第8章 先进控制系统介绍 3 软测量技术 1 2 时滞补偿控制 3 解耦控制 3 4 预测控制 3 5 自适应控制 6 模糊控制

第8章 先进控制系统 8.0 概述 现代工业生产过程的大型化、复杂化，对产品质量、产率、安全及对环境影响的要求越来越严格。 8.0 概述 现代工业生产过程的大型化、复杂化，对产品质量、产率、安全及对环境影响的要求越来越严格。 许多复杂、多变量、时变的关键变量的控制，常规PID已不能胜任，因此，先进控制受到了广泛关注。

先进过程控制(APC，Advanced Process Control)技术，是指不同于常规PID，具有比常规PID控制更好控制效果的控制策略的统称。 先进控制的任务，用来处理那些采用常规控制效果不好，甚至无法控制的复杂工业过程控制问题。

8.1软测量技术 过程控制中有时需对一些与产品质量相关的变量进行实时控制和优化，这些变量往往是密度、浓度、干度等质量变量，由于技术或经济原因，很难通过传感器进行测量。 软测量技术，就是选择与被估计变量相关的一组可测变量，构造某种以可测变量为输入、被估计变量为输出的数学模型，用计算机软件实现这些过程变量的估计。也成为“软仪表”，“软传感器”。 软测量估计值可作为控制系统的被控变量，还可为优化控制与决策提供重要信息。

软测量中各模块之间的关系 图8-1软测量结构图

软测量技术构成： 辅助变量的选择 数据采集与处理 软测量模型的建立 软测量模型的校正

8.1.1辅助变量选择 选择影响主导变量的可测相关变量作为辅助变量。 例:估计精馏塔塔顶产品的成分软测量 选择初始辅助变量 塔的进料特性 塔釜加热特性 塔顶回流特性 塔顶操作状态 塔抽出料特性

对初始辅助变量降维 方法一：通过机理分析，选择响应灵敏、测量精度高的变量作为最终辅助变量。 方法二：主元分析法，可利用现场历史数据作统计分析计算，将原始辅助变量与被测量变量的关联度排序，实现变量精选。 例如，在相关气相温度变量、压力变量之间选择压力变量。

8.1.2数据采集与处理 过程数据包含了工业对象的大量相关信息，因此采集被估计变量和原始辅助变量的历史数据时，数据的数量越多越好。 要求： 数据覆盖面在可能条件下应宽一些，以便软测量具有较宽的适用范围。 为了保证软测量精度，数据的正确性和可靠性十分重要，因此现场数据必须经过显著误差检测和数据协调，保证数据的准确性。 采集的数据要注意纯滞后的影响。

8.1.3软测量模型建立 建模方法有机理建模、经验建模及两者结合等方法。 机理建模是从内在物理和化学规律出发，通过物料平衡、能量平衡和动量平衡建立模型。可充分利用过程知识，依据过程机理，有较大的适用范围。 经验建模是通过实测或依据积累的操作数据，采用数学回归方法或神经网络等方法得到经验模型。 软测量模型选择时，还应考虑模型的复杂性，以及在实际系统硬件、软件平台的可实现性。 静态线性模型实施成本较小，神经网络模型所需计算资源较多。

8.1.4模型校正 当对象特征发生较大变化，软测量经过在线学习无法保证预估精度时，须利用测量器运算所累积的历史数据，进行模型更新或在线校正。 软测量模型的在线校正可表示为模型结构和模型参数的优化。模型结构修正往往需要大量样本数据和较长计算时间，难以在线进行。为解决模型结构修正耗时长和在线校正的矛盾，提出短期学习和长期学习的校正方法。 短期学习算法简单，学习速度快，便于实时应用。 长期学习是当软测量仪表在线运行一段时间积累足够的新样本模式后，重新建立软测量模型。

8.2时滞补偿控制 控制通道不同程度存在纯滞后(时滞)。 例：皮带传送存在纯滞后。 衡量纯滞后常采用纯滞后时间τ和时间常数T之比。当τ／T<0.3，是一般纯滞后过程；当τ／T>0.3，为大纯滞后过程。

8.2.1 Smith预估补偿控制 为改善大滞后系统控制品质，1957年Smith提出预估补偿控制。在PID反馈控制基础上，引入预估补偿环节，使闭环系统方程不含纯滞后项，提高了控制质量。

为实施Smith预估补偿控制，必须求取补偿器的数学模型。若模型与过程特性不一致，则闭环系统方程中还会存在纯滞后项，两者严重不一致时，甚至会引起系统稳定性变差。

8.2.2控制实施中若干问题 Smith预估补偿控制是基于模型已知的情况下进行，实现Smith预估补偿控制必须已知动态模型，即过程数学关系和纯滞后时间。 经预估补偿后，系统闭环方程已不含纯滞后项，因此，常规控制参数整定与无纯滞后的控制参数相同。但是，通常纯滞后环节采用近似表示，实施会造成误差，再者，补偿器模型与对象参数间存在偏差，因此，应适当减小控制器增益，减弱控制作用，以满足系统稳定要求。 Smith预估补偿控制对预估器精度要求较高，过程模型精确时，对纯滞后补偿效果较好，弱点是对模型的误差十分敏感。当过程参数变化10％～15％时，预估补偿就失去了良好的控制效果。

8.3解耦控制 8.3.1耦合现象影响及分析 例：精馏塔塔顶、塔釜温度控制的耦合实例。

被控变量为塔顶温度T1和塔底温度T2，操纵变量为回流量和蒸气流量。 u1变化不仅影响T1，同时还影响T2；同样，u2变化在影响T2同时，还影响T1。 这种情况，称两个控制回路间存在耦合。

解耦是使一个控制变量的变化只对与其匹配的被控变量影响，而对其他回路被控变量没有影响或影响很小。 使耦合的多变量控制系统分解为若干个独立的单变量控制系统，称为解耦控制。

8.3.2 解耦控制方法 （1）正确匹配被控变量与控制变量。 （2）整定控制器参数，减小系统关联 具体实现方法：通过整定控制器参数，把两个回路中次要系统的比例度和积分时间放大，使它受到干扰作用后，反应适当缓慢一些，调节过程长一些，这样可达到减少关联的目的。 缺点：次要被控变量的控制品质往往较差，这一点在工艺允许的情况下是值得牺牲的，但在另外一些情况下却可能是个严重缺点。

8.3.2 解耦控制方法 (3)减少控制回路 把方法(2)推到极限，次要控制回路的控制器比例度取无穷大，此时这个控制回路不存在，它对主要控制回路的关联作用也消失。 例如，在精馏塔控制系统设计中，工艺对塔顶和塔底组分均有一定要求时，若塔顶和塔底的组分均设有控制系统，这两个控制系统相关，在扰动较大时无法投运。 采用减少控制回路的方法来解决。如塔顶重要，则塔顶设置控制回路，塔底不设置质量控制回路,而往往设置加热蒸汽流量控制回路。

(4)串接解耦控制 在控制器输出与执行器输入之间，可串接解耦装置D(s)，双输入双输出串接解耦方块图如图8-5。 由图可得 图8-5双输入双输出串接解耦方块图 由图可得 Y(s)=Gc(ｓ)D(s)G(s) 设计要求：找到合适的D(s)使D(s)G(s)相乘成为对角矩阵，就解除了系统之间的耦合，两个控制系统不再关联。

8.4 预测控制 模型预测控制（MPC）是在工业过程控制实践中产生和发展起来的。 实际工业过程具有非线性、时变性和不确定性，而且大多数工业过程是多变量的，难于建立精确的数学模型，其结构也往往往十分复杂， 难以设计并实现有效的控制。 70年代以来，人们针对工业过程特点寻找各种对模型精度要求低，控制综合质量好，在线计算方便的优化控制算法。预测控制是在这样的背景下发展起来的。

预测控制的基本出发点与传统PID控制不同。

8.4.1预测控制的基本原理 预测控制种类很多，各类算法都有一些共同点，主要有四个基本特征，如图8-6所示。 图8-6 预测控制的基本结构

(1)预测模型 预测控制需要描述系统动态行为的模型，称为预测模型。预测模型能够根据系统的现时刻的控制输入以及过程的历史信息，预测过程输出的未来值。 在预测控制中有各种不同算法，可采用不同类型的预测模型。通常采用在实际工业过程中较易获得的脉冲响应模型和阶跃响应模型等非参数模型。

(2)反馈校正 图8-6 预测控制的基本结构

(2)反馈校正 在预测控制中，采用预测模型进行过程输出值的预估只是一种理想方式。对于实际过程，由于存在非线性、时变、模型失配和扰动等不确定因素，使基于模型的预测很难与实际相符。 在预测控制中，通过输出测量值与模型的预估值进行比较，得出模型的预测误差，再利用模型预测误差来校正模型的预测值，从而得到较为准确的将来输出的预测值。 预测模型加反馈校正过程，使预测控制具有很强的抗扰动和克服系统不确定性的能力。

(3)滚动优化 预测控制是一种优化控制算法，通过某一性能指标的最优化来确定未来的控制作用。 采用滚动式的有限时域优化策略。即优化过程不是一次离线完成的，而是反复在线进行的，在每一采样时刻，优化性能指标只涉及从该时刻起到未来有限时间，而到下一个采样时刻，这一优化时段会同时向前推移。 预测控制不是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局部优化性能指标。

(4)参考轨线 在预测控制中，为使过程避免出现输入和输出的急剧变化，往往要求过程输出沿着一条所期望的、平缓的曲线达到设定值。这条曲线通常称为参考轨线。它是设定值经过在线“柔化”后的产物。 预测控制的优良性质： 对数学模型要求不高，能直接处理具有纯滞后过程，具有良好的跟踪性能和较强的抗扰动能力，对模型误差具有较强的鲁棒性等。 这些优点使预测控制更加符合工业过程的实际要求，这是PID控制无法相比的。

8.4.2预测控制工业应用 三代软件包: 第一代预测控制软件包 以IDCOM和DMC为代表，主要处理无约束过程的预测控制。 第二代预测控制软件包 QDMC算法可以被称为它采用二次规划方法（QP）求解，可以系统地处理输入、输出约束问题。为了解决无可行解的问题，控制结构能随情况发生变化，能使用于过程动态特性以及更高的品质要求。

第三代预测控制软件包 主要有：美国DMC公司的DMC, Setpoint公司的IDCOM-M,SMCA, Honeywell 公司的RMPCT, Aspen公司的DMCPLUS，法国Adersa公司的PFC，加拿大Treiber Controls公司的OPC等，成功应用于石油化工的催化裂化、常减压、连续重整、延迟焦化、加氢裂化等重要装置。 我国通过重点科技攻关，在先进控制与优化方面积累了许多经验，成功应用实例亦不少，部分成果已逐渐形成商品化软件。

8.5 自适应控制 PID控制系统，均指控制器有固定参数的系统。 为了解决在被控对象的结构和参数存在不确定性时，系统仍能自动地工作于最优或接近于最优的状态，就提出了自适应控制。

自适应控制是建立在系统数学模型参数未知的基础上，在控制系统运行过程中，系统本身不断测量被控系统的参数或运行指标，根据参数或运行指标的变化，改变控制参数或控制作用，以适应其特性的变化，保证整个系统运行在最佳状态下。 一个自适应控制系统至少应包含有以下三个部分： 一是具有一个检测或估计环节，目的是监视整个过程和环境，并能对消除噪声后的检测数据进行分类。通常是指对过程的输入、输出进行测量，进而对某些参数进行实时估计。 二是具有衡量系统控制优劣的性能指标，并能够测量或计算它们，以此来判断系统是否偏离最优状态。 三是具有自动调整控制器的控制规律或参数的能力。

自校正控制系统

模型参考自适应控制系统 模型参考自适应控制系统主要用于随动控制。 这类控制的典型特征是参考模型与被控系统并联运行，参考模型表示了控制系统的性能要求。

8.6 模糊控制 1. 手动控制 操作人员根据对象的当前状态和以往的控制经验，用手动控制的方法给出适当的控制量，对被控对象进行控制。 2. 模糊控制 模糊控制是用模糊数学的知识模仿人脑的思维方式，对模糊现象进行识别和判决，给出精确的控制量，对被控对象进行控制。 车旅费女兵

手动控制和模糊控制的比较 操作员 手动给出 手动控制 控制经验 + 当前状态 控制量 事先总结归 纳出一套完 整的控制规 则，放在计 算机中。 传感器 测量的 当前值 模糊控制 模糊推理判决 计算出 + 控制量

3. 模糊控制的基本思想 首先根据操作人员手动控制的经验，总结出一套完整的控制规则，再根据系统当前的运行状态，经过模糊推理、模糊判决等运算，求出控制量，实现对被控对象的控制。用计算机模拟操作人员手动控制的经验，对被控对象进行控制。 4. 模糊控制的特点 与经典控制理论和现代控制理论相比，模糊控制的主要特点是不需要建立对象的数学模型。

5. 模糊控制的发展 5.1 模糊控制的起源 1965年 美国加利福尼亚大学自动控制专家L.A Zadeh （扎德 或 查德）教授的论文《模糊集合论》。 1974年 英国工程师 （E.H.Mamdani）马丹尼将模糊集合理论应用于锅炉和蒸汽机的控制，获得成功，模糊数学走向应用，取名模糊控制。

基本模糊控制：针对特定对象设计，控制效果好。控制过程中规则不变，不具有通用性，设计工作量大。 5.2 模糊控制发展的三个阶段 1）基本模糊控制 基本模糊控制：针对特定对象设计，控制效果好。控制过程中规则不变，不具有通用性，设计工作量大。 2）自组织模糊控制 自组织模糊控制：某些规则和参数可修改，可对一类对象进行控制。 基本模糊控制：针对特定对象设计，控制效果好。控制过程中规则不变，不具有通用性，设计工作量大。 自组织模糊控制：某些规则和参数可修改，可对一类对象进行控制。 智能模糊控制：具有人工智能的特点，能对原始规则进行修正、完善和扩展，通用性强。 3）智能模糊控制 智能模糊控制：具有人工智能的特点，能对原始规则进行修正、完善和扩展，通用性强。

5.3 模糊数学 模糊集合及其运算规则 在普通集合中，论域中的元素（如a）与集合（如A）之间的关系是属于（a∈A），或者不属于A，它所描述的是非此即彼的清晰概念。但在现实生活中并不是所有的事物都能用清晰的概念来描述，如: 风的强弱 人的胖瘦 年龄大小 个子高低

1) 模糊集合的概念 在模糊数学中，我们称没有明确边界（没有清晰外延）的集合为模糊集合。常用大写字母下加波浪线的形式来表示，如 、 等。 元素属于模糊集合的程度用隶属度或模糊度来表示。 隶属度即论域元素属于模糊集合的程度。用 来表示。隶属度的值为[0，1]闭区间上的一个数，其值越大，表示该元素属于模糊集合的程度越高，反之则越低。 计算隶属度的函数称为隶属函数。用 表示。

模糊集合的表示 当论域U由有限多个元素组成时，模糊集合可用向量表示法或法扎德表示法表示。设 (1) 向量表示法 (2) 扎德表示法

模糊控制原理图 s:系统的设定值。 x1, x2:模糊控制的输入(精确量)。 X1, X2:模糊量化处理后的模糊量。 U:经过模糊控制规则和近似推理后得出的模糊控制量。 u:经模糊判决后得到的控制量(精确量)。 y:对象的输出。

模糊控制原理图

课程小结 先进控制系统 了解先进控制技术的基本概念。 了解软测量技术，时滞补偿控制，解耦控制，预测控制，自适应控制，模糊控制的基本概念。

Thank You !