自適應預測控制

自適應預測控制概述

自適應控制的研究對象是具有一定程度不確定性的系統(tǒng)，這里所謂的“不確定性”是指描述被控對象及其環(huán)境的數學模型不是完全確定的，其中包含一些未知因素和隨機因素。

任何一個實際系統(tǒng)都具有不同程度的不確定性，這些不確定性有時表現在系統(tǒng)內部，有時表現在系統(tǒng)的外部。從系統(tǒng)內部來講，描述被控對象的數學模型的結構和參數，設計者事先并不一定能準確知道。作為外部環(huán)境對系統(tǒng)的影響，可以等效地用許多擾動來表示。這些擾動通常是不可預測的。此外，還有一些測量時產生的不確定因素進入系統(tǒng)。面對這些客觀存在的各式各樣的不確定性，如何設計適當的控制作用，使得某一指定的性能指標達到并保持最優(yōu)或者近似最優(yōu)，這就是自適應控制所要研究解決的問題。

自適應控制和常規(guī)的反饋控制和最優(yōu)控制一樣，也是一種基于數學模型的控制方法，所不同的只是自適應控制所依據的關于模型和擾動的先驗知識比較少，需要在系統(tǒng)的運行過程中去不斷提取有關模型的信息，使模型逐步完善。具體地說，可以依據對象的輸入輸出數據，不斷地辨識模型參數，這個過程稱為系統(tǒng)的在線辯識。隨著生產過程的不斷進行，通過在線辯識，模型會變得越來越準確，越來越接近于實際。既然模型在不斷的改進，顯然，基于這種模型綜合出來的控制作用也將隨之不斷的改進。在這個意義下，控制系統(tǒng)具有一定的適應能力。比如說，當系統(tǒng)在設計階段，由于對象特性的初始信息比較缺乏，系統(tǒng)在剛開始投入運行時可能性能不理想，但是只要經過一段時間的運行，通過在線辯識和控制以后，控制系統(tǒng)逐漸適應，最終將自身調整到一個滿意的工作狀態(tài)。再比如某些控制對象，其特性可能在運行過程中要發(fā)生較大的變化，但通過在線辯識和改變控制器參數，系統(tǒng)也能逐漸適應。

常規(guī)的反饋控制系統(tǒng)對于系統(tǒng)內部特性的變化和外部擾動的影響都具有一定的抑制能力，但是由于控制器參數是固定的，所以當系統(tǒng)內部特性變化或者外部擾動的變化幅度很大時，系統(tǒng)的性能常常會大幅度下降，甚至是不穩(wěn)定。所以對那些對象特性或擾動特性變化范圍很大，同時又要求經常保持高性能指標的一類系統(tǒng)，采取自適應控制是合適的。但是同時也應當指出，自適應控制比常規(guī)反饋控制要復雜的多，成本也高的多，因此只是在用常規(guī)反饋達不到所期望的性能時，才會考慮采用。

自適應預測控制系統(tǒng)的功能及特點

自適應控制系統(tǒng)的研究劉一象有著不確定性，其中“不確定性”的意思是指被控對象和它的環(huán)境是不完全確定的數學模型。這種不確定性主要表現在:現代工業(yè)設備和工藝的復雜性，使得模擬系統(tǒng)的數學模型與實際系統(tǒng)總有差異，得到的數學模型是近似的;該系統(tǒng)的自身結構和參數是未知或時變的;外部環(huán)境的干擾是不可避免的，作用在系統(tǒng)上的干擾常常是隨機的，無法測量;控制對象的特性隨時間或工作環(huán)境的變化而改變，并且它的變化難以預料。

對于一個不確定性控制系統(tǒng)，，如何設計一個良好的控制器是自適應控制有待研究的問題。在日常的生活中，生物可以通過有意識地改變自己的習慣調整自己的參數，以適應新的環(huán)境特點，成為自適應控制器思想的主要參考依據。自適應控制器應能及時修改它們的特性，以適應對象和其擾動的動態(tài)變化特征，整個控制系統(tǒng)總有令人滿意的性能。因此，自適應控制方法就是依靠對控制對象的信息連續(xù)采集并處理，確定當前的實際運行狀態(tài)，按照一定的性能標準，產生適當的自適應控制律，用以實時地調整控制結構或參數，該系統(tǒng)總是自動地在最佳或次最佳的操作條件下工作。

對未知非線性系統(tǒng)，研究綜合利用預測控制和無模型自適應控制各自優(yōu)點的無模型自適應預測控制(Model Free Adaptive Predictive Control, MFAPC)，也就是說，研究僅利用閉環(huán)系統(tǒng)I/O數據的非線性系統(tǒng)的預測控制方法，實現對某些無法獲取較精確數學模型的被控系統(tǒng)的穩(wěn)定控制，對于非線性系統(tǒng)控制理論的發(fā)展和將理論在工業(yè)控制中實踐都非常重要。

利用等價的動態(tài)線性化數據模型方法，結合不同預測控制設計思想，可以給出不的預測控制方法，如無模型自適應控制與函數預測控制相結合的無模型自適應函數預測控制方法、無模型自適應控制與PI控制相結合的無模型自適應預測PI控制方法、無模型自適應控制與動態(tài)矩陣控制相結合的無模型自適應動態(tài)矩陣預測控制等。這些方法目前僅處于部分被控對象的實驗仿真階段，但都取得了良好的實驗結果。無模型自適應預測控制算法，綜合了無模型自適應控制的僅利用被控系統(tǒng)輸入輸出數據不需建立被控系統(tǒng)模型，和預測控制的預測未來時刻的輸入輸出的特點，是一種數據驅動的非線性系統(tǒng)自適應預測控制方法，與己有的基于模型的自適應預測控制方法相比，具有更強的魯棒性和更廣泛的可應用性。 2100433B

自適應預測控制預測控制

始于20世紀70年代的模型預測控制，經歷了模型預測控制搜索(MPHC)，動態(tài)矩陣控制(DMC)，廣義預測控制(GPC)，和其他一些重要的里程碑。由于預測控制有多步預測、滾動優(yōu)化和反饋校正機制，它可以克服過程模型的不確定性，體現出色的操控性能，在工業(yè)過程控制中應用成功，成為一個重要的先進控制方法。預測控制的參數化模型，容易和自校正控制結合，通過引入不相等的預測和控制步長，形成自適應預測控制，從而減少了計算量，使系統(tǒng)的設計更加靈活，工程應用更方便。

近年來，預測控制的理論和應用有著相當大的進展，出現了各種實用的方法。自動化產品商家，如殼牌公司，霍尼韋爾公司等許多制造商，都對他們的DCS集散控制系配備了商業(yè)預測控制方案，并將其廣泛應用于石油、化工、冶金等行業(yè)。但是，一些復雜的非線性工業(yè)控制過程中使用的線性模型預測控制器，基木上不能達到理想的效果。并且由于未知性質、時變、隨機突變等原因，往往復雜的工業(yè)過程中的結構和參數，有不完整的信息、不確定大純滯后和非線性等因素，簡單預測控制算法似乎是不夠的。對現代工業(yè)生產過程的要求發(fā)展越來越高，往往不只需要一個生產單元達到最佳的控制，還希望能在多個生產環(huán)節(jié)實現控制和優(yōu)化的整個過程，以追求提高產品質量和降低成木。這些現實問題需要預測控制引入新思路，新方法，追求更高層次目標的發(fā)展。

在另一方面，研究智能控制的成果從1990年以來大量涌現。智能控制不僅在復雜的系統(tǒng)(如非線性，快時變的，復雜的數量，環(huán)境擾動等)中可以得到有效控制處理，而且還具有學習能力、組織能力、適應能力和優(yōu)化能力。因此，預測控制與智能手段結合成一種新的研究方法。智能預測控制解決復雜工業(yè)過程的不確定性和多目標優(yōu)化問題具有十分重要的意義。

為了解決復雜工業(yè)過程的不確定性、多目標等問題，國內外學者引入智能控制方法到預測控制中，使其向智能化的方向發(fā)展，從而形成了目前預測控制研究的一個方向—智能預測控制。智能預測控制方法的內容是非常豐富的，具體的算法層出不窮。根據預測控制和智能控制融合點，大致可分為以下幾類：

(1)模糊預測控制

預測控制和模糊控制是控制理論中兩個獨立開發(fā)的區(qū)域，根據兩者的思想而全面發(fā)展的模糊預測控制有其內在的合理性:預測控制和模糊控制都是對不確定系統(tǒng)的有效控制方法，結合模糊及預測控制會進一步提高效果;模糊控制的發(fā)展趨勢是規(guī)則溝通模型的改變，預測控制對象的模型，可作為雙方的橋梁，因此，模糊預測控制的研究能擴大預測控制的應用范圍。

(2)基于神經網絡的預測控制

自80年代中期，人工神經網絡以其獨特的優(yōu)勢引起了極大關注。對于控制領域，神經網絡的吸引力在于:充分逼近復雜的非線性關系:能夠學習和適應不確定系統(tǒng)的動態(tài)特性;所有定量或定性的信息被存儲在單個神經元的分布式網絡，所以有魯棒性和容錯性;利用并行分布處理方法，使得它可以快速地計算密集型的數據。這些特性使其成為非線性系統(tǒng)建模與控制的重要方法。因為神經網絡在求解非線性系統(tǒng)方面的巨大優(yōu)勢，很快就在預測控制中使用，并且形成許多不同的算法。崔鐘泰等人(2004)提出了一種基于模糊神經網絡控制的混沌非線性系統(tǒng)預測模型，夏曉華等(2005)提出了一種基于小波神經網絡的預測控制，宮赤坤等(2005)提出了一種基于RBF神經網絡的預測控制。

(3)基于遺傳算法的預測控制

雖然遺傳算法被廣泛認為是一個具有很強魯棒性、可以處理大規(guī)模復雜問題的優(yōu)化算法。隨著社會和電腦本身的計算速度不斷進步，遺傳算法不斷改進，近年來開始被引入到非線性模型預測控制的在線優(yōu)化。張強和李韶遠(2004)用遺傳算法解決了存在約束優(yōu)化問題的廣義預測控制，實現了基于遺傳算法的廣義預測控制算法，同時對工業(yè)過程對象進行仿真，驗證了該方法的有效性和良好的控制效果。Naeem. W.等(2005)設計了一種基于在線調整遺傳算法的模型預測控制，并應用于水下機器人。

自適應預測控制自適應控制

自20世紀50年代末，美國麻省理工學院提出第一個自適應控制系統(tǒng)以來，世界上己經出現許多不同形式的自適應控制系統(tǒng)。自校正調節(jié)器是一類比較成熟的自適應控制系統(tǒng)。

自校正調節(jié)器發(fā)展的第一階段是1958年至1975年。1958年，Kalman發(fā)表的一篇文章一最優(yōu)控制系統(tǒng)設計，首先提出了自校正控制的思想。在1970年，Petra把這個原理延伸到參數未知但恒定的線性離散時間單輸入輸出系統(tǒng)。由于理論和技術的限制，這些原理并沒有得到成功應用。直到1973年由瑞典學者Astorm和Wiittenmark提出最小方差自校正調節(jié)器。該方法的突出優(yōu)點是容易實現，即使只用一個單板微處理器就能夠實現，它的缺點是，該系統(tǒng)不能用于不穩(wěn)定系統(tǒng)，存在工程上的限制，并且結構簡單。

為了解決這個問題，在1975年克拉克提出廣義最小方差控制，自校正調節(jié)器的主要缺點都被它克服，從而獲得了廣泛的關注。然而，該算法是不穩(wěn)定的，當用逆系統(tǒng)處理，控制權必須在目標函數中選擇。因為不確定性，控制權的選擇往往要依靠試錯法。第二階段是1976年至1980年。1976年，劍橋大學茲大學提出極點配置自校正技術，Wellstead, Prager, Zanker和Sanoff,做出卓有成效的工作。除了最優(yōu)性，其他方面均超過上述自校正控制器，但自校正結構太復雜。第三階段是1980年至今。80年代來，在神經網絡基礎上，自校正控制器快速發(fā)展，并顯示出其在高度非線性和不確定系統(tǒng)中控制的巨大的潛力。

神經網絡自適應控制理論是自適應控制理論和神經網絡相結合的產物，神經網絡具有很強的逼近非線性函數的能力，即非線性映射能力，把神經網絡用于控制正是利用了其獨特的優(yōu)勢能力。神經網絡模型能模擬人腦神經元的活動過程，包括信息加工、處理、存儲和搜索的過程，它具有以下特性：

(1)信息分布式存儲在神經網絡中，即使局部網絡被破壞，仍然可以恢復原始信息;

(2)神經網絡平行地處理和推斷信息，每個神經元可以基于所接收的信息獨立計算和處理，然后將結果輸出;

(3)神經網絡處理信息具有自組織、自學習特性。

現在神經網絡自適應控制方案已經出現很多，其中典型的控制程序有神經網絡模型參考自適應控制(NNMRAC)等。使用NNMRAC直接結構，基于穩(wěn)定性理論選擇控制律，提高仿射非線性系統(tǒng)的跟蹤精度，并使全閉環(huán)系統(tǒng)漸近穩(wěn)定。使用自適應神經網絡間接結構，首先由神經網絡離線識別前饋控制過程模型，然后在線學習和修改。

自適應神經網絡控制需要神經網絡在線學習，所以學習速度是一個關鍵問題。現有的自適應神經控制器采用BP算法，所以一般運行速度較慢，因此如何提高在線自適應神經控制速度，是目前研究的熱點之一。

自適應預測控制算法框圖

雖然預測控制有許多算法，一般的意義上說，它們的原理都是一樣的，算法框圖如圖1所示：

自適應預測控制三個基本原則

(1)預測模型

預測控制是一種基于模型的控制算法，該模型被稱為預測模型。對于預測控制而言，只注重模型功能，而不是模型的形式。預測模型是基于對象的歷史信息和輸入，預測其未來的輸出。從方法論的角度來看，只要信息的收集具有預測功能，無論什么樣的表現，可以作為預測模型。這樣的狀態(tài)方程、模型傳遞函數都可以用來作為一個傳統(tǒng)的預測模型。例如線性穩(wěn)定對象，甚至階躍響應、脈沖響應的非參數模型，，都可直接作為預測

模型。此外，非線性系統(tǒng)，分布式參數系統(tǒng)模型，只要具備上述功能也可以在這樣的預測控制系統(tǒng)中時用來作為預測模型。因此，預測控制打破了嚴格的控制模型結構的傳統(tǒng)要求，可按照功能要求根據最方便的信息集中方式基礎建模。在這種方式中，可以使用預測模型為預測控制進行優(yōu)化，.以提供的先驗知識來確定什么樣的控制輸入，從而使下一次受控對象的輸出變化與預定的目標行一致。

(2)滾動優(yōu)化

預測控制是一種基于優(yōu)化的控制，但其控制的輸入不是根據模型和性能指標一次解決并實現它，而是在實時的時間里來滾動優(yōu)化解決。在每一步的控制中，定義從目前到未來有限時域的最優(yōu)化問題，通過參數優(yōu)化求解時域的最優(yōu)控制輸入，但是只有真正的即時輸入控制才給予實現。到下一個控制周期，重復上述步驟，整個優(yōu)化領域向前一步滾動。在每個采樣時刻，優(yōu)化性能指標只涉及從現在到未來有限的時間，并且下一個采樣時刻，優(yōu)化時段向前推移。因此，預測控制全局優(yōu)化指標是不一樣的，在每一個時刻有一個相對該時刻的優(yōu)化指標。因此，預測控制的優(yōu)化不是一次離線進行，而是在線反復進行，這是滾動優(yōu)化的意義，預測控制的這一點也是不同于傳統(tǒng)最優(yōu)控制的根本。

(3)反饋校正

基礎的預測模型中，對象的動態(tài)特性只有粗略的描述，由于實際系統(tǒng)中有非線性、時變、模型不匹配、干擾等因素，基于相同模型的預測，與實際情況是無法完全匹配的，這需要用其他手段補充預測模型和實際對象的誤差，或對基礎模型進行校正。滾動優(yōu)化只有建立在反饋校正的基礎上，才能體現其優(yōu)越性。因此，通過預測控制算法的優(yōu)化，確定一系列未來的控制作用，為了防止模型失配或環(huán)境干擾引起的控制措施對理想狀態(tài)造成的影響，這些控制沒有完全逐一實現，只實現即時控制作用。到下一個采樣時間，首先監(jiān)測對象的實際輸出，并使用此信息在預測模型的基礎上進行實時校正，然后進行新的優(yōu)化。因此，預測控制優(yōu)化不僅基于模型，并使用了反饋信息，從而構成一個閉環(huán)優(yōu)化。

自適應預測控制基本特征

(1)預測控制算法利用過去，現在和未來(預測模型)的信息，而傳統(tǒng)的算法，如PID等，只取過去和現在的信息;

(2)對模型要求低，現代控制理論難以大規(guī)模應用于過程工業(yè)，重要原因之一就是對模型精度過于苛刻，預測控制成功地克服這一點;

(3)模型預測控制算法具有全局滾動優(yōu)化，每個控制周期持續(xù)的優(yōu)化計算，不僅在時間上滿足實時性要求，還通過全局優(yōu)化打破傳統(tǒng)局限，組合了穩(wěn)定優(yōu)化和動態(tài)優(yōu)化;

(4)用多變量控制思想來取代單一的可變控制傳統(tǒng)手段。因此，在應用到多變量的問題時，預測控制通常被稱為多變量預測控制;

(5)最重要的是能有效地處理約束。因為在實際生產中，通常將制造過程工藝設備的狀態(tài)設置為在邊界條件(安全邊界，設備功能邊界，工藝條件邊界等)上操作，該操作狀態(tài)下，操作變量往往產生飽和以及被控變量超出約束的問題。所以可以處理多個目標，有約束控制能力成為一個控制系統(tǒng)長期、穩(wěn)定和可靠運行的關鍵技術。

自適應預測控制種類

1978年，Richalet等首先闡述了預測控制的思想，預測控制是以模型為基礎，采用二次在線滾動優(yōu)化性能指標和反饋校正的策略，來克服受控對象建模誤差和結構、參數與環(huán)境等不確定因素的影響，有效的彌補了現代控制理論對復雜受控對象所無法避免的不足之處。

預測控制自發(fā)展以來，算法種類非常繁多，但按其基本結構形式，大致可以分為三類：

(I)由Cutler等人提出的以非參數模型為預測模型的動態(tài)矩陣控制(Dynamic Matrix Control, DMC), Rauhani等人提出的模型算法控制(Model Algorithmic Control,MAC).這類非參數模型建模方便，只需通過受控對象的脈沖響應或階躍響應測試即可得到，無須考慮模型的結構與階次，系統(tǒng)的純滯后必然包括在響應值中。其局限性在于開環(huán)自穩(wěn)定對象，當模型參數增多時，控制算法計算量大。

(2)與經典的自適應控制相結合的一類長程預測控制算法(Generalized Predictive Control, GPC).這一類基于辨識模型并且有自校正的預測控制算法，以長時段多步優(yōu)化取代了經典的最小方差控制中的一步預測優(yōu)化，從而適用于時滯和非最小相位對象，并改善了控制性能，具有良好的魯棒性。

(3)基于機構設計不同的另一類預測控制算法:包括由Garcia提出的內?？刂?Internal Model Control, IMC), Brosilow等人提出的推理控(Inference Control)等。這類算法是從結構上研究預測控制的一個獨特分支。

以上述典型預測控制為基礎結合近幾年發(fā)展起來的各種先進控制策略，形成了一些先進的預測控制算法，包括極點配置預測控制、解禍預測控制、前饋補償預測控制、自適應預測控制，魯棒預測控制等。本文重點研究自適應預測控制，即基于自適應雙重控制的預測控制算法。

另外，諸如模糊預測控制，神經網絡預測控制等智能預測控制算法的發(fā)展為解決復雜受控系統(tǒng)提供了強有力的支持。

許多新型的預測控制層出不窮，如預測函數控制、多速率采樣預測控制、多模型切換預測控制，有約束預測控制等。預測控制的算法種類越來越多，預測控制的性能在不斷改善，使其更好的應用在工業(yè)實際中。

連續(xù)預測控制預測控制算法框圖

雖然預測控制有許多算法，一般的意義上說，它們的原理都是一樣的，算法框圖如圖1所示：

連續(xù)預測控制預測控制三個基本原則

(1)預測模型

預測控制是一種基于模型的控制算法，該模型被稱為預測模型。對于預測控制而言，只注重模型功能，而不是模型的形式。預測模型是基于對象的歷史信息和輸入，預測其未來的輸出。從方法論的角度來看，只要信息的收集具有預測功能，無論什么樣的表現，可以作為預測模型。這樣的狀態(tài)方程、模型傳遞函數都可以用來作為一個傳統(tǒng)的預測模型。例如線性穩(wěn)定對象，甚至階躍響應、脈沖響應的非參數模型，，都可直接作為預測模型。此外，非線性系統(tǒng)，分布式參數系統(tǒng)模型，只要具備上述功能也可以在這樣的預測控制系統(tǒng)中時用來作為預測模型。因此，預測控制打破了嚴格的控制模型結構的傳統(tǒng)要求，可按照功能要求根據最方便的信息集中方式基礎建模。在這種方式中，可以使用預測模型為預測控制進行優(yōu)化，.以提供的先驗知識來確定什么樣的控制輸入，從而使下一次受控對象的輸出變化與預定的目標行一致。

(2)滾動優(yōu)化

預測控制是一種基于優(yōu)化的控制，但其控制的輸入不是根據模型和性能指標一次解決并實現它，而是在實時的時間里來滾動優(yōu)化解決。在每一步的控制中，定義從目前到未來有限時域的最優(yōu)化問題，通過參數優(yōu)化求解時域的最優(yōu)控制輸入，但是只有真正的即時輸入控制才給予實現。到下一個控制周期，重復上述步驟，整個優(yōu)化領域向前一步滾動。在每個采樣時刻，優(yōu)化性能指標只涉及從現在到未來有限的時間，并且下一個采樣時刻，優(yōu)化時段向前推移。因此，預測控制全局優(yōu)化指標是不一樣的，在每一個時刻有一個相對該時刻的優(yōu)化指標。因此，預測控制的優(yōu)化不是一次離線進行，而是在線反復進行，這是滾動優(yōu)化的意義，預測控制的這一點也是不同于傳統(tǒng)最優(yōu)控制的根本。

(3)反饋校正

基礎的預測模型中，對象的動態(tài)特性只有粗略的描述，由于實際系統(tǒng)中有非線性、時變、模型不匹配、干擾等因素，基于相同模型的預測，與實際情況是無法完全匹配的，這需要用其他手段補充預測模型和實際對象的誤差，或對基礎模型進行校正。滾動優(yōu)化只有建立在反饋校正的基礎上，才能體現其優(yōu)越性。因此，通過預測控制算法的優(yōu)化，確定一系列未來的控制作用，為了防止模型失配或環(huán)境干擾引起的控制措施對理想狀態(tài)造成的影響，這些控制沒有完全逐一實現，只實現即時控制作用。到下一個采樣時間，首先監(jiān)測對象的實際輸出，并使用此信息在預測模型的基礎上進行實時校正，然后進行新的優(yōu)化。因此，預測控制優(yōu)化不僅基于模型，并使用了反饋信息，從而構成一個閉環(huán)優(yōu)化。

連續(xù)預測控制預測控制基本特征

(1)預測控制算法利用過去，現在和未來(預測模型)的信息，而傳統(tǒng)的算法，如PID等，只取過去和現在的信息;

(2)對模型要求低，現代控制理論難以大規(guī)模應用于過程工業(yè)，重要原因之一就是對模型精度過于苛刻，預測控制成功地克服這一點;

(3)模型預測控制算法具有全局滾動優(yōu)化，每個控制周期持續(xù)的優(yōu)化計算，不僅在時間上滿足實時性要求，還通過全局優(yōu)化打破傳統(tǒng)局限，組合了穩(wěn)定優(yōu)化和動態(tài)優(yōu)化;

(4)用多變量控制思想來取代單一的可變控制傳統(tǒng)手段。因此，在應用到多變量的問題時，預測控制通常被稱為多變量預測控制;

(5)最重要的是能有效地處理約束。因為在實際生產中，通常將制造過程工藝設備的狀態(tài)設置為在邊界條件(安全邊界，設備功能邊界，工藝條件邊界等)上操作，該操作狀態(tài)下，操作變量往往產生飽和以及被控變量超出約束的問題。所以可以處理多個目標，有約束控制能力成為一個控制系統(tǒng)長期、穩(wěn)定和可靠運行的關鍵技術。

連續(xù)預測控制預測控制種類

1978年，Richalet等首先闡述了預測控制的思想，預測控制是以模型為基礎，采用二次在線滾動優(yōu)化性能指標和反饋校正的策略，來克服受控對象建模誤差和結構、參數與環(huán)境等不確定因素的影響，有效的彌補了現代控制理論對復雜受控對象所無法避免的不足之處。

預測控制自發(fā)展以來，算法種類非常繁多，但按其基本結構形式，大致可以分為三類：

(I)由Cutler等人提出的以非參數模型為預測模型的動態(tài)矩陣控制(Dynamic Matrix Control, DMC), Rauhani等人提出的模型算法控制(Model Algorithmic Control,MAC).這類非參數模型建模方便，只需通過受控對象的脈沖響應或階躍響應測試即可得到，無須考慮模型的結構與階次，系統(tǒng)的純滯后必然包括在響應值中。其局限性在于開環(huán)自穩(wěn)定對象，當模型參數增多時，控制算法計算量大。

(2)與經典的自適應控制相結合的一類長程預測控制算法(Generalized Predictive Control, GPC).這一類基于辨識模型并且有自校正的預測控制算法，以長時段多步優(yōu)化取代了經典的最小方差控制中的一步預測優(yōu)化，從而適用于時滯和非最小相位對象，并改善了控制性能，具有良好的魯棒性。

(3)基于機構設計不同的另一類預測控制算法:包括由Garcia提出的內?？刂?Internal Model Control, IMC), Brosilow等人提出的推理控(Inference Control)等。這類算法是從結構上研究預測控制的一個獨特分支。

以上述典型預測控制為基礎結合近幾年發(fā)展起來的各種先進控制策略，形成了一些先進的預測控制算法，包括極點配置預測控制、解禍預測控制、前饋補償預測控制、自適應預測控制，魯棒預測控制等。本文重點研究自適應預測控制，即基于自適應雙重控制的預測控制算法。

另外，諸如模糊預測控制，神經網絡預測控制等智能預測控制算法的發(fā)展為解決復雜受控系統(tǒng)提供了強有力的支持。

許多新型的預測控制層出不窮，如預測函數控制、多速率采樣預測控制、多模型切換預測控制，有約束預測控制等。預測控制的算法種類越來越多，預測控制的性能在不斷改善，使其更好的應用在工業(yè)實際中。

近年來, 基于模型的預測控制技術在理論上和應用上都取得了很大的進展, 如動態(tài)矩陣控制(DMC) , 廣義預測控制(GPC)和狀態(tài)反饋預測控制(SPC)等算法, 都以它獨有的模型預測、反饋校正和滾動優(yōu)化等特點, 越來越受到廣大科技工作者的重視。狀態(tài)反饋預測控制, 使用實測狀態(tài)變量反饋, 提高了控制系統(tǒng)抑制不可測干擾能力, 改善了控制系統(tǒng)的魯棒性。

在先進控制系統(tǒng)實際工程應用中,由于非線性、時變性和不確定性等原因, 預測模型很難準確。為了在線調整靈活方便, 使狀態(tài)反饋預測控制算法有一定的魯棒性和適應能力, 按預測控制計算出的最優(yōu)控制作用式, 先乘上一個相應的衰減系數后再送出, 使控制器送出的控制作用適當地減小, 這一衰減系數稱為預測控制作用衰減系數, 用β_u ∈R^{m ×m}表示。為了簡單, β_u可選為

預測控制作用衰減系數β_u, 可以改變預測控制系統(tǒng)的閉環(huán)極點, 適當的調整β_u的大小, 可以使閉環(huán)系統(tǒng)的控制性能和魯棒性等方面得到兼顧, 改善系統(tǒng)的綜合控制性能, 使預測模型的適應范圍增大。

基于狀態(tài)空間模型, 使用可以實測的狀態(tài)變量反饋, 提高預測控制系統(tǒng)抑制不可測干擾能力和改善系統(tǒng)的魯棒性, 是狀態(tài)反饋預測控制系統(tǒng)的突出優(yōu)點之一。為了在線調整靈活方便, 使預測控制算法具有一定的魯棒性和適應能力, 在計算最優(yōu)控制律之前, 把實測的狀態(tài)變量, 先乘上一個相應的加權系數后, 再去計算預測控制律, 這一加權系數稱為狀態(tài)反饋加權系數，可用β_x∈R^n×n表示。

預測控制狀態(tài)反饋加權系數β_x的維數由狀態(tài)變量的維數決定, 控制律衰減系數β_u的維數由輸入變量的維數決定, 其參數的選取也可以是非對角矩陣。預測控制狀態(tài)反饋加權系數β_x , 當0<βⁱ_x ≤1 時, 使狀態(tài)反饋作用減弱, 如果選取βⁱ_x >1 使狀態(tài)反饋作用增強, 調整狀態(tài)反饋加權系數βⁱ_x 或控制律衰減系數βⁱ_u , 都可以適當的改變預測控制系統(tǒng)的閉環(huán)極點, 從而改善系統(tǒng)的綜合控制性能, 使預測模型的適應范圍增大。 2100433B

預測控制系統(tǒng)定義

預測控制的基本思想產生于20世紀60年代。經過近60年的發(fā)展，預測控制已經形成了三個分支:非參數化模型的預測控制(包括MPHC、MAC、DMC、PFC)，參數化模型的預測控制(包括GPC、GPP)和滾動時域控制(RHC)。由于它采用多步測試、滾動優(yōu)化和反饋校正等控制策略，因而控制效果好，適用于控制不易建立精確數字模型且比較復雜的工業(yè)生產過程，所以它一出現就受到國內外工程界的重視，并已在石油、化工、電力、冶金、機械等工業(yè)部門的控制系統(tǒng)得到了成功的應用。

預測控制系統(tǒng)應用

目前，預測控制系統(tǒng)的應用幾乎遍及各個工業(yè)領域，如:蒸餾塔催化裂化裝置、天然氣傳輸網絡、工業(yè)機器人、醫(yī)學工程領域、水泥廠等等。而且，國外著名的控制工程公司都開發(fā)了各自的商品化軟件，這標志著預測控制作為一種主要的先進控制策略已成為工業(yè)過程控制中的新寵兒。但現有的預測控制軟件大都是嵌入在這些著名軟件公司開發(fā)的專用平臺上的，應用者必需購買專業(yè)平臺才能使用，價格昂貴，在我國只得到了有限的推廣，且有些情況下從國外購進的軟件不適用于國內生產邊界條件的變化，不能充分發(fā)揮其作用。