CN109521677A - 一种基于预测模型的控制方法和控制器 - Google Patents
一种基于预测模型的控制方法和控制器 Download PDFInfo
- Publication number
- CN109521677A CN109521677A CN201811639973.4A CN201811639973A CN109521677A CN 109521677 A CN109521677 A CN 109521677A CN 201811639973 A CN201811639973 A CN 201811639973A CN 109521677 A CN109521677 A CN 109521677A
- Authority
- CN
- China
- Prior art keywords
- moment
- controlled device
- normalization
- control amount
- amount
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请公开了一种基于预测模型的控制方法和控制器。该方法所基于的预测模型是归一化的预测模型,该归一化的预测模型为无单位且取值范围为0~1的变量之间的函数关系,如此,在根据所述被控对象在第二时刻时归一化后的被控对象测量量的预测值,优化计算第二时刻归一化后的控制量增量时,建立的约束方程各系数的数值范围较为稳定,便于减少优化算法的迭代次数,因而使得优化过程的耗时较少,提高优化速度,从而能够实现底层控制器的实时控制,进而能够使得底层控制器对被控对象的控制效果达到最优化。
Description
技术领域
本申请涉及工业控制技术领域,尤其涉及一种基于预测模型的控制方法和控制器。
背景技术
目前,在工业控制***中,用于实现对被控对象(例如,设置在管路上的阀门开度)控制的底层控制器多采用PID(proportion、integral differential)控制器(比例-积分-微分控制器)。
PID控制器是一个在工业控制应用中常见的反馈回路部件,由比例单元P、积分单元I和微分单元D组成。PID控制的基础是比例控制;积分控制可消除稳态误差,但可能增加超调;微分控制可加快大惯性***响应速度以及减弱超调趋势。
然而,在非线性、大纯滞后的工业过程***中,PID控制器无法实现控制效果的最优化,例如,在众多的约束情况下找到控制参数的最佳操作点;当***发生干扰时,如原料性质、环境温度变化等,及时的将控制参数稳定在可行的操作区间内;强耦合***多输入多输出的***解耦控制;监视环境变化,并实时计算出***操作的最优区域等。
发明内容
有鉴于此,本申请提供了一种基于预测模型的控制方法和控制器,以解决在工业控制***中PID控制存在的上述问题。
为了解决上述技术问题,本申请采用了如下技术方案:
本申请的第一方面提供了一种基于预测模型的控制方法,包括:
获取被控对象在第一时刻的控制量及其对应的被控对象测量量;
对所述被控对象在第一时刻的控制量及其对应的被控对象测量量进行归一化;
根据预先建立的归一化的预测模型、第一时刻归一化后的控制量及其对应的被控对象测量量,计算所述被控对象在第二时刻时归一化后的被控对象测量量的预测值;所述归一化的预测模型用于根据任一时刻归一化后的控制量及被控对象测量量,预测被控对象在所述任一时刻之后的至少一个时刻的归一化后的测量量;
根据所述被控对象在第二时刻时归一化后的被控对象测量量的预测值,优化计算第二时刻归一化后的控制量增量,以得到第二时刻归一化后的最优控制量增量;
根据所述第一时刻归一化后的控制量以及第二时刻归一化后的最优控制量增量,获取第二时刻归一化后的最优控制量;
对所述第二时刻归一化后的最优控制量进行逆归一化;
输出第二时刻逆归一化后的最优控制量,以控制所述被控对象。
作为本申请的一种可选实现方式,所述根据所述被控对象在第二时刻时归一化后的被控对象测量量的预测值,优化计算第二时刻归一化后的控制量增量,以得到第二时刻归一化后的最优控制量增量,具体包括:
根据预测值以最优地跟踪期望轨迹的方式建立优化目标函数;
求解所述优化目标函数达到最小值时的第二时刻归一化后的控制量增量;
将所述优化目标函数达到最小值时的第二时刻归一化后的控制量增量作为第二时刻归一化后的最优控制量增量;
其中,所述优化目标函数为:
其中,J(k)为优化目标函数,
为测量量期望轨迹,P为位于第k时刻后的第P个时刻;
Q=diag(q(1),…,q(P)),为测量量跟踪轨迹权矩阵,为对角矩阵;
R=diag(r(1),…,r(M)),为控制量增量权矩阵,为对角矩阵;
为第k时刻归一化后的被控对象测量量的预测值;
ΔuM(k)为第k时刻之后的M个时刻的控制量增量。
作为本申请的一种可选实现方式,所述求解所述优化目标函数达到最小值时的第二时刻归一化后的控制量增量,具体包括:
将所述优化目标函数转化为第一二次规划问题;
采用Hildreth’s法和有效集法相结合的方法计算所述第一二次规划问题的解,所述二次规划问题的解为第二时刻归一化后的控制量增量。
作为本申请的一种可选实现方式,将所述优化目标函数转化为第一二次规划问题,具体包括:
结合控制量和被控对象测量量的约束条件,将所述优化目标函数转化为第一二次规划问题;
其中,所述第一二次规划问题描述为:
其中,为第k时刻后的未来M个时刻的归一化后的控制量u的增量向量;
为第k时刻后的未来M个时刻有控制量增量ΔuM(k)时,归一化后的测量量在未来P个时刻的预测值;
为归一化后预测模型的动态矩阵,
a(X)=,X=1,2,…,N,为归一化后的第X个时刻的***阶跃响应,由归一化的预测模型计算求出,其中N为***受到控制量阶跃激励后被控对象测量量达到稳定的时间;
umin *=umin-u(k-1);
umax *=umax-u(k-1);
其中,umin、umax分别为归一化的控制量约束最低、最高值;
u(k-1)为归一化的控制量在第(k-1)时刻时的控制量;
Δumin、Δumax分别为归一化的控制量增量约束最低、最高值;
分别为归一化的测量量在第k时刻后的未来P个时刻约束最低、最高值组成的向量;
所述第一二次规划问题能够转化为的形式,
其中,E=2ATQA+2R为M阶正定矩阵;
F为向量,
C为约束矩阵,为约束不等式方程组转化成的形式后,不等号左边矩阵项,为(2P+4M)行M列;
γ为不等式约束方程组的不等号右边项,为(2P+4M)行1列,
作为本申请的一种可选实现方式,所述采用Hildreth’s法和有效集法相结合的方法计算所述第一二次规划问题的解,具体包括:
根据所述第一二次规划问题的描述构建如下关于λ的方程组:(CE-1CT)λ+γ+CE-1F=0;
采用Hildreth’s法迭代求解方程组(CE-1CT)λ+γ+CE-1F=0的解,直至第m次迭代结果λm与第m-1次迭代结果λm-1满足收敛条件||λm-1-λm||2≤ε或λm中非零向量个数降至I个;其中,λ为引入的拉格朗日乘子,m为迭代次数,I为控制器计算性能可支持矩阵可求逆的最大阶数;
将每个非零λi m对应的约束条件Ciλ≤γi,i=(…)≤I个做为新的约束条件,代入所述第一二次规划问题中,得到第二二次规划问题;
采用有效集法求解所述第二二次规划问题的解,所述第二二次规划问题的解为所述第一二次规划问题的解;
其中,所述第二二次规划问题能够转化为的形式;
其中,E=2ATQA+2R为M阶正定矩阵,
F为向量,
CI为每个非零λi m对应的约束条件Ciλ≤γi,i=(…)≤I个组成的约束不等式组的不等号左边项,是从中取出的,不大于I行,M列;
相应的,γI为从中取出的,不大于I行,1列。
作为本申请的一种可选实现方式,所述根据所述被控对象在第二时刻时归一化后的被控对象测量量的预测值,优化计算第二时刻归一化后的控制量增量之前,还包括:
当时间基点达到第二时刻时,获取所述被控对象在第二时刻时归一化后的被控对象测量量的实际值;
计算所述预测值与所述实际值之间的偏差;
根据所述偏差对所述预测值进行校正,得到校正后的预测值;
所述根据所述被控对象在第二时刻时归一化后的被控对象测量量的预测值,优化计算第二时刻时归一化后的控制量增量,具体包括:
根据所述校正后的预测值,优化计算第二时刻归一化后的控制量增量。
作为本申请的一种可选实现方式,所述方法还包括:建立归一化的预测模型;
所述建立归一化的预测模型,具体包括:
获取外部输入的预测模型的连续传递函数、控制量及其对应的被控对象测量量;
将所述连续传递函数转化为离散函数;
对所述控制量及其对应的被控对象测量量进行归一化,得到归一化后的控制量及其对应的被控对象测量量;
对所述离散函数进行归一化处理,得到归一化的预测模型。
作为本申请的一种可选实现方式,所述预测模型为一阶模型;
所述连续传递函数为:
其中,G(s)为***传递函数;
Y(s)、U(s)分别为***输出、输入函数的拉普拉斯变换;
Tdelay为***纯滞后时间;
kgain为***增益;
Tlead为***超前时间;
Tlag为***惯性时间;
相应地,所述离散函数为:
其中,Y(k)、U(k)分别为第k时刻的被控对象测量量、控制量;
T为采样周期,也等于控制周期;
相应地,所述归一化的预测模型为:
其中,
Y(k)_norm为第k时刻的被控对象测量量归一化值、U(k)_norm为第k时刻的控制量归一化值;
Y(k-1)_norm为第(k-1)时刻的被控对象测量量归一化值,U(k-1)_norm为第(k-1)时刻的控制量归一化值;
PVSCH和PVSCL分别为被控对象测量量PV归一化的上下限;
MVSCH和MVSCL分别为控制器控制量MV归一化的上下限。
作为本申请的一种可选实现方式,所述预测模型为二阶模型,所述连续传递函数为:
其中,G(s)为***传递函数;
Y(s)、U(s)分别为***关于时间的输出、输入函数的拉普拉斯变换;
Tdelay为***纯滞后时间;
FZ2、FZ1、FZ0分别为***传递函数分子项关于s的二阶系数、一阶系数、常数项;
FM2、FM1、FM0分别为***传递函数分母项关于s的二阶系数、一阶系数、常数;
k'gain为***增益;
相应地,所述离散函数为:
其中,Y(k)、U(k)分别为第k时刻的被控对象测量量、控制量;
T为采样周期,也等于控制周期;
相应地,所述归一化的预测模型为:
Y(k)_norm为第k时刻的被控对象测量量归一化值、U(k)_norm为第k时刻的控制量归一化值;
Y(k-1)_norm为第(k-1)时刻的被控对象测量量归一化值,U(k-1)_norm为第(k-1)时刻的控制量归一化值;
PVSCH和PVSCL分别为被控对象测量量PV归一化的上下限;
MVSCH和MVSCL分别为控制器控制量MV归一化的上下限。
本申请的第二方面提供了一种基于预测模型的控制器,包括:
第一获取单元,用于获取被控对象在第一时刻的控制量及其对应的被控对象测量量;
归一化单元,用于对所述被控对象在第一时刻的控制量及其对应的被控对象测量量进行归一化;
第一计算单元,用于根据预先建立的归一化的预测模型、第一时刻归一化后的控制量及其对应的被控对象测量量,计算所述被控对象在第二时刻时归一化后的被控对象测量量的预测值;所述归一化的预测模型用于根据任一时刻归一化后的控制量及被控对象测量量,预测被控对象在所述任一时刻之后的至少一个时刻的归一化后的测量量;
优化计算单元,用于根据所述被控对象在第二时刻时归一化后的被控对象测量量的预测值,优化计算第二时刻归一化后的控制量增量,以得到第二时刻归一化后的最优控制量增量;
第二获取单元,用于根据所述第一时刻归一化后的控制量以及第二时刻归一化后的最优控制量增量,获取第二时刻归一化后的最优控制量;
逆归一化单元,用于对所述第二时刻归一化后的最优控制量进行逆归一化;
输出单元,用于输出第二时刻逆归一化后的最优控制量,以控制所述被控对象。
作为本申请的一种可选实现方式,所述优化计算单元具体包括:
建立子单元,用于根据预测值以最优地跟踪期望轨迹的方式建立优化目标函数;
求解子单元,用于求解所述优化目标函数达到最小值时的第二时刻归一化后的控制量增量;
确定子单元,用于将所述优化目标函数达到最小值时的第二时刻归一化后的控制量增量作为第二时刻归一化后的最优控制量增量;
其中,所述优化目标函数为:
其中,J(k)为优化目标函数,
为测量量期望轨迹,P为位于第k时刻后的第P个时刻;
Q=diag(q(1),…,q(P)),为测量量跟踪轨迹权矩阵,为对角矩阵;
R=diag(r(1),…,r(M)),为控制量增量权矩阵,为对角矩阵;
为第k时刻归一化后的被控对象测量量的预测值;
ΔuM(k)为第k时刻之后的第M个时刻的控制量增量。
作为本申请的一种可选实现方式,所述求解子单元,具体包括:
第一转化子单元,用于将所述优化目标函数转化为第一二次规划问题;
计算子单元,用于采用Hildreth’s法和有效集法相结合的方法计算所述第一二次规划问题的解,所述二次规划问题的解为第二时刻归一化后的控制量增量。
作为本申请的一种可选实现方式,所述控制器还包括:
第三获取单元,用于当时间基点达到第二时刻时,获取所述被控对象在第二时刻时归一化后的被控对象测量量的实际值;
第二计算单元,用于计算所述预测值与所述实际值之间的偏差;
校正单元,用于根据所述偏差对所述预测值进行校正,得到校正后的预测值;
所述优化计算单元具体为根据所述校正后的预测值,优化计算第二时刻归一化后的控制量增量。
作为本申请的一种可选实现方式,所述控制器还包括:
建立单元,用于建立归一化的预测模型;
所述建立单元具体包括:
获取子单元,用于获取外部输入的预测模型的连续传递函数、控制量及其对应的被控对象测量量;
第二转化子单元,用于将所述连续传递函数转化为离散函数;
第一归一化子单元,用于对所述控制量及其对应的被控对象测量量进行归一化,得到归一化后的控制量及其对应的被控对象测量量;
第二归一化子单元,用于对所述离散函数进行归一化处理,得到归一化的预测模型。
相较于现有技术,本申请具有以下有益效果:
基于以上技术方案可知,本申请提供的基于预测模型的控制方法所基于的预测模型是归一化的预测模型,该归一化的预测模型为无单位且取值范围为0~1的变量之间的函数关系,如此,在根据所述被控对象在第二时刻时归一化后的被控对象测量量的预测值,优化计算第二时刻归一化后的控制量增量时,建立的约束方程各系数的数值范围较为稳定,便于减少优化算法的迭代次数,因而使得优化过程的耗时较少,提高优化速度,从而能够实现底层控制器的实时控制,进而能够使得底层控制器对被控对象的控制效果达到最优化。
附图说明
为了清楚地理解本申请的具体实施方式,下面将描述本申请具体实施方式时用到的附图做一简要说明。
图1是基于预测模型的控制方法的原理示意图;
图2是本申请实施例提供的归一化后的预测模型的建立方法流程示意图;
图3是本申请实施例提供的预测模型阶跃响应向量示意图;
图4是本申请提供的一种基于预测模型的控制方法流程示意图;
图5是本申请实施例提供的优化计算二次规划问题的方法流程示意图;
图6是本申请提供的另一种基于预测模型的控制方法流程示意图;
图7是本申请提供的一种基于预测模型的控制器结构示意图。
具体实施方式
为了解决背景技术部分所述的PID控制器在工业控制***的底层控制中存在的问题,本申请提供了一种适于底层控制器的基于预测模型的控制方法。该方法在成本、调试和实施方面具有PID控制的优点,并在处理约束和实现优化方面超越PID控制。
其中,基于预测模型的控制方法的基本思想为:在当前时刻,基于过程的动态模型预测未来一定时域内每个采样周期(或按一定间隔)的过程输出,按照基于反馈校正的某个优化目标函数计算当前及未来一定时域的控制量大小,为了防止控制量剧烈变化及超调,一般在优化目标函数中都考虑使未来输出以一参考轨迹最优地去跟踪期望设定值,计算出当前控制量,至下一时刻,根据新测量数据重新按上述步骤计算控制量。其对应的原理图如图1所示。
在图1中,其中,u(k+i)为控制量,y(k)为当前时刻k的过程输出,为未来第(k+i)时刻的预测输出,yw(k+i)为期望轨迹,P为预测时域,M为控制时域。
另外,在本申请实施例中,为了实现基于预测模型的控制方法对被控对象的实时最优化控制,基于的该预测模型为归一化的预测模型,该归一化的预测模型为无单位且取值范围为0~1的变量之间的函数关系,如此,在根据所述被控对象在第二时刻时归一化后的被控对象测量量的预测值,优化计算第二时刻归一化后的控制量增量时,建立的约束方程各系数的数值范围较为稳定,便于减少优化算法的迭代次数,因而使得优化过程的耗时较少,提高优化速度,从而能够实现底层控制器的实时控制,进而能够使得底层控制器对被控对象的控制效果达到最优化。
为使本申请解决的技术问题、技术方案和技术效果更加清楚、完整,下面将结合附图对本申请的具体实施方式进行详细描述。
首先介绍本申请实施例用到的预测模型及其建立方法。
需要说明,在本申请实施例中,未归一化的预测模型可以采用多种模型建立方式建立。例如,采用阶跃测试方式、用户直接输入方式。
另外,在实际工业过程中,许多高阶过程可以用纯滞后过程加一阶惯性环节或二阶振荡过程来近似。根据被控对象的历史离线数据或工程经验,将预测模型近似为一阶模型或二阶模型。
而由于大部分工业生产过程不允许较大的状态起伏变化,无法提供阶跃测试的条件,因此,本申请可以通过直接输入模型参数及变量关系来获得未归一化的模型。
下面以直接输入模型参数及变量关系来获得未归一化的预测模型的方式为例描述本申请实施例采用的归一化后的预测模型的建立方法。
请参见图2,本申请实施例提供的归一化后的预测模型的建立方法包括以下步骤:
S201:获取外部输入的预测模型的连续传递函数、控制量及其对应的被控对象测量量。
根据被控对象的离线数据或工程师经验向控制器中输入被控对象的预测模型的连续传递函数、控制量及其对应的被控对象测量量,从而使控制器能够获取到外部输入的预测模型的连续传递函数、控制量及其对应的被控对象测量量。
需要说明,在实际工业过程中,许多高阶过程可以用纯滞后过程加一阶惯性环节或二阶振荡过程来近似。相应地,根据被控对象的历史离线数据或工程经验,将预测模型近似为一阶模型或二阶模型。
当预测模型为一阶模型时,该一阶模型的连续传递函数可以表示为:
其中,G(s)为***传递函数;
Y(s)、U(s)分别为***输出、输入函数的拉普拉斯变换;
Tdelay为***纯滞后时间;
kgain为***增益;
Tlead为***超前时间;
Tlag为***惯性时间。
当预测模型为二阶模型时,该二阶模型的连续传递函数可以表示为:
其中,G(s)为***传递函数;
Y(s)、U(s)分别为***输出、输入函数的拉普拉斯变换;
Tdelay为***纯滞后时间;
FZ2、FZ1、FZ0分别为***传递函数分子项关于s的二阶系数、一阶系数、常数项;
FM2、FM1、FM0分别为***传递函数分母项关于s的二阶系数、一阶系数、常数;
k'gain为***增益。
S202:将所述连续传递函数转化为离散函数。
作为一示例,当预测模型为一阶模型,且该一阶模型的连续传递函数表示为公式(1)时,设定控制周期为T,S202可以具体为:
采用双线性变换其中z为Z变换算子,获得预测模型的离散函数,为
该离散函数的递推表达式如公式(3)所示:
其中,Y(k)、U(k)分别为第k时刻的被控对象测量量、控制量;
T为控制周期;
令则上述公式(3)可以转化为公式(4):
Y(k)=aY(k-1)+bU(k)+cU(k-1) (4)
作为另一示例,当预测模型为二阶模型,且该二阶模型的连续传递函数表示为公式(2)时,
S202可以具体为:采用双线性变换获得预测模型的离散函数,该离散函数的递推表达式如公式(5)所示:
其中,Y(k)、U(k)分别为第k时刻的被控对象测量量、控制量,
T为控制周期。
需要说明,针对公式(4)和(5),当给定初始输入U(0)=0,U(1)=1,Y(0)=0,即可递推计算出预测模型的阶跃响应输出Y(k),t=1,2,…,N,记为a1,a2,…,aN,其中N为***受控制量阶跃激励后被控对象测量量达到稳定的时间,从而得到如图3所示的阶跃响应向量a。
S203:对所述控制量及其对应的被控对象测量量进行归一化,得到归一化后的控制量及其对应的被控对象测量量。
需要说明,工业设备中各个变量的数据大多是有物理单位的,如温度、气压、液位等等,外部输入的预测模型的连续传递函数、控制量及其对应的被控对象测量量表示的是这些数据的关系。但这些变量的量程不同,如果直接将现场测量值作为输入带入优化计算,预测模型的阶跃响应向量取值范围较大,将导致优化函数各个权矩阵系数范围较大,迭代次数有过大的情况甚至在达到最大迭代次数后无法收敛。因此,需要对输入数据进行归一化处理,将各变量都转化为0~1之间的量纲。
为了方便描述控制量及其对应的被控对象测量量的归一化过程,本申请实施例做如下设定。
设定:PV为被控对象测量量;
MV为被控对象控制量;
PV_NORM为被控对象测量量PV归一化值;
MV_NORM为控制器控制量MV归一化值;
PVSCH和PVSCL分别为被控对象测量量PV归一化的上下限;
MVSCH和MVSCL分别为控制器控制量MV归一化的上下限;
则根据上述设定,控制量、被控对象测量量的归一化可以分别根据以下公式(6)和(7)实现:
S204:对所述离散函数进行归一化处理,得到归一化的预测模型。
基于S203得到的归一化后的控制量及其对应的被控对象测量量,将上述离散函数转化为归一化后的控制量及其对应的被控对象测量量的关系,因此,需要对上述离散函数进行归一化处理,从而得到归一化的预测模型。
作为示例,当离散函数如公式(3)所示时,本步骤可以具体为:
A1:根据公式(3)递推出阶跃响应的稳态值:Y(k),取模型增益为K_gain,则K_gain=Y(k);
A2:当MV_NORM=0时,计算PV_NORM的值。
当MV_NORM=0时,PV_NORM的计算公式如下:
A3:求出PV_NORM和MV_NORM的关系,以求出***受控制量阶跃激励即MV_NORM=1后的PV_NORM变化情况。
根据公式(4)表示的一阶模型的PV、MV差分方程可以得出以下计算公式:
Y(k)=Y(k)_norm·(PVSCH-PVSCL)+PVSCL (9)
U(k)=U(k)_norm·(MVSCH-MVSCL)+MVSCL (10)
从而可得Y(k)_norm与U(k)_norm递推关系如下:
其中,Y(k)_norm为第k时刻的被控对象测量量归一化值、U(k)_norm为第k时刻的控制量归一化值;
Y(k-1)_norm为第(k-1)时刻的被控对象测量量归一化值,U(k-1)_norm为第(k-1)时刻的控制量归一化值。
作为另一示例,当离散函数如公式(5)所示时,采用上述的方式可以得到二阶模型对应的归一化的预测模型,该归一化的预测模型为:
其中,
Y(k)_norm为第k时刻的被控对象测量量归一化值、U(k)_norm为第k时刻的控制量归一化值;
Y(k-1)_norm为第(k-1)时刻的被控对象测量量归一化值,U(k-1)_norm为第(k-1)时刻的控制量归一化值。
需要说明,根据公式(11)和(12),在给定MV阶跃信号后,可以计算出被控对象测量量在第X时刻的阶跃响应输出a(X)=Y(X)_norm,X=1,2,…,N,组成***模型动态矩阵A,
其中,
另外,需要说明,对于线性多变量过程m输入n输出***,由叠加原理可知,输出的未来响应等于过程各个输入单独作用下的未来输出响应之和。
以上为本申请实施例提供的建立归一化后的预测模型的具体实现方式。在该归一化后的预测模型的建立过程中,未归一化的预测模型是由操作人员直接输入到控制器中的,如此为无法提供阶跃测试条件的工业控制***提供了基于预测模型进行预测的可能。
基于上述所述建立的归一化后的预测模型,本申请提供的一种基于预测模型的控制方法如图4所示,其包括以下步骤:
S401:获取被控对象在第一时刻的控制量及其对应的被控对象测量量。
操作人员向控制器输入被控对象在第一时刻的控制量及其对应的被控对象测量量,从而使控制器获取到。
需要说明,在该步骤中,获取到的控制量及其对应的被控对象测量量为带有量纲的数据,为未归一化的数据。
S402:对所述被控对象在第一时刻的控制量及其对应的被控对象测量量进行归一化。
该归一化的具体过程可以根据以上公式(6)和(7)的方式实现。
S403:根据预先建立的归一化的预测模型、第一时刻归一化后的控制量及其对应的被控对象测量量,计算所述被控对象在第二时刻时归一化后的被控对象测量量的预测值;所述归一化的预测模型用于根据任一时刻归一化后的控制量及其对应的被控对象测量量预测被控对象在所述任一时刻之后的至少一个时刻的归一化后的测量量。
需要说明,在本申请实施例中,归一化的预测模型可以为上述公式(11)或(12)。
此外,第二时刻可以为第一时刻后的未来某个时刻。作为示例,第一时刻和第二时刻可以为不同采样周期的开始开始时刻,更具体地,其可以为相邻两个采样周期的开始开始时刻。
作为示例,本步骤可以具体为:将S402得到的第一时刻归一化后的控制量及其对应的被控对象测量量代入到公式(11)或(12)中,计算得到被控对象在第二时刻时归一化后的被控对象测量量的预测值。
S404:根据所述被控对象在第二时刻时归一化后的被控对象测量量的预测值,优化计算第二时刻归一化后的控制量增量,以得到第二时刻归一化后的最优控制量增量。
作为示例,本步骤的具体实现方式可以包括以下步骤:
S4041:根据预测值以最优地跟踪期望轨迹的方式建立优化目标函数。
为了防止控制量剧烈变化及超调,可以根据预测值以最优地跟踪期望轨迹的方式建立优化目标函数。
作为示例,本步骤建立的优化目标函数可以表示为:
其中,J(k)为优化目标函数,该优化目标函数具体为开环性能指标;
为测量量期望轨迹,P为位于第k时刻后的第P个时刻;
Q=diag(q(1),…,q(P)),为测量量跟踪轨迹权矩阵,为对角矩阵;
R=diag(r(1),…,r(M)),为控制量增量权矩阵,为对角矩阵;
为第k时刻归一化后的被控对象测量量的预测值;
ΔuM(k)为第k时刻之后的第M个时刻的控制量增量。
S4042:求解所述优化目标函数达到最小值时的第二时刻归一化后的控制量增量。
需要说明,在本申请实施例中,优化计算第二时刻归一化后的控制量增量,即在每个采样周期内求解优化目标函数达到最小值时的第二时刻归一化后的控制量增量。
作为示例,S4042可以具体包括以下步骤:
S40421:将所述优化目标函数转化为第一二次规划问题。
作为示例,本步骤可以具体为:结合控制量和被控对象测量量的约束条件,将所述优化目标函数转化为第一二次规划问题。
其中,控制量的约束条件可以表示为向量形式,具体如不等式(13)所示:
umin *≤BΔuM(k)≤umax * (13)
其中,为第k时刻后的未来M个时刻的归一化后的控制量u的增量向量;
umin *=umin-u(k-1);
umax *=umax-u(k-1);
umin、umax分别为控制量约束最低、最高值;
u(k-1)为控制量在第(k-1)时刻时的控制量;
该控制量的约束条件的推导过程如下:
该被控对象测量量的约束条件如下:
被控对象测量量的约束条件具体如不等式(14)所示:
ymin *≤AΔuM(k)≤ymax * (14)
其中,
分别为归一化后的测量量在第k时刻后的未来P个时刻约束最低、最高值组成的向量;
为第k时刻之后不施加控制量增量ΔuM(k)时,归一化后的测量量未来P个时刻的预测值,为第k-1时刻预测值经过反馈校正后获得;
为归一化后预测模型的动态矩阵,
a(X)=,X=1,2,…,N,为归一化后的第X个时刻的***阶跃响应,由归一化的预测模型计算求出,其中N为***受阶跃激励后达到稳定的时间。
为第k时刻后的未来M个时刻的归一化后的控制量u的增量向量。
所述第一二次规划问题为带约束的二次规划问题,其可以描述为:
其中,为第k时刻后的未来M个时刻有控制量增量ΔuM(k)时,归一化后的测量量在未来P个时刻的预测值;
其它参数的物理意义可以参见上述控制量和被控对象测量量的约束条件的各参数的物理意义。
上述第一二次规划问题能够转化为的形式,
其中,E=2ATQA+2R为M阶正定矩阵;
F为向量,
C为约束矩阵,为约束不等式方程组转化成的形式后,不等号左边矩阵项,为(2P+4M)行M列;
γ为不等式约束方程组的不等号右边项,为(2P+4M)行1列,
S40422:采用Hildreth’s法和有效集法相结合的方法计算所述第一二次规划问题的解,所述二次规划问题的解为第二时刻归一化后的控制量增量。
为了使得预测模型在底层控制器中实现控制,减少计算耗时,保证在1个控制周期(一般20ms-1s左右)内单控制器可实现多被控对象的控制量计算,本申请采用Hildreth’s法和有效集法相结合的方法计算所述第一二次规划问题的解。
作为示例,如图5所示,S40422可以具体包括以下步骤:
B1:根据所述第一二次规划问题的描述构建如下方程组:
(CE-1CT)λ+γ+CE-1F=0 (15)
B2:对λi 1的值进行初始化。
本步骤可以具体为:取初始值λi 1=0,i=1,2,…,2P+4M。
其中,λ为引入的拉格朗日乘子。
B3:判断迭代次数m是否达到最大迭代次数,如果否,执行B4,如果是,执行B9。
其中,m≧1,且m为整数。
B4:采用Hildreth’s法迭代求解方程组(CE-1CT)λ+γ+CE-1F=0的各次迭代过程的解。
本步骤可以具体为:令H=CE-1CT、K=γ+CE-1F,使上述方程组(15)转化为hijλi+ki=0,i、j=1,2,…,2P+4M的形式;取初始值λi 1=0,i=1,2,…,2P+4M,按照迭代公式求解得第m+1次迭代结果λm+1。
B5:判断相邻的两次迭代结果λm,λm+1是否满足收敛条件||λm+1-λm||2≤ε,如果否,执行B6,如果是,执行B9。
B6:判断λm中非零向量个数降至I个,如果是,执行B7,如果否,返回执行B3:
I为控制器计算性能可支持矩阵可求逆的最大阶数。
B7:将每个非零λi m对应的约束条件Ciλ≤γi,i=(…)≤I个做为新的约束条件,代入所述第一二次规划问题中,得到第二二次规划问题。
其中,所述第二二次规划问题能够转化为的形式;
其中,E=2ATQA+2R为M阶正定矩阵,
F为向量,
CI为每个非零λi m对应的约束条件Ciλ≤γi,i=(…)≤I个组成的约束不等式组的不等号左边项,是从中取出的,不大于I行,M列;
相应的,γI为从中取出的,不大于I行,1列。
B8:采用有效集法求解所述第二二次规划问题的解,所述第二二次规划问题的解为所述第一二次规划问题的解。
对于采用有效集法求解第二二次规划问题的基本思想如下:
通过迭代寻找出最优点所处的有效约束,就可以把那些未有效的不等式约束剔除掉,把原命题转化成更易求解的等式约束二次规划,再应用拉格朗日乘子法求解这个命题得原问题的最优解。因此如何找到最优点处的有效约束也就是有效集法的主要工作。
在有效集法中,会构造一个工作集,与有效集类似也是有效约束的集合,但只是我们认为在某次迭代中有效约束的集合,它可能与最优点处的有效集相同,也有可能不同。如果相同,我们可以通过计算对偶变量λ了解到此时已经是最优点从而退出迭代。如果不同,我们会对工作集进行更新,从现有工作集中删除一条约束或者增加一条新的约束到工作集中。在Hildreth’s法求解过程中,约束个数已经被降低到I个,减小了寻找有效约束集的范围和迭代次数,也不必出现应用拉格朗日乘子法时要求解高阶矩阵逆的情况。
最终获得有效约束集Cactx≤γact,其中约束个数为Nact≤I,如此,第二二次规划问题的最终解为
在有效集求解计算过程中,涉及到矩阵求逆(CE-1CT)-1,矩阵CE-1CT最大阶数为I。
B9:按照以下公式x=-E-1(F+CTλ)计算第一二次规划问题的解x。
需要说明,由步骤B8得到的第二二次规划问题的解或由B9得到的第一二次规划问题的解为所述优化目标函数达到最小值时的第二时刻归一化后的控制量增量。
以上为S40422的一个具体实现方式。
需要说明,底层控制器计算资源有限,为满足实时控制要求,需要减少优化过程中的迭代次数、并避免高阶矩阵求逆。本申请采用Hildreth’s法和有效集法相结合的方法计算所述第一二次规划问题的解,在判断λm非零向量个数达到控制器可允许的矩阵求逆的最大阶数时,便保留此时对应的约束条件采用有效集法求解,如此,既避免了有效集法中求解高阶矩阵逆的过程,又降低了Hildreth’s法中迭代次数,可应用在底层控制器中进行实时优化计算。
若单独采用Hildreth’s法,在求解关于λm的方程组(CE-1CT)λ+γ+CE-1F=0时,在迭代初期非零λm个数减少速度较快,在逐渐逼近有效约束个数的时候,迭代速度下降,于是较多的迭代次数和计算资源都耗费在迭代后期;若单独采用有效集法,在解决多约束条件时,工作集中的约束远多于有效约束个数,在应用拉格朗日乘子法解决等式约束二次规划问题时,就需要求解高阶矩阵逆。
S4043:将所述优化目标函数达到最小值时的第二时刻归一化后的控制量增量作为第二时刻归一化后的最优控制量增量。
S405:根据所述第一时刻归一化后的控制量以及第二时刻归一化后的最优控制量增量,获取第二时刻归一化后的最优控制量。
本步骤可以具体为:将第一时刻归一化后的控制量以及第二时刻归一化后的最优控制量增量相加,得到的加和即为第二时刻归一化后的最优控制量。
设定第一时刻为第(k-1)时刻,第二时刻为第k时刻,则S405用公式表示为:
u(k)=u(k-1)+Δu(k) (16)
其中,u(k)为第k时刻归一化后的最优控制量;
u(k-1)为第(k-1)时刻归一化后的最优控制量;
Δu(k)第二时刻归一化后的最优控制量增量。
S406:对所述第二时刻归一化后的最优控制量进行逆归一化。
设定:MV为被控对象控制量;
MV_NORM为被控对象控制量MV归一化值;
MVSCH和MVSCL分别为被控对象控制量MV归一化的上下限;
则按照以下公式对归一化后的控制量进行逆归一化,
MV=MV_NORM·(MVSCH-MVSCL)+MVSCL (17)
相应地,S406可以按照以下公式对第二时刻归一化后的最优控制量进行逆归一化,从而得到第二时刻逆归一化后的最优控制量。
u(k)未归一化=u(k)·(MVSCH-MVSCL)+MVSCL (18)
S407:输出第二时刻逆归一化后的最优控制量,以控制所述被控对象。
以上为本申请实施例提供的一种基于预测模型的控制方法的具体实现方式。在该具体实现方式中,基于的预测模型为归一化后的预测模型,该归一化的预测模型为无单位且取值范围为0~1的变量之间的函数关系,如此,在根据所述被控对象在第二时刻时归一化后的被控对象测量量的预测值,优化计算第二时刻归一化后的控制量增量时,建立的约束方程各系数的数值范围较为稳定,便于减少优化算法的迭代次数,因而使得优化过程的耗时较少,提高优化速度,从而能够实现底层控制器的实时控制,进而能够使得底层控制器对被控对象的控制效果达到最优化。
另外,在优化计算第二时刻的控制量增量时,采用采用Hildreth’s法和有效集法相结合的方法计算。其中,Hildreth’s法优化过程只进行前半段的迭代,迭代次数大幅减少,后段转为有效集法后,约束的不等式个数减少,迭代次数较少,使得总优化过程的计算迭代次数可控,耗时减少。有效集法优化过程中不需要求解大量约束不等式组成的高阶矩阵逆。如此,既避免了有效集法中求解高阶矩阵逆的过程,又降低了Hildreth’s法中迭代次数,可应用在底层控制器中进行实时优化计算。
为了更为准确地控制被控对象,本申请还提供了另一种基于预测模型的控制方法的具体实现方式。请参见图6,本申请提供的另一种基于预测模型的控制方法包括以下步骤:
S601至S603与上述实施例中的S401至S403相同,为了简要起见,在此不再详细描述。
S604:当时间基点达到第二时刻时,获取所述被控对象在第二时刻时归一化后的被控对象测量量的实际值。
本步骤可以具体为:当时间基点达到第二时刻时,测量被控对象在第二时刻时的被控对象测量量的实际值,然后对第二时刻时被控对象测量量的实际值进行归一化处理,从而得到在第二时刻时归一化后的被控对象测量量的实际值。
S605:计算所述预测值与所述实际值之间的偏差。
作为示例,该偏差的计算公式可以如式(19)所示:
其中,e(k)为偏差;
y(k)为被控对象在第二时刻时归一化后的被控对象测量量的实际值;
为被控对象在第一时刻归一化后的被控对象测量量的预测值在第二时刻的值。
S606:根据所述偏差对所述预测值进行校正,得到校正后的预测值。
作为示例,该S606的计算公式可以如式(20)所示:
为校正后的预测值,
h为误差校正系数矩阵。
第k-1时刻后的未来M个时刻有控制量增量ΔuM(k)时,归一化后的测量量在未来P个时刻的预测值。
S607:将校正后的预测值进行矩阵移位,得到第k时刻以后未来P个时刻被控对象测量量的预测值。
S607用公式具体表示为:
其中,
为M阶移位矩阵。
S608:根据所述校正后的预测值,优化计算第二时刻归一化后的控制量增量。
该步骤的具体实现方式与上述S404的具体实现方式相同,为了简要起见,在此不再详细描述。
S609至S611与S405至S407的具体实现方式相同,为了简要起见,在此不再详细描述。
以上为本申请实施例提供的另一种基于预测模型的控制方法的具体实现方式。在该具体实现方式中,除了具有上述实施例具有的效果外,还具有以下有益效果:
在本申请实现方式中,在对优化计算第二时刻归一化后的控制量增量之前,利用第二时刻归一化后的测量量的实际值对第二时刻时归一化后的被控对象测量量的预测值进行了校正,从而使得校正后的预测值更加准确,进而使得优化计算得到的第二时刻归一化后的控制量增量更加准确,进而使得最终输出的第二时刻逆归一化后的最优控制量更加准确,从而能够更加准确地控制被控对象。
基于上述实施例提供的基于预测模型的控制方法的具体实现方式,本申请还提供了一种基于预测模型的控制器的具体实现方式。
请参见图7,本申请实施例提供的基于预测模型的控制器包括:
第一获取单元71,用于获取被控对象在第一时刻的控制量及其对应的被控对象测量量;
归一化单元72,用于对所述被控对象在第一时刻的控制量及其对应的被控对象测量量进行归一化;
第一计算单元73,用于根据预先建立的归一化的预测模型、第一时刻归一化后的控制量及其对应的被控对象测量量,计算所述被控对象在第二时刻时归一化后的被控对象测量量的预测值;所述归一化的预测模型用于根据任一时刻归一化后的控制量及被控对象测量量,预测被控对象在所述任一时刻之后的至少一个时刻的归一化后的测量量;
优化计算单元74,用于根据所述被控对象在第二时刻时归一化后的被控对象测量量的预测值,优化计算第二时刻归一化后的控制量增量,以得到第二时刻归一化后的最优控制量增量;
第二获取单元75,用于根据所述第一时刻归一化后的控制量以及第二时刻归一化后的最优控制量增量,获取第二时刻归一化后的最优控制量;
逆归一化单元76,用于对所述第二时刻归一化后的最优控制量进行逆归一化;
输出单元77,用于输出第二时刻逆归一化后的最优控制量,以控制所述被控对象。
在上述实施例提供的控制器中,所基于的预测模型是归一化的预测模型,该归一化的预测模型为无单位且取值范围为0~1的变量之间的函数关系,如此,在根据所述被控对象在第二时刻时归一化后的被控对象测量量的预测值,优化计算第二时刻归一化后的控制量增量时,建立的约束方程各系数的数值范围较为稳定,便于减少优化算法的迭代次数,因而使得优化过程的耗时较少,提高优化速度,从而能够实现底层控制器的实时控制,进而能够使得底层控制器对被控对象的控制效果达到最优化。
作为本申请的一可选实现方式,所述优化计算单元74可以具体包括:
建立子单元,用于根据预测值以最优地跟踪期望轨迹的方式建立优化目标函数;
求解子单元,用于求解所述优化目标函数达到最小值时的第二时刻归一化后的控制量增量;
确定子单元,用于将所述优化目标函数达到最小值时的第二时刻归一化后的控制量增量作为第二时刻归一化后的最优控制量增量;
其中,所述优化目标函数为:
其中,J(k)为优化目标函数,
为测量量期望轨迹,P为位于第k时刻后的第P个时刻;
Q=diag(q(1),…,q(P)),为测量量跟踪轨迹权矩阵,为对角矩阵;
R=diag(r(1),…,r(M)),为控制量增量权矩阵,为对角矩阵;
为第k时刻归一化后的被控对象测量量的预测值;
ΔuM(k)为第k时刻之后的第M个时刻的控制量增量。
作为本申请的另一可选实现方式,为了使得预测模型在底层控制器中实现控制,减少计算耗时,保证在1个控制周期(一般20ms-1s左右)内单控制器可实现多被控对象的控制量计算,所述求解子单元可以具体包括:
第一转化子单元,用于将所述优化目标函数转化为第一二次规划问题;
计算子单元,用于采用Hildreth’s法和有效集法相结合的方法计算所述第一二次规划问题的解,所述二次规划问题的解为第二时刻归一化后的控制量增量。
作为本申请的又一可选实现方式,为了更加准确地控制被控对象,所述控制器还可以包括:
第三获取单元,用于当时间基点达到第二时刻时,获取所述被控对象在第二时刻时归一化后的被控对象测量量的实际值;
第二计算单元,用于计算所述预测值与所述实际值之间的偏差;
校正单元,用于根据所述偏差对所述预测值进行校正,得到校正后的预测值;
所述优化计算单元具体为根据所述校正后的预测值,优化计算第二时刻归一化后的控制量增量。
作为本申请的又一可选实现方式,所述控制器还可以包括:
建立单元,用于建立归一化的预测模型;
所述建立单元具体包括:
获取子单元,用于获取外部输入的预测模型的连续传递函数、控制量及其对应的被控对象测量量;
第二转化子单元,用于将所述连续传递函数转化为离散函数;
第一归一化子单元,用于对所述控制量及其对应的被控对象测量量进行归一化,得到归一化后的控制量及其对应的被控对象测量量;
第二归一化子单元,用于对所述离散函数进行归一化处理,得到归一化的预测模型。
作为本申请的一种实现方式,该控制器可以为应用于工业控制***中的底层控制器。
以上为本申请实施例提供的一种基于预测模型的控制方法和控制器的具体实现方式。
Claims (14)
1.一种基于预测模型的控制方法,其特征在于,包括:
获取被控对象在第一时刻的控制量及其对应的被控对象测量量;
对所述被控对象在第一时刻的控制量及其对应的被控对象测量量进行归一化;
根据预先建立的归一化的预测模型、第一时刻归一化后的控制量及其对应的被控对象测量量,计算所述被控对象在第二时刻时归一化后的被控对象测量量的预测值;所述归一化的预测模型用于根据任一时刻归一化后的控制量及被控对象测量量,预测被控对象在所述任一时刻之后的至少一个时刻的归一化后的测量量;
根据所述被控对象在第二时刻时归一化后的被控对象测量量的预测值,优化计算第二时刻归一化后的控制量增量,以得到第二时刻归一化后的最优控制量增量;
根据所述第一时刻归一化后的控制量以及第二时刻归一化后的最优控制量增量,获取第二时刻归一化后的最优控制量;
对所述第二时刻归一化后的最优控制量进行逆归一化;
输出第二时刻逆归一化后的最优控制量,以控制所述被控对象。
2.根据权利要求1所述的方法,其特征在于,所述根据所述被控对象在第二时刻时归一化后的被控对象测量量的预测值,优化计算第二时刻归一化后的控制量增量,以得到第二时刻归一化后的最优控制量增量,具体包括:
根据预测值以最优地跟踪期望轨迹的方式建立优化目标函数;
求解所述优化目标函数达到最小值时的第二时刻归一化后的控制量增量;
将所述优化目标函数达到最小值时的第二时刻归一化后的控制量增量作为第二时刻归一化后的最优控制量增量;
其中,所述优化目标函数为:
其中,J(k)为优化目标函数,
为测量量期望轨迹,P为位于第k时刻后的第P个时刻;
Q=diag(q(1),…,q(P)),为测量量跟踪轨迹权矩阵,为对角矩阵;
R=diag(r(1),…,r(M)),为控制量增量权矩阵,为对角矩阵;
为第k时刻归一化后的被控对象测量量的预测值;
ΔuM(k)为第k时刻之后的M个时刻的控制量增量。
3.根据权利要求2所述的方法,其特征在于,所述求解所述优化目标函数达到最小值时的第二时刻归一化后的控制量增量,具体包括:
将所述优化目标函数转化为第一二次规划问题;
采用Hildreth’s法和有效集法相结合的方法计算所述第一二次规划问题的解,所述二次规划问题的解为第二时刻归一化后的控制量增量。
4.根据权利要求3所述的方法,其特征在于,将所述优化目标函数转化为第一二次规划问题,具体包括:
结合控制量和被控对象测量量的约束条件,将所述优化目标函数转化为第一二次规划问题;
其中,所述第一二次规划问题描述为:
其中,为第k时刻后的未来M个时刻的归一化后的控制量u的增量向量;
为第k时刻后的未来M个时刻有控制量增量ΔuM(k)时,归一化后的测量量在未来P个时刻的预测值;
为归一化后预测模型的动态矩阵,a(X)=,X=1,2,…,N,为归一化后的第X个时刻的***阶跃响应,由归一化的预测模型计算求出,其中N为***受到控制量阶跃激励后被控对象测量量达到稳定的时间;
umin *=umin-u(k-1);
umax *=umax-u(k-1);
其中,umin、umax分别为归一化的控制量约束最低、最高值;
u(k-1)为归一化的控制量在第(k-1)时刻时的控制量;
Δumin、Δumax分别为归一化的控制量增量约束最低、最高值;
分别为归一化的测量量在第k时刻后的未来P个时刻约束最低、最高值组成的向量;
所述第一二次规划问题能够转化为的形式,
其中,E=2ATQA+2R为M阶正定矩阵;
F为向量,
C为约束矩阵,为约束不等式方程组转化成的形式后,不等号左边矩阵项,为(2P+4M)行M列;
γ为不等式约束方程组的不等号右边项,为(2P+4M)行1列,
5.根据权利要求4所述的方法,其特征在于,所述采用Hildreth’s法和有效集法相结合的方法计算所述第一二次规划问题的解,具体包括:
根据所述第一二次规划问题的描述构建如下关于λ的方程组:(CE-1CT)λ+γ+CE-1F=0;
采用Hildreth’s法迭代求解方程组(CE-1CT)λ+γ+CE-1F=0的解,直至第m次迭代结果λm与第m-1次迭代结果λm-1满足收敛条件||λm-1-λm||2≤ε或λm中非零向量个数降至I个;其中,λ为引入的拉格朗日乘子,m为迭代次数,I为控制器计算性能可支持矩阵可求逆的最大阶数;
将每个非零λi m对应的约束条件Ciλ≤γi,i=(…)≤I个做为新的约束条件,代入所述第一二次规划问题中,得到第二二次规划问题;
采用有效集法求解所述第二二次规划问题的解,所述第二二次规划问题的解为所述第一二次规划问题的解;
其中,所述第二二次规划问题能够转化为的形式;
其中,E=2ATQA+2R为M阶正定矩阵,
F为向量,
CI为每个非零λi m对应的约束条件Ciλ≤γi,i=(…)≤I个组成的约束不等式组的不等号左边项,是从中取出的,不大于I行,M列;
相应的,γI为从中取出的,不大于I行,1列。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述根据所述被控对象在第二时刻时归一化后的被控对象测量量的预测值,优化计算第二时刻归一化后的控制量增量之前,还包括:
当时间基点达到第二时刻时,获取所述被控对象在第二时刻时归一化后的被控对象测量量的实际值;
计算所述预测值与所述实际值之间的偏差;
根据所述偏差对所述预测值进行校正,得到校正后的预测值;
所述根据所述被控对象在第二时刻时归一化后的被控对象测量量的预测值,优化计算第二时刻时归一化后的控制量增量,具体包括:
根据所述校正后的预测值,优化计算第二时刻归一化后的控制量增量。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述方法还包括:建立归一化的预测模型;
所述建立归一化的预测模型,具体包括:
获取外部输入的预测模型的连续传递函数、控制量及其对应的被控对象测量量;
将所述连续传递函数转化为离散函数;
对所述控制量及其对应的被控对象测量量进行归一化,得到归一化后的控制量及其对应的被控对象测量量;
对所述离散函数进行归一化处理,得到归一化的预测模型。
8.根据权利要求7所述的方法,其特征在于,所述预测模型为一阶模型;
所述连续传递函数为:
其中,G(s)为***传递函数;
Y(s)、U(s)分别为***输出、输入函数的拉普拉斯变换;
Tdelay为***纯滞后时间;
kgain为***增益;
Tlead为***超前时间;
Tlag为***惯性时间;
相应地,所述离散函数为:
其中,Y(k)、U(k)分别为第k时刻的被控对象测量量、控制量;
T为采样周期,也等于控制周期;
相应地,所述归一化的预测模型为:
其中,
Y(k)_norm为第k时刻的被控对象测量量归一化值、U(k)_norm为第k时刻的控制量归一化值;
Y(k-1)_norm为第(k-1)时刻的被控对象测量量归一化值,U(k-1)_norm为第(k-1)时刻的控制量归一化值;
PVSCH和PVSCL分别为被控对象测量量PV归一化的上下限;
MVSCH和MVSCL分别为控制器控制量MV归一化的上下限。
9.根据权利要求7所述的方法,其特征在于,所述预测模型为二阶模型,所述连续传递函数为:
其中,G(s)为***传递函数;
Y(s)、U(s)分别为***关于时间的输出、输入函数的拉普拉斯变换;
Tdelay为***纯滞后时间;
FZ2、FZ1、FZ0分别为***传递函数分子项关于s的二阶系数、一阶系数、常数项;
FM2、FM1、FM0分别为***传递函数分母项关于s的二阶系数、一阶系数、常数;
k'gain为***增益;
相应地,所述离散函数为:
其中,Y(k)、U(k)分别为第k时刻的被控对象测量量、控制量;
T为采样周期,也等于控制周期;
相应地,所述归一化的预测模型为:
Y(k)_norm为第k时刻的被控对象测量量归一化值、U(k)_norm为第k时刻的控制量归一化值;
Y(k-1)_norm为第(k-1)时刻的被控对象测量量归一化值,U(k-1)_norm为第(k-1)时刻的控制量归一化值;
PVSCH和PVSCL分别为被控对象测量量PV归一化的上下限;
MVSCH和MVSCL分别为控制器控制量MV归一化的上下限。
10.一种基于预测模型的控制器,其特征在于,包括:
第一获取单元,用于获取被控对象在第一时刻的控制量及其对应的被控对象测量量;
归一化单元,用于对所述被控对象在第一时刻的控制量及其对应的被控对象测量量进行归一化;
第一计算单元,用于根据预先建立的归一化的预测模型、第一时刻归一化后的控制量及其对应的被控对象测量量,计算所述被控对象在第二时刻时归一化后的被控对象测量量的预测值;所述归一化的预测模型用于根据任一时刻归一化后的控制量及被控对象测量量,预测被控对象在所述任一时刻之后的至少一个时刻的归一化后的测量量;
优化计算单元,用于根据所述被控对象在第二时刻时归一化后的被控对象测量量的预测值,优化计算第二时刻归一化后的控制量增量,以得到第二时刻归一化后的最优控制量增量;
第二获取单元,用于根据所述第一时刻归一化后的控制量以及第二时刻归一化后的最优控制量增量,获取第二时刻归一化后的最优控制量;
逆归一化单元,用于对所述第二时刻归一化后的最优控制量进行逆归一化;
输出单元,用于输出第二时刻逆归一化后的最优控制量,以控制所述被控对象。
11.根据权利要求10所述的控制器,其特征在于,所述优化计算单元具体包括:
建立子单元,用于根据预测值以最优地跟踪期望轨迹的方式建立优化目标函数;
求解子单元,用于求解所述优化目标函数达到最小值时的第二时刻归一化后的控制量增量;
确定子单元,用于将所述优化目标函数达到最小值时的第二时刻归一化后的控制量增量作为第二时刻归一化后的最优控制量增量;
其中,所述优化目标函数为:
其中,J(k)为优化目标函数,
为测量量期望轨迹,P为位于第k时刻后的第P个时刻;
Q=diag(q(1),…,q(P)),为测量量跟踪轨迹权矩阵,为对角矩阵;
R=diag(r(1),…,r(M)),为控制量增量权矩阵,为对角矩阵;
为第k时刻归一化后的被控对象测量量的预测值;
ΔuM(k)为第k时刻之后的第M个时刻的控制量增量。
12.根据权利要求11所述的控制器,其特征在于,所述求解子单元,具体包括:
第一转化子单元,用于将所述优化目标函数转化为第一二次规划问题;
计算子单元,用于采用Hildreth’s法和有效集法相结合的方法计算所述第一二次规划问题的解,所述二次规划问题的解为第二时刻归一化后的控制量增量。
13.根据权利要求10-12任一项所述的控制器,其特征在于,所述控制器还包括:
第三获取单元,用于当时间基点达到第二时刻时,获取所述被控对象在第二时刻时归一化后的被控对象测量量的实际值;
第二计算单元,用于计算所述预测值与所述实际值之间的偏差;
校正单元,用于根据所述偏差对所述预测值进行校正,得到校正后的预测值;
所述优化计算单元具体为根据所述校正后的预测值,优化计算第二时刻归一化后的控制量增量。
14.根据权利要求10-12任一项所述的控制器,其特征在于,所述控制器还包括:
建立单元,用于建立归一化的预测模型;
所述建立单元具体包括:
获取子单元,用于获取外部输入的预测模型的连续传递函数、控制量及其对应的被控对象测量量;
第二转化子单元,用于将所述连续传递函数转化为离散函数;
第一归一化子单元,用于对所述控制量及其对应的被控对象测量量进行归一化,得到归一化后的控制量及其对应的被控对象测量量;
第二归一化子单元,用于对所述离散函数进行归一化处理,得到归一化的预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811639973.4A CN109521677B (zh) | 2018-12-29 | 2018-12-29 | 一种基于预测模型的控制方法和控制器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811639973.4A CN109521677B (zh) | 2018-12-29 | 2018-12-29 | 一种基于预测模型的控制方法和控制器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109521677A true CN109521677A (zh) | 2019-03-26 |
CN109521677B CN109521677B (zh) | 2022-03-01 |
Family
ID=65797795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811639973.4A Active CN109521677B (zh) | 2018-12-29 | 2018-12-29 | 一种基于预测模型的控制方法和控制器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109521677B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110308654A (zh) * | 2019-07-01 | 2019-10-08 | 西安电子科技大学 | 基于模型预测控制的电感耦合等离子体产生***的整定方法 |
CN111781835A (zh) * | 2020-07-22 | 2020-10-16 | 北京化工大学 | 一种镇定二阶惯性加纯滞后***的线性自抗扰控制器设计方法 |
CN112735126A (zh) * | 2020-12-24 | 2021-04-30 | 成都格林希尔德交通科技有限公司 | 一种基于模型预测控制的混合交通流协同优化控制方法 |
CN114280939A (zh) * | 2021-12-27 | 2022-04-05 | 中国联合网络通信集团有限公司 | 一种模型预测控制方法、装置、设备及存储介质 |
CN114924489A (zh) * | 2022-07-22 | 2022-08-19 | 浙江中控技术股份有限公司 | 一种适用于流程工业预测控制的模型自主学习方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080221949A1 (en) * | 2007-03-05 | 2008-09-11 | Delurgio Phillip D | System and Method for Updating Forecast Model |
CN103064286A (zh) * | 2013-01-17 | 2013-04-24 | 丽水学院 | 一种工业过程的控制方法与设备 |
CN105974795A (zh) * | 2016-06-16 | 2016-09-28 | 东南大学 | 基于可控电抗器抑制电力***低频振荡的模型预测控制方法 |
CN107390524A (zh) * | 2017-07-17 | 2017-11-24 | 东北大学 | 一种基于双线性子空间辨识的高炉铁水质量优化控制方法 |
CN108415252A (zh) * | 2018-02-13 | 2018-08-17 | 南京理工大学 | 基于扩张状态观测器的电液伺服***模型预测控制方法 |
CN108762089A (zh) * | 2018-06-15 | 2018-11-06 | 大连理工大学 | 一种基于模型预测的航空发动机在线优化及多变量控制设计方法 |
CN108845501A (zh) * | 2018-09-11 | 2018-11-20 | 东北大学 | 一种基于懒惰学习的高炉铁水质量自适应优化控制方法 |
CN112070262A (zh) * | 2020-07-09 | 2020-12-11 | 深圳市计量质量检测研究院(国家高新技术计量站、国家数字电子产品质量监督检验中心) | 一种基于支持向量机的空调负荷预测方法 |
-
2018
- 2018-12-29 CN CN201811639973.4A patent/CN109521677B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080221949A1 (en) * | 2007-03-05 | 2008-09-11 | Delurgio Phillip D | System and Method for Updating Forecast Model |
CN103064286A (zh) * | 2013-01-17 | 2013-04-24 | 丽水学院 | 一种工业过程的控制方法与设备 |
CN105974795A (zh) * | 2016-06-16 | 2016-09-28 | 东南大学 | 基于可控电抗器抑制电力***低频振荡的模型预测控制方法 |
CN107390524A (zh) * | 2017-07-17 | 2017-11-24 | 东北大学 | 一种基于双线性子空间辨识的高炉铁水质量优化控制方法 |
CN108415252A (zh) * | 2018-02-13 | 2018-08-17 | 南京理工大学 | 基于扩张状态观测器的电液伺服***模型预测控制方法 |
CN108762089A (zh) * | 2018-06-15 | 2018-11-06 | 大连理工大学 | 一种基于模型预测的航空发动机在线优化及多变量控制设计方法 |
CN108845501A (zh) * | 2018-09-11 | 2018-11-20 | 东北大学 | 一种基于懒惰学习的高炉铁水质量自适应优化控制方法 |
CN112070262A (zh) * | 2020-07-09 | 2020-12-11 | 深圳市计量质量检测研究院(国家高新技术计量站、国家数字电子产品质量监督检验中心) | 一种基于支持向量机的空调负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
F.H.VERHOFF: "A quadratic programming technique with application to kinetic rate constant determination", 《CHEMICAL ENGINEERING SCIENCE》 * |
姚绪梁,杨光仪,彭宇: "水下自主航行器垂直面运动的预测控制", 《哈尔滨工业大学学报》 * |
袁光: "载人潜水器航行姿态模型预测控制方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110308654A (zh) * | 2019-07-01 | 2019-10-08 | 西安电子科技大学 | 基于模型预测控制的电感耦合等离子体产生***的整定方法 |
CN110308654B (zh) * | 2019-07-01 | 2020-06-05 | 西安电子科技大学 | 基于模型预测控制的电感耦合等离子体产生***的整定方法 |
CN111781835A (zh) * | 2020-07-22 | 2020-10-16 | 北京化工大学 | 一种镇定二阶惯性加纯滞后***的线性自抗扰控制器设计方法 |
CN112735126A (zh) * | 2020-12-24 | 2021-04-30 | 成都格林希尔德交通科技有限公司 | 一种基于模型预测控制的混合交通流协同优化控制方法 |
CN114280939A (zh) * | 2021-12-27 | 2022-04-05 | 中国联合网络通信集团有限公司 | 一种模型预测控制方法、装置、设备及存储介质 |
CN114280939B (zh) * | 2021-12-27 | 2023-12-22 | 中国联合网络通信集团有限公司 | 一种模型预测控制方法、装置、设备及存储介质 |
CN114924489A (zh) * | 2022-07-22 | 2022-08-19 | 浙江中控技术股份有限公司 | 一种适用于流程工业预测控制的模型自主学习方法 |
WO2024016556A1 (zh) * | 2022-07-22 | 2024-01-25 | 中控技术股份有限公司 | 一种适用于流程工业预测控制的模型自主学习方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109521677B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109521677A (zh) | 一种基于预测模型的控制方法和控制器 | |
CN107608209A (zh) | 压电陶瓷驱动器的前馈与闭环复合控制方法、*** | |
Karimi et al. | PID controller tuning using Bode's integrals | |
CN1598720B (zh) | 控制过程的方法和过程控制器 | |
CN105893654B (zh) | 一种一阶连续搅拌釜式反应器的鲁棒预测控制方法 | |
CN104571149B (zh) | 用于气体集成输送***的质量流量控制装置及控制方法 | |
CN1170463A (zh) | 控制停滞时间显著过程等过程的可变前景预测器 | |
CN102354107A (zh) | 一种交流位置伺服***模型参数在线辨识和控制方法 | |
CN100462877C (zh) | 工业过程中非方***的解耦控制方法 | |
Kürkçü et al. | Disturbance/uncertainty estimator based robust control of nonminimum phase systems | |
CN115993778A (zh) | 一种高低温试验箱温控***的模糊控制方法及装置 | |
CN108563123B (zh) | 直线电机x-y的自适应迭代学习鲁棒控制***及设计方法 | |
CN109856959A (zh) | 一种基于pid的直线电机控制方法及*** | |
Jafarnejadsani et al. | Optimal filter design for a discrete-time formulation of L1-adaptive control | |
CN109412495A (zh) | 参数自调整方法、设备及计算机可读存储介质 | |
CN105549385A (zh) | 多变量时滞非最小相位非方***的解耦内模控制器、控制***和控制方法 | |
Klemets et al. | Accounting for dynamics in self-optimizing control | |
Tanemura et al. | Closed-loop data-driven estimation on passivity property | |
Engin et al. | Auto-tuning of PID parameters with programmable logic controller | |
CN104668493A (zh) | 一种连铸机结晶器的复合振动控制***及其控制方法 | |
CN107191154B (zh) | 井口回压调控方法与装置 | |
Joelianto et al. | Robust H∞ PID Controller Design Via LMI Solution of Dissipative Integral Backstepping with State Feedback Synthesis | |
Belhaj et al. | Multivariable PID control via ILMIs: performances assessment | |
Bansal | Tuning of PID controllers using simulink | |
Jichkar et al. | Comparative study of real time implementation of labview based mpc controller and pid controller for flow control loop |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |