第一篇复杂过程单元控制设计方法
第1章复杂过程单元控制设计方法概论
〖1〗
11引言
随着社会的发展，生产过程的运行条件及运行模式的大范围变化，设备之间的相互影响，以及为了减少能源和原材料的消耗，使生产过程越来越复杂，呈现出强非线性、时变和高维数特性。由于被控过程的非线性和相互耦合会随着工作点的变化而变化，宽范围运行的增益和动态特性也会发生变化，因此对非线性多变量过程的建模和控制是一项具有挑战性的工作。问题的关键和难点在于建立一个较好的强非线性系统的模型，并且控制决策的实施往往还需要很大的计算量。近几十年里，人们付出了很大努力，对非线性多变量系统进行研究，并提出了一些控制方法，如线性化方法、自适应控制、基于模型的非线性控制、神经网络控制、模糊控制、神经模糊控制及多模型控制等，然而，这些方法大多难以用于解决实际控制问题。在线性化控制方法中，线性控制理论对复杂过程近似线性模型的应用提供了有力工具，但问题在于控制对象在宽范围运行时，表现出的强非线性难以用单一的近似模型表示，因此，该方法的使用受到了限制。虽然非线性输入输出模型，如神经网络和模糊逻辑方法，不需要了解生产过程的具体物理机理知识，但需要大量的运行数据对控制系统进行训练，使之能够描述系统的大范围运行特性［1］。除了非线性特性，另一个需要解决的问题是多变量控制问题。与单输入单输出(SISO)系统相比，多输入多输出(MIMO)系统的多个输入和输出变量之间的相互作用和耦合，也增加了MIMO系统的控制难度［2,3］。尽管人们付出了很大努力来解决MIMO系统的控制问题，但是由于缺乏系统的解决方法，MIMO系统的控制问题仍然是一项具有挑战性的工作，还有许多问题有待进一步的研究。
多模型方法是利用一定的分割策略［4］，将系统分成几个小的区域，在不同的运行条件下，使用不同的模型和控制器进行控制。为了描述整个系统多个参数之间的关系，构造出的全局模型非常复杂，难以用于实际；另一方面，局部模型可能大为简化，局部模型参数之间的耦合也相对简单，易于处理，这就是利用多模型方法解决复杂问题的初衷。多模型控制方法为解决复杂非线性MIMO系统的控制问题提供了一种可行的途径，有望成为解决实际工业过程的非线性多变量控制问题的一种有效方法。多模型控制已经成为一个研究热点，并已提出多种不同的解决方案［512］。即使如此，目前仍缺乏有效的直接数据驱动的而无需对象过多假设条件的多模型控制系统设计方法。本书第1～7章，以复杂过程单元（如球磨制粉、火力发电和HVAC（供暖、通风与空调）等）为对象，详实地论述了所提出的系统有效地适于工业应用的非线性多变量过程多模型优化控制系统设计方法。本章对这个领域的建模与控制方法的研究进展进行综述，对其发展方向进行分析，并对其应用前景提出见解，为提出和研究适合于工业应用的非线性多变量过程多模型优化控制系统提供参考和依据。
12非线性多变量系统控制的研究现状
由于工业过程复杂程度和控制要求的提高，被控对象在大工况范围运行时表现出的特性难以用单一的近似线性模型表示越来越不能忽视，非线性过程控制策略的研究受到大量的关注。这些控制策略有各自的优点和劣势。
（1） 线性化方法。由于很多非线性过程仅是表现出温和的(较弱的)非线性动态行为，可以通过传统的线性系统分析和设计方法进行处理。线性理论的运用提供了控制的解析解，因此一般情况下能提供更严格的稳定性和性能的保证。而且线性系统仿真和实施的计算量要求与非线性控制器相比要低得多。实际应用中，总是可以采用一些方法获取非线性系统的近似模型［13,14］。在实际应用中也会遇到非常复杂的线性控制器，例如，基于高阶卡尔曼滤波器和二次型校正器(LQR)设计的控制器，这类控制器设计方法涉及模型的线性化和在工作点附近设计线性控制器。经典的线性化方法及线性化后线性控制系统的设计，可以成功应用于弱非线性情况，以及对标称稳定工作点偏离很小的情况。然而，当控制器远离线性化工作点时，控制器性能将会恶化。对于MIMO过程，由于在不同的工作区域，耦合特性呈现不同的变化，因此基于某个工作点线性化的控制器性能可能会更加糟糕。对于呈强非线性强耦合的MIMO过程，系统的特性只能由全局工况范围内的非线性模型充分描述，而不能由在特定的工作点线性化后得到的线性模型表征。在这种情况下，线性控制器的设计是不能达到控制要求的，必须考虑设计更复杂的控制器。
（2） 自适应控制方法。自适应控制也提供了处理非线性的途径。它通过识别存在的非线性，从而使控制器系统适应非线性。自适应控制方法中，控制器参数值跟随着过程动态和扰动的变化而持续地调整。通常，有两类自适应控制策略，即直接法和间接法［15］。在直接法中，控制器参数直接根据闭环系统运行中获取的数据进行调整。而间接法中，过程模型参数则是通过递推参数估计在线更新。对于直接法和间接法，现已出现很多具体的方法，例如，模型参考控制和自整定校正器分别是典型的直接自适应和间接自适应控制。增益调度控制也可归类属于直接自适应控制策略［16］。如果设计得当，自适应控制策略比一些经典的控制策略性能更显著，但在过程控制领域缺少有效的实际应用。这些自适应控制方法的主要不足是常常需要巨大的计算需求、先验的过程信息，且很难在大工况范围内保持系统稳定。
（3） 基于模型的非线性控制方法。自1980年以来，基于非线性模型的控制方法吸引了持续不断的研究兴趣。微分几何法［17］的出现，被认为是提供了一种非线性控制系统分析和设计的有效工具。和拉普拉斯变换相似，线性代数被用于线性系统分析和设计，非线性系统结构特征通过使用微分几何相关概念而得以阐释。参考系统综合(RSS)是另一种非线性控制策略，它运用过程模型和期望的过程响应确定反馈控制律。Lee和Sullivan提出一种基于RSS技术的通用模型控制(GMC)方法。Henson和Seborg后来指出GMC和内模解耦都是基于微分几何概念的。几种其他的非线性控制技术，如滑模控制、极小极大优化、反馈线性化、反步(back stepping)等，也得到了关注。尽管基于模型的非线性控制技术能对非线性过程提供期望的解决方案，但仍缺乏通用的设计方法和评估被控系统性能的方法。而且，仅当非线性模型非常精确时，稳定性才能保证。因此，精确的非线性数学模型难以获取以及求解非线性问题困难制约着基于模型的非线性控制的广泛应用。近年来，非线性预测控制(NMPC)突破了这两点束缚，使得基于模型的非线性控制技术应用性能显著改善［18，19］。非线性预测控制技术是线性模型预测控制(MPC)的扩展，而线性MPC在多变量过程工业中已有数十年的应用基础。MPC技术能处理操作量的约束，状态量和输出量的约束也一样能处理。这些基于模型的非线性控制方法直观，易于工业技术人员理解。主要的缺点是对于鲁棒性和稳定性不能保证。
（4） 神经网络控制方法。人工神经网络(ANN)技术被看做一种非常有前途的处理复杂非线性问题的方法［20］。在控制系统中应用ANN主要因为其两个特征：基于多层拓扑结构的非线性函数的映射特性和学习机制。ANN理论上具有估计任意非线性映射的能力，因而可用于非线性系统的建模。利用从非线性过程中获得的输入输出数据，基于ANN提出了很多相关的控制策略，比较典型的有：①监督控制，其中ANN用于切换控制，和专家系统类似，用以根据过程知识实现切换调度；②直接逆控制，其中ANN用来实现系统的直接逆模型［21］；③模型参考控制，其中对象输出和模型输出的偏差用来训练ANN控制器，用以达到期望的闭环性能；④内模控制(IMC)，其中ANN模型代替过程模型(系统前向模型)和控制器(逆模型)，用来模仿经典的IMC方法；⑤MPC，其中ANN模型用于提供在指定的时域内预测将来对象的响应，并通过数值优化方法在最小化一个特定的性能评价判据的情况下计算合适的控制信号。尽管具有很多不同的ANN结构，但仍缺乏系统化的方法对不同的应用选择恰当的ANN结构，且能实现快速的ANN算法的收敛。
（5） 模糊控制方法。自模糊集理论1965年由Zadeh创立以来，模糊控制得到了快速的发展和各方面广泛的应用［22］，如数据库管理、决策支持、信号处理、数据分类、计算机视觉等。模糊系统利用人类专家经验知识，执行模糊推理推断出全局输出数值，在逻辑领域很有优势。模糊控制系统早期的工作是试图在控制器中将有经验的人类操作人员的控制行为直接表达出来，即模仿人类行为，获得离散控制器输出的平滑插值。后来，模糊控制的应用得到充分的拓展。模糊控制器的特征在于它能表现由一种模糊推理系统确定的静态非线性映射关系［22］。基于规则基的表达是直观的，且易于工程人员理解。每条规则代表的含义为控制信号是如何根据输入信号来选择过程知识的。大多数情况下，模糊控制器用于直接反馈控制。然而，也能用于监督层，如对常规的PID控制器自整定参数［22］。模糊控制器确定一种输入/输出的非线性映射，和非线性控制联系紧密，有时用来设计实现反馈补偿和反馈线性化。
（6） 神经模糊控制方法。模糊逻辑和ANN的结合有较强的基础，因为在设计智能决策系统时它们常常是互补的。ANN提供低层知识的能力，有强大的处理大规模数据的计算能力，而模糊逻辑具有高层的、语言或语义上的推理能力，构建了一种利用和解释来自ANN的低层的结果结构框架。这种特性使得两者的综合在非线性动态系统的建模和控制方面比单纯的模糊系统或ANN会更加强大。将ANN和模糊逻辑结合在一起的工作从20世纪80年代后期出现，20世纪90年代有了长足的发展，出现了各种各样的结构和算法［23］。神经模糊控制器的目的是寻找一种结构，有效地处理两种数据和信息：定性的和定量的数据。这两种数据在复杂系统的控制中常用来描述决策过程。模糊神经网络以三种方式结合ANN和模糊逻辑［24］：合作、协作、融合。最常用的结构是融合的神经模糊方法，它利用神经网络学习固定结构的内部参数［25］。自适应神经模糊推理系统(ANFIS)属于这一类［22］，它能逼近任意线性或非线性函数。然而，神经模糊控制器仍没能在复杂过程控制工业的应用上产生大的影响。这可能是由于两个原因：建立复杂的模型较困难，模型效果也不令人满意，与传统控制器相比性能的改善并不显著。
（7） 多模型控制。解决复杂工程问题时，一种常用的方法是运用分解合成策略［26］。将这种思维应用到复杂非线性系统，将系统分成几个小的区域，在不同的运行条件下，分解得到一系列简单的线性系统，继而针对各简单线性系统设计局部模型控制器，通过一定的合成法则(如模糊加权)得到整体控制器输出，获得原复杂非线性系统良好的建模和控制效果［2632］。一般情况下，为了描述整个系统的多个参数之间关系的，构造出的全局模型可能非常复杂，难以用于实际；而另一方面，采用多模型方法局部模型可能非常简洁，局部模型参数之间的耦合也相对简单，易于处理［33］，这就是利用多模型方法解决复杂问题的初衷。通常，在划分系统时，需要知道系统的整个运行范围，在此范围内，将复杂系统划分为小的区域，以简化建模和控制策略设计。依据各区域的运行条件，定义表征相应区域运行特性的主要参数，并进行局部建模和控制器设计［34，35］。建立的局部模型和控制器的作用范围可能存在区域的重叠，通过将局部模型组合及修正，得到全局结构的集成模型和控制器。
展开
