先进控制系统教学课件PPT.ppt

4.4 先进控制系统主要内容v4.4.1 预测控制v4.4.2 推断控制v4.4.3 自适应控制系统v附：软测量技术概 述简单控制系统和常用复杂控制系统都 以经典控制理论为理论基础，是在广泛采 用常规仪表的年代发展起来的随着现代控制理论与计算机控制技术 等学科的发展，为了满足工业生产过程自 动化的迫切要求，特别是有些过程特性复 杂，采用PID控制达不到满意的控制效果 ，需要有新的控制系统结构与控制算法， 因此，自20世纪70年代以来，国内外大力 致力于先进过程控制系统的研究和开发将现代控制理论移植到过程控制领域 ，充分发挥计算机的功能，世界各国在加 强建模理论、辩识技术、优化控制、最优 控制、高级过程控制等方面研究推出了 从实际工业过程特点出发，寻求对模型要 求不高，计算方便，对过程和环境的 不确定性有一定适应能力的控制策略和方 法例如，预测控制、推断控制、自适应 控制系统等先进控制系统 原 因 （技术—理论—应用对象）v1、计算机技术迅猛发展v2、现代控制理论的诞生v3、过程工业向大型化和精细 化方向发展定 义先进控制系统是指对工业过程本身的非 线性、时变性、耦合性和不确定性的特点， 而采用的预测控制、推理控制、自适应控制 、软测量技术等系统。

4.4.1 预测控制预测控制是20世纪70年代末出现的一种 基于模型的计算机优化控制算法，被认为是 近年来出现的几种不同名称的新型控制系统 的总称由于预测控制的先进性和有效性，近30 年来，在理论上或工业上控制界投入了大量 的人力和物力进行研究，使它有了很大的发 展，成为控制理论及其工业应用的热点 预测控制与传统PID控制的不同 v常规PID控制是根据过程当前的输出测量值 和设定值的偏差来确定当前的控制输入 v预测控制不但利用了当前的和过去的偏差 值，而且还通过预测模型来预估过程未来 的偏差值，以滚动优化确定当前的最优输 入策略 4.4.1.1 基本结构预测控制算法是以模型为基础，既包含了预测的原理， 同时具有最优控制的基本特征预测控制的控制算法尽管其 形式不同，但都有一些共同的特点，归结起来有三个基本特 征：即模型预测、滚动优化和反馈校正 优化计算参考轨线预测控制的基本结构过 程yc(k+i) 校正 ym(k+i) 预测模型u(k) yr(k+i) 输出y(k) 设定值yd（1）模型预测 v定义：模型预测控制算法需要一个描述系 统动态行为的模型称为预测模型v原理：根据对象的历史信息和未来控制输 入，预测过程的未来输出，并能根据被控 变量与设定值的误差确定当前时刻的控制 作用。

v预测模型：传递函数、状态方程、脉冲响 应模型和阶跃响应模型等2）反馈校正 v原因：采用预测模型通过优化计算预估未来的控 制作用，存在非线性、时变、模型失配和扰动等 不确定因素，模型的预测值与实际过程会有差别 因此必须在每个采样时刻，通过输出的测量值 与模型的预估值进行比较，得出模型的预测误差 ，再利用模型预测误差来校正模型的预测值，从 而得到更为准确的将来输出的预测值 v定义：利用修正后的预测值作为计算最优性能指 标的依据，实际上也是对测量到的变量的一种负 反馈，故称为反馈校正 v优点：使预测控制具有很强的抗扰动和克服系统 不确定的能力 （3）滚动优化 v预测控制是一种优化控制算法像所有 最优控制一样，它是通过某一性能指标的 最优化来确定未来的控制作用这一性能 指标还涉及到过程未来行为，它是通过预 测模型由未来的控制策略决定的4.4.1.2 特点v对数学模型要求不高且模型的形式多样化；v能直接处理具有纯滞后的过程；v具有良好的跟踪性能和较强的抗扰动能力；v对模型误差具有较强的鲁棒性 4.4.1.3 应用预测控制可以根据过程的特点和控制要 求，以最为方便的方法在系统的输入输出信 息中，建立起预测模型。

也可以把实际系统 中的不确定因素体现在优化过程中，形成动 态优化控制，并可处理约束和多种形式的优 化目标，使预测控制能适合复杂工业过程的 控制 4.4.1.4 发展过程v1、第一代预测控制技术：IDCOM、DMC主要处理无约束过程的预测控制v2、第二代预测控制技术：QDMC主要处理约束多变量过程的预测控制 v3、第三代预测控制技术：RMPCT、PFC等主要处理约束多变量过程的预测控制，具有 容错和多个目标函数等功能4.4.2 推断控制生产过程中被控制量(过程输出)不能直 接测量就难以实现反馈控制如果扰动可测 ，则可以采用前馈控制但是，在工业生产 中也存在着这样一类情况，即过程的扰动， 甚至过程的输出（被控制量）无法测量或难 以测量（测量仪表价格昂贵、性能不可靠， 或测量滞后大等），则可以采用推断控制4.4.2.1 定义所谓推断控制就是在过程数学模型的基 础上，利用可测变量将不可测的过程输出推 算出来实现反馈控制，或将不可测的过程扰 动推算出来实现前馈控制4.4.2.2 基本结构推断控制系统的基本组成如图所示由于过程的主要 输出Y(s)和扰动u(s)均不可测量，只能引入易测量的过程 辅助输出θ(s)。

推断控制系统通常由三个基本部分组成： 信号分离、估计器、推断控制器4.4.2.2.1 信号分离 引入模型P1(s)将不可测量扰动u(s)对辅 助输出的影响从θ(s)中分离出来，当P1(s)= P(s)时，则控制变量m(s)经估计模型P1(s)对 估计器E(s)产生作用与控制变量m(s)经辅助 过程模型P(s)产生作用相抵消，因而送入估 计器E(s)的信号仅为扰动变量对辅助过程的 影响，从而实现信号分离 4.4.2.2.2 估计器E(s) 估计器E(s)的作用是估计不可直接测量的 扰动u(s)对过程主要输出Y(s)的影响估计器 选取合适算法如最小二乘估计，使估计器的 输出为不可直接测量的扰动u(s)对被控变量 即过程主要输入Y(s)的影响估计值4.4.2.2.3 推断控制器G1(s) 推断控制器的设计原则应使系统对设定 值具有良好的跟踪性能，对外界扰动具有良 好的抗扰动能力，而对选定的不可测量扰动 的影响起到完全补偿作用为此，一般设计 推断控制器G1(s)为过程模型的逆，在不可测 量扰动u(s)作用下，过程主要输出Y(s)=0； 而在设定值扰动作用下，主要输出为Y(s)= R(s)，即控制系统无余差。

4.4.2.3 应用v推断控制系统，实际上是一种前馈控制方案当模 型正确无误时，这类系统对设定值变化具有良好的 跟踪性能，并对不可测量扰动的影响起到完全补偿 作用然而，要准确地知道过程数学模型以及所有 扰动的特性，在实际过程控制中往往是相当困难 为消除模型误差以及其他扰动所导致主要输出的稳 态误差，若Y(s)可测，应尽可能引入反馈，构成推 断-反馈控制系统v由于推断控制可以有效克服不可测量扰动的影响， 在工业生产中具有很大实用价值近年来文献中介 绍过不少推断控制在精馏塔产品组分、工业高压釜 中心温度、聚合反应器内反应物平均分子量和放热 催化反应器产品组分控制的成功例子4.4.3 自适应控制v通过选择非线性控制规律或控制阀非线性流量特性 等方法可以补偿工业生产过程的非线性特性，满足 稳定运行准则，但对一些工业生产过程不能满足要 求，如流动过程中，物料量不断增加，控制器参数 需要适应物料的增加而变化v大多数工业过程是非定常的，具有时变特性，因此 过程特性随时间变化如，随使用时间的延长，催 化剂的活性降低，使反映转化率下降；传热设备因 结垢使传热系数下降等因此，要适应这些过程特 性的变化及时调整控制器参数。

4.4.3.1 定义v自适应控制系统是指系统本身能自动测量被 控系统的参数或运行指标，自动地调整控制 的参数，以适应其特性的变化，保证整个系 统的性能指标达到最优的控制系统即：自适应控制系统是一类能够适应过程特 性或环境条件的变化自动调整控制器参数的 控制系统4.4.3.2 基本结构v自适应控制系统的研究始于20世纪50年代，随着控 制理论与计算机技术的迅速发展，自适应控制得到 迅速的发展，在工业生产中应用越来越广泛v工业上常用的自适应控制系统的形式很多，根据设 计原理和结构不同，目前应用较为广泛的自适应系 统主要有：简单自适应控制系统模型参考自适应控制系统自校正控制系统1、简单自适应控制这类系统用一些简单的方法来对过程参数或环境条件 的变化进行辨识，按一定的规律来调整控制器的参数，控 制算法也比较简单，实际上是一种非线性控制系统或采用 自整定控制器的控制系统 自适应控制的一般系统方框图控制器过 程品质评价 或参数估计控制决策—2、模型参考自适应控制系统利用一个具有预期的品质指标、并代表理想过 程的参考模型，要求实际过程的模型特性向它靠扰 参考模型与控制系统并联运行，接受相同的设定 信号r，它们输出信号的差值e＝ym－yp，经过自适 应机构来调整控制器的参数，直至使控制系统性能 接近或等于参考模型规定的性能。

3、自校正控制系统自校正控制系统先用最小二乘法的辨识方法，依据过 程的输入、输出数据，得到过程数学模型的参数采用最 小方差控制算法，实现最优控制 控制器过 程参数估计器参数调整— 内回路外回路自校正控制器的基本结构附：软测量技术为了实现良好的质量控制，必须对产品 质量或产品质量密切相关的重要过程变量进 行控制，由于分析仪表或传感器的价格 昂贵，维护复杂，加上分析仪表滞后大，造 成控制质量下降此外，有些产品质量指标 或与产品质量密切相关的重要过程变量目前 尚无法测量为了解决这类过程变量的测量 ，提出了软测量的概念1 基本思想软测量技术的基本思想：是把自动控制 理论与生产过程知识有机的结合起来，应用 计算机技术，利用一些容易测量的变量(或称 之为辅助变量或二次变量)，依据这些易测过 程变量与难于测量或暂时不能测量的待测过 程变量(或称之为主导变量)之间的数学关系( 称为软测量模型)，通过各种数学计算和估计 方法，从而实现对待测过程变量的测量 2 基本结构v软测量技术由辅助变量选择、数据的采集和处理、 软测量数学模型建立和校正等部分组成预处理模块简单机理模型测量数据校正模块软测量模型长期校正模块初始模型历史数据历史数据修正模型参数模型参数化验数据输出2.1 辅助变量的选择 v首先根据软测量的任务，确定主导变量。

通 过机理分析确定影响主导变量的相关变量---- 辅助变量v辅助变量的选择包括变量类型、变量数目和 检测点位置的选择在这三方面是相互关联 、相互影响，由过程特性所决定的同时在 实际应用中，还应考虑经济性、可靠性、可 行性以及维护性等外部因素的制约选择原则v关联性v特异性v过程适用性v精确性v鲁棒性选择方法v1、直接根据历史数据记录进行选择，这种方法是 对过程变量之间进行相关性分析，选择对主导变量 影响最大的一些变量作为辅助变量；v2、根据过程的机理模型生成的一些仿真数据，对 这些数据进行相关性分析，从中选择与过程主导变 量密切相关的变量作为辅助变量，这种方法可以在 过程设计时用以指导测量最优设计2.2 测量数据的采集与处理 软测量技术是根据过程测量数据经过 数值计算从而实现测量，其性能在很大程 度上依赖于所获过程测量数据的准确性和 有效性测量数据的采集v需要采集的数据是软测量主导变 量对应时间的辅助变量数据v数据的覆盖面应宽些，以便使软 测量建立的模型有更宽的适用范围 v采集的过程数据应具代表性测量数据的处理v数据处理的内容包括对数据的归一化处理、 不良数据的剔除等v数据的归一化处理：包括标度换算、数据转 换和设置权函数。

v不良数据的剔除：包括分析采集数据、数据 的检验和不良数据的剔除2.3 软测量模型的建立方法v基于工艺机理分析的软测量方法；v基于回归分析的软测量方法；v基于过程对象动态数学模型的软测量方法；v基于人工神经网络的软测量方法；v基于模式识别的软测量方法；v基于其他人工智能方法 3 应用 v软测量技术在工业生产，尤其是石油化工。