（控制理论与控制工程专业论文）智能预测控制及其应用研究.pdf

中文摘要 本文概述了智能预测控制的研究现状，并在此基础上针对非线性三容水箱系统 的控制问题，研究了将神经网络非线性预测控制与单神经元控制和模糊控制相结合 的控制策略，并进行了实验研究。 首先，针对非线性三容水箱液位系统，提出了一种基于神经网络非线性预测的 单神经元控制方法。本系统包括两部分：神经网络预测模型，用来对非线性系统进 行预测；单神经元控制器，用来根据当前误差、误差变化以及误差变化的速率和预 测误差进行优化运算，产生控制输出。仿真结果表明，该方法具有较快的响应速度， 较小的超调量，以及对时滞的较强适应性，在实时控制中具有极其广阔的应用前景。 其次，针对非线性三容水箱液位系统，提出了一种基于神经网络非线性预测的 模糊控制方法。本系统包括两部分：神经网络预测模型，用来实现对非线性系统的 预测；加权的多模糊控制器，用来根据目标值与预测值的预测偏差进行模糊运算， 产生控制输出。仿真结果表明，该方法具有较强的跟踪性能和抗干扰能力及良好的 动静态性能指标。 最后，针对实际的三容水箱液位系统，对基于神经网络非线性预测的模糊控制 方法进行实验研究。主要工作为：建立了控制系统的硬件结构，设计了m c g s 控制 系统的监控界面，编写了该控制系统的脚本程序，最后进行了实验验证。实验结果 表明，采用基于神经网络非线性预测的模糊控制方式，无论从响应速度，调整时间 还是负载扰动响应都比单纯的模糊控制和p i d 控制方式有了很大提高，从而验证了 该方法对实际的三容水箱液位控制的有效性。 关键词：神经网络；非线性系统；预测控制；模糊控制；m c g s 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 l a n di t sa p p l i c a t i o nr e s e a r c h a b s t a r c t t h i s p a p e r s u m m a r i z e st h ec u r r e n tr e s e a r c hs i t u a t i o no fi n t e l l i g e n t p r e d i c t i v ec o n t r 0 1 a f t e rt h i s ，t h en e u r a ln e t w o r kn o n l i n e a rp r e d i c t i o nb a s e d s i n g l en e u r o nc o n t r o l a n df u z z yl o g i cc o n t r o lm e t h o d sa r ep r o p o s e df o rt h e n o n l i n e a rt h r e e t a n ks y s t e m a n dt h ee x p e r i m e n tr e s e a r c hi sc a r r i e dt h r o u g h f i r s t l y , t h en e u r a ln e t w o r kn o n l i n e a rp r e d i c t i o nb a s e ds i n g l en e u r o n c o n t r o l i sp r o p o s e df o rt h en o n l i n e a rt h r e e t a n ks y s t e m i ti n c l u d e st w op a r t s ：t h e n e u r a ln e t w o r kp r e d i c t i v em o d e l ，w h i c hp r e d i c t st h en o n l i n e a rs y s t e mo u t p u t ； t h es i n g l en e u r o nc o n t r o l l e r , w h i c hd o e st h eo p t i m i z a t i o no p e r a t i o na c c o r d i n g t oc u r r e n te r r o r , e r r o rv a r i a t i o n ，e r r o rv a r i a t i o nr a t ea n dp r e d i c t i v ee r r o r , a n d t h e ng i v e so u tt h ec o n t r o lo u t p u t t h es i m u l a t i o nr e s u l ts h o w st h a tt h i s m e t h o dh a sq u i c k e rr e s p o n s es p e e d ，s m a l l e ro v e r s h o o ta n db e t t e ra d a p t a b i l i t y f o rt i m e d e l a y , a n dh a st h eb r i g h tf u t u r ei nr e a l - t i m ec o n t r 0 1 s e c o n d l y , t h en e u r a l n e t w o r kn o n l i n e a rp r e d i c t i o nb a s e df u z z yl o g i c c o n t r 0 1 i sp r o p o s e df o rt h en o n l i n e a rt h r e e t a n ks y s t e m i ti n c l u d e st w op a r t s ： t h en e u r a ln e t w o r kn o n l i n e a rp r e d i c t i v em o d e l ，w h i c hp r e d i c t st h en o n l i n e a r s y s t e mo u t p u t ；t h ew e i g h t e df u z z yl o g i cc o n t r o l l e r s ，w h i c h d ot h ef u z z y o p e r a t i o na c c o r d i n gt op r e d i c t i v ee r r o rb e t w e e ns e tv a l u ea n dp r e d i c t i v ev a l u e ， a n dt h e ng i v eo u tt h ec o n t r 0 1o u t p u t t h es i m u l a t i o nr e s u l ts h o w st h a tt h i s m e t h o dh a se x c e l l e n tt r a c k i n gp e r f o r m a n c e ，a n t i - i n t e r f e r e n c ec a p a b i l i t ya s w e l la sg o o dd y n a m i ca n ds t a t i cp e r f o r m a n c ei n d e x e s f i n a l l y , a c c o r d i n gt ot h er e a lt h r e e - t a n ks y s t e m ，c o n s t r u c tt h es y s t e m h a r d w a r e ，d e s i g nt h em c g sm o n i t o r i n gi n t e r f a c e ，w r i t et h es c r i p ta l g o r i t h m p r o g r a ma n dd ot h ee x p e r i m e n tr e s e a r c hu s i n gt h es e c o n dc o n t r o ls t r a t e g y t h ee x p e r i m e n tr e s u l t ss h o wt h i sm e t h o dh a sq u i c k e rr e s p o n s es p e e d ，s h o r t e r a d j u s t i n gt i m ea n ds t r o n g e rd i s t u r b a n c er e j e c t i o np e r f o r m a n c e t h a nt r a d i t i o n a l f cm e t h o do rp i dm e t h o d a n dt h i sm e t h o di se f f e c t i v ef o r t h ec o n t r o lo f r e a lt h r e e t a n ks y s t e m k e y w o r d s ：n e u r a ln e t w o r k ；n o n l i n e a rs y s t e m ；p r e d i c t i v ec o n t r o l ；f u z z y l o g i cc o n t r o l ；m c g s 承诺书承话吊 本人郑重声明：所呈交的学位论文，是在导师指导 下独立完成的，学位论文的知识产权属于太原科技大学。 如果今后以其他单位名义发表与在读期间学位论文相关 的内容，将承担法律责任。除文中已经注明引用的文献 资料外，本学位论文不包括任何其他个人或集体已经发 表或撰写过的成果。 学位论文作者( 签章) ：j 砍疡氢 2 0 0g 年岁月j oe l 第一章绪论 第一章绪论弟一早三百下匕 1 1 选题的目的和意义 以状态空间法为基础的现代控制理论从5 0 年代后期创立以来，已取得了很大发 展，对自动控制技术的发展起到了积极的推动作用。但随着科学技术和生产的迅速 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。这是因为现代控制理论过分依赖于被控对象的精确数学模 型，而现实工业过程中，往往很难建立对象精确的数学模型。由于生产环境的改变 和外部扰动的影响，实际工业过程常具有非线性、时变性和不确定性，在这种情况 下，按理想模型设计的所谓最优控制系统只不过是数学意义上的最优。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。近年 发展起来的自适应、自校正控制技术，虽然能在一定程度上解决不确定性问题，但 其本质仍然要求在线辨识对象模型，所以算法复杂，计算量大，且它对过程的未建 模动态和扰动的适应能力差，系统的鲁棒性问题尚有待进一步解决，故应用范围也 受到限制。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过程控 制器的控制效果，往往还不如按经典理论设计的p i d ( 或扩展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。 为了克服理论与应用间的上述不协调现象，从7 0 年代以来，人们除了加强对生 产过程的建模、系统辨识、自适应控制、鲁棒控制等的研究外，还开始打破传统控 制思想的束缚，试图面向工业过程的特点，寻找各种对模型要求低、在线计算方便、 控制综合效果好的算法。随着数字计算机向小型、高速、大容量、低成本方向的发 展，也为这类新算法的实现提供了物质基础。 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。而且一经问 世，就在石油、电力和航空等工业中得到十分成功的应用。随后又相继出现了各种 其它相近的算法，到目前为止已有几十种之多，可统称为预测控制算法。最早应用 于工业过程的预测控制算法，有r i c h a l e t 、m e h r a 掣l 】提出的、建立在非线性参数模型 脉冲响应基础上的模型预测启发控制( m p h c ) ，或称为模型算法控制( m a c ) ， 以及c u r e r 掣2 】提出的、建立在非参数模型阶跃响应基础上的动态矩阵控制( d m c ) 等。由于这类算法用来描述过程动态行为的信息，是直接从生产现场检测到的过程 响应( 即脉冲响应或阶跃响应) ，且不需要事先知道过程模型的结构和参数的有关 智能预测控制及其应用研究 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，即可根据某一优化 指标设计控制系统，确定一个控制量的时间序列，使未来一段时间内被调量与经过 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， 所以能在一定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，使系统 的鲁棒性得到增强，适用于控制复杂工业生产过程。 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。而智能控制不但在处理复杂系统( 如非线性、快时变、复杂多 变量、环境扰动等) 时能进行有效的控制，同时具有学习能力、组织综合能力、自 适应能力和优化能力。为了解决复杂工业过程中的不确定性、多目标优化问题，智 能控制中的一些方法被引入到预测控制中，使预测制向智能化的发展，从而形成当 前预测控制的一大研究方向一智能预测控制1 3 j 。 1 2 预测控制简介 预测控制是一种基于模型的先进控制技术，亦称模型预测控制( m o d e lp r e d i c t i v e c o n t r 0 1 ) ，它是2 0 世纪7 0 年代后期在欧美工业领域内出现的一类新型计算机控制算 法。由于它以预测模型为基础，采用二次在线滚动优化性能指标和反馈校正的策略， 来克服受控对象建模误差和结构、参数和环境的不确定性因素的影响，有效地弥补 了现代控制理论对复杂受控对象所无法避免的不足之处【4 】。 1 2 1 预测控制基本类型 预测控制在初期发展阶段，算法种类已相当繁多，但按其基本结构模式，大致 可以分为三类： ( 1 ) 以非参数模型为预测模型的预测控制算法。有c l u s t e r 等提出的基于有限 阶跃响应模型的动态矩阵控制( d m c d y n a m i cm a t r i xc o n t r 0 1 ) 和r o u h a n i 等【5 j 基于 有限脉冲响应模型的模型算法控制( m a c m o d e la l g o r i t h m i cc o n t r 0 1 ) 。这类非参数 模型建模相当方便，只要通过受控对象的脉冲响应或阶跃响应测试即可得到，因而 无需考虑模型的结构和阶次，系统的纯滞后必然包括在响应值中，因此特别容易表 示动态响应不规则的受控对象特性。正由于这些优点，目前商品化的预测控制软件 包大多采用这类非线性模型，如s h e l l 石油公司的q d m c l 6 和s e t p o i n t 公司的i d c o m 7 2 第一章绪论 软件包等，但其局限性较大，只适用于开环自稳定对象，且当对象时间常数较大时， 势必模型参数增多，控制算法计算量大。 ( 2 ) 与经典自适应控制相结合的一类长程预测控制算法。有c l a r k e 8 】提出的受 控自回归积分滑动平均模型( c a r i m a - - - c o n t r o l l e da u t o r e g r e s s i v ei n t e g r a t e dm o v i n g a v e r a g e ) 的广义预测控制( g p c - - - g e n e r a l i z e dp r e d i c t i v ec o n t r 0 1 ) ；由l e l i c 等1 9 】将频 域的零极点配置方法与预测控制相结合，提出的广义预测极点配置控制 ( g p p c - - - g e n e r a l i z e dp r e d i c t i v ep o l ep l a c e m e n tc o n t r 0 1 ) 和由y d s t i e t lo 】与d ek e y s e r 1 1 】 分别提出的扩展时域自适应控制( e h a c - - e x t e n d e dh o r i z o na d a p t i v ec o n t r 0 1 ) 与扩 展时域预测自适应控制( e p s a c e x t e n d e dp r e d i c t i o ns e l f - a d a p t i v ec o n t r 0 1 ) 。这一类 基于辨识模型并且具有自校正的预测控制算法，以长时段多步优化取代了经典最小 方差控制中的一步预测优化，从而适用于时滞和非最小相位对象，并改善了控制性 能和模型失配的鲁棒性。 ( 3 ) 基于结构设计不同的另一类预测控制算法。有g a r c i a 等【1 2 j 提出内模控制 ( i m c - - i m e r n a lm o d ec o n t r 0 1 ) ，b r o s i l o w 等1 1 3 j 提出的推理控制( i c i n f e r e n t i a l c o n t r 0 1 ) 和k w o n 等【1 4 】构造的基于状态空间的模型( r h p c - - r e c e d i n gh o r i z o n p r e d i c t i v ec o n t r 0 1 ) ，这类算法是从结构上研究预测控制的一个独特分支。 1 2 2 预测控制的特点 预测算法发展至今，虽然有不同的表示形式，但归纳起来，它的任何算法形式 不外乎包括：预测模型、参考轨迹、在线校正、目标函数为性能指标、在线滚动优 化等五个方面，并且具有如下几个特征： ( 1 ) 预测模型的多样性 从原理上讲，只要是具有预测功能的受控对象模型，无论采用什么描述形式， 都可以作为预测模型。在预测控制中，注重的是模型功能，而不是结构形式，因此， 预测控制算法改变了现代控制理论对模型结构要求严格的要求，更着眼于根据功能 要求，按最方便途径建立多样性的模型。 ( 2 ) 滚动优化的时变性 预测控制采用的不是常规最优控制中固定的全局优化目标，而是在有限时域内 的滚动优化策略，即在每一时刻对兼顾未来充分长时间内的理想优化和包含系统存 在的时变不确定性局域优化目标函数，进行不断更新，而下一时刻是根据系统当前 控制输入后的响应，这比在理想条件下，实现复杂对象的最优控制要现实得多。因 此，滚动优化不是一次性离线运算，而是反复在线进行的，这种时变性，虽然在每 3 智能预测控制及其应用研究 一时刻只能得到全局的次优解，然而却能使有模型失配、时变与干扰等引起的不确 定性，得到及时补偿，始终将最新优化目标函数与系统现实状态相吻合，保证优化 的实际效果。 ( 3 ) 在线校正的鲁棒性 在预测控制中，把系统输出的动态预估问题分为预测模型的输出预测和基于偏 差的预测校正两部分。由于预测模型只是对象动态特性的初略描述，而实际系统中 通常存在非线性、模型失配与随机干扰等因素，因此，预测模型不可能与实际对象 完全相符，预测模型的输出与实际输出间必然存在偏差，采用这种偏差进行在线校 正，使系统构成具有负反馈环节的系统，从而提高预测控制系统的鲁棒性。 上述三个特征，体现了预测控制更符合复杂系统控制的不确定性与时变性的实 际情况。这是预测控制在复杂控制系统领域中得到重视和实用的根本原因。 1 3 预测控制发展趋势和存在问题 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。 下面对预测控制中存在的主要问题和发展前景做简单介绍n 钔。 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。 4 第一章绪论 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含在闭环传递函数中，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， 女i j 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，所谓模型己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。目前文献中 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。 5 智能预测控制及其应用研究 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 艮大，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。 1 4 智能预测控制综述 现代工业的发展对生产过程提出了越来越高的要求，往往不单要求对单个生产 装置实现优化控制，而希望能对相继发生的多个生产过程的实现综合控制，并追求 全过程的优化以提高产品质量和降低成本。同时过程本身存在的复杂性和控制目标 的多样性，使优化控制策略从目前的求解无约束二次性能指标优化问题转为面向多 目标多自由度的优化问题。这些现实问题要求预测控制的发展引入新思想、新方法， 追求更高层次的目标。在另一方面，进入9 0 年代以来智能控制的研究成果大量涌现。 智能控制不但在处理复杂系统( 如非线性、快时变、复杂多变量、环境扰动等) 时能 进行有效的控制，同时具有学习能力、组织综合能力、自适应能力和优化能力。为 了解决复杂工业过程中的不确定性、多目标优化问题，智能控制中的一些方法被引 6 第一章绪论 入到预测控制中，使预测控制向智能化的发展，从而形成当前预测控制的一大研究 方向一智能预测控制。根据预测控制和智能控制的融合点，可大致划分为以下几 类： 1 4 1 模糊预测控制 模糊控制的基本思想是把专家对特定控制对象过程的控制策略总结为 “i f t h e n ”形式表达的控制规则，通过模糊推理得到的控制作用集，作用 被控对象或过程。模糊控制完全是在操作人员所具有的经验的基础上实现对系统的 控制，无须建立系统的数学模型，且控制具有很强的鲁棒性，对被控对象参数的变 化具有一定的抗干扰能力，因此是解决不确定系统的一种有效途径。目前模糊控制 与预测的结合主要分为两类：一类是模糊控制与预测控制的结合，c u c a l 等【l6 】设计了 一种模糊专家预测控制器，通过建立对象的预测模型获得超前预测误差来调整控制 器规则；庞富胜【l7 】提出了一种模糊预测控制的复合结构，根据不同时段的误差情况 进行模糊控制和预测控制的加权组合控制；徐立鸿等【l8 】提出一种定量和定性信息的 组合预测控制，控制器输出分为预测控制量和模糊控制量，二者的加权因子是对象 类型和建模误差的函数，这种组合式模糊预测控制器，对模型失配有较好的鲁棒性； 睢刚纠1 9 】在过热汽温控制中设计了一种模糊预测控制方法，将控制量论域划分为若 干子区域，并将分界点作为参考控制量，以预测模型预测各参考控制量的未来输出， 并评价相应控制效果，并在此基础上以模糊决策方法确定当前时刻最佳控制量。另 一类是模糊控制与预测控制的融合，o l i v e r 等【2 伽和m a r t i n 等【2 1 】将t s 模型与d m c 控制 结合起来，d m c 采用阶跃响应模型，由t s 模型提取出不同工作点的阶跃响应值，有 效地实现了对非线性系统的控制。j a n g h w a nk i m 2 2 】采用模糊神经网络辨识对象t s 模型，由各局部加权和得到的模型进行预测控制，将g p c 推广到非线性系统，i g o r s k l j a n e e 2 3 】提出一种基于t s 模糊模型的预测函数控制方法，并在热交换器中得到应 用。 1 4 2 神经网络预测控制 人工神经网络( a n n ) 是从仿生学的角度出发，模拟人脑的神经元系统，使系统具 有人脑那样的感知、学习和推理功能。神经网络可以充分逼近任意复杂的非线性系 统，可以学习不知道的或不确定的系统。神经网络的预测控制主要分为以下几类： ( 1 ) 基于线性化方法的神经网络预测控制。线性化方法一直是处理非线性问题 的常用方法，通过各种线性化逼近，可以将非线性控制律的求解加以简化，提高其 实时运算速度。张日东等【2 4 】提出了一种可用于非线性过程的神经网络多步预测控制 7 智能预测控制及其应用研究 方法，将非线性系统处理成简单的线性和非线性两部分，用线性预测控制方法求得 控制律，避免了复杂的非线性优化求解，仿真结果表明了该算法的有效性。 ( 2 ) 基于迭代学习求解的神经网络预测控制。这种方法采用神经网络实现对过 程的多步预测，控制信号的求取基于多步预测的目标函数，利用神经网络预测模型 提供的梯度信息进行迭代学习获得。丁淑艳掣2 5 】先利用一个b p 网络构造一个非线性 多步预测模型，根据被控对象输出与网络实际输出之问的误差采用改进的b p 算法修 改网络权值，模型建好后，根据网络的多步预测输出序列与设定值序列的偏差构造 性能指标函数，采用自适应变步长梯度法修改控制律。 ( 3 ) 基于神经网络控制器的神经网络预测控制。这种方法基于两个神经网络， 一个是建模网络，用于过程的动态建模以获取对过程的预测信号；另一个是控制网 络，它按照与预测控制目标函数相应的驱动信号来调整整个网络的权值，以获取对 预测控制律函数的逼近。陈博等【2 6 】将传统预测控制的优化策略与神经网络逼近任意 非线性函数的能力相结合，提出了一种基于b p 神经网络的新的预测控制算法，即滚 动优化模块用一个神经网络来实现，并针对一个工业装置控制实例，探讨了该算法 在工业过程控制中的应用。m i r c e al a z a r 2 7 1 用神经网络模型作为滚动优化控制器，神 经网络控制器通过利用非线性模型及对控制算法提供一种快速、可靠的解决办法来 消除在非线性预测应用中主要的问题，并阐述了控制器的设计和补偿方法，最后用 一个实例仿真证明了该方法的有效性。 1 4 3 遗传算法预测控制 遗传算法( g e n e t i ca l g o r i t h m ，g a ) 是建立在自然选择和自然遗传学机理基础上的 迭代自适应概率搜索算法，在解决非线性问题是表现出很好的鲁棒性、全局最优性、 可并行性和高效率，具有很高的优化性能。 s h i n l 2 8 】提出一种基于前向网络的非线性预测控制方法，直接采用g a 进行在线优 化求解预测控制律。r a m i r e z t 2 9 j 在非线性预测控制中，以g a 进行移动机器人导航控 制中的在线寻优。为降低在线优化的计算负担，该g a 算法采用启发式交叉和非一致 变异操作，获得了满意的效果。w o o l l e y 3 0 】报道了在c o n n o i s s e u r 先进控制工具 包中基于g a 滚动优化的预测控制的设计和应用情况。 1 5 本论文主要内容 本文针对非线性三容液位控制系统模型，设计了基于神经网络非线性预测的单 神经元控制和基于神经网络非线性预测的模糊控制方案；并把基于神经网络预测的 8 第一章绪论 模糊控制方案应用于实际的三容液位控制系统中。具体研究内容为： 第一章简要介绍了预测控制的分类、特点、发展趋势以及存在的问题，概述了 智能预测控制近年来的发展状况。 第二章介绍了预测控制的基本原理。从预测控制的基本特征出发，分别对动态 矩阵预测控制( d m c ) 和广义预测控制( g p c ) 的原理进行了简要介绍。同时分别针对 线性系统和非线性系统进行了仿真研究，通过比较研究，为本论文的下一步研究指 明了方向。 第三章针对非线性三容水箱液位系统，提出了一种基于神经网络非线性预测的 单神经元控制方法。本系统包括两部分：神经网络预测模型，用来对非线性系统进 行预测；单神经元控制器，用来根据当前误差、误差变化以及误差变化的速率和预 测误差进行优化运算，产生控制输出。仿真结果表明，该方法具有较快的响应速度， 较小的超调量，以及对时滞的较强适应性，在实时控制中具有极其广阔的应用前景。 第四章针对非线性三容水箱液位系统，提出了一种基于神经网络非线性预测的 模糊控制方法。本系统包括两部分：神经网络预测模型，用来实现对非线性系统的 预测；加权的多模糊控制器，用来根据目标值与预测值的预测偏差进行模糊运算， 产生控制输出。仿真结果表明，该方法具有较强的跟踪性能和抗干扰能力及良好的 动静态性能指标。 第五章针对实际的三容水箱液位系统，对基于神经网络非线性预测的模糊控制 方法进行实验研究。主要工作为：建立了控制系统的硬件结构，设计了m c g s 控制 系统的监控界面，编写了该控制系统的脚本程序，最后进行了实验验证。实验结果 表明，采用基于神经网络非线性预测的模糊控制方式，无论从响应速度，调整时间 还是负载扰动响应都比单纯的模糊控制和p i d 控制方式有了很大提高，从而验证了 该方法对实际的三容水箱液位控制的有效性。 9 第二章预测控制原理及其仿真研究 第二章预测控制原理及其仿真研究 2 1 引言 模型预测控制( m p c m o d e lp r e d i c t i v ec o n t r 0 1 ) 通常被简称为预测控制。它以 各种不同的预测模型为基础，采用在线滚动优化指标和反馈自校正策略，力求有效 地克服受控对象的不确定性、迟滞和时变等因素的动态影响，从而达到预期的控制 目标一参考轨迹输入，并使系统有良好的鲁棒性和稳定性。因此预测控制的系统组 成大致包括：参考轨迹；滚动优化；预测模型；在线校正等四部分，其结 构如图2 - 1 所示。 设 y 图2 - 1 预测控制系统结构 目前提出的预测控制算法主要有基于非参数模型的模型算法控制( m a c ) 、动态 矩阵控制( d m c ) 和基于参数模型的广义预测控制( g p c ) 、广义预测极点配置控制 ( g p p ) 等。其中，模型算法控制具有易于获得的优点；广义预测控制和广义预测极 点配置控制是预测思想与自适应控制的结合，采用c a r i m a 模型( 受控自回归积分 滑动平均模型) ，具有参数数目少并能够在线估计的优点，而广义预测极点配置控制 进一步采用极点配置技术，提高了预测控制系统的闭环稳定性和鲁棒性。 本章介绍了两种最基本的预测控制动态矩阵控制( d m c ) 和广义预测控制 ( g p c ) ，其它的预测控制方法都是在这两种方法的基础上发展起来的。并分别对线 性系统和非线性系统进行了仿真研究，通过比较分析，为后文的智能预测控制的研 究奠定基础。 智能预测控制及其应用研究 2 2 动态矩阵控制 动态矩阵控制( d m c ) 【3 l 】是一种基于计算机控制的技术。它是一种增量算法， 并基于系统的阶跃响应，适用于稳定的线性系统，系统的动态特性中具有纯滞后或 非最小相位特性都不影响该算法的直接应用。由于它直接以对象的阶跃响应离散系 数为模型，避免了通常的传递函数或状态空间方程模型参数的辨识，又由于采用多 步预估技术，能有效地解决时延过程问题，并按使预估输出与给定值偏差最小的二 次性能指标实施控制，因此是一种最优控制技术。动态矩阵控制算法的控制结构主 要由模型预测、滚动优化、误差校正和闭环控制形式构成。 2 2 1 预测模型 从被控对象的阶跃响应出发，对象动态特性用一系列动态系数口，口，口。，即 单位阶跃响应在采样时刻的值来描述，p 称为模型时域长度，口。是足够接近稳态值 的系数，如图2 2 所示。 y ( 砷 0t2 t3 t p t 图2 - 2 单位阶跃响应曲线 根据线性系统的比例和叠加性质( 系数不变原理) ，若在某个k - i ( 功) 时刻输 入“，则“( 舡f ) 对输出畎助的贡献为 m ) - 1 a i 咖a u ( k 旷- i ) 力1 嚣 亿， 若在所有k - i ( i = 1 ，, - - - , k ) 时刻同时有输入，则根据叠加原理有 p - 1 少( 尼) = q “( k - i ) + a p a u ( k - p ) ( 2 2 ) i = l 利用上式容易得到y ( 蝴的r l 步预估( 甩印) 为 1 2 第二章预测控制原理及其仿真研究 由于只有过去的控制输入是已知的，因此在利用动态模型作预估时有必要把过 去的输入对未来的输出贡献分离出来，上式可写为 她卅= 善a , a u ( 一) + ，擎缸( - i ) + a p k u ( 歹刊( 2 - 4 ) ( = 1 ，2 ，力) 上式右端的后两项即为过去输入对输出7 1 步预估，记为 “( 尼+ 歹) = a t 甜( 七+ 一f ) + “( 尼+ 一p ) ( 歹= l ，2 ，耽) ( 2 5 ) i = j + l 将式( 2 4 ) 写成矩阵形式 a u ( k ) a u ( k + 1 ) k u ( k + i 7。，卜 y o ( 尼+ y o ( 尼+ y o ( k + ( 2 - 6 ) 为增加系统的动态稳定性和控制输入的可实现性，并减少计算量，可将“向 量减少成m 维( 砌嘲) ，则式( 2 6 ) 变为 夕( 七+ 1 ) 夕( 后+ 2 ) p ( k + 船、) q 0 哆q a n 一1a n - m + l 令矿= 夕( 尼+ 1 ) ，3 3 ( k + 2 ) ，p ( k + 聆) 】7 a u = 甜( 尼) ，a u ( k + 1 ) ，a u ( k + m 一1 ) 】7 r o = y o ( k + 1 ) ，y o (k + 2 ) ， o 船) r ( 2 - 7 ) 则式( 2 7 ) 可以写为 y = a a u + r o 式中，矩阵彳为n x m 维的常数矩阵，由于它完全由系统的阶跃响应参数所决定，反 映了对象的动态特性，故称之为动态矩阵，玎和m 分别称之为最大预测长度和控制长 1 3 ，) - 2 ，l 、， 聆2 l = ，- 、j p 一+后 i 甜 p 口+ 、， 一+七 ，f “口 一瑚 = 、， +后 - i 、 y 1lj d 劲 功 1lllj o q q ； q 吃； llllllllij 、，、-、 r ，2 刀 + + + 七后 后 久灭 苁 )、：、=-、 r ，2 纷 + + +七后；后 ； ，0 o o 少 少 少 。l + 1j d d 一 ”一+ m“后；+酬啦；从 “ +后 ，- dy ，1j q ； q 呸； 。，。l 智能预测控制及其应用研究 度。 2 2 2 滚动优化 系统的模型预测是根据动态响应系数和控制增量来决定的，该算法的控制增量 是通过使最优化准则 = y ( 尼+ ) 叫( 七十朋2 + 允( ) “( 尼+ 歹一1 ) 】2 ( 2 - 9 ) j = lj = l 的值为最小来确定的，以使系统在未来，z 仞刀所) 个时刻的输出值尽可能接近期望 值。为简单起见，取控制加权系数五( ，) 爿( 常数) 。 若令w = w ( k + 1 ) ，w ( k4 - 2 ) ，w ( k + 聆) 】7 则式( 2 9 ) 可表示为 j = ( y 形) 1 ( 】厂一形) + 尬u 7 u( 2 - l o ) 式中，w ( 蝴称为期望输出序列值，在预测控制这类算法中，要求闭环响应沿着条 指定的，平滑的曲线到达新的稳定值，以提高系统的鲁棒性。 一般取 w ( k + ) = a 7 y ( k ) + ( 1 一a7 ) 少，( = 1 ，2 ，聆) 式中，a 为柔化系数，o a l ，则只需令b ( z 1 ) 多项式中的前小1 项系数 为零即可。为了突出方法原理和推导简单，在下面的推导中令c ( z d ) = 1 。式( 2 1 7 ) 称为受控自回归积分滑动平均模型( c a r i m a ) 。c a r i m a 模型可描述一类非平稳扰 动，保证系统输出稳态误差为零。c a r i m a 模型能自然地把积分作用纳入到控制律 中，因此阶跃负载扰动引起的偏差将自然消除。 假定设定值或参考序列以切( 产1 ，2 ，) 是已知的，对大多数工业生产过程的恒 值控制，以啊) 一般设定为常值弦。为了使当前时刻的输出“力尽可能平稳地到达设 定值诈，通常选用如下的一阶滤波方程： y ，( f + 歹) = a y r ( t + 歹一1 ) + ( 1 一a ) ” 其中o 如 l ，产1 ，2 ，。 广义预测控制的任务就是使被控对象的输出畎，切尽可能地靠近以彻，即求取 预测控制律，使下面的性能指标函数最小。 n 、n 。， ，= e ( 少( h ) 一 ( f + 埘2 + 允( ) ( “( h 歹一1 ) ) 2 ) ( 2 1 8 ) j = n nj = l 其中o 是最小预测时域，1 是最大预测时域，肌是控制时域，2 q ) 是控制加权序列。 1 6 第二