预测控制的现状

预测控制的现状和发展前景

预测控制一经问世，即在复杂工业过程中得到成功应用，显示出强大的生命力，它的应用领域也已扩展到诸如化工、石油、电力、冶金、机械、国防、轻工等各工业部门。它的成功主要是由于它突破了传统控制思想的约束．采用了预测模型、滚动优化、反馈校正和多步预测等新的控制策赂，获取了更多的系统运行信息，因而使控制效果和鲁棒性得以提高。

预测控制的理论研究工作也取得了进展。比如采用内模结构的分析方法，为研究预测控制的运行机理、动静态待性、稳定性和鲁棒性提供了方便。运用内模结构的分析方法还可找出各类预测控制算法的共性，建立起它们的统一格式，便于对预测控制的进一步理解和研究。此外，将预测控制与自校正技术结合起来，可以提高预测模型的精度；减少预测模型输出误差，提高控制效果。但现有的理论研究仍远远落后于工业应用实践。从目前发表的文献来看，理论分析研究大多集中在单变量、线性化模型等基本算法上：而成功的工业应用实践又大多是复杂的多变量亲统；这表明预测控制的理论研究落后于工业生产实际；因此，如何突破现状，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有重要意义。下面就目前预测控制中存在的主要问题和发展前景作些探讨。

(1) 进一步开展对预测控制的理论研究，探讨算法中主要设计参数对稳定性、鲁棒性及其他控制性能的影响，给出参数选择的定量结果。

上述问题的主要困难是，由于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，其主要设计参数都足以蕴含的方式出现在闭环传递函数中，因而难以用解析表示式表示出各参数变化对闭环系统动、静态特性、稳定性和鲁棒性的影响，给出设计参数变化的选择准则。要突破这一点，还要做大量工作，需要探讨新的分析方法。

(2)研究当存在建模误差及干扰时，顶测控制的鲁棒性，并给出定量分析结果。

在设计控制系统时，对于建模误差及干扰等的影响，并未考虑在内。实际上，为了简化问题，常对模型作降阶处理及其他简化，对一些次要的动特性和外部扰动也予以忽略。在这种情况下，系统在运行过程中能否保证稳定，具有所期望的控制性能，并能保证到什么程度，这就是的“近年来所谓的“控制系统的鲁棒性”问题。所谓鲁棒性是指系统的稳定性及其性能指标对结构和参数变化的不敏感性，也就是当内部和外部条件变化时，系统本身仍然能保持性能良好的运行的鲁棒程度。鲁棒性分为稳定鲁棒性和性能鲁棒性两种，稳定鲁棒件说明实际系统偏离设计所用数学模型，出现模型误差时，系统保持闭环稳定性的能力。性能鲁棒性是表示实际系统偏离设计所用数学模型时，系统保持满意性能的能力。虽然性能鲁棒性隐含着稳定的要求，但其着眼点不是集中在稳定性上，至今控制系统统的鲁棒性主要是研究稳定鲁棒性，因为稳定性是—个控制系统首先要保证的条件。

分析预测控制系统的稳定鲁棒性有一定难度。当过程模型采用非最小化的非非参数模型时，如MAC、DMC等，研究闭环系统的稳定鲁棒性涉及到高阶多项式稳定性的判别问题．且可调设计参数又隐含在闭环传递函数中，难于找出它们与稳定鲁棒性的定量关系，增加了分析的难度，当过程模型采用最小化的参数模型时，如GPR，GPP等，虽模型的参数个数少了，可大大降低闭环特征多项式的阶次，有可能定量地分所闭环系统的稳定鲁棒性。但因为采用了最小化的经简化后的低阶模型，没有包含在模型内的未建模动态和于扰等，在某些特定条件下有可能被激发，导致系统无法稳定运行，这其中所遇到的问题与研究自适应控制系统鲁棒性的问题相类似，解决这一问题，尚需进—步做工作。

当前，研究预测控制系统的稳定鲁棒性，除了继续从理论上进行探讨、研究新的分析方

法外，还应该突破原有控制理论的框架，引入新的人工智能方法，将控制理论与人工智能相结合，获取过程运行中的经验与数据，建立数据库和知识库，运用逻辑推理、判断、做出在异常情况下能保证过程稳定安全运行的控制决策，是解决预测控制系统告棒性的有效途径之一。

(3)建立高精度的信息预测模型。

预测控制常称为基于模型预测控制，应用模型进行预测为其基本特征。但是，随着模型概念的拓宽，所谓模型已不能局限在狭义的数学模型上，任何取自过程的已有信息，且能对过程未来动态行为的变化趋势进行预测的信息集合；即可作为预测模型。在这里，预测模型只有功能上的要求，而没右结构形式上的限制。如MAC的脉冲响应模型、DMC的阶跃响应模型可以用，GPC、GPP的CARIMA、CARMA模型可以用，状态方程模型可以用，甚至数据集合等数学模型也可以用，只要所采用的信息集合能作出精度较高的预测，这一信息集合就是一个高质量的预测模型，将预测模型作这样拓宽后，就可不受传统数学模型思想的约束，大胆引进新思想、新方法，为建少高精度伪信息预测模型铺平了道路。

随着人工智能、模糊控制、模式识别、人工神经网络等新技术的发展和应用，采用各种有效信息处理手段，应用人工智能等新技术来建立高精度、多模态的信息预测模型，将为预测控制突破现有框架、向更高层次的发展提供了可能。

(4)研究新的滚动优化策略。

预测控制的核心是在线滚动优化，其优化策赂是可以多种多样的，目前文献中常见的有二次型性能指标优化等多种。采用不同的优化策略可导出不同的控制器结构。因此，如何选取优化策略，设计出控制效果好，适应性、鲁棒性强的新型预测控制器，具有重要意义。应该注意到，在工业过程控制中，预测控制的成功应用，大多是在多变量和有约束优化的情况下实现的，这正反映了预测控制的应用超前于理论研究的现实。因此，研究在有约束和多日标情况下的优化策略，及其相应的控制效果好、鲁棒性强的预测控制器结构，并开发相应的预测控制设计和运行软件包，是摆在理论和应用工作者面前刻不容缓的课题。

(5)建立有效的反馈校正方法。

由于从过程获取的验前信息不够充分，易于这种不充分信息集台得到的预侧模型用于在线预测时，其预测值与实测值之间一定存在预测误差，预测误差愈大，则控制效果愈差。因此，要求建立高精度的预测模型。以尽量减少预测误差。然而，由于过程时变、干扰及所获取的信息不充分等复杂因素，使得预测误差必然存在，只能在运行中通过不断采集信息进行反馈校正，才能减少预测误差的影响。因此，进行在线预测误差反馈校正是提高预测控制鲁棒性的重要措施之一。然而，目前采用的校正方法不多，也未能达到理想的效果。在预测控制中引入自校正机制，组成自校正预测控制器，通过辩识模型参数实现在线校正模型，减少预测误差，是一种可行的方法。然而，这种模型校正方法也有缺点。当采用最小化参数模型时，如GPC、GPP等，对过程的结构型建模误差无法消除，因而这种结构型建模误差、未建模动态等有可能在运行中激发系统，使运行失稳。当采用脉冲响应、阶跃响应这类非参数模型时，由于过程序列长度N很大，需要在线递推估计的参数多，计算量大，实时性差，也限制了它的应用。此外，还可采用直接对模型误差进行预测相加权校正的方法．但这种方法的校正效果也不尽如人意。因此，进一步研究新的误差校正方法，也是预测控制中一个有意义的研究课题之一。

(6)研究非线性系统的预测控制。