連退加熱爐帶溫預(yù)測控制一體化仿真與應(yīng)用

在連續(xù)退火生產(chǎn)線進行仿真前,要在相關(guān)畫面中輸入或者導(dǎo)人鋼卷數(shù)據(jù)信息(長度、厚度等)，然后輸人機組速度。點擊“開始”按鈕即開始進行仿真,仿真將自動調(diào)用設(shè)備參數(shù)文件以及辨識得到的模型參數(shù)和控制參數(shù)文件。不同的帶鋼以不同的顏色在畫面上顯示,也可以實時調(diào)整機組速度，在仿真畫面上可以顯示各爐區(qū)的爐溫、帶溫以及煤氣流量。這個連續(xù)退火生產(chǎn)線仿真畫面完全是根據(jù)設(shè)備特性參數(shù)文件畫出的，可以根據(jù)實際情況上下或者左右自動劃分爐區(qū)。

使用該連續(xù)退火生產(chǎn)線平臺得到的結(jié)果已經(jīng)在某條連退生產(chǎn)線上運用?，F(xiàn)場運行實績表明,在帶鋼規(guī)格不變的情況下，實際帶溫基本上圍繞設(shè)定帶溫小幅波動，帶溫穩(wěn)態(tài)控制精度達(dá)到±5℃：;當(dāng)帶鋼厚度從910mm變化為1010mm時，設(shè)定的目標(biāo)帶溫從780℃變?yōu)?20℃。此時,實際帶溫最高達(dá)到了790℃,最低為708℃,見圖6?？刂茰囟然旧暇o跟設(shè)定帶溫的變化，也就是說變規(guī)格時帶溫動態(tài)控制精度達(dá)到士15℃，達(dá)到了比較好的技術(shù)指標(biāo)，滿足了連續(xù)退火生產(chǎn)線生產(chǎn)的要求。

連續(xù)退火生產(chǎn)線模型辨識包括穩(wěn)態(tài)模型辨識、爐溫動態(tài)辨識、煤氣流量動態(tài)辨識等幾個部分。

在數(shù)據(jù)1中輸人用于建模的數(shù)據(jù),在數(shù)據(jù)2中輸入用于檢驗的數(shù)據(jù)。同時，還要選擇區(qū)號以及輸人相應(yīng)的參數(shù)，點擊辨識按鈕，可以得到模型參數(shù)以及相應(yīng)的階躍響應(yīng)曲線圖和零極點圖,并在畫面上顯示出來。點擊“比較”按鈕,可以得到比較圖形，根據(jù)圖形顯示可以判斷模型辨識得到的參數(shù)是否符合要求。如果滿意就點擊“保存”按鈕，將辨識得到的這些模型參數(shù)保存起來。選擇不同的爐區(qū)，可以得到連續(xù)退火生產(chǎn)線所有爐區(qū)的模型參數(shù)。

預(yù)測控制理論雖然在上個世紀(jì)70年代就已提出，在工程實踐中也有成功應(yīng)用的案例，但是經(jīng)過了近四十年的發(fā)展，還有很多問題值得更深入的探索和研究。

1)預(yù)測控制理論研究。預(yù)測控制的起源與發(fā)展與工程實踐緊密相連。實際上理論研究遲后于實踐的應(yīng)用。主要設(shè)計參數(shù)與動靜態(tài)特性，穩(wěn)定性和魯棒性的解析關(guān)系很難得到。且遠(yuǎn)沒達(dá)到定量的水平。

2）對非線性，時變的不確定性系統(tǒng)的模型預(yù)測控制的問題還沒有很好的解決。

3）將滿意的概念引入到系統(tǒng)設(shè)計中來，但滿意優(yōu)化策略的研究還有待深入。

4）預(yù)測控制算法還可以繼續(xù)創(chuàng)新。將其他學(xué)科的算法或理論與預(yù)測控制算法相結(jié)合，如引入神經(jīng)網(wǎng)絡(luò)、人工智能、模糊控制等理論以更加靈活的適應(yīng)生產(chǎn)需要。

從模型預(yù)測控制理論和實踐的飛速發(fā)展來看，預(yù)測控制已經(jīng)存在大量成功的工業(yè)應(yīng)用案例，一些線性預(yù)測和非線性預(yù)測工程軟件包已經(jīng)推出和應(yīng)用。傳統(tǒng)預(yù)測控制理論研究日臻成熟，預(yù)測控制與其他先進控制策略的結(jié)合也強益緊密。預(yù)測控制已成為一種極具工業(yè)應(yīng)用前景的控制策略。2100433B

連續(xù)預(yù)測控制預(yù)測控制算法框圖

雖然預(yù)測控制有許多算法，一般的意義上說，它們的原理都是一樣的，算法框圖如圖1所示：

連續(xù)預(yù)測控制預(yù)測控制三個基本原則

(1)預(yù)測模型

預(yù)測控制是一種基于模型的控制算法，該模型被稱為預(yù)測模型。對于預(yù)測控制而言，只注重模型功能，而不是模型的形式。預(yù)測模型是基于對象的歷史信息和輸入，預(yù)測其未來的輸出。從方法論的角度來看，只要信息的收集具有預(yù)測功能，無論什么樣的表現(xiàn)，可以作為預(yù)測模型。這樣的狀態(tài)方程、模型傳遞函數(shù)都可以用來作為一個傳統(tǒng)的預(yù)測模型。例如線性穩(wěn)定對象，甚至階躍響應(yīng)、脈沖響應(yīng)的非參數(shù)模型，，都可直接作為預(yù)測模型。此外，非線性系統(tǒng)，分布式參數(shù)系統(tǒng)模型，只要具備上述功能也可以在這樣的預(yù)測控制系統(tǒng)中時用來作為預(yù)測模型。因此，預(yù)測控制打破了嚴(yán)格的控制模型結(jié)構(gòu)的傳統(tǒng)要求，可按照功能要求根據(jù)最方便的信息集中方式基礎(chǔ)建模。在這種方式中，可以使用預(yù)測模型為預(yù)測控制進行優(yōu)化，.以提供的先驗知識來確定什么樣的控制輸入，從而使下一次受控對象的輸出變化與預(yù)定的目標(biāo)行一致。

(2)滾動優(yōu)化

預(yù)測控制是一種基于優(yōu)化的控制，但其控制的輸入不是根據(jù)模型和性能指標(biāo)一次解決并實現(xiàn)它，而是在實時的時間里來滾動優(yōu)化解決。在每一步的控制中，定義從目前到未來有限時域的最優(yōu)化問題，通過參數(shù)優(yōu)化求解時域的最優(yōu)控制輸入，但是只有真正的即時輸入控制才給予實現(xiàn)。到下一個控制周期，重復(fù)上述步驟，整個優(yōu)化領(lǐng)域向前一步滾動。在每個采樣時刻，優(yōu)化性能指標(biāo)只涉及從現(xiàn)在到未來有限的時間，并且下一個采樣時刻，優(yōu)化時段向前推移。因此，預(yù)測控制全局優(yōu)化指標(biāo)是不一樣的，在每一個時刻有一個相對該時刻的優(yōu)化指標(biāo)。因此，預(yù)測控制的優(yōu)化不是一次離線進行，而是在線反復(fù)進行，這是滾動優(yōu)化的意義，預(yù)測控制的這一點也是不同于傳統(tǒng)最優(yōu)控制的根本。

(3)反饋校正

基礎(chǔ)的預(yù)測模型中，對象的動態(tài)特性只有粗略的描述，由于實際系統(tǒng)中有非線性、時變、模型不匹配、干擾等因素，基于相同模型的預(yù)測，與實際情況是無法完全匹配的，這需要用其他手段補充預(yù)測模型和實際對象的誤差，或?qū)A(chǔ)模型進行校正。滾動優(yōu)化只有建立在反饋校正的基礎(chǔ)上，才能體現(xiàn)其優(yōu)越性。因此，通過預(yù)測控制算法的優(yōu)化，確定一系列未來的控制作用，為了防止模型失配或環(huán)境干擾引起的控制措施對理想狀態(tài)造成的影響，這些控制沒有完全逐一實現(xiàn)，只實現(xiàn)即時控制作用。到下一個采樣時間，首先監(jiān)測對象的實際輸出，并使用此信息在預(yù)測模型的基礎(chǔ)上進行實時校正，然后進行新的優(yōu)化。因此，預(yù)測控制優(yōu)化不僅基于模型，并使用了反饋信息，從而構(gòu)成一個閉環(huán)優(yōu)化。

連續(xù)預(yù)測控制預(yù)測控制基本特征

(1)預(yù)測控制算法利用過去，現(xiàn)在和未來(預(yù)測模型)的信息，而傳統(tǒng)的算法，如PID等，只取過去和現(xiàn)在的信息;

(2)對模型要求低，現(xiàn)代控制理論難以大規(guī)模應(yīng)用于過程工業(yè)，重要原因之一就是對模型精度過于苛刻，預(yù)測控制成功地克服這一點;

(3)模型預(yù)測控制算法具有全局滾動優(yōu)化，每個控制周期持續(xù)的優(yōu)化計算，不僅在時間上滿足實時性要求，還通過全局優(yōu)化打破傳統(tǒng)局限，組合了穩(wěn)定優(yōu)化和動態(tài)優(yōu)化;

(4)用多變量控制思想來取代單一的可變控制傳統(tǒng)手段。因此，在應(yīng)用到多變量的問題時，預(yù)測控制通常被稱為多變量預(yù)測控制;

(5)最重要的是能有效地處理約束。因為在實際生產(chǎn)中，通常將制造過程工藝設(shè)備的狀態(tài)設(shè)置為在邊界條件(安全邊界，設(shè)備功能邊界，工藝條件邊界等)上操作，該操作狀態(tài)下，操作變量往往產(chǎn)生飽和以及被控變量超出約束的問題。所以可以處理多個目標(biāo)，有約束控制能力成為一個控制系統(tǒng)長期、穩(wěn)定和可靠運行的關(guān)鍵技術(shù)。

連續(xù)預(yù)測控制預(yù)測控制種類

1978年，Richalet等首先闡述了預(yù)測控制的思想，預(yù)測控制是以模型為基礎(chǔ)，采用二次在線滾動優(yōu)化性能指標(biāo)和反饋校正的策略，來克服受控對象建模誤差和結(jié)構(gòu)、參數(shù)與環(huán)境等不確定因素的影響，有效的彌補了現(xiàn)代控制理論對復(fù)雜受控對象所無法避免的不足之處。

預(yù)測控制自發(fā)展以來，算法種類非常繁多，但按其基本結(jié)構(gòu)形式，大致可以分為三類：

(I)由Cutler等人提出的以非參數(shù)模型為預(yù)測模型的動態(tài)矩陣控制(Dynamic Matrix Control, DMC), Rauhani等人提出的模型算法控制(Model Algorithmic Control,MAC).這類非參數(shù)模型建模方便，只需通過受控對象的脈沖響應(yīng)或階躍響應(yīng)測試即可得到，無須考慮模型的結(jié)構(gòu)與階次，系統(tǒng)的純滯后必然包括在響應(yīng)值中。其局限性在于開環(huán)自穩(wěn)定對象，當(dāng)模型參數(shù)增多時，控制算法計算量大。

(2)與經(jīng)典的自適應(yīng)控制相結(jié)合的一類長程預(yù)測控制算法(Generalized Predictive Control, GPC).這一類基于辨識模型并且有自校正的預(yù)測控制算法，以長時段多步優(yōu)化取代了經(jīng)典的最小方差控制中的一步預(yù)測優(yōu)化，從而適用于時滯和非最小相位對象，并改善了控制性能，具有良好的魯棒性。

(3)基于機構(gòu)設(shè)計不同的另一類預(yù)測控制算法:包括由Garcia提出的內(nèi)?？刂?Internal Model Control, IMC), Brosilow等人提出的推理控(Inference Control)等。這類算法是從結(jié)構(gòu)上研究預(yù)測控制的一個獨特分支。

以上述典型預(yù)測控制為基礎(chǔ)結(jié)合近幾年發(fā)展起來的各種先進控制策略，形成了一些先進的預(yù)測控制算法，包括極點配置預(yù)測控制、解禍預(yù)測控制、前饋補償預(yù)測控制、自適應(yīng)預(yù)測控制，魯棒預(yù)測控制等。本文重點研究自適應(yīng)預(yù)測控制，即基于自適應(yīng)雙重控制的預(yù)測控制算法。

另外，諸如模糊預(yù)測控制，神經(jīng)網(wǎng)絡(luò)預(yù)測控制等智能預(yù)測控制算法的發(fā)展為解決復(fù)雜受控系統(tǒng)提供了強有力的支持。

許多新型的預(yù)測控制層出不窮，如預(yù)測函數(shù)控制、多速率采樣預(yù)測控制、多模型切換預(yù)測控制，有約束預(yù)測控制等。預(yù)測控制的算法種類越來越多，預(yù)測控制的性能在不斷改善，使其更好的應(yīng)用在工業(yè)實際中。

《機電液一體化系統(tǒng)建模與仿真技術(shù)》內(nèi)容涉及系統(tǒng)仿真理論與算法，機械、液壓、電控系統(tǒng)的建模與仿真，機電液一體化系統(tǒng)數(shù)字仿真軟件平臺與協(xié)同仿真系統(tǒng)、視景仿真系統(tǒng)、分布式交互仿真系統(tǒng)的實現(xiàn)等，并論述了機械系統(tǒng)動力學(xué)分析軟件ADAMS、液壓系統(tǒng)仿真軟件AMESim、控制系統(tǒng)仿真軟件MATLAB、分布式仿真平臺和視景仿真軟件VegaPrime等多領(lǐng)域?qū)I(yè)仿真軟件的應(yīng)用與集成，最后給出了一個綜合應(yīng)用實例，詳細(xì)闡述了機電液一體化系統(tǒng)建模與仿真的實現(xiàn)問題。 機電液一體化系統(tǒng)建模與仿真技術(shù)是一本詳細(xì)論述機電液一體化系統(tǒng)的建模與仿真問題等內(nèi)容的書。