搜索
先进控制技术及其应用随着工业生产过程控制系统日趋复杂化和大型化，以及对生产过程的产品质量、生产效率、安全性等的控制要求越来越严格，常规的PID控制已经很难解决这些具有多变量、强非线性、高耦合性、时变和大时滞等特性的复杂生产过程的控制问题[]。自上世纪50年代逐渐发展起来的先进控制技术解决了常规PID控制效果不佳或无法控制的复杂工业过程的控制问题。它的设计思想是以多变量预估为核心，采用过程模型预测未来时刻的输出，用实际对象输出与模型预测输出的差值来修正过程模型，从而把若干个控制变量控制在期望的工控点上，使系统达到最佳运行状态。目前先进控制技术不但在理论上不断创新，在实际生产中也取得了令人瞩目的成就。下面就软测量技术、内模控制和预测控制做简要阐述。1.软测量技术在生产过程中，为了确保生产装置安全、高效的运行，需要对与系统的稳定及产品质量密切相关的重要过程变量进行实时控制。然而在许多生产过程中，出于技术或经济上的原因，存在着很多无法通过传感器测量的变量，如石油产品中的组分、聚合反应中分子量和熔融指数、化学反应器反应物浓度以及结晶过程中晶体粒直径等。在实际生产过程中，为了对这类变了进行实施监控，通常运用两种方法：1).质量指标控制方法：对与质量变量相关的其他可测的变量进行控制，以达到间接控制质量的目的，但是控制精度很难保证。2).直接测量法：利用在线分析仪表直接测量所需要的参数并对其进行控制。缺点是在线仪表价格昂贵，维护成本高，测量延迟大，从而使得调节品质不理想。软测量的提出正是为了解决上述矛盾。软测量技术的理论根源是20世纪70年代Brosilow提出的推断控制，其基本思想是采集过程中比较容易测量的辅助变量(也称二次变量)，通过构造推断器来估计并克服扰动和测量噪声对主导过程主导变量的影响。因此，推断估计器的设计是设计整个控制系统的关键。软测量器的设计主要包括以下几个方面：1)机理分析和辅助变量的选择。首先是明确软测量的任务，确定主导变量。在此基础上深入了解和熟悉软测量对象及有关装置的工艺流程，通过分析确定辅助变量。2)数据采集和预处理采集被估计变量和原始辅助变量的历史数据包含了工业对象的大量相关信息，因此数据采集越多越好。但是为了保证软测量精度和数据的正确性以及可靠性，采集的数据必须进行处理，包括显著误差检测和数据协调，及时剔除无效的数据。3)软测量建模软测量模型是建立是软测量技术的核心。软测量建模的方法多种多样，一般可分为：机理建模、回归分析、状态估计、模式识别、人工神经网络、模糊数学和现代非线性系统信息处理技术等。此外还有混合模型，如图1所示的软测量模型就是结合了BP网络、RBF网络和部分最小二乘法建立的混合模型[5]。4)软测量模型的在线校正图1软测量模型由于软测量对象的时变性、非线性以及模型的不完整性会使得被控对象发生改变，如果软测量模型不作修正，测量精度会逐渐下降。在实际生产过程中，通常采用在线自校正和不定期更新的学习机制进行校正，以保证模型能跟踪过程的变化。软测量器响应迅速，成本低，维护简单，精度高，目前已在过程控制与优化中得到了广泛应用，其理论体系也在不断完善。2内模控制内模控制（IMC）是一种基于过程数学模型进行控制器设计的新型控制策略，其基本思想是将对象模型与实际对象相并联，控制器取模型的动态逆，对于单变量系统而言内模控制器取为模型最小相位部分的逆，并通过附加低通滤波器来增强系统的鲁棒性。上世纪五十年代后期，出现的Smith的时滞预估补偿控制器以及Francis的基于内部模型的调节器都是早期的内模控制，由于逆模型的限制因此较难实现，所以这一时期的研究较为缓慢。在1982年美国学者C.E.Garcia和M.Morari提出来完整的内模控制，在此基础上，各国学者比较完整的分析了内模控制，为内模控制奠定了坚实了理论基础[6]。90年代至今，随着神经网络、模糊控制以及非线性理论的发展，许多学者将内模控制与其他先进的控制方法结合、相互渗透，开拓了内模控制研究的新思路。下面以磁悬浮小球的内模PID控制为例进行具体说明。通过对磁悬浮球系统的分析可知，磁悬浮小球系统为本质非线性的不稳定系统，常规的PID控制作为一种简单有效的控制策略可以有效的实现对磁悬浮小球系统的控制，也取得了不错的控制效果，再此基础上引入内模控制。由于磁悬浮系统为本质不稳定系统，首先引入反馈控制器对不稳定磁悬浮系统进行镇定，1C和q组成广义被控对象PG。继续按照二阶系统进行镇定，控制器选择PD控制器，取阻尼系数为=0.7，经计算，广义的被控对象为：p2255070.642550Gss然后设计IMC_PID控制器。首先取广义被控对象的逆，21p70.64s25502550sG,这是一个二阶的环节，为了构造IMC_PID控制器，再次引入一阶滤波器：11fss，式中的为滤波常数。则内模控制器为：2170.64255025501+sIMCPssGGfs然后按照标准反馈控制的控制器进行整理：1IMCCIMCpGsGsGsGs可得170.6411s25502550cpdiGKTssTss这就是最终的IMC_PID控制器,控制器中仅有一个参数，大大简化了参数整的过程，系统的仿真结构图如图2所示，经过多次调试，取=0.05；仿真效果如图3所示。00.511.522.5300.51时间响应u=0.05PIDIMC-PID实验结果证明，内模控制作为一种先进的控制策略，结合应用最为广泛的PID控制，可以实现对磁悬浮球系统的控制，并且设计简单、参数整定方便，相对于常规PID拥有更好的动态和稳态性能。内模控制在工业领域的应用取得了瞩目的成就，近年来，形成了内模控制与其他先进控制策略相结合的发展方向，形成了综合的控制策略，来发挥各个控制的优势，取得了不错的效果，也是内模控制发展的方向。3模型预测控制模型预测控制是一种基于模型的先进控制策略，在上世纪80年代左右由J.Richalet和Culter首先提出，其基本原理是：预测过程未来行为的动态模型，在线反复进行优化计算并滚动实施的控制作用和模型误差的反馈矫正。由于模型预测控制具有控制效果好、鲁棒性强等优点，并且可以有效的克服过程的不确定性及非线性，可以有效的控制复杂的多变量的工业被控对象，因此他一出现就收到了国内外工控界的广泛重视，已在石油、化工、冶金、航空、汽车、机械等领域得到了广泛应用[9]。预测控制发展迅速，算法种类丰富多样，究其根本结构模式，大致可分为如下三类：1)基于非参数模型的预测控制算法。这类算法利用测试被控对象的脉冲响应或阶跃响应即可得到预测模型，无需考虑模型的结构和阶次，可将过程的时滞环节包含在模型中，因此尤其适合表示动态响应不规则的对象特征，适合处理开环不稳定多变量过程约束问题的控图2系统仿真框图图3系统单位阶跃响应00.511.522.5300.51时间响应u=0.1PIDIMC-PID00.511.522.5300.511.52时间响应u=0.1PIDIMC-PID00.511.522.5300.511.52时间响应u=0.05PIDIMC-PID制。2)与经典自适应控制相结合的一类长程预测控制算法。这类算法融合了自校正控制和预测控制的优点，以长时段多不优化取代了经典最小方差控制中的一步预测优化，从而适用于时滞和非最小相位系统，具有良好的鲁棒性。代表的算法有广义预测控制（GPC）、受控自回归积分滑动平均模型预测控制（CARIMA）等。3)基于结构设计不同的另一类预测控制算法。这类算法由LQ或LQG发展而来，代表的有推理控制（IC）、滚动时域控制（RHC）等。各种算法虽然在模型、控制以及性能方面各有差异，其核心都是基于滚动时域原理，算法中均包含了预测模型、滚动优化和反馈矫正三个基本原理。近年来，随着对预测控制的深入研究，研究人员在对预测控制深入研究的同时，摒弃了对单一控制算法的研究，开始将预测控制与自适应控制、极点配置、鲁棒控制、解耦控制和非线性控制等算法相结合，诞生了一批先进预测控制策略。与此同时，随着智能控制理论的发展，智能预测控制也是预测控制发展的新方向，如模糊预测控制、神经网络预测控制、遗传算法预测控制等都取得了丰硕的研究成果。将各种先进控制策略互相融合，优势互补，共同来解决复杂非线性控制系统已成为当前控制领域研究的热点，在理论和实际应用中都有重要意义。参考文献[1]王树青等.先进控制技术及应用.北京：化学工业出版社，2001.[2]李国勇.过程控制系统[M].北京：电子工业出版社，2009:76～98.[3]薛定宇.控制系统计算机辅助设计[M].北京：清华大学出版社，2006:17～33，183～309[4]刘瑞兰.软测量技术若干问题的研究及工业应用.浙江大学博士学位论文，2004.[5]傅永峰.软测量建模方法研究及其工业应用.浙江大学博士学位论文，2007[6]赵曜.内模控制发展综述[J].信息与控制,2000,26(6):526～530.[7]周勇，陈庆伟，胡维扎.内模控制研究的新发展[J].控制理论与应用，2004,21(3):475～480.[8]戴文战，丁良，杨爱萍.内模控制研究进展[J].控制工程，2011,12(4):487～494.[9]胡耀华.广义预测控制综述[J].信息与控制.2000,29(3):248～256[10]张日东.非线性预测控制及应用研究.浙江大学博士学位论文,2007.[11]李果.磁悬浮小球系统内模控制方法的研究.太原科技大学硕士学位论文，2013[12]GarcaiC.E.,MorariM.Aunifyingreviewandsomenewresults.Internalmodelcontrol[J].1982,21:308～323.[13]CarcaiC.E.QuadraticProgrammingsolutionofdynamicmatrixcontrol[J].1986,46:73～87.[14]RichaletJ.Modelpredictiveheuristiccontrol:applicationtoindustrialprocessed[J].Automation,1978,14(4):413～428.[15]CulterC.R.,Modelpredictivecontrol-theoryandpractice-asurvey[J].Automatica,1989,25:335～348.[16]RichaletJ.Industrialapplicationofmodelbasedpredictivecontrol[J].Automatica,1993,29:1251～1274.