化工過程中的若干預(yù)測(cè)控制算法與應(yīng)用研究.pdf

1、隨著全球化市場(chǎng)的競(jìng)爭(zhēng)日趨激烈、不可再生資源的日益減少和環(huán)境壓力的不斷加大，如今的生產(chǎn)企業(yè)對(duì)過程控制的性能和效益提出了更高的要求。預(yù)測(cè)控制技術(shù)以其對(duì)模型質(zhì)量要求不高、控制性能好、易于處理約束和經(jīng)濟(jì)效益可觀等特點(diǎn)，越來越受到工業(yè)控制界的關(guān)注。本文在前人基礎(chǔ)上，從實(shí)際出發(fā)，對(duì)預(yù)測(cè)控制的若干問題進(jìn)行了較為深入的研究，包括：
　　 (1)針對(duì)DMC算法對(duì)擾動(dòng)估計(jì)能力弱的缺點(diǎn)，提出了一種擾動(dòng)自適應(yīng)DMC算法。采用時(shí)間序列(ARMA)模型描述

2、不可測(cè)擾動(dòng)的動(dòng)態(tài)特性?？紤]到擾動(dòng)往往具有時(shí)變性，采用遞推算法在線辨識(shí)ARMA模型，并對(duì)擾動(dòng)的未來行為作出預(yù)估，提高了系統(tǒng)的模型預(yù)測(cè)精度，改善了DMC抑制擾動(dòng)的能力。
　　 (2)提出一種基于多次迭代思想的遞推偽線性回歸(MIPLR)算法。遞推辨識(shí)ARMA(X)模型，算法的準(zhǔn)則函數(shù)不是參數(shù)向量的二次函數(shù)形式，所以相應(yīng)的解析解不存在，傳統(tǒng)的在線遞推算法辨識(shí)精度不理想。MIPLR采用多次迭代思想，在每一次遞推過程中通過多次迭代使結(jié)果更

3、加逼近準(zhǔn)則函數(shù)極小點(diǎn)。與原偽線性回歸算法相比，在辨識(shí)ARMA(X)模型上MIPLR具有更好的辨識(shí)效果。
　　 (3)將擾動(dòng)自適應(yīng)的思想擴(kuò)展到狀態(tài)空間框架下的預(yù)測(cè)控制中，克服了基于輸入—輸出模型的DMC算法的不足。同時(shí)，考慮到數(shù)據(jù)與辨識(shí)模型的不確定性，改用Min—Max形式描述MPC算法的控制作用優(yōu)化命題，并將在線辨識(shí)過程中的誤差數(shù)據(jù)引入Min—Max命題，使在線辨識(shí)與控制作用魯棒優(yōu)化求解緊密結(jié)合起來，提高了算法的魯棒性。進(jìn)一步地

4、，將此Min—Max問題轉(zhuǎn)換為一個(gè)等效的非線性Min問題，并采用多步線性化方法實(shí)現(xiàn)快速求解，解決了傳統(tǒng)Min—Max方法在線計(jì)算負(fù)荷高的問題。
　　 (4)將經(jīng)典控制理論中的反饋機(jī)制和閉環(huán)控制系統(tǒng)的概念引入粒子群算法，提出了一種閉環(huán)粒子群(CLPSO)算法。在CLPSO中，將每個(gè)粒子視作一個(gè)被控對(duì)象，對(duì)其構(gòu)建一個(gè)閉環(huán)控制系統(tǒng)。迭代過程中將粒子的適應(yīng)值作為被控變量，反饋給閉環(huán)回路，通過PID控制器調(diào)整更新慣性權(quán)重，然后再進(jìn)行粒子的

5、速度和位置的更新。CLPSO很好的滿足了每個(gè)粒子的自身需求，極大的保證了種群中粒子的多樣性，提高了PSO的搜索能力。
　　 (5)考慮到模型不確定性，用Min—Max優(yōu)化命題描述工業(yè)多變量PID控制器和預(yù)測(cè)控制器參數(shù)整定問題，并給出了面向工程應(yīng)用的性能指標(biāo)。利用CLPSO求解該命題。仿真結(jié)果顯示，所提方法具有良好的控制效果和魯棒性。并且，運(yùn)用該方法對(duì)化工廠PTA裝置控制回路進(jìn)行優(yōu)化整定，得到了滿意的控制效果。現(xiàn)場(chǎng)應(yīng)用進(jìn)一步證明了