背景
广义预测控制(UPC)算法是由Clark等于1987年提出的一种预测控制算法。由于将滚动优化策略与自适应方法相结合,采用参数模型,因此系统设计灵活,并呈现出优良的控制性能和鲁棒性,可以应用于不确定、时变、时滞等复杂工业过程。1
应用在实际的工业控制中,经常出现模型参数随工况显著改变的情况。由于系统的建模与辨识十分复杂,实际工业过程的精确全局模型很难建立,所以单一模型的广义预测控制器往往难以满足实时性的要求。多模型的方法是一种针对系统动态特性随工况变化的复杂工业工程控制的有效方法,不少学者将多模型方法与广义预测控制方法相结合,己在制药、化工、电力等领域取得了不错的控制效果。在实际工业过程控制中,由于控制步长较大,子控制器在高维矩阵求逆时需要大量运算,并可能出现数值病态问题,提出的阶梯式控制策略是一种解决此类问题的实用方法。将阶梯式策略引入到多模型广义预测控制器中,不仅不需要矩阵求逆,大大减小了计算量,而且通过对控制增量的约束,防止了控制量的剧烈变化。由于随机噪声的存在,并且固定模型很难与实际模型完全匹配,导致此系统难以消除稳态误差。
改进基于多模型切换的阶梯式广义预测控制器,采用多个固定模型、一个常规自适应模型和一个可重新赋初值的自适应模型并行辨识系统的动态特性。多个固定模型可以提高系统的暂态性能,常规自适应模型可以保证系统的稳定性,可重新赋初值的自适应模型可以进一步提高系统的暂态性能。在每个采样时刻根据系统的性能指标切换到最优的局部模型,据此设计相应的预测控制器。仿真结果表明,此方法优于常规的单一模型广义预测控制器。
简介广义预测控制技术最初由Clarke和其合作者于1987年提出,它采用传统的参数模型(如CARIMA模型),参数的数目较少,对于过程参数慢时变的系统,易于在线估计参数。由于引入了不相等的预测水平和控制水平,具有预测模型、滚动优化和反馈校正三个基本特征,呈现了优良的控制性能,被认为是具有代表性的预测控制算法之一,受到学术和工程界的广泛关注。但是基本的广义预测控制需要进行矩阵求逆运算,计算量很大,不适合要求快速响应的实时控制系统。
广义预测控制(GPC)具有预测模型、滚动优化和反馈校正等基本特征,呈现出优良的控制性能和鲁棒性,已广泛应用于工业过程控制。目前 GPC算法可分为间接算法和直接算法。
间接算法通过辨识被控对象的参数, 进行多步预测和在线滚动优化来设计控制律, 其缺点是需要求解逆矩阵。计算量很大。为此,在性能指标中引入下三角加权矩阵, 以避免矩阵求逆, 减少了计算量。根据待求逆矩阵中元素排列的特殊性进行矩阵分解, 并给出递推求逆算法, 将计算量减少了 2/3。
直接算法则根据某种规律直接辨识控制器的参数, 避免了在线求逆。通过引入等价性能指标, 先采用最小二乘法辨识被控对象的参数得到广义输出, 然后再辨识控制器参数, 并给出一种隐式 GPC 算法。
算法的改进采用其它数学预测模型的 GPC算法通过不同的数学模型可从不同的角度研究系统的特性。 GPC最初是基于 CARIM A模型推导的,CARIM A模型固有的积分作用有助于消除系统的静态偏差;许多学者将GPC推广到其它的预测模型 ,如CARMA模型、状态空间模型等等。应用预测模型推导了 GPC算法 在辨识之前先对数据进行特殊的滤波处理,以消除外界的突然干扰 ,并克服高速采样频率的作用。由于状态空间有利于控制系统的稳定性分析,一些学者从状态空间的角度研究了预测控制算法;将时域与频域相结合 ,使系统在时域上有较大的稳定裕度 ,通过加权多步预测得出稳定裕度的定量结果 ,利用频域特性拟合得出系统的降阶模型 ,提出了适用于降阶模型的多步预测控制算法;利用离散 Laguerre函数的性质建立对象的非结构模型 ,提出了一种非结构模型的广义预测控制器;采用优化方法确定对象的近似特征序列,提出了特征结构下的预测控制算法和相应的闭环反馈结构;则利用误差的历史数据来建立误差的预测模型,以误差预测补充模型预测 ,给出了基于误差预测修正的GPC算法.这些研究为我们从不同的角度研究和分析广义预测控制系统创造了条件。
在线算法的改进在实际应用中,由于被控对象的时变、非线性、外界干扰等因素的影响,对象的参数往往很难精确得到,因此在实施GPC算法时,需要在线估计控制对象的参数,用于设计控制器。由于GPC算法中控制增量的计算涉及到矩阵求逆,因而在线计算量相当大。一些学者针对这一问题进行了研究,来减少算法的计算量。在提出 GPC算法时,给出了递推求解 Diophantine方程的方法;利用参数辨识的结果直接求解控制器,不用求解 Diophantine方程 ,减少了计算量;采用递推的方法建立预测模型,避免了求解 Diophantine方程,且算法不受多项式稳定的限制;袁著祉老师提出的递推广义预测控制器中给出了逆矩阵的递推算法,减少了计算量,同时该文还采用递推平方根法取代最小二乘法估计参数,改善了估计精度;根据待求逆矩阵中元素排列的特殊性,给出了求解逆矩阵的递推算法,进一步减少了计算量,其求逆计算量仅为通常的增广矩阵法的 30 % ;还提出了在性能指标函数中引入特殊的下三角加权矩阵,避免求解逆矩阵的算法,但算法对加权下三角矩阵的选择有一定的要求,提出了并行结构分解的算法,提高了在线计算效率。这些算法都是从减少计算量的角度来改进算法 ,以进一步满足实时控制的需要。另一种节省在线计算时间的算法是并行算法。慕德俊等分别针对状态空间模型和输入输出模型,采用递推的方法 ,将 GPC化为解 Ric-cati方程 ,基于脉冲阵列结构,提出了参数辨识的并行方法,给出的 GPC并行算法的最小二乘估计中的计算可并行 ,计算中 i对 j 可并行,求解 Doiphantine方程中,E和 F的计算可并行;此外还有将辨识与控制分离的 GPC算法。.这些并行算法提高了 GPC的实时性,为 GPC的实际应用打下了理论基础。
广义预测极点配置控制算法为了保证闭环系统的稳定性,1987年,Lelic和 Tarrop结合极点配置算法,提出了广义极点配置自校正控制器 ,使闭环系统具有较好的控制性能;在性能指标函数中采用了加权系数,通过选择适当的加权系数来使闭环系统的极点配置在预先指定的位置,来改善系统的性能;通过在线选择加权项进行极点配置 ,避免 GPC的在线求逆;利用 GPC和极点配置,侧重系统的跟踪特性、自适应能力、降阶建模和鲁棒性,给出了广义预测极点配置的实际应用例子。2
稳定广义预测控制算法稳定广义预测控制算法(Stable Generalized Predictive Control,SGPC)是由Kouvaritakis等提出的一种控制方法.该方法是针对广义预测控制(GPC)算法缺乏稳定性保证而提出的一种改进算法。SGPC首先通过引入一种反馈控制结构,以此来简化系统内部的某些关键变量之间的关系,然后通过优化目标函数找到参考时域内的最优参考信号序列,从而得到控制量的增量.该方法通过对未来参考信号的约束,间接实现了对未来系统输出的约束,进而保证系统的稳定性。
与其它最优控制相结合的 GPC算法各种传统的控制方法以及优化控制都有其自身的优点,将这些算法与广义预测控制相结合,扬长避短,有助于进一步改善控制系统的特性.由于传统的 PID控制算法简单,易于实现,至今仍在大量的控制过程中得到广泛的应用。将PID算法与 GPC相结合的研究成果有采用了 PI型的性能指标的 PI型广义预测控制算法、炼油装置加热炉出口温度的 GPC-PID串级控制算法等;将神经网络、 PID和 GPC有机地结合在一起 ,提出了基于 BP网络的PID型预测控制器。神经网络在并行计算和处理非线性系统方面有其独特的优越性。将神经网络用于 GPC的研究成果有利用 Tank-Hopfield网络处理 GPC矩阵求逆的算法、基于神经网络误差修正的GPC算法、利用小脑模型进行提前计算的 GPC算法、基于 GPC的对角递归神经网络控制方法以及用神经网络处理约束情形的预测控制算法等。
控制系统的分析目前 GPC算法的稳定性和鲁棒性分析大多依赖于计算机仿真和实际控制其理论分析还相当缺乏,这是由于 GPC引入了多步预测和柔化作用以及 GPC算法本身的特殊性,使广义预测控制系统的分析相当复杂。目前的分析结果都是在一定的条件下得出的。3
稳定性分析当预测模型没有建模误差时, Clarke等人从状态空间的角度对 GPC的稳定性进行了分析,认为当开环系统能稳可测时,通过选择适当的参数,可以使闭环系统在有限时域内稳定,并产生稳定的状态最小拍控制;当预测长度趋近无穷大时,闭环系统稳定,但算法的计算量将随预测长度的增加而呈指数倍增长,这就要求预测长度在适当的范围之内,因此在一般情形下, GPC算法并不一定能保证系统的闭环稳定性。针对这个问题,众多学者进行了大量的研究,有些学者通过对算法的改进来保证系统的闭环稳定性,如上节中提到的各种稳定的广义预测控制算法;还有一些学者则直接从理论上来分析 GPC的稳定性,这些分析主要有两类:基于内模控制原理和状态空间分析。
基于内模控制原理
采用内模控制原理分析 GPC的稳定性以席裕庚等人为代表。将 GPC结构转换为内模结构,推导了控制器的表达式,认为 GPC系统的动态特性取决于控制器多项式的极点,GPC算法不改变系统的纯滞后或非最小相位特性;且当闭环系统稳定时, GPC可有效地抑制确定性的干扰;GPC最优控制的可解性,研究了系统闭环特性与设计参数的关系;给出了选择设计参数使 GPC闭环系统具有最小拍性质的结论,即在 p个周期后,系统的脉冲响应为 0,使系统 p拍后达到稳定;此外,席裕庚等人还分析了闭环系统的性质,讨论了闭环系统的阶次;并给出了根据阶跃响应来保证系统闭环稳定的参数设计条件。
状态空间分析
状态空间描述比较有利于系统的稳定性分析,在噪声强度不大和无结构型建模误差的条件下,GPC是一种性能优良、闭环稳定的算法,适用于阶次上界已知的对象,适用于时滞未知但上界已知的对象,适用于非最小相位系统,适用于能稳能测的开环不稳定系统,具有良好的跟踪和稳态性能,能抑制确定性干扰,优于极点配置、 LQG、广义最小方差控制器等算法;分析表明,若开环系统稳定,预测模型无偏差,则当预测长度足够大时,闭环系统稳定;分析了输入输出受限时的稳定性,给出了闭环稳定的条件;GPC增加的极点在 Z平面的原点上,在预测长度相同时,系统的稳定性与时滞无关;广义预测控制系统的状态空间结构,指出其实质是一种状态反馈,通过选择适当的控制器参数可以保证系统的闭环稳定性,指出闭环系统与开环系统有相同的阶次,它不改变系统的零点,但有助于克服纯滞后对系统闭环特性的影响;当系统时滞已知时,选择控制量加权系数为 0可保证最小相位系统闭环稳定,若参数摄动不改变系统的最小相位特性,则闭环系统鲁棒稳定。4
鲁棒性分析鲁棒性是系统存在建模误差或摄动时的稳定性,目前对 GPC的鲁棒性分析成果包括最优性和稳定性的鲁棒性分析,有离散域和频域的。 Clarke对 GPC的鲁棒性作了简单的分析,但没有涉及到任意预测长度下的鲁棒性问题;GPC的强鲁棒性源于对系统建模误差的预测功能,认为若预测精度较高,预测时域长,则可改善 GPC的最优鲁棒性;同时GPC的稳定鲁棒性较经典的最优控制有了提高,它改善了系统的信噪比;采用输入输出模型,给出了保证 GPC鲁棒性的必要条件,认为噪声多项式是改善鲁棒性的重要因素;噪声滤波器对系统鲁棒性的影响,认为当模型无失配时,系统的稳定性与噪声多项式无关,当模型失配时,可通过选择噪声滤波器来改善系统的鲁棒性;对具有干扰、饱和输入和非线性未建模动态的系统进行了综合设计,给出了输入输出鲁棒稳定的充分条件减少反馈通道的增益有助于提高鲁棒性;根据小增益定理,从频域分析了系统的鲁棒性,给出了闭环系统鲁棒稳定的条件。5
阶梯式广义预测控制控制方案及实现广义预测控制(GPC)采用受控自回归积分滑动平均(CARIMA)模型,设计灵活方便,具有预测模型、滚动优化和在线反馈校正等特征。通过长周期预测,其可解决变参数及纯滞后和阶次同时变化的系统的稳定控制问题,并能有效地抑制阶跃干扰引起的稳态偏差,呈现出优良的控制性能和鲁棒性,被广泛地应用于工业过程控制中,取得了明显的经济效益。
阶梯式广义预测控制方案浮法玻璃熔窑的燃烧控制系统每隔20分钟进行一次火焰方向的切换,这个换火过程引起各个温度下降,工艺要求谴顶温度在换火后一定时间内上升至设定值,并在后段稳定在设定值附近。在某浮法玻璃熔窑内有1#, 3#, 4#, 5#, 7#五个主要的温度测点,各点温度之间存在相互之间的耦合,它们会受到其前后温度点的影响。浮法玻璃熔窑内的谴顶温度高低主要跟燃料(重油)的多少有关。
对于这样一个具有大干扰、大时延、时变参数等特性的系统,并且工艺要求燃烧系统的流量也稳定,即不允许油流量设定值波动太大,控制方案采用阶梯式GPC控制器作为主回路控制器,PID调节器作为副回路控制器的串级控制结构,同时考虑到这样一个多变量的系统,引入前馈达到解藕的目的。
例如,3#温度受到1#温度和4#温度的影响,于是在系统中引入1#温度和4#温度作为前馈,其控制框图如图2所示。4#, 5#温度的控制框图与此类似,而1#温度系统只引入3#温度作为前馈,7#温度只引入5#温度作为前馈。
控制方案的工程实现要实现顶温度的广义预测控制,首先是要合理有效地解决数据接口和数据通讯问题。HS2000采用现场总线技术,系统具有高度可靠性和较好的开放性。系统结构分为现场级和操作级共两个层次,各站之间通过ARCNET局域网通信,网卡为ISA总线2.SMbps ARCNET网卡。在采用IEEE 802.4标准的ARCNET系统网络上扩展一个新的工作站,硬件接口为ISA总线ARCNET网卡,由驱动程序从系统网络读写数据,这样就完成了底层的数据连接。新工作站采用操作系统Windows98开发DOS下数据接口程序,运行在系统MS-DOS窗口。然后在新工作站开发数据服务程序负责数据采集,保存为历史数据并将数据发送到“数据总线”上,供谴顶温度控制软件使用。
为保证系统稳定安全地运行,必须实现控制器之间的无扰切换。HS2000控制系统中的PID模块分为手动、自动、串级三种工作状态,其中的手动是指软手动,即可以有操作员或工程师修改控制量。GPC控制器的输出是副回路PID调节器的设定值,同时由于加入了前馈,需要能够直接修改内环PID调节器的输出,谴顶温度控制软件切入时将原有的各小炉流量控制回路的PID调节器设定为手动状态,这样副回路的PID调节器也由谴顶温度控制软件中新的PID调节器代替。另外,由于浮法玻璃熔窑每20分钟换一次火,原来的PID调节器对这种大扰动无法达到较好的调节效果,在每次换火的时候,必须由操作工将各流量回路的PID调节器设定为手动状态,进行手动操作。利用AtLoop PID自动整定软件包进行参数整定,将新的PID调节器嵌入在谴顶温度控制软件内,使之代替原来换火期间的手动控制方式,降低了工人的劳动强度。当需要切回原来的控制方式时,可以先停止暄顶温度控制软件,同时将各小炉流量回路的PID调节器设定为自动状态。这样就保证了两种控制方式间的无扰切换,实现了新工作站与原有DCS系统的结合。6