基于模型预测控制的汽车底盘集成制造系统

非线性预测控制（摘要模型预测控制的一个主要优点是能显式并优化处理控制量和状态量的约束。为此，主要围绕模型预测控制的原理，特点，以及非线性预测控制的相关方法，包括基于不同模型下的非线性预测控制。关键词：模型预测控制、非线性、模型TheWayOfNonlinearModelPredictiveControlAbstractAnimportantadvantageofmodelpredictivecontrol(MPC)isitsabilitytocopewithconstrantsoncontrolsandstatesinanexplicitandoptimalway.Thispaperdiscussesthetheoryandthecharacteristicsofmodelpredictivecontrol,anditalsodissertatessomedifferentwaystosolvetheproblemsofnonlinearmodelpredictivecontrol,includingdifferentwaysofcontrolbasedondifferentmodels.Keywords:modelpredictivecontrol;nonlinear;model引言实际生产中大部分工业控制都不是无约束的情况，并常常具有非线性特性。以往常采用工作点附近的线性化模型来设计控制器，但随着对产品质量和产量要求的不断提高，对生产经济效益的不断追求，以及环境保护的日趋严格，都使得工业过程越来越复杂，并使工作点越来越接近约束的边缘。此时，若不考虑约束和非线性特性的控制方法则难以达到性能要求。模型预测控制(MPC)的主要优点是能在线处理约束并使其动态得到满足。对非线性动态的考虑也相当方便一一采用非线性模型来预测未来动态。因此，非线性MPC在工业控制中具有广阔的应用前景，并引起了人们的普遍关注。如果不考虑约束，线性MPC(MPHC，MAC，DMC等)则有统一的状态空间表达式，可基于线性理论进行分析和设计。目前，线性MPC理论已较成熟。近年来，对约束线性MPC和非线性MPC的研究也取得了可喜的成果。1.预测控制原理1.1概述模型预测控制是近年来发展起来的一类先进计算机控制算法。随着科学技术的迅速发展，对大型、复杂和不确定性系统实行自动控制的要求不断提高，使得现代控制理论的局限性日益明显。人们打破传统控制思想的束缚，面对工业过程的特点，寻找各种对模型要求不高，在线计算方便，控制综合效果好的算法。模型预测控制就是再这样的理论发展背景下产生的一类面向工业实践过程的新型控制算法。1.2预测控制特点模型预测控制包含了预测模型、滚动优化和反馈校正三个基本特征。首先，为系统建立预测模型十分方便，用来描述过程动态行为的预测模型可以通过简单的实验得到，不需要深入了解过程的内部机理，也不需要通过复杂的系统辨识这类建模过程的运算，即可获得模型，且有利于提高系统的鲁棒性。其次，预测控制算法不是采用一个不变的全局优化目标，而是采用滚动式的有限时域优化策略。其优化过程不是一次离线进行，而是在线反复进行优化计算，滚动实施，从而使模型失配、时变、干扰等引起的不确定性能及时得到弥补，提高了系统的控制效果。此外，由于实际系统中存在非线性、时变、模型失配等因素的额影响，在预测控制算法中，基于不变模型的输出，不可能与系统的实际输出完全一致，而在滚动实施优化过程中际输出完全一致，为此，在预测控制算法中，采用检测实际输出与模型输出之间的误差进行反馈校正来弥补这一缺陷，使滚动优化建立在预测模型输出反馈校正的基础上。1.3预测控制原理预测控制的目的是使系统的输出变量y(t)沿着一条事先规定的曲线逐渐到达设定值，这条指定的曲线称为参考轨迹。控制算法就是求解出一组控制量u(k),使得所选定的目标函数最优。预测控制的算法图如图l所示：参考轨迹在线校正优化计算过程预测模型设定值控制输入y(k)u(k)图1预测控制算法原理方框图2.非线性预测控制2.1概述目前，在许多被成功应用的预测控制中，系统的模型都是线性的，然而，大多数工业对象都是非线性的。对于这些对象如果用线性预测控制方法来设计系统，对于弱非线性系统是可行的，但是对于强非线性系统，由于模型的精确度在预测控制中起到非常重要的作用，用一个近似线性模型来对高度非线性系统进行描述，基于此来设计预测控制器则可能导致系统控制性能的恶化。这种方法是行不通的，必须对系统进行非线性建模。由于被控对象模型的非线性和优化目标函数的非凸性，带来了系统建模预测和优化求解的困难，使这种控制方法论受到严重的挑战，并已成为模型预测控制实用化的主要障碍。正是出于此种原因，需要研究不同模型下的预测控制，从而达到预期的控制效果以及相对应的性能指标。2.2基于不同模型下的非线性预测控制2.2.1基于机理模型的非线性预测控制(NLMPG)机理模型即根据被控对象的物理特性所建立的微分方程模型。建立机理模型需要对被控对象有透彻的了解，但若系统工艺复杂，关联因素多，则机理模型的建立往往难度较大。对于非线性模型预测控制理论研究主要是基于机理模型，其算法的原理也同样遵循预测控制的原理，即预测模型、滚动优化和反馈校正，只是模型的描述没有普遍性。2.2.2基于实验模型的非线性预测控制(NLMPC)实验模型通常指结构确定而参数需经实验辨识的模型，描述的是系统输入和输出之间的关系。如Volterra模型、Hammerstein模型和Wiener模型。Volterra模型即非线性脉冲响应模型，描述系统动态的精度取决于所取Volterra序列的阶次，但高阶次的Volterra序列需要大量的实验来获取Volterra系数。Hammerstein模型描述的是一类可分为静态非线性和动态线性的系统。这类模型结构简单，可用于描述PH过程和具有幂函数、死区、开关等非线性的过程。选择合适的性能指标，采用Hammerstein模型预测，可将控制问题分解为线性模型的动态优化问题和非线性模型的静态求根问题。Viener模型也可描述一类能进行动态线性和静态非线性分离的系统，不同的是Wiener模型的线性动态环节在非线性静态增益的前面。2.2.3基于智能模型的非线性预测控制（NLMPC）智能模型如模糊模型、神经网络模型，描述的也是系统的输入输出之间关系，可以逼近许多非线性系统，因而产生了基于模糊模型的NLMPC方法、基于神经网络的NLMPC方法、以及基于启发式遗传算法的非线性预测控制，基于遗传算法和神经网络的NLMPC策略研究。模糊模型和神经网络模型，对于描述非线性过程具有良好的效果，符合预测控制对模型功能的要求，但也有它的不足之处，主要表现在对多步预测缺乏有效的方法，进行网络训练与实时修正耗时较多，不利于实现。同时，对于理论分析(如模型收敛性和闭环稳定性等)较为困难。3.结论对于模型预测控制的模型而言，重要的是其预测系统未来动态的功能。因此，预测模型可以是机理或实验的，时间连续或离散的，确定性或随机的。重要的是需要根据实际工业情况，根据实际所要满足的性能指标，选择相对应的非线性预测模型。参考文献[1]席裕庚.预测控制.北京：国防科技出版社,1993[2]陈虹刘志远解小华;非线性模型预测控制的现状与问题[期刊论文]；控制与决策；2001（07）[3]陈希平梁敏；非线性模型预测控制的理论及应用综述[期刊论文]；控制工程；2003,（10）[4]AndersE;NordsjOCramer-RaoboundsforaclassofsystemsdescribedbyWienerandHammersteinmodels1997(05)[5]ManerBR;DoyleFJ;OgunnaikeBANonlinearmodelpredictivecontrolofasimulatedmultivariablepolymerizationreactorusingsecond-orderVolterramodels[外文期刊]1996(09)