研究生一年级 控制科学与工程 预测控制原理与工业应用高阶教案

研究生一年级控制科学与工程预测控制原理与工业应用高阶教案

一、课程基本信息与定位

【课程名称】：高等过程控制第八章——预测控制：从动态矩阵控制到非线性与经济性优化

【授课对象】：控制科学与工程、仪器科学与技术、化学工程与技术等专业硕士研究生一年级

【课程性质】：专业核心课/学位课

【课时安排】：4学时（180分钟），含理论讲授与仿真研习

【先修知识要求】：线性系统理论、矩阵分析、最优化理论基础、过程控制系统、PID控制原理。

【教学设计理念】：本设计遵循“问题导向—理论建构—算法实现—工业验证”的四阶循证教学范式。立足于工业过程控制“大时滞、多变量、强约束”的典型特征，从传统PID在复杂工业场景下面临的失效困境切入，引导学生理解预测控制（MPC）作为工业先进控制主力的必然逻辑。教学过程中，摒弃单纯的公式推演，强调“三要素”（预测模型、滚动优化、反馈校正）的物理意义及其工程鲁棒性本质，深度融合线性代数与数值优化算法，通过“一案例贯始终”的教学策略（以某精馏塔组分控制或加热炉出口温度控制为贯穿性案例），将抽象的数学概念具象化为可编程实现的算法逻辑，最终培养学生解决复杂工业控制问题的高阶思维能力与工程实践能力。

二、教学目标与核心素养

（一）知识与技能目标（对应毕业要求：工程知识、问题分析）

1.【基础】精准阐述预测控制与传统PID控制在“决策机制”上的本质区别，理解MPC的“多步预测、滚动优化、反馈校正”的闭环优化内涵。

2.【核心】掌握基于阶跃响应的动态矩阵控制（DMC）算法的数学原理，能够推导预测输出、控制增量及最优控制律的矩阵表达式。

3.【重要】理解二次规划（QP）在求解带约束预测控制问题中的核心作用，能够阐述输入约束（MV）、输出约束（CV）在优化问题中的数学表达形式。

4.【进阶】掌握状态空间模型在预测控制中的表述方式，理解从古典DMC到现代状态空间MPC的演进逻辑。

（二）过程与方法目标（对应毕业要求：设计/开发解决方案、研究）

1.能够使用MATLAB或Python（CVXOPT/Do-MPC库）对单变量/多变量无约束DMC算法进行代码实现与仿真验证。

2.能够针对一个典型的工业案例（如：重沸器温度控制），设计包含约束处理的MPC方案，并通过仿真对比分析其相较于PID控制的性能优越性（如：超调抑制、应对模型失配的鲁棒性）。

3.初步掌握通过调整预测时域（P）、控制时域（M）、误差权矩阵（Q）和控制权矩阵（R）来整定MPC控制器性能的方法论。

（三）情感、态度与价值观目标（对应毕业要求：工程与社会、可持续发展）

1.【热点】通过分析MPC在石化、电力、新能源等国家战略产业中的核心作用（如装置产能提升、能耗降低），树立“控制算法就是新质生产力”的工程价值观。

2.【难点】理解“理论最优”与“工程可行”之间的辩证关系，培养学生面对模型失配、扰动不确定时的工程审辩思维。

3.引入国产自主化控制系统的必要性讨论，增强学生在工业软件“卡脖子”领域攻坚克难的责任感与使命感。

三、教学重点与难点

【重中之重】：预测控制的“三要素”内在逻辑闭环；DMC算法的预测模型建立与最优控制律求解。

【高频考点】：DMC中预测输出Y的构成；控制增量ΔU的计算；反馈校正的实施形式；QP问题的标准型转化。

【核心难点】：

1.滚动优化的实时性理解：为何不是一次算完，而是反复在线计算？这与工业时变特性的关联是什么？

2.约束处理的数学抽象：如何将物理世界的“阀门不能全开”、“温度不能超标”转化为数学世界的不等式约束，并在优化中求解？

3.模型误差的应对：反馈校正如何弥补预测模型的不完美？

四、教学准备

1.教学环境：智慧教室或多媒体教室，配备有MATLAB/Simulink或Python(JupyterNotebook)环境的计算机（建议学生人手一机或二人一组）。

2.教学资源：精心设计的PPT（突出向量、矩阵运算的动态图解）；精馏塔/加热炉的简化数学模型（传递函数或状态空间）；预编写的DMC算法框架代码（留空核心部分供学生填充）；工业现场MPC控制站操作界面截图或短视频。

3.案例载体：选定一个贯穿始终的工业案例——“流化催化裂化（FCCU）装置再生器温度控制”。该对象具有大惯性、非线性、变量耦合（与主风流量）的特点，是MPC应用的经典场景。

五、教学实施过程（180分钟）

第一阶段：困境与突破——为什么需要预测控制？（25分钟）

1.问题引入（10分钟）：展示一个典型的工业DCS趋势图——一个FCCU再生器温度在改变原料油流量后的响应曲线。指出采用精心整定的PID控制时，由于对象的大时滞特性，温度超调大，且当受到进料组分波动这一不可测扰动时，回调时间过长，严重影响产品收率与能耗。提问：“如果我们能在当前时刻，就预见到未来一段时间温度的变化趋势，并提前采取行动，结果会怎样？”从而引出预测控制的核心哲学：“基于预测的控制”。【重要】

2.概念建构（15分钟）：类比驾驶员的驾驶行为，生动讲解MPC的三要素。

1.3.预测模型：类比驾驶员的“经验”或“路况认知”，知道当前车速和油门/刹车操作下，未来一段距离车辆的位置。在控制中，就是能描述系统动态的数学模型。

2.4.滚动优化：类比驾驶员“紧盯前方不断调整方向盘”。不是看一眼路就闭眼开到底，而是每时每刻根据新看到的实际情况，重新判断并微调方向盘。MPC就是在每个采样时刻，基于当前状态，对未来有限时域内的控制作用进行在线优化，但只执行当前时刻的最优操作，到下一时刻重复此过程。【核心】

3.5.反馈校正：类比驾驶员“看后视镜”。实际车辆位置与预想的位置有偏差（如侧风干扰），必须根据这个偏差修正后续的预测和判断。MPC同样利用实际测量值与模型预测值的偏差，对未来的预测进行修正，形成闭环。【核心】

4.6.通过这一生活化类比，帮助学生在头脑中建立起MPC的动态、闭环的宏观图像。

第二阶段：基石构建——动态矩阵控制（DMC）算法精解（90分钟）

本章核心：将宏观理念转化为可计算、可编程的数学语言。

1.预测模型：基于阶跃响应的非参数模型（30分钟）

1.2.工业建模的便利性【基础】：介绍工业界获取模型的一种实用方法——阶跃响应试验。在稳态工况下，给执行器（如阀门）一个阶跃变化，记录被控变量（如温度）随时间变化的曲线。这条曲线就包含了系统的全部动态信息。

2.3.数学抽象：对阶跃响应曲线在采样点T

,

2

T

,

.

.

.

,

N

T

T,2T,...,NT

T,2T,...,NT上进行离散化，得到阶跃响应系数a

1

,

a

2

,

.

.

.

,

a

N

a_1,a_2,...,a_N

a1​,a2​,...,aN​，其中N

N

N为建模时域（通常选择直到系统趋于稳定）。【基础】

3.4.预测机理【核心】：基于线性系统的叠加原理，推导k

k

k时刻对未来P

P

P个时刻（预测时域）的预测输出。设当前时刻为k

k

k，未来有M

M

M个控制增量Δ

u

(

k

)

,

Δ

u

(

k

+

1

)

,

.

.

.

,

Δ

u

(

k

+

M

−

1

)

\Deltau(k),\Deltau(k+1),...,\Deltau(k+M-1)

Δu(k),Δu(k+1),...,Δu(k+M−1)（控制时域）作用。则系统在未来P

P

P个时刻的预测输出y

~

\tilde{y}

y~​可由初始预测值y

~

0

\tilde{y}_0

y~​0​与控制增量产生的响应叠加而成：

Y

~

P

M

(

k

)

=

Y

~

P

0

(

k

)

+

A

Δ

U

M

(

k

)

\tilde{\boldsymbol{Y}}_{PM}(k)=\tilde{\boldsymbol{Y}}_{P0}(k)+\boldsymbol{A}\Delta\boldsymbol{U}_M(k)

Y~PM​(k)=Y~P0​(k)+AΔUM​(k)其中，A

\boldsymbol{A}

A是动态矩阵，由阶跃响应系数a

i

a_i

ai​构成，是一个P

×

M

P\timesM

P×M的矩阵。这一步至关重要，要详细板书推导，并解释矩阵中每一个元素的物理意义——即第j

j

j个控制增量对第i

i

i个未来预测输出的贡献。通过动画演示，展示当M

=

2

,

P

=

5

M=2,P=5

M=2,P=5时，动态矩阵A

\boldsymbol{A}

A的结构，让学生直观感受“历史控制作用”与“未来控制作用”对输出的叠加影响。

5.滚动优化：从目标函数到控制律（35分钟）

1.6.优化目标【重要】：控制的目的是使系统的输出尽可能接近期望的设定值（参考轨迹），同时希望控制动作不要过于剧烈。由此引出二次型性能指标：

min

⁡

J

(

k

)

=

∑

i

=

1

P

q

i

[

w

(

k

+

i

)

−

y

~

(

k

+

i

)

]

2

+

∑

j

=

1

M

r

j

[

Δ

u

(

k

+

j

−

1

)

]

2

\minJ(k)=\sum_{i=1}^{P}q_i[w(k+i)-\tilde{y}(k+i)]^2+\sum_{j=1}^{M}r_j[\Deltau(k+j-1)]^2

minJ(k)=i=1∑P​qi​[w(k+i)−y~​(k+i)]2+j=1∑M​rj​[Δu(k+j−1)]2解释w

w

w为参考轨迹（通常为一阶滤波后的设定值路径），q

i

q_i

qi​为误差权系数（通常越往前权重越大），r

j

r_j

rj​为控制权系数。这一指标体现了对“快、准、稳”的综合追求。【热点】

2.7.矩阵形式与求解【重中之重】：将上述性能指标写成向量-矩阵形式：

min

⁡

J

(

k

)

=

∥

W

P

(

k

)

−

Y

~

P

M

(

k

)

∥

Q

2

+

∥

Δ

U

M

(

k

)

∥

R

2

\minJ(k)=\|\boldsymbol{W}_P(k)-\tilde{\boldsymbol{Y}}_{PM}(k)\|^2_{\boldsymbol{Q}}+\|\Delta\boldsymbol{U}_M(k)\|^2_{\boldsymbol{R}}

minJ(k)=∥WP​(k)−Y~PM​(k)∥Q2​+∥ΔUM​(k)∥R2​代入预测模型Y

~

P

M

(

k

)

=

Y

~

P

0

(

k

)

+

A

Δ

U

M

(

k

)

\tilde{\boldsymbol{Y}}_{PM}(k)=\tilde{\boldsymbol{Y}}_{P0}(k)+\boldsymbol{A}\Delta\boldsymbol{U}_M(k)

Y~PM​(k)=Y~P0​(k)+AΔUM​(k)，可得到关于Δ

U

M

\Delta\boldsymbol{U}_M

ΔUM​的无约束二次规划问题。

3.8.最优解推导：对Δ

U

M

\Delta\boldsymbol{U}_M

ΔUM​求导并令其为零，得到最优控制增量的解析解：

Δ

U

M

(

k

)

=

(

A

T

Q

A

+

R

)

−

1

A

T

Q

[

W

P

(

k

)

−

Y

~

P

0

(

k

)

]

\Delta\boldsymbol{U}_M(k)=(\boldsymbol{A}^T\boldsymbol{Q}\boldsymbol{A}+\boldsymbol{R})^{-1}\boldsymbol{A}^T\boldsymbol{Q}[\boldsymbol{W}_P(k)-\tilde{\boldsymbol{Y}}_{P0}(k)]

ΔUM​(k)=(ATQA+R)−1ATQ[WP​(k)−Y~P0​(k)]这里强调两点：一是矩阵求逆的在线计算是实现滚动优化的关键；二是只取该最优序列中的第一个元素Δ

u

(

k

)

\Deltau(k)

Δu(k)施加于对象，体现了“滚动”的含义。

4.9.约束处理的引出【难点】：指出上述解析解仅在无约束时有效。但在工业现场，执行机构存在饱和（阀门开度限制、变化率限制），被控变量有安全范围限制。此时，必须直接求解带约束的二次规划问题：

min

⁡

1

2

Δ

U

T

H

Δ

U

+

f

T

Δ

U

s.t.

Δ

U

m

i

n

≤

Δ

U

≤

Δ

U

m

a

x

U

m

i

n

≤

U

+

Υ

Δ

U

≤

U

m

a

x

Y

m

i

n

≤

Y

~

≤

Y

m

a

x

\begin{align*}

\min\quad\frac{1}{2}\Delta\boldsymbol{U}^T\boldsymbol{H}\Delta\boldsymbol{U}+\boldsymbol{f}^T\Delta\boldsymbol{U}\\

\{s.t.}\quad\Delta\boldsymbol{U}_{min}\leq\Delta\boldsymbol{U}\leq\Delta\boldsymbol{U}_{max}\\

\boldsymbol{U}_{min}\leq\boldsymbol{U}+\boldsymbol{\Upsilon}\Delta\boldsymbol{U}\leq\boldsymbol{U}_{max}\\

\boldsymbol{Y}_{min}\leq\tilde{\boldsymbol{Y}}\leq\boldsymbol{Y}_{max}

\end{align*}

mins.t.​21​ΔUTHΔU+fTΔUΔUmin​≤ΔU≤ΔUmax​Umin​≤U+ΥΔU≤Umax​Ymin​≤Y~≤Ymax​​这一部分不要求学生在首次课上完全掌握所有细节，而是通过这一形式，让学生认识到MPC为何能成为处理多变量约束问题的“标准答案”，并引出数值优化算法在控制中的重要地位。

10.反馈校正：闭环的最后一环（15分钟）

1.11.模型失配与扰动：理论模型永远无法完全等于真实对象。到了下一个采样时刻k

+

1

k+1

k+1，实际测量到的过程输出值y

r

e

a

l

(

k

+

1

)

y_{real}(k+1)

yreal​(k+1)与模型预测值y

~

(

k

+

1

)

\tilde{y}(k+1)

y~​(k+1)必然存在误差e

(

k

+

1

)

=

y

r

e

a

l

(

k

+

1

)

−

y

~

(

k

+

1

)

e(k+1)=y_{real}(k+1)-\tilde{y}(k+1)

e(k+1)=yreal​(k+1)−y~​(k+1)。【基础】

2.12.误差修正：MPC利用这个误差来校正对未来输出的预测。一种简洁而有效的方法是将误差直接叠加到后续的预测上：Y

~

c

o

r

(

k

+

1

)

=

Y

~

P

M

(

k

+

1

)

+

h

⋅

e

(

k

+

1

)

\tilde{\boldsymbol{Y}}_{cor}(k+1)=\tilde{\boldsymbol{Y}}_{PM}(k+1)+\boldsymbol{h}\cdote(k+1)

Y~cor​(k+1)=Y~PM​(k+1)+h⋅e(k+1)。其中h

\boldsymbol{h}

h是误差校正向量（通常可取全1或具有一定滤波特性）。【核心】

3.13.闭环循环：将校正后的预测值Y

~

c

o

r

(

k

+

1

)

\tilde{\boldsymbol{Y}}_{cor}(k+1)

Y~cor​(k+1)作为下一时刻优化的初始预测值Y

~

P

0

(

k

+

1

)

\tilde{\boldsymbol{Y}}_{P0}(k+1)

Y~P0​(k+1)，然后开始新一轮的滚动优化。至此，预测控制完成了“预测→优化→实施→测量→校正→再预测”的完整闭环回路。

第三阶段：从理论到实践——案例仿真与结果分析（45分钟）

1.实验设计：FCCU再生器温度控制（10分钟）

1.2.给出FCCU再生器温度的简化模型：可近似为一阶加纯滞后（FOPDT）系统，或简化的二阶系统。模型参数通过前期阶跃响应试验获得。

2.3.设定控制任务：在存在进料流量扰动的情况下，要求再生器温度快速无偏地跟踪设定值变化，并严格约束再生器温度不超过催化剂烧结上限（输出约束），控制再生滑阀的开度变化率平缓（输入变化率约束）。

4.分组仿真实验（25分钟）

1.5.对照组：使用一组同学运行精心整定的PID控制器，记录其在设定值跟踪和抗扰动方面的表现，特别是观察其超调和响应速度。

2.6.实验组：使用另一组同学运行教师提供的DMC算法框架代码。学生需要：

1.3.7.【基础】根据给定的阶跃响应模型，生成动态矩阵A

\boldsymbol{A}

A。

2.4.8.【重要】编写无约束DMC控制律的MATLAB代码，并测试不同预测时域P

P

P和控制时域M

M

M对控制效果的影响。

3.5.9.【进阶挑战】尝试在QP求解器中加入对阀门开度的约束，观察控制器输出是否被限制在合理范围内。

10.结果研讨与对比（10分钟）

1.11.展示PID与DMC的控制曲线对比。学生会清晰地看到，在应对大时滞时，DMC由于具备了“预见性”，其控制过程更平缓，超调显著减小。

2.12.重点讨论约束处理：当QP求解器生效时，即便给定一个极端的设定值跳变，控制器的输出也会被“按”在约束边界上，而不是像无约束DMC或PID那样产生一个理论上需要但物理上无法实现的巨大输出。

3.13.【难点】引导讨论：当模型参数与实际对象参数存在误差时（例如，实际对象增益比模型增益大10%），DMC的表现依然稳定，仅稳态误差稍有增大，但并未发散，直观地印证了“反馈校正”环节的鲁棒性作用。

第四阶段：延伸与展望——非线性MPC与发展前沿（20分钟）

1.从线性到非线性【难点/热点】：指出DMC基于线性叠加原理，对于强非线性过程（如pH中和、反应釜放热剧烈阶段）存在局限。简要介绍非线性MPC（NMPC）的基本思路：使用非线性机理模型（如微分方程组）进行预测，在每个采样时刻求解一个非线性规划（NLP）问题。这带来了计算量剧增和实时性挑战，是目前学术界和工业界攻坚的方向。

2.状态空间MPC与Kalman滤波：指出基于阶跃响应的DMC在模型更新、处理随机噪声方面存在不便。引入状态空间模型（x

k

+

1

=

A

x

k

+

B

u

k

,

y

k

=

C

x

k

x_{k+1}=Ax_k+Bu_k,y_k=Cx_k

xk+1​=Axk​+Buk​,yk​=Cxk​）的预测控制表述。此时，反馈校正可以通过Kalman滤波器进行最优状态估计来实现，使得理论框架更加统一和严谨。这是现代MPC理论与先进状态估计的结合。

3.经济模型预测控制（EMPC）：提出一个开放式问题：“传统的MPC是让温度严格等于设定值，但如果我们的目标是最大化产品收率、最小化能耗呢？”引出EMPC的概念——它不再跟踪固定的设定值，而是将经济指标（如利润）直接写入优化目标函数，在满足安全生产的前提下，动态地寻找最优工作点，实现真正意义上的“降本增效”。【热点】

六、板书与多媒体设计（逻辑框架）

（一）板书左侧：核心概念树

1.标题：预测控制（MPC）——工业先进控制的核心

2.1.3.为什么需要MPC？PID的局限：大时滞、多变量、约束→MPC的核心：基于模型的预测、滚动优化、反馈校正

4.1.5.DMC算法精解

1.6.(1)预测模型：阶跃响应系数a

i

a_i

ai​；动态矩阵A

\boldsymbol{A}

A；Y

~

=

Y

~

0

+

A

Δ

U

\tilde{\boldsymbol{Y}}=\tilde{\boldsymbol{Y}}_0+\boldsymbol{A}\Delta\boldsymbol{U}

Y~=Y~0​+AΔU

2.7.(2)滚动优化：目标函数J

=

∥

W

−

Y

~

∥

Q

2

+

∥

Δ

U

∥

R

2

J=\|\boldsymbol{W}-\tilde{\boldsymbol{Y}}\|^2_{\boldsymbol{Q}}+\|\Delta\boldsymbol{U}\|^2_{\boldsymbol{R}}

J=∥W−Y~∥Q2​+∥ΔU∥R2​；最优解Δ

U

∗

=

(

A

T

Q

A

+

R

)

−

1

A

T

Q

(

W

−

Y

~

0

)

\Delta\boldsymbol{U}^*=(\boldsymbol{A}^T\boldsymbol{Q}\boldsymbol{A}+\boldsymbol{R})^{-1}\boldsymbol{A}^T\boldsymbol{Q}(\boldsymbol{W}-\tilde{\boldsymbol{Y}}_0)

ΔU∗=(ATQA+R)−1ATQ(W−Y~0​)；约束→QP问题

3.8.(3)反馈校正：误差e

e

e；修正Y

~

c

o

r

=

Y

~

P

M

+

h

e

\tilde{\boldsymbol{Y}}_{cor}=\tilde{\boldsymbol{Y}}_{PM}+\boldsymbol{h}e

Y~cor​=Y~PM​+he

（二）多媒体PPT右侧：动态图解与案例

1.动画1：PID与MPC在多变量系统中的控制效果对比动画（显示PID相互干扰，MPC协调解耦）。

2.动画2：DMC预测机理：一个三维柱状图动态演示不同Δ

u

\Deltau

Δu序列如何叠加形成预测输出曲线。

3.流程图：MPC在线计算流程（