（检测技术与自动化装置专业论文）间歇过程模糊预测学习控制方法研究.pdf

间歇过程模糊预测学习控制方法研究 摘要 问歇生产过程是以顺序的操作步骤进行批量产品生产的过程，广泛应用于精 细化工、药品生产、生物制品、现代农业等领域，并随着工业生产柔性化的趋势 和市场对产品多样化的要求，受到越来越多的重视。传统的间歇生产过程中人工 操作占很大的比重，自动化水平普遍较低，因此，迫切需要运用先进的控制策略 和优化方法来提高生产效率、节约生产成本。 由于许多间歇过程单元存在非线性、大滞后、时变和数学模型不确定等特征， 采取传统的p i d 控制，难以达到理想的控制效果；同时，又由于间歇过程的运行 一般是在没有稳态工作点的过渡状态下进行，其控制和优化问题十分复杂，采用 简单的智能控制策略效果欠佳。因此非常有必要研究新的智能控制策略。考虑到 间歇过程具有一个鲜明的特点，即过程运行是分批重复进行的，且每次的运行时 间有限，这恰好与迭代学习控制( i l c ) 的适用特征相吻合。但是，传统的i l c 是 针对单输入单输出系统设计的，而且对过程控制中经常遇到的约束、耦合等问题 的求解并不太适合。而模糊模型、预测控制在这些问题上具有各自的优势。因此， 本课题在对上述三种方法进行综合应用并加以改进的基础上，给出了一种预测迭 代学习新算法；研究了一种在无模型和无先验知识的情况下设计基于模糊预测迭 代学习控制器的方案。编制了实现这种控制器算法的程序，通过仿真研究，验证 了该控制器的性能。最后，考虑到农药生产属于典型的间歇过程，因此将本课题 的研究结果应用于氧乐果合成反应温度过程的控制，较好的满足了控制要求。 本课题主要工作和研究内容如下； ( 1 ) 分析了模糊控制、预测控制和迭代学习控制的发展现状。 ( 2 ) 研究了模型预测控制的基本原理，深入分析了t s 模糊模型辨识方法，并将 其与预测控制相结合，给出了模糊预测控制的两种结构。 ( 3 ) 研究了迭代学习控制的基本原理，针对工业间歇过程常用的反馈一前馈迭代学 习控制，分析比较了已有的两种反馈一前馈迭代学习控制存在的缺陷，在此基 础上，研究了预测控制与迭代学习控制的结合技术，在迭代学习控制中引入 预测的思想，给出了一种改进的迭代学习算法。 ( 4 ) 将模糊模型辨识技术、预测控制和迭代学习控制三者相结合，设计了一种新 的基于模糊预测的迭代学习控制器。 ( 5 ) 以参数时变时滞后过程为被控对象，仿真研究了本文设计的控制器性能。 t ( 6 ) 分析氧乐果合成反应对象的特性，利用所设计的控制器对合磊夏霞覆i i ；蔗 控制进行仿真研究。然后，将该控制器用于氧乐果合成反应温度过程的控制。 关键词：间歇过程迭代学习控制模型预测b s 模糊模型辨识 问歇过程模糊预测学习控制方法研究 a b s t i a c t b a t c hp r o c e s s e sa r eb a t c h _ p m d u c i o np f o c 鹊s e sf o l l o w 妯gs e q u e n t i a lo p e r a t i o n s t e p s t 1 l e ya r ew i d e l yu s e di nm d u s t r i a ld o m a j n ss u c ha sf m ec h e n l i c a l ，p h a n n a c e u t i c a l p r o d u c i i l 舀b i o l o g ye n 酉n e e r i n g ，m o d e ma 掣i c l l l t u r ee t c w i t hm en e x i b l et r c n do f i i l d u s 仃i a lm 鲫u f a c t u r ea n dv a r i o u sr e q u i r e m e n t so fm a f k e to np r o d u c t s ，t h e ya r ep a i d m o r ea n dm o r ea t t e n t i o n h u m a no p e r a t i o nd o n l i n a t e si nt r a d i t i o n a lb a t c hp r o c e s s e s ，s o f h ec o r r e s p o n d i i l ga u t o m a l i o ni sg e n e r a l l yl a c k a saf e s u l 匕a d v a n c e dc o n l r o ls t r a t e g y a i l do p t i m i z a t i o nm c t h o da r cu f g c n t l yr c q u i r e dt od c v e l o pp m 血c t i v ee e 王c i e n c ya n d s a v ep m d u c t i v ec o s t b e c a u s en o n - 1 i n e a r i t y ，l a 唱et i m el a g ，t i m e v a r y i l l 岛r 1 0 n a c c u r a t em a t h e m a t i c m o d e le t c e 】【i s “nm 锄yb a l c hp r o c e 鹳u n i 忸 p mc o n t r o lm e t h o dc 蛆n o td oa sw e l la s e x p e c t e d b e s i d e s ，a sm e s eb a t c hp m c 黯s e s 撕a y sm nu n d e f 乜孤s i t i o n a lc o n d i t i o n w i t h o u ts t d b i l i t y t h e 主rc o n t r o la n do p t i m i z a t i o na r eq u i t e m p l e x ，a sar e s u l t ，s i m p l e i n t e l l 蟾e n tc o n 仃0 1a 1 9 0 f i t h i nc 蛆n o td ow d le i t h e f s o ，n “，s u i t a b l ei l l t e l l 培e n t n t r o l s t f a t e g ym u s tb er e s e a r c h e d t h ep a n i c u l a rc h a r a c t e ro fb a t c ho p 盯a t i o n si st l l a tt l l e ya r e r e p e t i t i v e 柚de r i o r si n0 n eb a t c ha r cl j 】c e i yt 0r e p e a ti nt h es u b s e q u e n to n e s ，w h i c h c o i n c i d e sw i 也t h ea p p l i c a t i o nf e a t u r eo fi t e r a t i v e l e a f i l i n gc o n n o l ( i l ，c ) b u tt h e t r a 出t j o n a li l ci so l l l yd e s i g n e df b rs i s os y s t e m s ，f i l n h e m l o r e ，i t ，sn o tq u i t cs u i t a b l e f o rs o l v i n gp m b l e m ss u c ha sc o n s 仃a i n t c o u p l i n ge t c ，w h i c ha r e 打e q u e n t l ye n c o u n t e r e d i np r o c e s s n 仃0 1 m e a n w h i l e ，f l l z z ym o d e l 蛆dp r e d i c t i v ec o n t r o lh a v et h e i rr e s p e c t i v e a d v a n t a g e si nt h ep m b l e m sa b o v e b a s c do nt l l ec o m b i n a t i o na n di p f o v e m e n to ft h e t h r c el ( i n d so fm e t h o da b o v e ，an 脚a l g o r i t h n lo f p r e d i c t i v ei t e m 西el e a m i n g n t r o lj s i n t r o d u c e di nt h i sp a p c lm o r e o v e r ，an e wm e t l l o di sg i v 锄t h a tt h ei t c r a t i v el e a m i n g c o n 仰1 l e rb a s e do nf i l z z yp r e d i c t 主o nc a nb ed e s i g n e dw i t h o u tm a t h e m a t i cm o d e la l l d p f j o re x p e r i e n c e h lt h i sp a p e r ，p r o g r a m sf b rt h cc o n t r o la l 鲥t h ma r eg i v e n ，a i l dt h e p e b n n 柚c eo ft h eo o n t m l l e ri st e s t e db yc 0 玎e s p d i n gs i n m l a t i o n 胁a l l y c o n s i d e 血g m a tp e s t i d d e sp r o d u c t i o ni sat y p i c a lb a t c hp m c e s s ，t h ec o n t r o l l e fi s a p p l i e dt o o m e t i l o a t cs ”t t l e s i st e m p e r a t i i 咒p r o c e s sc o n 打0 1 t h es i m u l a t i o nr c 跚i ts l l o w st h a ti t m e e t sp m p o s e ds t 姐d a r db e t t e l t h em a j nc o n t e n t sa r ea sf o i l o w ： ( 1 ) t h ep r e s e n t n d i t i o no ff i l z z yc o n t r o l ，p r e d i c l i v ec o n 仃o la n di t e r a t i v e1 e a f n i n g 郑州大学工学硕士论文 c o n t r 0 1 i sa i l a l y z e d ( 2 ) t h ep r i n c i p l eo fm o d e lp r e d i c t i v e n t m li si n t r o d u c e da i l dt h ei d e n t i f i c a t i o nm e t h o d o ft sf u z z ym o d di sa n a l y z c d c o m b i i l i n go ft h 锄，t w 01 【i n d so ff i l z z yp r e d i c t i v e c o n t m ls t r u c t u r ea r eg i v e n ( 3 ) t h ep r i n c i p l eo f i l ci s i l l 仃o d u c e d 加f o rf e e d b a c k _ f e e d f o 州a r di l cu s e d f r e q u e n t l yi ni n d u s t d a lb a t c hp r o c e s s e s ，t h el i m i t a t i o no ft h e 柳oe x i s t e n t 】【i n d so f f e e d b a c k f c e d f o 邢a r di l ci sa n a l y z e da n dc o m p a r e d b 勰e d0 nt h e s e ，t h e c o m b i n a t i o n0 fp r e d i c i i v ec o n 仃o la n di i ci s r e s e a r c h e d ，p f e d i c t i v ei d e a i s i n t r o d u c e di n t oi l ca n da ni m p m v c da 1 9 0 r i t h m0 fl l ci sa d v a n c e d ( 4 ) c o m b i n i n gf i l z z ym o d e li d e n t i f i 龃t i o n ，p f e d i d i v ec o n t m lw i t hi t c m 晰el e a r i l i n g c o n t r o l ，an e w “n do fi t e m t i v el e a m i n gc o n t n e rb 鹪e do nf l l 杞yp r e d i c t i o ni s d e s i g n e d ( 5 ) 弧ep e 披嘲 n a i l c eo ft h ed e s i 盟e dc o n 订0 l l e ri st e s t e db ys i m u l a l i o nw i t l lt h ef i r s t o r d e fi n e n i ap l a n th a v i n gt h ep u r el a g 蛆dt i i n e - v a r i a t i o np 猢e t e r s ( 6 ) n ec h a r a c i e ro f o m e t l l o a t es y n t h c s i ss y s t e m i sa n a l y z e d 蛆dt h es y i l t l l e s i s t e m p e r a t u f ep r o c e s sc o n 虹d l w j t l lt l l en e wc o n h n l l e ri s s i m l l l a t e d f i n a l l y ，i t s a p p l i e di n t o0 m e t h o a t es y l l t h e s i st e m p e r a t l l r ep r o c e 韶c o n t m l ym 脚s ：b a 锄p m c e 站；i 胁t i v el e a r n i n g 伽t m l 啪d e lp r e d i c 廿0 n ；t sf i l z z ym o d e l i d e n t 进c a t i o n - l v ：! 些堡塑塑塑墼型型【_ 一 1 1 课题背景 1 绪论 间歇生产过程简称间歇过程( b a t c hp m c e s s ) 是以顺序的操作步骤进行批量 产品生产的过程，广泛应用于精细化工、生物制品、药品生产、农产品深加工等 领域。在普通工业过程中间歇过程所占的比例如表1 1 所示“。因此，对间歇过 程智能控制系统的研究可以推广应用到许多领域，具有一定的广泛性。 表1 1 工业生产中采用间歇生产过程与连续生产过程的比例 1 的l e1 1r a t i oo f b a t c hp f o c e s s 柚dc 妇o u sp r o s si ni n d l i s h y 鸵枷o n 近年来，随着工业生产柔性化的趋势和市场对产品多样化的要求，间歇过程 受到越来越多的重视，针对间歇过程的先进控制和优化算法的研究也出现了新的 热潮。目前，国外学者针对间歇过程的研究较多，国内的成果相对较少，传统的 间歇生产过程中人工操作占很大的比重，自动化水平普遍较低，因此，迫切需要 运用先进的控制策略和优化方法来提高生产效率、节约生产成本。居前，许多工 业间歇过程通常使用开环控制或是传统的分级反馈控制，有时加上简单的增益调 度。由于许多间歇过程单元存在非线性、大滞后、时变和数学模型不确定等特征， 采取传统的p i d 控制，难以达到理想的控制效果；同时，又由于间歇过程的运行 一般是在没有稳态工作点的过渡状态下进行，其控制和优化问题十分复杂，采用 简单的智能控制策略效果欠佳。因此非常有必要研究新的智能控制策略。 相对于连续生产与离散生产过程，间歇生产过程有如下特点： 郑州大学工学硕士论文 生产操作是按配方规定的顺序进行的； 设备要求设计成可以生产不同产品的柔性连接； 产品是批量输出的； 工艺条件的变化比较显著，某些参数的控制要求高； 现场开关量相对较多，许多生产操作靠人工干预。 其中一个最鲜明的特点是过程运行是分批重复进行的，且每次的运行时间有 限，这恰好与迭代学习控制的适用特征相吻合。针对这个特点，本课题利用迭代 学习控制( i t e r a t i v el e a r n i n gc o n t r o l 简称i l c ) 方法对间歇过程的控制与优 化问题进行分析研究。但是，传统的i l c 是针对单输入单输出系统设计的，而且 对过程控制中经常遇到的约束、耦合等闯题的求解并不太适合。而模糊理论、预 测控制在这些问题上具有各自的优势，且目前多种控制策略的融合正在控制领域 显示出巨大的潜力。因此，本课题在对上述三种方法进行改进和综合应用的基础 上，研究了在无模型和无先验知识的情况下设计基于模糊预测的迭代学习控制器 的方法。 农药产业是重要的精细化工行业，其生产属于典型的间歇过程。因此，本课 题最后将所设计的基于模糊预测的迭代学习控制器应用于一种农药生产过程控 制，即氧乐果合成过程温度控制。 1 2 模糊控制的概念与发展现状 模糊逻辑控制( f u z z yl o g i cc o n t r 0 1 ) 简称模糊控制( f u z z yc o n t r 0 1 ) 是 以模糊集合理论、模糊语言变量和模糊逻辑推理为基础的一种计算机数字控制技 术。它利用操作人员的实践经验和直观感觉或一些不精确的控制规则所产生的控 制策略，将状态条件和控制作用表示为一组被量化的模糊语言值，然后利用模糊 数学的方法，并借助计算机等手段完成过程控制。它是模糊系统理论、模糊技术 与自动控制技术相结合的产物。 1 9 6 5 年，美国的控制论专家l a z a d e h 教授首次提出了“模糊集合”的概 念。1 9 7 2 年，他又给出了模糊推理的理论基础0 1 ，此后，模糊逻辑开始应用于控 制。1 9 7 4 年，英国的e h m a i i l d a n i 教授首次将模糊逻辑和模糊推理应用于蒸汽 机控制，并提出了“模糊控制”的概念脚。传统的模糊控制器控制对象通常是单 输入单输出( s i s o ) 系统，但是在复杂的工业过程中，经常遇到的是强耦合的多 变量系统，干扰因素多。此外，在处理确定值与模糊量的变换时，模糊化的量化 因子与判决时的比例因子在整个过程中是固定不变的，这在受控对象运行工况变 化而引起对象特性发生大幅度变化时，控制器的鲁棒性欠佳啪。针对这些问题， 国内外许多专家学者开始了多变量系统的模糊控制方法研究。到了7 0 年代后期为 2 - 问歇过程模糊预测学习控制方法研究 了提高模糊控制系统的自适应能力，进而改善控制系统的性能，人们开始研究控 制规则的自动提取问题。1 9 7 9 年，p m c y k 和m a m d a l l i 首先提出了自学习( 语言 自组织) 模糊控制器“1 ，在基本的模糊控制器基础上构成闭环自调整控制，以提 高系统性能。通过计算系统的性能指标来建立、修改规则库。1 9 9 0 年，gv sr a j u 和jz h o u 指出多输入多输出( m i ) 系统模糊规则的条数是系统变量的指数函数 伽。当n 很大时，要构造常规的基于规则的模糊控制器几乎是不可能的。为了解 决这个问题，引入多级模糊控制结构。1 9 9 2 年，gv sr a j u 对控制规则进行分级 管理，提出自适应分层模糊控制器”1 。此外，d a l i n k e n s 和j n i e 提出一种通过 自学习建立多变量模糊控制规则库的新方法，即：规则自组织自学习算法。3 ，对规 则的参数以及规则数目进行自动修正。但是，对于规则自组织模糊控制器，一个重 要的难题在于如何采取合理的规则表示法。龙升照和汪培庄提出了解析描述的模 糊控制规则自调整方法埘，为自适应模糊控制的研究提供了新的途径。 建立模糊控制规则的启发方式除了自学习自调整方法外还有基于对象模型的 多变量模糊控制方法。在这类方法中，模糊模型的辨识是建立基于对象模型的多 变量模糊控制器的前提条件。1 9 8 0 年，t o n g 首先提出了用模糊集理论辨识系统模 糊模型的方法“。p e d r y c z 等人研究了模糊关系的迭代算法n 1 。”1 ，在隶属函数的构 造上引入模糊聚类方法“”，增强了算法的收敛性。1 9 8 5 年，t a k a g i 和s u g e n o 首 先提出了一类动态系统的模糊模型和辨识算法“”，简称为t - s 模型，包括前提结 构的辨识、前提参数的辨识、结论参数的辨识等内容。其辨识流程图如图1 1 所 示。该算法虽然辨识精度高，但是计算量大，对于快速的动态过程难以在线实旌。 为此，s u g e n o 和k a n g 又提出了前提结构和结论结构的辨识算法“”，算法流程图 如图1 2 所示。该算法仍然存在计算量大，收敛速度慢的缺点。而后，s u g e n o 和 t a n a k a 又提出了t s 模型的连续辨识算法“”，包含监控级和调整级，可以快速调 整m i m 0 系统的t s 模糊模型，便于控制快速的复杂实际过程，并且通过连续调整， 能够得到较为精确的系统模型。其结构流程图如图1 3 所示。随着对t s 模糊模 型辨识问题研究的深入，基于t s 模糊模型的多变量模糊控制方法也成为研究的 热点问题，尤其是与各种传统的控制方法如自适应控制、预测控制等的融合成为 研究的新方向。 近年来，对于经典模糊控制的稳定性能的改善、模糊集成控制、模糊自适应控 制、专家模糊控制以及复杂系统的自学习与参数自调整方面的研究取得了很大的 进展和大量的成果“”。但模糊控制理论远非成熟，特别是在控制规则的自动获 取、模糊控制系统尤其是多变量系统的系统化设计与性能( 稳定性和鲁棒性等) 分析以及模糊控制方法与其它控制方法的融合等方面都值得进一步研究。 郑州大学工学硬士论文 图1 1 卜s 模型辨识流程图 f i 9 1 1 n ei d e n t 墒c a t i o nn o wp r o c c 韶c h a no f s m o d e l 图1 2t s 模型的s k 辨识流程图 f i g 1 2t h es - ki d e n t 砸c 撕0 nn o wp m c e s s c h a f o f l $ m o d e l 输出y 图1 3t s 模型的连续辨识算法 f i g 1 31 n h ec 咖t i n u o 惦i d e n 衄曲n 曲a i g o r i t h l no ft - sm o d e l d 阃歇过程模糊预测学习控制方法研究 1 3 迭代学习控制发展现状 迭代学习控制( i t e r a t i v el e 锄i n gc o n t r 0 1 ) 或称重复控制，可以定义为“在重 复运动过程中，任何不依赖于系统参数模型而能改善被控对象品质的控制策略 “”，本质上要求运动具有重复性且在一个固定时间间隔内完成。它是智能控制 中具有严格数学描述的一个分支，以极为简单的学习算法，在给定的时间区间上 实现未知被控对象以任意精度跟踪一给定的期望轨迹这样一个复杂的问题。控制 器在运行过程中不需要辨识系统的参数，属于基于品质的自学习控制，特别适合 于具有重复运行的场合。它的研究对诸如机器人、间歇过程那样有着非线性、强 耦合、难以建模以及高精度轨迹控制要求的场合有着重要的意义。 学习是人类获取知识的主要形式，是人类具有智能的显著标志，因此，学习 控制是智能控制的一个重要的研究分支。1 9 7 0 年，k s f u 首先提出了学习控制的 概念啪3 ，总结了早期自适应控制领域里的学习控制问题，但在线辨识参数需要庞大 的计算。1 9 7 8 年，u c h i y 鲫a 针对高速运动机械手的控制问题首先提出了迭代学习 控制的概念。”，它是一种离线的学习过程，但因文章是以日文发表，一直没有引 起注意。直到1 9 8 4 年，a r i m o t o 等人将u c h i y 锄a 的初步研究思想加以完善o ”， 提出了一种新的迭代学习控制算法，从理论上证明了这种算法的可行性而正式提 出迭代学习控制方法。之后，迭代学习控制才逐渐得到控制界的广泛关注。 迭代学习控制器能根据系统先前的控制经验和误差信息，通过简单的迭代学 习算法调整不理想的控制输入信号，在重复执行的过程中使控制性能逐步提高。 因此对于强非线性、强耦合、建模困难、有高精度轨迹控制要求的对象，特别是 具有重复运动特性的对象能达到非常好的控制效果。经过二十多年的发展和完善， 目前，迭代学习控制的研究已取得巨大的进展，在迭代学习控制算法及稳定性、 收敛性、鲁棒性、收敛速度、实际应用等方面已取得丰硕的成果。1 9 8 9 年，z b i e n 等人首先提出了高阶迭代学习控制算法1 。1 9 9 8 年，c h e n 等人在高阶学习算法 中引入遗忘因子。”，使得迭代过程初期，控制输入不至于波动太大，加强了收敛 性。近年来，许多学者还进行了迭代学习控制与其它控制方法融合的研究，如： 结合神经网络的迭代学习控制、基于预测技术的迭代学习控制乜叮等。针对间歇 过程来说，研究较多的则是将预测控制和迭代学习控制结合起来。目前，迭代学 习控制与预测控制的融合模式大致分为以下两种：1 ) 在迭代学习控制的框架下， 引入基于局域二次型性能指标的滚动优化思想，对迭代学习方法进行改进；2 ) 在 预测控制的基础上引入误差模型的概念，并将基于误差模型的实时计算和基于过 程模型的计算结合起来，构成一种新的串级控制策略。总之，将预测控制与迭代 学习控制相结合，利用各自的优势，用于间歇反应单元的控制是一种非常直接和 - 5 郑州大学工学硕士论文 实用的方法。 虽然迭代学习控制的研究已取得了大量的成果溉“，但由于迭代学习控制方 法产生不久，其基本理论远非成熟，特别是在算法的收敛速度、初始状态问题上 需进行深入的研究。同时，任何控制方法都有其局限的一面，迭代学习控制也不 例外，因而，迭代学习控制与其它控制方法的融合及在实际工程中的应用值得进 一步的研究。 1 4 预测控制发展现状 预测控制( p r e d i c t i v ec o n t r 0 1 ) 又称为模型预测控制( m o d e lp r c d i c t i v ec o n t m l ) 是建立在预测模型、滚动优化和反馈校正的基础上，源于工业过程控制的一类新 型计算机控制算法。 7 0 年代后期，在美、法等国的工业过程控制领域内出现了一类易于实现、鲁 棒性强的新型计算机控制算法。“预测控制”作为这一类新型计算机控制算法的统 一名称首先由r i c h a l e t 等人子1 9 7 8 年在文献 2 9 中提出，从此，预测控制便出 现在控制领域中，并成为研究的一个重要分支。1 9 7 8 年，r i c h a l e t 等人提出了模 型预测启发式控制( 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 0 1 ，简记为m p h c ) 。1 ；1 9 8 2 年，m e h r a 等人又提出了模型算法控制( m o d e la 1 9 0 r i t h m c o n t r o l ，简记为m a c ) 删。 它们均采用脉冲响应模型。1 9 8 0 年，c u t l e r 等人提出了建立在阶跃响应模型基础 上的动态矩阵控制( d y n a m i cm a t r i xc o n t r o l ，简记为d m c ) m 1 。不论这些算法采 用的是脉冲响应模型或是阶跃响应模型，它们均是以非参数模型描述被控过程。 这些模型都很容易在工业现场中获得，不需要复杂的系统辨识与建模，适应了工 业过程控制的特点。同时，采用反馈校正基础上的在线滚动优化取代传统的最优 控制，可以克服各种不确定性的影响，增强系统的鲁棒性，而且在线计算相对比 较简单。 使用非参数化模型为我们带来便利的同时，也有它天生的局限性。首先，非 参数化模型用有限长度的响应序列描述系统，这要求系统开环稳定，否则模型无 效，从而限制了预测控制的适用范围。其次，要保证模型的精度，必须选取较长 的响应序列，这样，不仅增大了辨识的工作量，也增大了实时控制算法的计算量， 使在线的自适应控制难以实现。针对这些问题，此后又出现了基于辨识模型并带 有自校正的预测控制算法，具有代表性的研究成果有：1 9 8 5 年，d ek e y s e r 等人提 出的扩展预测自适应控制( e x i c n d e dp 他d i c t i o ns e l f a d a p t i 、，ec c m 仃0 l ，简称为e p s a c ) ”“；1 9 8 7 年，c l a r k e 等人提出的广义预测控制( g e n e r a l i z e dp r e d i c 晰ec o n t r o l ，简记 为g p c ) 。”等。使用参数模型具有描述简洁、参数少的优点，有利于实现自适应控 制。但是，这类预测控制算法存在着如何选择模型结构的问题，没有一个通用的 。型塑塑墼鳖些塑墼鹜一 参数设计选择准则，控制器参数整定要凭经验试凑或者通过离线仿真调整。 随着人工智能、神经网络、模糊控制等的兴起和发展，智能控制在解决非确 定性、多目标优化等方面有着传统控制无法比拟的优越性。所以，预测控制与人 工智能技术的结合已成为新的研究方向。模糊逻辑是非线性系统建模的一个重要 工具，也是复杂工业过程控制中广泛使用的方法。模糊控制与预测控制都是对不 确定系统进行控制的有效方法，而模糊预测控制技术作为二者相结合的产物，更符 合人们的控制思想，可进一步提高控制的效果，因此是很有吸引力的研究方向之 一。近年来，对于模糊预测控制的研究已经取得了很大的进展。目前，预测 控制与模糊控制的融合模式分为两大类：1 ) 在预测控制机理的框架下，针对具有 不确定性的非线性系统，将模糊模型作为预测模型，实现两者的融合；2 ) 模糊决 策和预测控制方法的有机结合，充分发挥滚动优化和模糊决策的长处，相互促进e 经过二十多年的发展和完善，虽然预测控制已取得了大量的成果，但理论研 究远非成熟，特别是对非线性系统的预测控制问题，以及与模糊控制、人工智能 等多学科的融合等方面都值得进一步研究。 1 5 预测控制与迭代学习控制的结合 预测控制具有鲜明的有限时域优化特征以及对多变量带约束问题的有效求解 等一系列的优点。由于这些优点，预测控制成为在过程控制领域占主导地位的先 进控制方法，在化工生产等复杂系统中得到了广泛的应用；同时，其理论研究受 到了广泛的关注并引起了许多研究工作者的兴趣。但一般来说，单纯的预测控制 不具备较好的学习功能，在处理间歇过程等具有显著的重复运行的过程时不能很 好的应用以前批次的经验知识，具有一定的局限性。 迭代学习控制也是一种处理非线性、不确定以及高精度轨迹控制要求等问题 的有力工具。它比较适合于具有某种重复运动性质的被控对象，可实现有限时间 区间上的完全跟踪任务，类似于通过重复达到期望行为的学习方式。迭代学习控 制通过函数迭代方法寻找最优控制律，具有对先前输入的记忆学习的优点。但是， 一般来说传统的迭代学习控制是针对单输入单输出系统设计的，对于多变量系统 和过程控制中经常遇到的约束问题的求解是比较困难的。 在间歇过程中，安全性、稳定性和高质量的产品是对生产所提出的最基本的 目标。由于存在着模型不确定性、时变、非线性、反应机理复杂等特点，这些因 素对控制提出了更高的要求。因此，控制算法一定要具有以下性能；一是能有效 克服纯滞后；二是要具有抗强干扰的能力：三是要有对时变特性的适应能力和对 非线性现象的控制能力。”。只有这样，才能保证间歇过程控制系统的动态稳定性 和稳态精度。这就要综合运用多种控制技术的优点，由于在配方不变时，过程是 7 郑州大学工学硕士论文 重复的，因此具备了使用迭代学习控制的基本条件。同时，间歇过程的控制对象 往往是多变量和有约束要求的( 例如控制阀的开度，输出变化的限幅等) ，在常 见的学习控制算法中通常不能很好地兼顾上述两个方面，而模型预测控制是公认 能够解决这两个问题的算法1 。 基于上述讨论可以想到，若能将迭代学习控制和预测控制适当的结合起来， 吸取两者的长处，则对间歇过程进行控制时可以组成比单独的迭代学习控制系统 和单独的预测控制系统性能都更好的系统。一方面，将迭代学习引入模型预测控 制，使之具有学习的功能，对一类具有重复性质的对象具有非常好的跟踪特性。 另一方面，将模型预测引入迭代学习控制，改善了单纯的迭代学习控制算法不能 处理输入输出约束的问题。 随着理论研究和应用的推广，在处理间歇过程控制问题时这种结合方法越来 越为研究者们所重视，是当前间歇过程控制研究的热点问题，已取得了一定的研 究成果4 。”1 。 1 6 本文的主要工作 本文主要研究在无模型和无先验知识的情况下设计基于模糊预测的迭代学习 控制器的方法，并将其应用于氧乐果合成过程温度控制。主要内容以及所要解决 的问题是： ( 1 ) 分析模糊控制、预测控制和迭代学习控制的发展现状。 ( 2 ) 研究模型预测控制的基本原理，深入分析t s 模糊模型辨识方法，并将 其与预测控制相结合，给出了模糊预测控制的两种结构。 ( 3 ) 研究迭代学习控制的基本原理，针对工业间歇过程常用的反馈一前馈迭代 学习控制，分析比较已有的两种反馈一前馈迭代学习控制存在的缺陷，在此基础上， 研究了预测控制与迭代学习控制的结合技术，在迭代学习控制中引入预测的思想， 提出了一种改进的迭代学习算法。 ( 4 ) 将模糊模型辨识技术、预测控制和迭代学习控制三者相结合，设计一种 新的基于模糊预测的迭代学习控制器。 ( 5 ) 以参数时变时滞后过程为被控对象，仿真研究本文设计的控制器性能。 ( 6 ) 分析氧乐果合成反应对象的特性，利用所设计的控制器对合成反应过程 温度控制进行仿真研究。然后，将该控制器用于氧乐果合成反应过程的温度控制。 间歇过程模糊预测学习控制方法研究 2 1 引言 第二章t s 模糊模型及模糊辨识 一个完善准确的数学模型对于最优控制器的设计和稳定性分析是十分重要和 必要的。所谓建模，即是如何通过测取研究对象在人为输入作用下的输出响应， 或正常运行时的输入输出数据，得到其数学模型。所谓模型辨识，即是如何得到 数学模型的各个参数。然而，对于非线性、时变、不确定性系统，特别是一些工 业过程对象一般难以建立精确的数学模型，从而导致那些经典的基于精确数学模 型的优化控制方法在应用上受到很大的限制。总的来说，系统建模和辨识无论在 理论上还是在实际应用中，都远未达到完善的程度，还有大量的工作需要去做。 1 9 6 5 年l a z a d e h 提出模糊集合论后，模糊控制作为一种处理不确定性环境 中不易建立数学模型的系统控制方法，在理论和应用中都获得了长足进展。但是， 传统的规则型模糊控制器在某些方面存在明显的缺陷，目前，模糊控制的发展出 现了由规则转向模型的趋势。模糊模型是一种与模糊概念和模糊推理有直接关系 的系统描述方法，它是一种本质非线性模型，易于表达复杂非线性系统的动态特 性。而且已经从理论上证明了模糊系统是一种万能逼近器，可以按任意精度逼近 任意非线性系统。因此，模糊模型的建模和辨识被认为是解决非线性问题的一种 可行方法。 目前，研究最广泛的模糊模型主要有三种：1 ) p e d r y c z 于1 9 8 4 年提出的模糊关 系模型“”。这类模型可以看作是从输入空间到输出空间的一个模糊映射，但在建 模过程中系统的许多重要的动态信息被忽略了，因此很难得到控制性能良好的控 制器。2 ) 模糊动态模型渊。这类模型的模糊规则是以状态方程的形式给出，其动 态系统的复杂性和辨识参数的困难性使得控制器的设计比较困难。3 ) t a k a g i 和 s u g e n o 于1 9 8 5 年提出的t s 模糊模型o “。其主要思想是把输入空间分成若干个模糊 子空间，在每个子空间里建立关于输入输出的简单线性关系模型。t s 模型本质 上是一种非线性模型，它易于表达复杂系统的动态特性。其结论部分采用线性方 程式描述，因而便于结合传统的控制策略设计相关的控制器及对控制系统进行分 析。t s 模型是现在应用最广泛的一种模糊模型，本课题的研究将采用这种模型。 同普通辨识方法相类似，模糊辨识也是在输入输出数据的基础上，从一组给 定的模糊模型中，确定一个与所测系统等价的模型。它是系统辨识基于特定模糊 o 。：! ，：窒些鐾耋璧窒墼- _ 。，：。：。：= s 一! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! = = = = ! = = = = = = 2 2 2 2 “一 模型上的辨识方法，其过程分为两步：模糊模型的结构辨识( s t m c t u r ei d e n i i f i c a t i o n ) 和参数估计( p a r a m e t e r se s t i m a t i o n ) 。一般来讲，结构辨识和参数估计是不能分开 的，通常两步交替反复数次才能获得最终模型。图2 1 给出了模糊辨识的一般结构 图】。模糊模型在模糊辨识方法中是很重要的，是模糊辨识理论建立的硬件基础， 图2 1 模糊辨识结构图 f i g 2 1s m l c t i l f ec h a r to f f u z z yi d 姐衄t i o n 没有模糊模型也就没有模糊辨识理论。近年来，基于模糊模型的模糊辨识方法大 概分成以下几类：1 ) 基于模糊关系方程的模糊辨识方法；2 ) 基于模糊神经网络的 模糊建模方法；3 ) 基于t a k a g i s u g e n o 模糊模型的模糊辨识方法。 本文设计的控制器中采用的是t - s 模糊模型，下面将对t s 模糊模型和模糊辨 识方法进行简单介绍，并对模型后件参数辨识中采用的递推最小二乘算法进行了 曲线拟合的m a t l a b 仿真。 2 2t _ s 模糊模型的数学描述 1 9 8 5 年，t a k a g i 和s u g e n o 在文献 1 4 中提出了著名的t - s 模糊模型。该模 型是基于输入模糊划分的思想，可以看作是非线性控制中普遍采用的分段线性近 似方法的扩展，能够描述一类非常广泛的静态或动态非线性系统，非常适合于基 于模型的控制系统及其稳定性分析。一个典型的t s 模糊系统是采用输入变量的 线性函数作为规则后件的多输入单输出( 眦s o ) t - s 模糊系统；同时，m i 系统 通常可以看成是由多个m i s 0 系统组合而成的。 一个典型的m i s o 系统模型可以由n 条模糊规则组成的集合来表示，其模糊蕴 含条件句为： r ：f ，y ( 七一1 ) 括爿口脚埘耐y ( 七一 ，) 缸一 珊讨地( 七一气) 妇爿。，+ 1 珊以珊耐“p ( 七一0 7 ) 妇彳。+ + 。+ ， ( 2 1 ) f 明y 1 ( 七) 一工( y ( 七一1 ) ，_ ) ，( 七一n y ) ，“1 一t ) ，“p ( 七一f p n ，) ) ! 些塑墼些塑型垄塑釜一 其中，r 表示第i 条模糊规则；群表示一个模糊子集，其隶属函数可以取三角形 函数、梯形函数或高斯型函数，隶属函数中的参数称为前提参数；y i 是第i 条规 则的输出；u l ( ) ，u 2 ( + ) ，u p ( ) 是输入变量；y ( ) 是输出变量；t 1 ，t2 ，tp 是纯时间滞后；n y ，n 1 ，“p 是有关变量的阶次。 为方便起见，令 x 。( 七) 。y ( 七一n ，) x 。+ l ( 七) 一“l ( 七一f 1 ) 式中，研一n ，+ 艺“+ 1 ) 这样，式( 2 1 ) 可以写成如下的形式： 剧：矿五西4 l 鲫d 屯由爿24 材册d 缸以 ( 2 2 ) 历绷y 。- 五“，而，) ，f 一1 2 ，丹 其中，置是构成规则前提的变量，也称为广义输入变量；m 是广义输入变量的数 目；工( ) 是线性或非线性函数；n 为模糊规则总数。z ( ) 通常取为输入变量的线 性函数，即： 尉：f ，而括4 口材屯括爿。2 口蒯口榭括4 t h e n ，= p ：+ p i h + p ：x 2 + + p ：x 。 ( 2 3 ) _ + 善如 扣墟