附近的线性化扩展 为多步预测算法 9 0 - 9 2 。g a r c i a 扩展线性二次型动态矩阵控制到非线性过程，非 线性模型被用来预报过去的操纵变量对未来的影响，它在当前工作点匕的线性 化模型被用来预报未来操纵变量的影响，其优点是在线求解时仅需要二次规划， 这是划为未米预报值是调优变量的线性函数【” 。另外一类认为是把线性m p c 算 法直接扩展的非线性算法，它是利用线性m p c 通过解非线性规划实现，依基于 机理模型的微分方程模型的优化方法的不同而形成了不同的算法1 9 4 。”。 1 2 3 基于信息处理技术的非线性线预测控制算法 上面的叙述的方法都是基于机理模型的非线性预测控制方法。然而在实际 工、生产中，这些模型往往是不容易获取的。因此，信息处理技术中一些方法 被引入到了预测控制中，这当中最为有效的是神经网络在预测控制巾的应用。 神经网络能处理高维、非线性、强耦合和不定性的复杂工业生产过程的控 制问题 1 “i ，在解决高度非线性和严重不确定性系统的控制方面具有很大潜力。 神经网络具有强大的函数逼近能力，因而经常用于非线性系统的辨识。目前用 丁非线性动态系统辨识问题的神经网络主要有b p 网络、r b f 网络、h o p f e l d 网 络等。 在这些神经网络当中，b p 网络简单易行，该网络分为输入层、中间隐含层、 输出层三个层次，通过在网络节点中选取非线性激活函数，b p 网络能逼近任何 非线性函数j 【”】，因而在控制等领域中获得了普遍的应用。 另一种受到广泛重视和应用的是r b f 网络，r b f 网络通常是一种两层前馈网 络，其输出节点计算是由隐节点给出的基函数的线性组合，隐层执行的是一个固 定不变的非线性变换，将输入空间映射到一个新的空间，输出层在该新的空间 r 卜实现线性组合，可调节的参数就是该线性组合的权值。 第一璋引言 与b p 网络相比，r b f 网络由于其网络的连接权与输出呈线性关系，这使得 它可以使用保证全局收敛的线性优化算法，并保证具有快速学习的优点，这是 它优于b p 网络的主要特点，并在理论上保证了其具有逼近任意非线性函数的能 力1 1 0 0 - 1 0 2 o 而b p 算法在本质上是非线性优化，因而它不可避免地存在局部极小 问题，并且其收敛速度很慢，这在实时在线控制系统的在线学习中是很困难的。 近年来在信息处理技术领域出现了两种优秀的信息处理技术：小波分析和 支持向量机。 小波函数理论是近年来刚刚兴起的一个热门的数学分支，由于小波函数具 有良好的局部化性质，已经广泛渗透到各个领域。小波神经网络将小波变换与 神经网络相结合，是在近年来小波分析研究获得突破的基础上提出的一种人工 神经网络。小波网络除具有r b f 网络的优点之外，还具有严格的理论依据和明 确的物理概念，给小波网络的分析和使用带来了很大的方便。 黄德先 5 3 - 5 6 1 在分析小波函数对三2 僻) 空间逼近原理的基础上，针对实际生产 过程的动态特性具有低通的特点，提出了仅使用尺度函数的神经网络模型和网 络学习方法，使得用于逼近低通系统的小波基函数大大减少。这种网络模型大 大减小了网络规模，保证了在数据受噪声污染时的网络模型的推广能力，为多 变量非线性动态系统的建模提供了基础。仅使用尺度函数的小波神经网络模型， 将其网络学习转化为线性最小二乘参数估计问题，因而具有通用性和易用性。 近年来成为研究热点的统计学习理论) 是一种专门研究小样本情况下机器 学习规律的理论f 3 8 1 【：3 9 】 “6 。该理论针对小样本统计问题建立了一套新的理论 体系，在这种体系下的统计推理规则不仅考虑了对渐近性能的要求，而且追求 在现有有限信息的条件下得到最优结果。统计学习理论有着较坚实的理论基础， 为解决有限样本学习问题提供了一个统一的框架。在这一理论框架基础上发展 了一种新的通用学习方法一支持向量机( s u p p o r t v e c t o r m a c h i n e 或s v m ) 。支持 向最机根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以 期获得最好的泛化能力。与传统的神经网络相比，支持向量机算法最终将转化 成为一个二次寻优问题，从理论上说，得到的将是全局最优点，解决了在神经 网络方法中无法避免的局部极小值问题；支持向量机的拓扑结构由支持向量决 定，避免了传统神经网络拓扑结构需要经验试凑方法确定。支持向量机也能够 以任意的精度逼近任意函数口”】。 复杂工业过程新型先进控制方法研究 支持向量机具有上述的优秀特性，所以将其引入到预测控制中必然会为过 程控制带来新的控制策略，本文将对此进行研究探讨。 通过大量仿真验证，基于神经网络的控制在非线性过程中比线性控制算法 其有更优越的性能。目前，基于神经网络的控制策略有直接逆控制、常规神经 网络反馈控制、采用神经网络模型的自适应控制和基于神经网络的预测控制。 基于神经网络的控制策略有直接逆控制，是神经网络模型的最直接的应用， 这种控制系统虽然简单直观，但控制性能难以保障，在流程控制中没有太大的 实用性。常规神经网络反馈控制是用经过训练的神经网络取代常规p i d 控制器 进行常规的反馈控制，其主要困难是训练神经网络控制器。这种控制系统也是 比较简单的，未能充分发挥基于神经网络模型的控制系统的优势，在过程控制 中应用也是不多的【l ”j 。采用神经网络模型的自适应控制系统的结构与线性系统 的模型参考自适应控制的结构相类似。当非线性系统为仿射系统时，控制器由 辨识模型就可直接获得；当其为非仿射系统时，并且取神经网络为控制器，控 制器的训练方式用类似于逆向模型辨识方案。此控制系统借助于神经网络将自 适应控制推，1 到非线性系统，其思想是好的，但其理论分析和应用还有待于进 一步的探讨，关键是神经网络模型的在线学习【1 ”j 。 基于神经网络的预测控制在原理上同内模控制相似，其中被控制过程的前 向动态神经网络模型与被控制过程相并联，同时还将被控制过程与其前向动态 神绎网络模型的输出之差作为负反馈信号。控制器有更大的灵活性和更好的控 制性能，因而它在实际生产中有着最广泛的应用前景 1 0 4 。” 。 信息处理技术日益发展，产生了许多新的理论方法，将最新的信息处理技 术引入到了预测控制中，必然会为非线性动态系统辨识和过程控制带来新的控 制思想和控制策略。但对于基于信息处理技术的预测控制的稳定性、鲁棒性、 可控可观性这些特殊问题的研究也会随之变得复杂起来 1 3 论文内容安排 本文共分七章，各章的主要内容如下： 第一章介绍了课题的研究背景和研究目的，综述了流程工业预测控制算法 着重论述了基于信息处理技术的非线性动态系统辨识算法和预测控制算法。 第一章引言 第二章首先介绍小波逼近原理，然后依据小波的多分辨率分析原理，研究 一种只采用尺度函数的小波神经网络及其良好的统计性能。本章将对发酵过程 的复杂性原理和小波神经网络实施技术进行详细的介绍。最后本章还刘基丁j 小 波神经网络的预颖控制技术在发酵过程中应用进行了仿真研究。 第三章研究了另一种信息处理技术一支持向量机理论，并将该理论引入到 过程控制领域，探讨了利用支持向量机进行非线性动态系统辨识的方法和基于 支持向量机模型的非线性预测控制方法，同时对该预测算法的稳定性进行了证 明。本章的研究包括以下内容：基于常规支持向量机的非线性动态系统辨识技 术和基于最小二乘支持向量机的非线性动态系统辨识技术；基于常规支持向量 机的非线性预测控制技术和基于最小二乘支持向量机非线性预测控制技术，最 后本章对这儿种技术在一个聚酯过程中进行了仿真验证。 第四章在分析流程工业中存在混杂特性的基础上，研究了混合逻辑动态系 统建模方法，提出了在将逻辑命题转化为混合整数线性不等式时转换方法的选 取准则，并利用混合逻辑动态系统建模方法建立了一个实验装置的m l d 模型。 第五章利用混合逻辑动态系统的概念，提出了一种基于输入输出模型的混 杂预测控制方法，有效地处理了预测控制约束不可行与优先级问题。通过将约 束优先级表示为命题逻辑并将命题逻辑转化为整数不等式约束，从而可将约束 不可行和优先级问题转化为统一的预测控制求解问题。在保证高优先级的约束 满足的同时能最大化低优先级约束的满足数目。针对该方法求解过程中遇到的 混合整数求解问题，根据流程工业的连续操作的特点，提出了一种l e a s t l o w f i r s t 求解方法来满足控制实时一陛的要求。最后本章利用化工过程的两个典型对 象对基于输入输出模型的预测控制约束不可行与优先级问题的混杂处理策略进 行了仿真验证，仿真结果表明控制性能得到了很好的改善。 第六章针对化工过程一类非线性对象，提出了一种变周期单值智能预测控 制策略，引入系统的“过程容量”的概念，对“过程容量”变化率进行估计，在 此基础上对被控变量变化趋势进行预报，并能精确计算出操纵变量，满足工艺 过程对被控变量和操纵变量的综合性能指标要求。该控制策略在常减压装置上 成功地得到了应用，并取得了良好的控制效果应。 第七章对本论文进行总结，并给出需要进一步进行的工作。 复杂工业过程新型先进控制方法研究 第二章基于小波神经网络的软测量与预测控制技术 本章依据小波的多分辨率分析原理，研究一种只采用尺度函数的小波神经 网络及其统计性能。作者首次将小波神经网络应用到了复杂青霉素发酵过程中， 本章将划小波神经网络实施技术进行详细的介绍。最后本章还对基于小波神经 网络的预测控制技术在发酵过程中应用进行了仿真研究。 2 1 小波神经网络 小波神经网络是在近年来小波分析研究获得突破的基础上提出的一种人工 神经网络。它将小波变换与神经网络相结合，有其自身的优点，但其网络规模 随分辨率和输入输出维数的增加而呈指数级增加的问题阻碍了其应用，所以， 应该针对流程工业的特点，寻求新的小波神经网络形式。 2 1 1 小波逼近原理 2 1 1 1 连续小波变换与反变换 小波是一个衰减的波形| _ 4 8 】，它在有限区域里存在，但均值不为零。 定义2 1 ：设y ( f ) 为一平方可积函数，5 f ，( ) r ( r ) 且满足： i y ( f ) 出= 0( 2 1 ) 称y ( f ) 为基本小波。引入尺度因子a 和平移因子b ，d ，b r ，a 0 ，称函数 族y 。( r ) 为小波函数： ( f ) ：。一j 1 妒( 堂) ( 2 2 ) 定义2 2 ：函数f ( t ) l z ( r ) 的连续小波变换定义为： w r ( 啪皿邝帆以) = ! 俐嘣伽= 击，y ( 等) 出 ( 23 ) 第章基于小波神经网络的软测量与预测控制技术 类似干f o u r i e r 变换，小波变换也存在着小波逆变换。 定义2 3 ：称基本小波p ( f ) 满足容许条件： q = 措虮。 a ) 则连续小波存在逆变换， ( f ) 的连续小波逆变换或重建由下式给出 弛) = 专醛哪，慨以脚 5 ) 小波变换解决了f o u r i e r 变换和拉氏变换只能描述全局特征、不能反映局部 特征的局限性。 2 1 1 2 离散小波变换与反变换 小波变换取决于两个参数：尺度因子口和平移因子b 。连续小波变换的a 和b 值都是连续变化的变量，连续小波变换主要用于理论分析。在实际应用中经常 需要对尺度因子“和平移因子b 进行离散采样： d = d 孑，以。 o ，历z ( 2 6 ) b = n b o n ；，b r ，1 1 z 则离散小波函数和小波变换为： ( f ) = 口j “2 p ( i “t n b 。) ( 2 7 ) w i ( m ，n ) = j 厂( f ) v 。( t ) d t = 0 1 ”j 几) 妒( 0 2 r n b 。) d t ( 2 8 ) 若取c t 。= 2 ，b o = 1 ，得n - 进正交小波和二进正交小波变换。 。( f ) = 2 “2y ( 2 “t n ) ( 2 9 ) r ( ， ) = 2 “厂( f ) y ( 2 t n ) d r ( 2 lo ) j 离散小波逆变换为： 邝) = y 。( f ) ( 2 1 1 ) ( 2 9 ) 式和( 2 1 1 ) 式构成y - 进离散小波的分解和重构，为l 2 ( r ) 空间上的 任意函数f ( t ) 的逼近提供了理论依据。 复杂工业过程新型先进控制方法研究 2 1 1 3 多分辨率分析 多分辨分析m ( m u l t i r e s o l u t i o n a n a l y s i s ，m r a ) 给出了正交小波的构造 方法以及i e 交小波变换的快速算法。l 2 ( r ) 上的多分辨率分析是满足一定条件的 闭了空问系列i p ) i j + z 利用多分辨率分析可以得到空间) 的正交分解。 设彤，i 是巧一，在巧上的正交补空间，即： 矿，= + l0 ( 21 2 ) 显然 巧2 + zo + ：o o + eo _ + t ( 2 1 3 ) u _ = l 2 ( r ) ，n = o ) ( 幺1 4 ) 上述剖分保证了空间巧与空间研正交，且各砀之间也正交 _ j _ ；上- ；j ( 2 1 5 ) 这样，多分辨率分析的某一子空间蜘可以用有限个子空间来逼近 2 k o 嵋= o 一= 一o o 哆一- o ( 2 1 6 ) 其中巧表示信号分解的低频部分，形表示高频部分。 2 1 14 引入尺度函数的小波分解和重构算法 化工过程对象具有低通特性，具有很多低频变化的信号，象这样的低通系 统，只用小波基函数逼近，由于随着分辨率的减小，带宽将趋于零，要严格逼近 它们，将需要无穷多级小波基函数，这将产生计算的指数爆炸问题，使它