首页 理论教育 工业预测控制的基本结构简介

工业预测控制的基本结构简介

时间:2023-07-02 理论教育 版权反馈
【摘要】:工程技术人员经验水平的差异,导致MPC项目实施良莠不齐。图1-2 分层递阶结构优化控制如此看来,由“RTO+双层结构MPC+PID+被控对象”组成的系统,是一个多周期、多目标、包含各层次模型、优化的复杂系统,在本书中称为递阶结构预测控制系统。工厂乃至车间的一体化管理与控制要求处理一类新型的系统。本书的附加目标是通过还原实际应用的MPC算法,推进对递阶结构预测控制理论的研究。

工业预测控制的基本结构简介

MPC的核心技术价值是以通过模型对工业过程进行认知达到降低被控系统输出方差为主要目的,从而使系统有能力向效益约束边界靠拢(即卡边操作),实现生产系统综合效益的增加。早先的MPC是一种单纯意义上的控制算法,只能实现输出方差的降低,而卡边操作(即MPC的设定点选取)通常由工程技术人员根据经验现场调节。工程技术人员经验水平的差异,导致MPC项目实施良莠不齐。近年来,随着预测控制技术与理论的逐步完善,在实际应用中,预测控制多以双层结构出现,即在常规的控制功能之上增加了一层稳态优化功能……稳态优化最主要的功能就是替代了工程技术人员的经验进行精确地实现设定点的自动寻优。——见参考文献[96]

本书的主旨,是对双层结构MPC(Double-layered MPC;见参考文献[1,8,12,15,18,23,26,30,32,33,34,35,38,39,41,42,51,53,55,57,58,61,70,72,73,75,76,80,87,90,91,92,94,95,97]等)进行详细的论述。双层结构MPC是工业MPC中从20世纪90年代开始的主流技术,由于其具有一个基于稳态模型的设定值优化和一个基于动态控制模型的设定值跟踪(设定值优化的完成先于设定值跟踪),故称为双层。在预测控制中,先于设定值跟踪而进行设定值优化的思想,可以追溯到1980年(见参考文献[37]),而在整个控制理论中产生双层的思想必然是根深蒂固的事情(比如参考文献[69,89])。所以,关键是如何将这种思想系统化地实现。

MPC在具体实现中,往往作为实现其顶层优化器优化结果的工具。这个顶层优化器通常称为实时优化(Real-Time Optimization,RTO)。RTO通常采用非线性稳态模型,优化周期为小时级、不固定;双层结构MPC基于控制器所用模型,在设定值优化和跟踪中分别取其稳态和动态形式,控制周期为分钟级、常固定;双层结构MPC输出的结果,是底层以PID为主的控制回路的设定值,这些底层回路的控制周期都是秒级的。

如图1-2所示为由“RTO+双层结构MPC+PID+被控对象”组成的系统。双层结构MPC是指由稳态目标计算(完成基于稳态模型的设定值优化)和动态控制(完成基于动态控制模型的设定值跟踪)两个模块组成的MPC。图1-2中预测模块(也称开环预测模块)是从稳态目标计算和动态控制两个模块中抽取的,完成开环稳态和开环动态预测值的计算、估计问题。单独设置预测模块使得双层结构MPC更清晰,也能使其他两个模块的描述更简洁。

978-7-111-53743-4-Chapter01-2.jpg

图1-2 分层递阶结构优化控制(www.xing528.com)

如此看来,由“RTO+双层结构MPC+PID+被控对象”组成的系统,是一个多周期、多目标、包含各层次模型、优化的复杂系统(这个问题在第9章结尾处还要讨论),在本书中称为递阶结构预测控制系统。

工厂乃至车间的一体化管理与控制要求处理一类新型的系统。这类系统具有分层递阶的结构。下层的动态系统的控制与上层近于运筹调度的系统相结合,这类复杂的大规模优化与控制,不仅有广阔的应用领域,而且其理论至今基本上没有解决。——见参考文献[67]

递阶结构预测控制系统是一类重要的、其理论问题远未解决的系统。本书的附加目标是通过还原实际应用的MPC算法,推进对递阶结构预测控制理论的研究。

采用多周期、多目标、包含各层次模型、优化的递阶结构控制,是一个逐渐形成的理念,但其非常符合管理上的常规模式,就像一所大学有校级、学院级、系级管理结构,并最终落实到教师的具体执行一样。这种自上而下的结构有多种背景,如此看来,研究递阶结构预测控制系统可能还有未预见的价值。

注解1.1 尽管双层结构MPC有很多的应用、其算法具有多样性并且较成熟,但其稳定性、可行性等理论研究有本质的难度。MPC中,稳定性、可行性等理论研究成果丰富,甚至是渐近成熟的,主要是针对单层结构(或者初步扩展的)MPC的研究,对此近年来有一些MPC的综述性论文(见参考文献[28,29,64,86])进行了深刻的总结,有很大的借鉴意义。早在20世纪90年代初,有学者评价(见参考文献[3])之前那些很难研究稳定性的、主要与工业MPC有关的算法为“Playing games”。这种观点无所谓对错,但与其说“Playing games”的MPC很有创造性,不如说其更能体现人的思维的直观性,至少其理论深度很不够——尽管逻辑足够复杂。这样,摆在MPC研究者前面的路可以有三条:使那些实用的MPC不再“Playing games”;使那些漂亮的理论实用化;将漂亮的理论和“Playing games”融合。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈