基于動態(tài)PLS框架的魯棒建模及預測控制方法研究.pdf

1、現(xiàn)代工業(yè)向著復雜化大型化發(fā)展，對傳統(tǒng)的機理建模和控制策略提出了重大挑戰(zhàn)。信息技術(shù)的發(fā)展使得過程變量的自動化采集程度越來越高，而采集到的數(shù)據(jù)包含大量的過程信息。對這些信息的有效利用促進了數(shù)據(jù)驅(qū)動方法的發(fā)展。偏最小二乘(partial least square，PLS)作為一種多元統(tǒng)計數(shù)據(jù)驅(qū)動方法，已廣泛應用于各個領(lǐng)域中。但在過程控制中的應用還處在起步階段。本文結(jié)合PLS方法的去噪、降維、消除共線性和自解耦等特點，研究了動態(tài)PLS的建模方法

2、和模型預測控制(model predictive control，MPC)方法。首先提出一種魯棒動態(tài)建模方法，以提高在數(shù)據(jù)中存在野點的情況下的建模精度。其次設(shè)計了一種抗擾動MPC方法以及線性和非線性系統(tǒng)的無靜差控制方法。具體工作內(nèi)容包括:
　　針對建模數(shù)據(jù)中的野點會影響動態(tài)PLS建模精度的問題，提出了一種具有野點檢測的動態(tài)PLS魯棒建模方法。野點檢測的方法是，首先利用改進的徑向基神經(jīng)網(wǎng)絡(luò)(Radial basis function

3、 network，RBFN)對系統(tǒng)的輸出進行預測。根據(jù)RBFN的逼近特性可知，RBFN的預測值是逼近系統(tǒng)輸出的真實值的。因此該預測值與真實值之差可視為系統(tǒng)的白噪聲，應滿足正態(tài)分布。利用隱馬爾可夫模型(Hidden markov model，HMM)對該差值進行檢測，判斷樣本點是否為野點。對于檢測出的野點用RBFN的輸出進行代替。對處理后的數(shù)據(jù)進行動態(tài)PLS建模。仿真實驗表明，該野點檢測方法具有較高的野點檢測能力。經(jīng)該方法處理后，動態(tài)PL

4、S的建模結(jié)果具有更高的魯棒性。
　　由于動態(tài)PLS對數(shù)據(jù)的壓縮和迭代建模機制，其模型會與實際過程存在偏差，這會導致PLS模型的不完全解耦。為抑制由于這種耦合而造成的回路間的擾動，提出一種動態(tài)PLS框架下的抗擾動廣義預測控制(Generalized predictivecontrol，GPC)方法。該方法將潛變量空間中的多個單輸入單輸出(Single-inputsingle-output，SISO)子系統(tǒng)作為一種特殊結(jié)構(gòu)的多輸入多輸

5、出(Multi-inputmulti-output，MIMO)系統(tǒng)進行控制律的求解。將目標函數(shù)中輸出跟蹤誤差的權(quán)重重組為根據(jù)模型預測值與參考軌跡之間的偏差實時調(diào)整的形式，以達到抑制由耦合而造成回路之間擾動的目的。權(quán)重調(diào)整的基本原則是，每個輸出的預測值跟蹤參考軌跡的權(quán)重由其它回路輸出在同時刻偏離其參考軌跡的誤差平方加權(quán)和構(gòu)成。兩個仿真實驗的結(jié)果表明，該方法能夠起到抑制由耦合而造成的擾動的目的。
　　提出一種將基于狀態(tài)空間模型的預測控

6、制引入到動態(tài)PLS框架下的控制方法。但動態(tài)PLS的自動解耦和降維的特點容易導致模型與實際系統(tǒng)的失配，這種MPC方法在控制中引入的是系統(tǒng)狀態(tài)反饋而不是輸出反饋，故容易造成控制系統(tǒng)的靜差。為解決這一問題，提出了兩種將系統(tǒng)的輸出作為反饋納入到控制器的方法。一種是將狀態(tài)空間模型改寫成增量形式，另一種方法是在狀態(tài)空間模型中引入擾動模型，并利用觀測器對系統(tǒng)的狀態(tài)進行估計。這兩種方法的有效性通過Jerome-Ray的精餾塔模型和聚乙烯反應過程的仿真得