基于模型的预测控制理论发展及应用

基于模型的预测控制理论发展及应用

　　摘 要：基于模型的预测控制(model predictive control)是一种从工业过程控制中产生的一类先进计算机控制算法，包括模型预测、滚动优化和反馈校正三个基本特征。文章阐述了预测控制算法的产生和基本发展，对当今控制领域的先进预测控制和智能预测控制以及非线性预测控制进行了探讨。最后对这类预测控制算法在实际工业过程中的应用做了简要概括。

　　关键词：预测控制 先进预测控制 智能预测控制 非线性预测控制

　　上世纪50年代左右，经典控制理论在控制界发展起来，60年代末，由于空间技术的发展需要，促使现代控制理论的发展，从单一的线性定常系统研究发展到可研究线性或非线性、定常或时变的系统。然而，完美的控制理论与控制实践之间还存在着巨大的差距。这是因为：首先实际工业过程中对象往往是多输入-多输出，有大滞后和严重非线性的系统，精确的数学模型建立十分困难;其次工业过程系统的结构参数和环境干扰等方面都存在很大的不确定性，而按照理想模型设计的最优控制器在此情况下难以保持最优。为了克服控制理论与它在实际应用之间的差距，学者除了加强对系统辨识、模型简化、自适应控制、鲁棒控制等控制方法的研究之外，也在寻找一种新的控制算法。70年代后期，从工业过程控制中直接产生出一种新型计算机控制算法——模型预测控制(Model Predictive Control)，这类算法对模型要求低、在线计算方便、控制综合质量好，迅速在控制领域发展起来。本文首先介绍了预测控制算法的发展过程和当今控制领域对预测控制的理论研究，最后介绍了这类控制算法在实际工业过程控制中的成功应用。

　　1 预测控制算法的发展

　　1.1 预测控制基础算法

　　预测控制自产生以来，有三种基础算法，分别是由Richalet、Mehra等提出的模型算法控制(Model Algorithmic Control (MAC))，由Cutler等提出的动态矩阵控制(Dynamic Matrix Control (DMC))，以及由Clarke提出的广义预测控制(Generalized Predictive Control (GPC))。MAC和DMC都是基于非参数模型的算法，MAC以被控对象的脉冲响应特性为预测模型，DMC以对象的阶跃响应特性为预测模型。而GPC是以受控自回归积分滑动平均(CARIMA)模型为预测模型，结合在线辨识和自校正机制的算法，大大增强了算法的适用性和鲁棒性。

　　因为脉冲响应和阶跃响应容易从生产现场获得，因此MAC和DMC不需要辨识过程就可以设计控制系统。这类控制算法采用在有限时域内的滚动优化，在滚动优化的过程中不断进行反馈校正，克服了对象参数结构不确定带来的影响，增强了系统的鲁棒性。

　　此外，Morari等在1982年研究出一种新型控制结构——内模控制(Internal Model Control (IMC))，从结构的角度分析了预测控制的动态性能和鲁棒性，对预测控制做了更深入的研究。

　　1.2 现代预测控制

　　近年来，预测控制打破原有的单调的对算法进行研究的模式，开始与其他方法结合，发展出一类先进的预测控制策略。如和极点配置结合的广义极点配置控制(Generalized Pole Placement Control (GPP))，和自适应控制相结合产生的自适应预测控制器，和解耦控制结合产生的解耦预测控制算法等等先进预测控制技术。

　　随着当今科学技术和智能控制的发展，预测控制与智能控制技术相结合产生出智能预测控制技术，如和模糊控制结合而成的模糊预测控制，和神经网络方法结合形成的神经元网络预测控制，以及遗传算法预测控制等;预测控制与人工智能和大系统递阶原理结合，构成多层智能预测控制模式。除了这类先进的预测控制技术与智能预测控制技术之外，预测控制还发展了多种新型的预测控制理论，例如预测函数控制、多速率采样预测控制、多模型切换预测控制和有约束预测控制等等，这一系列新型的预测控制策略，极大地丰富了预测控制领域的内容，也是近年来控制领域的研究热点。

　　1.3 非线性预测控制

　　对于大多实际工业过程系统来说，被控对象都是具有较强非线性的特性，这时，常规的针对线性对象的预测控制策略已经达不到优化控制的目的了，因此在控制中就需要采用非线性预测控制来解决这一问题。现在已提出的非线性预测控制方法主要体现在以下几个方面：

　　(1)基于线性化方法的非线性预测控制：对非线性对象模型进行线性化，用线性化之后的模型来替代原有的非线性模型，再按照常规预测控制的滚动优化策略设计控制器，但反馈校正和模型预测的设计仍然使用非线性模型。线性化的方法有Lyapunov线性化和反馈线性化。

　　(2)基于特殊模型的非线性预测控制：这类特殊模型一般包括Volterra模型、NARMAX模型、Hammerstein模型、Laguerre模型和双线性模型等等。

　　(3)多模型的非线性预测控制：多模型预测方法可以看作模型调度(Model-Scheduling approach)，其特点是将多模型方法引入预测控制中，在整个控制设计中用多个不同的线性模型来逼近非线性过程，从而实现对非线性系统的控制。

　　2 预测控制的工业应用

　　70年代中期，MPHC(MAC)算法在锅炉、分馏塔的控制中获得了成功应用，DMC算法在石油加工生产装置中成功应用，标志着预测控制算法进入了工业控制领域。由于预测控制具有建模容易和鲁棒性强等特点，以及随着计算机技术的发展，传统控制方法已经难以满足工业中越来越复杂的系统对象的要求，预测控制越来越被人们利用，人们也越来越关注预测控制的理论和应用研究。目前，在全世界范围内，预测控制在如炼油、石化、造纸、矿冶、食品、炉窑、水泥、化工、航空、汽车等多个工业领域已经取得了成功应用，在未来，预测控制的应用领域将会越来越广，在控制领域的作用将越来越大。

　　许多国外公司都开发了自己的商品化预测控制软件包，如Setpoint公司研发的IDCOM软件包，于1981年应用在海湾石油公司Clarkson炼油厂的润滑油加氢反应器的温度控制上，连同三个分馏塔的计算机控制系统一起，使产品粘度变化减少70%，燃料节省25%以上，操作的灵活性也得到提高。Profimatic公司的催化裂化高级过程控制软件包，也在炼油领域取得了很好的应用效果。在国内，预测控制技术同样有广泛的应用，如浙江大学同上海交通大学联合开发的MCC软件包;机器人控制、激光器自动控制等。

　　3 结语

　　预测控制理论在控制领域中提供了全新的体系结构和方法理论。随着科技的发展和进步，预测控制在工业过程控制中的应用越来越广泛。然而，在鲁棒性、非线性等方面也存在很多待解决的问题。在众多学者的努力下，预测控制理论将会有更多的突破，也将会在控制领域中发挥重要的作用。