基于炼油过程的克服纯滞后的广义预测控制

摘要:针对炼油工业过程中存在的纯滞后问题,提出一种克服纯滞后的广义预测控制方法。由神经网络辨识出非线性系统的纯滞后时间参数,在每个控制周期内,递推预测非线性滞后系统在未来时刻的工作点,在工作点附近对非线性系统进行线性化,根据得出的线性化模型进行广义预测控制,预测出未来对应时刻的系统输出,从而达到预期的控制目的,仿真结果表明,此方法能快速有效地跟踪系统给定值,控制效果良好。

Abstract: This paper focused on extending the generalized predictive control algorithm for overcoming the promblem of pure lag system based on the process of refinng. First non-linear system identified pure lag time parameters by the neural network, then at each control period, we predict the nonlinear system’s future working point at which we linearize the nonlinear system and get a linear system, then we apply the generalized predictive control algorithm to this linear model to control the nonlinear system and predict the system future output and achieve the desired objective.The simulating results show that this method can track the set value of the system rapidly and efficiently,and has a good control result.

关键词:神经网络;广义预测控制;纯滞后;线性化模型

Key words: neural network;generalized predictive control;pure lag;linear model

中图分类号:TE624;F272.1 文献标识码:A文章编号:1006-4311(2010)14-0127-02

0引言

炼油工作过程具有典型的非线性、纯滞后的特点,常规的PID控制往往无能为力。1957年Smith提出的预估器是解决大纯滞后的有效方法,也有很多学者在此基础上提出一些改进方法,取得了较好的控制效果[1-2],但是它需要控制对象的精确数学模型,抗干扰能力差。而组合Smith的模糊控制[3],虽不需要控制对象的精确模型,但难以实现各预估器之间的无扰动切换。

广义预测控制(GPC)[4]的研究大多以线性系统为被控对象,并取得了许多理论和应用成果。为将GPC良好的控制效果推广到非线性系统控制中,近年来一些学者展开这方面的研究。文献[5]中提出的将预测函数控制应用于纯滞后温度控制系统,减小了稳态误差,但超调量偏大。还有一些学者采用神经网络辨识系统的滞后参数,来描述非线性系统进行预测控制。但如何将辨识后的纯滞后时间参数结合未来时刻的工作点预测控制输出等控制方法未加讨论。

根据上述情况提出一种用神经网络辨识系统的滞后时间参数,对递推预测出的未来工作点得出其线性化模型,用广义预测控制算法实现对炼油过程的纯滞后对象的控制。

1非线性模型及滞后时间参数的辨识

对于一般纯滞后非线性控制系统:

y=g(y(t),u(t-d),t)(1)

其中,y(t)、u(t)分别表示系统的输出和控制量;d为系统的纯滞后时间;设非线性函数g连续可导。在用神经网络对非线性系统滞后时间参数进行辨识时,主要是利用不同的输入采样区间样本集对网络的训练结果有很大的影响的特性,即:在用采集的样本对神经网络进行训练时,期望输出与网络输出误差平方和(即网络训练结果)会在不包含第一个延迟输入量h=d+1到包含第一个延迟输入量h=d的输入采样区间产生突变,由此可以用来辨识出系统的纯滞后时间。

2工作点预测

由于系统存在的纯滞后,已知当前时刻之前的控制量和输出的前提下,忽略将来时刻噪声的影响,由式(1)可计算系统将来时刻d步延时后的预测输出ym(t+d),它与控制量u(t-1)一起作为系统在将来时刻(t+d)的工作点的预测值。

3线性化模型

从理论上讲,非线性系统在工作点附近总可以用某一线性数学模型来近似,这种近似做法在一定工作范围内是有效的。在已知系统在(t+d)时刻工作点的预测值后,对非线性系统(1)在点ym(t+d),u(t-1),附近利用Talor展开式展开,离散化后得非线性模型:

y(t+d+1)=ay(t+d+1-i)+bΔu(t-i)+g(t)(2)

其中:g(t)=h(Δu(t),Δu(t-1),…,y(t),y(t-1),…)为展开式的非线性部分,在工作点附近可近似的取其线性部分,得到如下模型:

y(t+d+1)=ay(t+d+1-i)+bΔu(t-i)(3)

4仿真实例分析

某一炼油控制系统的动态特性可表示为:

y(t+1)-1.1y(t)+y(t-1)+0.3y(t-2)-0.5y(t-3)=(u(t-2)+0.1)2

(4)

对系统的非线性部分在点u(t-1)线性化得:

(u(t)+0.1)2=(u(t-1)+0.1)2+2(u(t-1)+2(u(t-1)+0.1)Δu(t)+

Δu2(t)(5)

现对系统进行单位阶跃响应仿真。采样周期Ts=0.1S,并在t=20s时加入幅值为0.1的负阶跃干扰。仿真曲线如图1所示。图中曲线1表示采用预测控制时的阶跃响应曲线,曲线2为模型精确时Smith预估补偿与PID结合的控制方案时的阶跃响应曲线。从图1可以看出控制初期曲线1的上升速度略快于曲线2,且曲线2需要的稳定时间要长一些;在t=20s收到干扰后,需要一段时间才能稳定,而曲线1则能很快稳定。说明对纯滞后系统采用广义预测控制及参数辨识,能够实时跟踪被控系统,提高抗干扰能力,得到较理想的系统输出。

5结论

针对炼油控制系统中存在纯滞后的问题,采用神经网络辨识出非线性系统的纯滞后时间参数,通过递推预测非线性系统将来时刻的工作点并线性化后,进行广义预测控制,使用预测值产生下一时刻的控制量,减弱了纯滞后对系统的影响。仿真实验表明,该方法控制效果好,抗干扰能力强。

参考文献:

[1]张钰,刘秋红等.基于灰色广义预测的自动控制系统[J].微计算机信息,2009,4-1:41-43.

[2]张培建,吴建国.大纯滞后系统研究与应用[J].东南大学学报,2004,34(11):169-172.

[3]刘晓峰,许忠仁,杨丙聪.一种克服大纯滞后的预测控制方法[J].河南科技大学学报:自然科学版,2007,28(1):45-48.

[4]胡耀华,张显库等.一类非线性滞后系统的广义预测控制.大连海事大学学报:2006,32(3):30-33.

[5]CLARKE D W, TUFFS PS.Generalized predictive control.part1and part2 [J].Automatica, 1987, 23(2):137-160.

推荐访问:广义 滞后 克服 过程 预测