学位论文 > 优秀研究生学位论文题录展示

基于预测控制的先进过程控制技术研究

作　者: 安爱民
导　师: 郝晓弘
学　校: 兰州理工大学
专　业: 控制理论与控制工程
关键词: 模型预测控制改进微分进化法分层控制结构大型综合化过程多预测控制器协调概率密度函数动态实时优化
分类号: TP273
类　型: 博士论文
年　份: 2010年
下　载: 138次
引　用: 0次
阅　读: 论文下载

内容摘要

以模型预测控制MPC(Model Predictive Control)策略为代表的现代先进控制技术ACT(Advanced Control Technology)是流程工业过程控制领域一项新兴的、应用前景广阔的技术。它从考虑使生产企业获得最大经济效益的角度出发,采用分层式控制结构,实现生产过程优化操作,为过程工业界提供了一种以经济性能和控制质量相结合的手段来实现过程控制的新方法。通过对现有过程系统动态行为进行精确辨识后,在装置中采用可以实现装置的整体优化控制的MPC策略,使生产企业能以最优化的方式运行并获得可观的经济效益,找到挖掘提高系统经济潜能的最佳途径,为提升企业的竞争力提供科学的生产决策依据。此外,ACT可以智能地利用过程系统信息和管理信息实现过程的优化控制。结合反映经济性能的测评指标和结果,即使是非线性、强耦合、大时滞这样的过程系统,也可以在保证最大经济收益与优化操作性能指标的前提下,设计和实施性能优越的控制策略,维护工业过程高品质运行。MPC是基于反映过程动态行为和信息的过程模型的控制策略,需要建立被控制过程的性能目标函数和反映过程安全运行、满足环境立法所要求的排放标准的关键变量的操作约束范围。采用收缩域优化控制的方法来求解过程工作在优化模式下的控制量。基于预测控制的先进控制策略的实施涉及到过程模型辨识、参数估计、性能目标函数的构建、控制性能评估、数值计算和优化等多个学科领域的知识和技术,是当今过程工业界和控制界最受关注的研究方向之一。本论文结合当前基于MPC的ACT理论研究和国内工程应用现状,分别展开了以下几个方面的研究工作：(1)针对在采用神经网络模型预测非线性过程动态行为的非线性预测控制]NMPC(Nonlinear model predictive control)算法中,滚动优化因低效率的优化算法造成的模型预测不精确、控制实时性差和控制质量下降的问题,提出了一种基于改进微分进化MDE(Modified Differential Evolution)法的自适应神经网络权值的神经网络ANN(Artificial Neural Network)模型NMPC策略。该策略的设计与实施分为四个部分：首先采用神经网络模型对预测控制中的预测非线性模型进行建模：对所建立的神经网络模型用MDE这一高效的优化算法对网络的权值进行在线自适应计算,以提高模型的在线预测能力；将该模型应用到预测控制算法的目标函数中,在收缩域的窗口中,使非线性预测控制算法中优化的增量式控制量的计算更为精确；最后将该方法应用到蒸馏塔这样一个高非线性化工过程的控制中,仿真结果验证了该方法的有效性。(2)针对预测控制在实施精确跟踪设定值的控制策略中时,因不确定扰动和噪音的影响所导致鲁棒性能下降的问题,提出一种基于自适应目标函数加权系数的区域模型预测控制ZMPC(Zone model Predictive Control)策略。利用加权系数具有惩罚(抑制)偏差和调节过激这一特点,在过程存在不确定扰动时,在每一个采样周期内,控制器根据输出量偏差的大小自适应地调节目标函数中变量权值的松弛系数,实现关键被控制量的鲁棒区域预测控制方法,将其精确地控制在与产品规格对应的约束区域内,而不是常规的设定值跟踪控制。该方法在系统存在不确定扰动或是存在不确定时变参数时,可达到实现提高预测控制的鲁棒性能和稳定性能目的。事例验证了该方法的有效性。(3)针对分布式预测控制DMPC(Distributed MPC)中,控制性能会因未充分考虑子过程间重要通道的相互作用行为,以及子预测控制器间通讯机制的不确定性而造成的整体控制性能下降的问题,提出了一种基于概率密度函数PDF(Probability density function)协调原则的多预测控制器协调方法。该方法的实现分为四个部分：RTO层计算出过程关键变量的设定值送到下层的MPC层；MPC层根据过程的实时动态行为计算出优化的控制量,但由于每个子控制器因忽略了关键的子过程间的动态耦合行为,导致了计算出来的控制量不是全局最优；将这些控制量送入到协调层中进行PDF协调后再送到下层的MPC层进行执行,进而减小非全局最优控制量对控制性能的影响。两个事例仿真表明该方法的有效性。(4)针对大型复杂过程因市场行为导致的原材料等生产要素的价格发生频繁变化时不能及时保证整个生产过程的经济性能最佳这一问题,提出一种基于动态实时优化DRTO(Dynamic Real Time Optimization)的多层预测控制的先进控制策略。上层的DRTO层不是常规的稳态优化机制,而是动态优化机制。即在结合企业计划、调度等信息的过程优化操作不再是常规的稳态优化(过程必须达到稳态时才能进行的过程优化),而是只要有关企业生产的因素如价格、安全、环境立法等因素变化时就可以对整个过程的生产计划、调度进行优化,得到过程关键变量的优化设定值。这样的优化是基于过程的动态模型,所以计算出来的优化值是动态范围内的全局最优值。事例仿真验证了该方法的有效性。

全文目录

摘要  5-7
Abstract  7-11
主要符号对照表  11-20
第一章绪论  20-40
  1.1 研究背景  20-23
  1.2 先进控制技术的发展现状  23-28
    1.2.1 先进调节控制技术  24
    1.2.2 以多变量控制为代表的先进控制技术  24-25
    1.2.3 与智能控制相结合的先进控制技术  25-26
    1.2.4 与企业生产管理、利润相结合的新一代先进控制技术  26-28
  1.3 先进控制技术研究的几个关键问题  28-30
    1.3.1 根据过程知识与测试信息进行模型辨识  29
    1.3.2 确定包括经济性能指标在内的目标函数  29
    1.3.3 预测控制算法的选择  29-30
    1.3.4 优化算法对MPC控制性能的影响  30
  1.4 先进过程控制策略实施的流程  30-33
  1.5 过程模型辨识  33-34
  1.6 先进控制技术目前存在的问题和发展趋势  34-36
    1.6.1 存在的问题  34-35
    1.6.2 发展趋势  35-36
  1.7 论文研究工作及创新性  36
  1.8 论文结构  36-40
第二章模型预测控制  40-54
  2.1 MPC算法的主要特征  41-43
    2.1.1 MPC的主要优势  42-43
    2.1.2 当前MPC技术的主要局限性  43
  2.2 MPC算法的主要成分  43-50
    2.2.1 预测模型  43-45
    2.2.2 优化目标函数的建立  45-46
    2.2.3 设定点的跟踪问题  46-47
    2.2.4 控制增量的抑制  47-48
    2.2.5 调节变量的设定值  48
    2.2.6 变量的约束  48-50
  2.3 MPC与经济性能指标相结合的现代APC研究热点  50-54
第三章改进微分进化法的自适应神经网络非线性预测控制  54-72
  3.1 问题的提出  54-56
  3.2 基于神经网络模型非线性预测控制  56-57
  3.3 自适应神经网络  57-60
    3.3.1 MIMO过程的ANN模型的构建  57-59
    3.3.2 在线权值训练的自适应神经网络  59
    3.3.3 神经网络权值自适应结构  59-60
  3.4 改进微分进化法  60-63
    3.4.1 使用MDE对神经网络权值进行优化计算  62-63
  3.5 仿真事例  63-69
    3.5.1 用于MPC控制的神经网络模型的构建  63-64
    3.5.2 神经模型与机理模型的阶跃响应测试比较  64-65
    3.5.3 使用MDE优化算法对神经模型进行在线权值训练  65
    3.5.4 使用ANN-MDE实现的NMPC  65-66
    3.5.5 仿真结果与讨论  66-68
      3.5.5.1 无扰动存在的情形  67
      3.5.5.2 有突发扰动的情形  67-68
    3.5.6 BP,DE,MDE三种优化算法性训练神经网络权值时性能测试比较  68-69
  3.6 小结  69-72
第四章自适应加权系数的鲁棒区域预测控制  72-84
  4.1 问题的提出  72-73
  4.2 含有松弛项的MPC目标函数  73-74
  4.3 加权矩阵系数自适应鲁棒区域MPC  74-78
    4.3.1 基权系数的选择及自适应松弛项的引入  75
    4.3.2 权值松弛项的在线调节实现加权系数自适应  75-76
    4.3.3 自适应加权系数的MPC控制结构  76-77
    4.3.4 稳定性和收敛性证明  77-78
  4.4 工业事例验证  78-81
    4.4.1 二甲苯分馏装置的工艺流程  79-80
    4.4.2 对分馏过程的预测控制策略  80-81
  4.5 小结  81-84
第五章基于概率密度函数协调原则的多预测控制器协调控制  84-104
  5.1 问题的提出  84
  5.2 分解式预测控制  84-88
    5.2.1 分解式预测控制问题的描述及其结构  84-85
    5.2.2 过程的集中式模型  85-86
    5.2.3 分解式预测控制方式中多控制器的协调  86-88
      5.2.3.1 子系统模型  86
      5.2.3.2 子系统间相互作用的动态行为模型  86-87
      5.2.3.3 组合模型  87-88
  5.3 DMPC控制器  88
  5.4 概率密度函数协调原则下的子MPC控制器协调  88-93
    5.4.1 综合动态优化器  89-90
    5.4.2 概率密度函数协调原则  90-93
      5.4.2.1 概率密度函数  90
      5.4.2.2 置信度和置信区间  90
      5.4.2.3 基于PDF的置信度验证的DMPC控制器的协调原则  90-93
  5.5 试验仿真事例  93-96
    5.5.1 过程模型描述  93-94
    5.5.2 基于DMPC控制方式下的IDO、MPC控制器设计  94
      5.5.2.1 IDO设计  94
      5.5.2.2 子预测控制器设计  94
    5.5.3 结果分析及讨论  94-96
  5.6 工业过程事例研究  96-101
    5.6.1 三个子控制器的设计及参数设定  98-101
      5.6.1.1 子控制器1的设计及参数设定  98
      5.6.1.2 子控制器2的设计及参数设定  98-99
      5.6.1.3 子控制器3的设计及参数设定  99-101
    5.6.2 仿真结果分析及讨论  101
  5.7 小结  101-104
第六章预测控制与动态优化综合的多功能层实时优化控制  104-116
  6.1 问题的提出  104
  6.2 分层预测控制结构  104-108
    6.2.1 经济优化器的实现与设计  106
    6.2.2 稳态实时经济优化器  106-107
    6.2.3 单一时间尺度的动态经济优化器  107-108
  6.3 基于动态实时优化的经济优化器  108-109
    6.3.1 以最大生产量作为优化操DRTO目标函数的构建  108-109
  6.4 优化层和MPC控制层的协调  109-110
    6.4.1 DRTO优化周期的确定  109-110
    6.4.2 最新经济变量最优值可行性的验证  110
    6.4.3 协调规则以及一些情形的假设  110
  6.5 仿真事例  110-115
    6.5.1 经济性能比较  112-115
  6.6 小结  115-116
第七章结论和展望  116-120
  7.1 总结  116-118
  7.2 未来工作展望  118-120
参考文献  120-128
攻读博士学位期间主要研究成果  128-130
致谢  130-132
个人简历  132

相似论文

卫星姿态的磁控制方法研究,V448.222
高精度激光跟踪装置闭环控制若干关键问题研究,TN249
面向节能优化的钢坯加热特征参数化模型研究,TG335.3
质子交换膜燃料电池的温度控制与设计,TM911.4
1025t/h锅炉混煤燃烧优化研究,TK227.1
基于Parzen窗估计与Renyi\'s熵的动态随机系统输出分布控制研究,TP13
战术导弹概率设计与蒙特卡罗方法研究,TJ760.2
基于彩色航空影像的阴影检测算法研究,TP391.41
基于CRI方法的重心法模糊系统及概率表示,O231
深部分阶段性开采地表移动规律的研究,TD325
干扰受限MIMO环境下的空时分组编码性能分析,TN919.3
盲源分离算法研究,TN911.7
非独立随机变量的线性组合分布的研究,O211.5
基于不同核函数的概率密度函数估计比较研究,O211.67
风、波浪数据库集成设计与波高长期统计方法探讨,TV139.2
虹膜识别中预处理及识别方法的研究,TP391.4
多谐波源随机谐波电流叠加问题的研究,TM711
纵浪中船舶参数激励非线性随机横摇研究,U661.321
基于声场景分析的混叠语音信号分离,TN912.3
自治域系统节点状态独立性研究,TN915.02
淮河流域径流模拟试验—对陆面水文模式参数化方案的改进,P334.92