先进控制技术综述

1先进控制技术综述1引言在实际的工业控制过程中，很多系统具有高度的非线性、多变量耦合性、不确定性、信息不完全性和大滞后等特性。对于这种系统很难获得精确的数学模型，并且常规的控制无法获得满意的控制效果。面对这些复杂的工业控制产生了新的控制策略，即先进控制技术。先进控制技术包括：自适应控制，预测控制，推理控制，鲁棒控制以及包括模糊控制与神经网络在内的智能控制方法。本文详细介绍了自适应控制、预测控制以及这两种先进控制的应用领域和优缺点[1]。2自适应控制自适应控制的思想是对于系统中的不确定性，以及控制任务的艰巨性，对于部分未建模的动态特性、变化的被控对象和干扰信号，及时地测得它们的信息，并根据此信息按一定的设计方法，自动地做出控制决策、修改控制器结构和参数，使其控制信号能够适应对象和扰动的动态变化，在某种意义上达到控制效果最优或次优。2．1自适应控制介绍目前自适应控制的种类很多，从总体上可以分为三大类：自校正控制、模型参考自适应控制和其他类型的自适应控制。自校正控制的主要问题是用递推辨识算法辨识系统参数，根据系统运行指标来确定调节器或控制器的参数。其原理简单、容易实现，现已广泛地用在参数变化、有迟滞和时变过程特性，以及具有随机扰动的复杂系统。自校正控制系统的一般结构图如图1所示。自校正控制适用于离散随机控制系统[2]。图1自校正控制结构图模型参考自适应控制，利用可调系统的各种信息，度量或测出各种性能指标，把模型参考自适应控制与参考模型期望的性能指标相比较；用性能指标偏差通过非线性反馈的自适应机构产生自适应律来调节可调系统，以抵消可调系统因“不确定性”所造成的性能指标的偏差，最后达到使被控的可调系统获得较好的性能指标的目的。模型参考自适应控制可以处理缓慢变化的不确定性对象的控制问题。由于模型参考自适应控制器被控对象控制器参数设计递推参数估计)(tyr)(tu)(ty2控制可以不必经过系统辨识而度量性能指标，因而有可能获得快速跟踪控制。模型参考自适应控制结构框图如图2所示，模型参考自适应控制一般用于确定性连续控制系统。图2模型参考自适应框图其他形式的自适应控制系统是指除前面所描述的自校正控制系统和模型参考控制系统以外基于先进理论的自适应控制系统及多变量过程自适应控制系统、非线性自适应控制系统和权系数自适应控制系统等。2.2自适应控制应用及其优缺点控制器参数的调整最早出现于1940年，直到20世纪50年代末，由于飞机控制器的需要，麻省理工学院首先提出了飞机自动驾驶仪的模型参考自适应控制方案。1960年至1970年间，伴随着控制理论的发展，自适应控制设计有了有效的基础，进入20世纪80年代后，随着数字机性能价格比的迅速改善和微机应用技术的不断提高，至此自适应控制得到了充分的应用。如今自适应控制得到进一步发展，其不仅在工业领域取得了较大的成功，而且在社会、经济和医学等非工业领域也进行了有益的探索。自适应控制的应用主要有以下几个方面：工业过程控制，智能化高精密机电或电液系统控制，电力系统的控制，航天航空、航海和无人驾驶，柔性结构与振动和噪声的控制，生物工程及武器系统。同一般的反馈控制相比，自适应控制具有如下优点：(1)一般反馈控制主要适用于事先确知的对象或确定性对象。自适应控制可应用先前无法确知的对象和时变对象。(2)一般反馈控制具有抗干扰能力，能够消除状态扰动引起的系统误差。自适应控制因为有辨识对象和在线修改参数的能力，因而不仅能够消除状态扰动引起的系统误差，还能消除系统结构扰动引起的系统误差。(3)一般反馈控制系统的设计需要掌握描述系统特性的数学模型及其环境变化状况。自适应控制系统设计很少依赖数学模型，只需要较少的先验知识，就可以通过自适应的控制设计实现控制目标。(4)自适应控制是更复杂的反馈控制，与一般反馈控制相比增加了自适应控制机构或辨识器，还附加了一个可调系统，可以解决更复杂的控制问题。参考模型可调系统自适应机构信号试验re33预测控制预测控制是一种基于预测模型的控制方法，采用了滚动优化，反馈矫正等方法。(1)预测模型：预测控制是一种基于模型的控制算法，这一模型称为预测模型，预测模型的功能是根据对象的历史信息和未来输入预测其未来输出，这里只强调模型的功能而不强调其结构形式；因此预测模型既可以是差分方程、微分方程等参数模型，也可以是被控过程的脉冲响应、阶跃响应等非参数模型。(2)滚动优化：预测控制是一种优化算法，它是通过某一性能指标的最优来取得未来控制作用的，与通常的离散最优控制算法不同，其不是采用一个对全局相同的优化性能指标，而是在每一时刻有一个相对于该时刻的优化性能指标。(3)反馈校正：预测控制是一种闭环控制算法。由于实际系统受非线性、时变、模型失配、干扰等因素的影响，基于不变模型的预测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，又要求模型输出与系统实际输出保持一致，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。3.1预测控制介绍现在比较流行的算法包括有:动态矩阵控制(DMC)；广义预测控制(GPC)；内模控制(IMC)等。DMC算法是采用基于对象阶跃响应特征的预测模型。设计过程中采用固定格式，用二次型目标函数决定控制量最优值增量序列，采用自校正动态矩阵控制等多种算法，用改变二次型目标函数中的权系数阵来实现。DMC算法是一种基于对象阶跃响应模型的预测控制算法，适用于渐近稳定的线性对象，其结构如图3所示[1]。图3DMC结构示意图DMC算法主要特点是，算法比较简单、计算量较少、鲁棒性较强，比较适用于有纯时延、开环渐进稳定的非最小相位系统。该方法近年来已在冶金、石油、化工等领域得到了广泛的应用。广义预测控制（GPC）是80年代末产生的一种新型预测控制算法，该方法融合参考轨迹控制算法对象预测模型syRyud++y+－My4了自适应控制与预测控制的基本思想，与模型算法控制（MAC）和动态矩阵控制（DMC）的主要区别在于采用受控可控自回归积分滑动平均模型（CARIMA）。广义预测控制改进了最小方差自适应控制中对非最小相位系统敏感等缺点，具有模型参数少，对扰动、随机噪声、时滞变化有较强的鲁棒性等特点[3]，GPC方法的结构如图4所示。图4GPC控制结构框图在广义预测控制中，通过输出的测量值与模型的预估值，得到模型的预测误差，在利用模型预测误差来校正模型的预测值，从而得到更为准确的将来输出的预测值[4]，文献[5]中给出了一种PID结构的广义预测控制控制，并分析了该方法在智能车转向上的应用。内模控制（IMC）是预测控制的重要组成部分，最先由Garcia于1982年提出的，因为它的设计简单、跟踪调节性能好、鲁棒性强、可以消除不可测干扰的影响，可以用来分析和设计预测控制系统。1989年Morari透彻研究了内模控制的鲁棒性和稳定性，并且由其他学者推广到非线性系统，蓬勃发展中的神经网络也引入到内模控制中。内模控制还和许多其它控制方式相结合，如内模控制与模糊控制、内模控制和自适应控制、内模控制和最优控制、预测控制的结合使内模控制不断得到改进并广泛应用于工程实践中，取得了良好的效果。内模控制的基本控制如图5所示：图5内模控制结构框图在上图中给出的是连续系统的内模控制结构框图，其中R(s)为给定输入；参考轨迹CARIMA优化计算被控对象在线校正r()yk()myki()cyki()ryki()uk()Rs()rGs()cGs()pGs()mGs()fGs()eDs()Ds()Ys()mYs()Us5()rGs为参考输入滤波器；()cGs为内模控制器；()fGs为反馈滤波器；()Gs为被控对象模型；()mGs为预测对象模型，也称为内部模型；()Ds为外部不可测扰动；()eDs为反馈差值；()Ys为被控对象的输出量。内部模型()mGs的选取可以有多种方法，可以为参数模型，也可以是非参数模型，人们常常将预测控制算法等价变换为相应的内模结构，通过内模控制理论的结果来分析预测控制的稳定性和鲁棒性[6]。当内部模型与实际模型精确相等（()()pmGsGs），且没有扰动时时开环控制，但实际生产过程中系统模型是无法准确的得到的，因此内模控制实际应用中是一种闭环控制方法，()eDs反映了模型不确定性与外加扰动对系统的影响。IMC系统具有对偶稳定性、理想控制器特性、零稳态偏差特性等优良特征。内模控制器设计可分为两个阶段：首先，设计一个稳定的理想控制器，而不考虑系统的鲁棒性和约束；其次，引进滤波器，通过调整滤波器的结构和参数来获得期望的动态品质和鲁棒性[8]。3.2预测控制应用及其优缺点预测控制控制效果好、鲁棒性强，适用于控制不易建立精确数学模型，且比较复杂的工艺过程，并已在许多不同的控制对象中取得了成功的应用，如电力、化工、冶金、机器人手臂、投资决策、医疗、飞机自动驾驶仪、船舶自动舵、故障诊断等[7]。目前，常用的预测控制应用于变化比较缓慢的生产过程或对象时，一般能取得较好的结果，而对于变化迅速而复杂的过程或对象，由于模型不精确、控制算法复杂和运算量大，往往难以实现在线实时控制。因此，寻找算法简单，建模容易，控制迅速而有效的方法一直是人们努力的方向。将智能技术引入控制系统是控制学科发展的必然趋势，对于大滞后过程来说，由于当前施加的控制作用，需要经过较长的时间才会在输出中反映出来，可见实现大滞后过程控制的关键在于对系统输出的预测。二十世纪70年代末从实践中发展起来的预测控制算法为大滞后系统的控制提供了一种方法。但现有的一些预测方法，如史密斯预估法，模型算法控制，动态矩阵预报控制等，都需要较精确的系统数学模型，因此建模成了预测控制发展的一个瓶颈。目前，预测控制系统的研究方向，不仅先进预测控制和智能预测控制的研究备受人们关注，预测函数控制、多速率采样预测控制、多模型切换预测控制和有约束预测控制的研究也使很多专家学者产生了浓厚的兴趣，并且在这些方面的研究也取得了不少有意义的研究成果[9]。预测控制是基于模型的算法，而复杂时变的非线性系统难以用常规的方法来建立模型，致使常规的预测控制算法难以实现，其次预测控制算法中不可避免的存在着大量大矩阵的相乘、求逆等运算，计算周期过长，不适合于那些动态过程比较快的对象实时控制要求。还有由于预测控制采用以大范围输出预测为基础的在线滚动优化控制策略，使得预测控制闭环输入输出方程非常复杂，其主要设计参数都是以蕴含的方式出现在闭环传递函数中，而难以用解析表示式表示出各参数变化对闭环系统动静态特6性、稳定性和鲁棒性的影响，难以给出设计参数变化的选择准则。这表明现有的理论研究仍远远落后于工业生产实际。因此，突破现状解决预测控制中存在的问题，对促进这类富有生命力的新型计算机控制算法的进一步发展具有重要意义。4总结在今后一段时间内，相对简单的反馈、前馈和其他成熟的控制技术仍将继续显示出其优点。由此，自适应控制和预测控制必须有新的突破性进展，在工程应用中才有可能对PID控制等传统方法取得压倒性优势，结合神经网络、模糊逻辑、知识库和专家系统等人工智能技术是最终实现这一远景的可能途径。7参考文献[1]毛志忠,常自清.先进控制技术[M].北京：科学出版社，2012.[2]刘楚辉.自适应控制的应用研究综述[J].组合机床与自动化加工技术，2007.[3]刘桂波.广义预测控制系统的闭环特性分析[J].黑龙江工程学院学报，2012(26),6:47-49.[4]李伟,杜玉蕾.广义预测控制在时滞系统中的应用[J].电脑应用技术，2009,67:32-37.[5]秦刚,王新茹.PID结构广义预测控制算法的仿真及分析[J].西北工业大学学报.2012(32),2:162-166.[6]马辉.先进控制技术的性能分析[D].硕士学位论文，黑龙江大学，2009.[7]李峰,王京.内模控制在高温湿热控制系统中的应用[J].自动化仪表，2012(33),3:57-59.[8]胡耀华,贾欣乐.广义预测控制综述[J].信息与控制，2000.6.[9]禹柳飞.神经网络技术在预测控制中的应用研究[D].硕