CN1285016C - 复杂滞后过程的先进控制方法及其*** - Google Patents

Abstract

一种复杂滞后过程的先进控制方法及实现该方法的***，至少包括：预测该复杂滞后过程输出的未来值；对该过程当前的输出进行预测；对该过程进行在线反馈校正；对该过程进行最优控制；依据约束限对计算得到的最优控制率判断，得到满足约束条件的控制增量，并将该控制增量施加到被控过程中去。本发明依据被控过程具体情况和测点情况，选取相关的过程变量为状态变量，使用实测的状态变量计算最优控制率；并通过选取可测干扰变量设计模型预测前馈来计算最优控制率，实现了实测状态变量反馈设计，增大了控制***对被控过程工艺变化、操作控制变化的适应范围，提高了控制***的鲁棒稳定性及抗干扰能力。

Description

复杂滞后过程的先进控制方法及其***

技术领域

本发明涉及一种控制方法及其***，特别是指一种对具有多个被控变量、多个状态变量、多个操纵变量、多个可测干扰变量以及长滞后时间特征的复杂滞后过程***的先进控制方法及其***，属于自动控制技术领域。

背景技术

流程工业生产过程机理动态模型化的研究与开发已有多年的历史，涉及流程工业的各个方面。在流程工业领域内，石油化工、冶金、化工、医药和其它，每个方面都有成百上千的生产装置，可以通过基于机理的动态模型化技术，为综合自动化技术应用提供最基础的平台，提高企业的经济效益及国际竞争能力。

在工业生产过程中，特别是石油化工生产过程，被控过程往往不同程度的存在着纯滞后现象。例如：在热交换器中，被控变量是被加热物料的出口温度，而操纵变量是载热介质；当调整改变载热介质流量后，对物料出口温度的影响往往要滞后一段时间，这一滞后时间的大小，主要与被加热物料在热交换器中的停留时间有关，而且，其停留时间会随着操纵变量的变化而变化，即滞后时间随时间变化，这种操纵变量到被控变量通道的滞后称为控制纯滞后。此外，在精馏塔控制中，塔顶、塔中和塔底温度等均可以看作是被控过程的状态变量，由于液相物料和汽相物料在每层塔板上都要停留一段时间，因而温度在各塔板间传递存在一定的纯滞后时间，而且，其纯滞后时间会随着精馏塔的操作运行状态的变化而变化，这种状态变量之间的相互影响存在的滞后现象称为状态滞后。状态滞后与控制(输入)滞后增加了控制***的控制难度，一般会使被控过程波动加大，容易造成被控变量严重超调，甚至引起控制***的不稳定，使被控变量及其他相关变量超过安全约束限，从而危急设备及人身安全，造成严重事故及重大经济损失。由于复杂滞后过程具有多变量、多重状态滞后、多重输入滞后、多约束、不确定性、时变性及非线性等特点，针对纯滞后过程的控制理论与控制方法的研究是目前控制理论界研究的热点课题。

应用Smith预估器实现对纯滞后过程的控制及通过改进算法提高鲁棒稳定性也得到了很大的关注(参见：自动化学报1997年23(5)《一类Smith预估器及其鲁棒整定》自动化学报，《A new modified Smith predictor：the concept，desing and tuning》ISA Transactions 40(2001)111-121，《Improving performance using cascade controland a Smith predictor》ISA Transactions 40(2001)223-234，《Robust controllerdesign for uncertain systems with variable time delay》Control EngineeringPractice 9(2001)961-972)；但是，这些方法的不足之处是设计结果比较复杂，参数调整比较困难。使用PID控制器及纯滞后补偿器(DTC，Dead-Time Compensator)(参见《Robust PID controller design for non-minimum phase time delay systems》ISA Transactions 40(2001)31-39，《Performance comparison between PID anddead-time compensating controllers》Journal of Process Control 12(2002)887-895)，改善纯滞后过程控制及使用神经元网络PID(参见《PID neural networks fortime-delay systems》Computers and Chemical Engineering 24(2000)859-862)等。这些方法均存在的不足，PID参数比较难调整，纯滞后补偿器的结果一般比较复杂而且很难有明确的物理意义，鲁棒性问题在一定程度上很难保证。应用DMC算法(参见《时滞不确定***DMC约束控制的鲁棒性条件》控制理论与应用，2001年18期)、内模控制(IMC)算法(参见《IMC design for unstable processes with time delays》Journal of Process Control 2003-13)、线性矩阵不等式(LMI)方法(参见《An LMIapproach to guaranteed cost control of linear uncertain time-delay systems》Automatica 1999-35)及使用状态反馈设计线性时变参数滞后***的控制等(参见《LPVSystems with parameter-varying time delays：analysis and control》Automatica2001-37)。

在石油化工领域，精馏塔控制过程中，塔顶、塔中和塔底的温度均为被控过程的状态变量。由于液相物料和汽相物料在每层塔板上都要停留一段时间，因而温度在各塔板之间的传递存在一定的纯滞后现象；而且，其纯滞后时间会随着精馏塔的操作运行状态的变化而变化。这种状态变量之间的相互影响存在的滞后现象称为状态滞后。

状态滞后与控制纯滞后增加了对复杂***进行控制的难度，使被控过程波动加大，造成了被控变量严重超调，甚至会导致***不稳定，使被控变量及其他相关变量超过安全约束限制，导致***崩溃，从而危及生产设备及人身安全，严重的可导致重大的事故和经济损失。

由于复杂滞后过程具有多变量、多重状态滞后、多重输入滞后及多约束等特点，目前已有的针对纯滞后过程的控制方法均不能很好地解决复杂滞后过程的控制问题。

应用基于机理动态数学模型，进行过程***分析和仿真、用于生产装置的分析设计并指导工艺过程的改造，实现在线计算和优化控制，观测计算及软测量技术，对生产过程的监测与故障预报、在线仿真分析与操作培训等，尤其对流程工业大规模、多变量、多目标、多重变时滞、许多重要变量不可实测和变结构的特点，较现有基于数据的在线计算和基于输入输出模型的控制策略有许多优势。问题是：机理动态数学模型的建立较为困难，要求具有化学工艺和自控理论两方面的知识，成为工程应用的一个瓶颈。计算机性能的提高及价格的降低，为研究与应用基于机理的动态模型化技术，提供了保证。

建立机理动态数学模型库，是一个长期积累和逐步完善的过程。典型的化工过程的动态数学模型库，包括一类化学反应器、分馏塔、换热器及相关设备等的动态数学模型不是孤立的单元模型，各单元模型之间的相互关联性，不能只是考虑某一个单元模型，而应该考虑整个生产装置及整个工艺过程，只有这样才能满足实际生产过程的要求，才会发挥动态模型的真正作用。例如对于相同的生产装置而言，只考虑温度的关联影响时，由于管线连接的长短不同及操作控制的流量大小不同，对温度影响的时间就会发生变化，表现为纯滞后时间变化，又会影响到其他过程变量的变化，从而影响***的控制性能，影响到装置的产品质量及经济效益，这就是多重变时滞过程—纯滞后时间在不断的变化。

通常，一个多变量、多重状态滞后、多重输入滞后、多约束且具有非线性、时变性及不确定性的复杂控制***的离散化状态空间模型可以用如下的数学公式描述：

$\left\{\begin{array}{c}X(k+1)=(A+\mathrm{\ΔA})X\left(k\right)+\underset{i=1}{\overset{l_0}{\mathrm{\Σ}}}(A_i+\mathrm{\Δ}{A}_i)X(k-({\mathrm{\τ}}_i+\mathrm{\Δ}{\mathrm{\τ}}_i))\\ Y\left(k\right)=\mathrm{CX}\left(k\right)+\underset{i=1}{\overset{l_0}{\mathrm{\Σ}}}(B_i+\mathrm{\Δ}{B}_i)U(k-(d_i+\mathrm{\Δ}{d}_i))+\mathrm{FV}\left(k\right)\end{array}\right.---\left(1\right)$ 其中，X∈Rⁿ，

为n维状态变量(State Variable，简称SV)；例如：在催化裂化主分馏塔中塔顶的温度、塔顶的压力、抽出温度及返塔温度等，这些实际过程变量均可以选取为状态变量；U∈R^r，为r维操纵变量(Manipulated Variable，简称MV)；例如：换热三通阀、循环回流流量调节阀的阀位均可以选取为操纵变量；Y∈R^r，为r维被控变量(ControlledVariable，简称CV)；例如：表示产品质量指标的粗汽油干点，柴油凝固点，或者实际装置的过程变量，如：塔顶温度、抽出温度等均可以选取为被控变量；V∈R^q，为q维干扰变量(Disturbance Variable，简称DV)；例如：富吸收油返回主分馏塔的流量及温度等，可选取为干扰变量；

A∈R^n×n，A_i∈R^n×n，i＝1，2，…l_a，B_i∈R^n×r，i＝1，2，…l_b，C∈R^r×n，F∈R^n×q，均为已知的常数矩阵，为已知的相应模型参数，在复杂滞后过程的先进控制***设计中，用来计算最优控制率。 ${\mathrm{\&tau;}}_1<{\mathrm{\&tau;}}_2<\&CenterDot;\&CenterDot;\&CenterDot;<{\mathrm{\&tau;}}_{l_0},$ i＝1，2，…，l_a，τ_i表示已知的相应状态变量滞后时间，且τ_i≠0，l_a表示状态变量滞后的重数； $d_1<d_2<\&CenterDot;\&CenterDot;\&CenterDot;<d_{l_b},$ i＝1，2，…，l_b，d_i表示已知的相应操纵变量滞后时间，l_b表示操纵变量滞后的重数，且有d₁＝0，即操纵变量中可能有部分分量没有滞后；这些滞后时间的大小均为已知的模型参数，在先进控制***设计中可以用来计算最优控制率。ΔA，ΔA_i，ΔB_i分别为被控过程的非线性、时变性及不确定性参数，且具有与上述常数矩阵A∈R^n×n，A_i∈R^n×n，i＝1，2，…l_a，B_i∈R^n×r，i＝1，2，…l_b相应的维数；其为未知的模型参数。Δτ_i，Δd_i分别表示状态及输入纯滞后时间的非线性、时变性及不确定性，也为未知的模型参数。

根据上述的数学描述，完全可以通过对被控变量进行预测，并依据预测的结果计算最优控制率，将最优控制施加到控制***，就可以对复杂滞后过程进行理想的控制，实现控制目标。

发明内容

本发明的主要目的在于提供一种复杂滞后过程的先进控制方法，针对现有的纯滞后过程控制方法的不足，提出适用于多变量、多约束过程控制，特别是含有多重状态滞后及多重输入滞后的生产过程控制与优化方法，解决复杂滞后过程中的控制问题。

本发明的目的是这样实现的：

本发明首先对每一个输出y_h相应地设计选取预测时域为p_h，h＝1，…，r，即：设计选取被控过程的预测时域为一个向量P＝[p₁，…，p_h，…，p_r]^T，其中，P为r维列向量，r为一整数。

本发明对于状态变量纯滞后时间比较向量和操纵变量纯滞后时间比较向量进行确定，具体的确定方法为：

1、确定状态变量纯滞后时间比较向量的方法：状态纯滞后比较向量为r维列向量，具体的表达为：W＝[w₁，……，w_r]^T，其由下式确定：

$w_h=\left\{\begin{array}{cc}0,& p_h\&le;{\mathrm{\&tau;}}_1\\ i,& {\mathrm{\&tau;}}_i<p_h\&le;{\mathrm{\&tau;}}_{i+1},\\ l_{a,}& p_h>{\mathrm{\&tau;}}_{l_a}\end{array}\right.i=2,\&CenterDot;\&CenterDot;\&CenterDot;,l_a-1,h=1,\&CenterDot;\&CenterDot;\&CenterDot;,r$

其中，τ_i为状态变量纯滞后时间，l_a为状态变量的滞后重数，均为已知的模型参数。p_h为对输出y_h选取的预测时域，为先进控制***设计选取参数，参数w_h可以依据设计选取的预测时域及模型参数离线计算得到，可以用来计算先进控制***的最优控制率。

2、确定操纵变量纯滞后时间比较向量的方法：控制纯滞后比较向量为r维列向量，具体的表达为：G＝[g₁，……，g_r]^T，其由下式确定：

$g_h=\left\{\begin{array}{cc}0,& P_h\&le;d_i\\ i,& d_i<P_h\&le;d_{i+1}\\ l_{b,}& P_h>d_{l_b}\end{array},i=2,\&CenterDot;\&CenterDot;\&CenterDot;,l_b-1,h=1,\&CenterDot;\&CenterDot;\&CenterDot;,r\right.$ 其中，d_i为控制纯滞后时间，l_b

为操纵变量的滞后重数，均为已知的模型参数。p_h为对输出y_h选取的预测时域，为先进控制***设计选取参数，参数g_h可以依据设计选取的预测时域及模型参数离线计算得到，可以用来计算先进控制***的最优控制率。

其次，进行模型预测，即根据上述已知的动态数学模型公式(1)，计算被控过程输出的未来值，即模型预测。具体为：选择第h个输出y_h的预测时域为p_h，由(1)式模型预测y_h未来第p_h步的值，即k+p_h时刻的未来输出值，其由下式确定：

${\hat{y}}_h(k+p_h)=c_h{A}^{p_h}X\left(k\right)+\underset{i=1}{\overset{l_a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_{i}X(k+p_h-{\mathrm{\&tau;}}_i-j)$

$+\underset{i=1}{\overset{l_b}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_{i}U(k+p_h-d_i-j)+\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}\mathrm{FV}(k+p_h-j)---\left(2\right)$

其中， ${\hat{y}}_h(k+p_h)$ 表示对y_h(k+p_h)的预测值，c_h表示输出矩阵C的第h行向量，为已知的模型参数，C＝[c₁ ^T，…，c_h ^T，…，c_r ^T]^T。

根据上述预测时域p_h与状态纯滞后比较向量W＝[w₁，…，w_h，…，w_r]^T及控制纯滞后比较向量G＝[g₁，…，g_h，…，g_r]^T的确定方法，并假设由当前时刻y(k)预测未来值 ${\hat{y}}_h(k+p_h)$ 时，将未来状态及未来干扰的预测值按如下假设处理：

X(k+j)＝α_XX(k)，j＞0V(k+j)＝α_VV(k)，j＞0其中，α_X，α_V为设计参数矩阵；最简单的情况为选取α_X，α_V为单位矩阵，即：α_X＝I，α_V＝I。也可以选取为对角矩阵或其他形式的非奇异矩阵。同时，进一步假设U(k+j)＝U(k)，j＞0，上述的公式(2)可进一步表达为如下形式：

${\hat{y}}_h(k+p_h)=c_h{A}^{p_h}X\left(k\right)+\underset{i=1}{\overset{w_h}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h-{\mathrm{\&tau;}}_i}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_i{a}_{x}X\left(k\right)+\underset{i=1}{\overset{w_h}{\mathrm{\&Sigma;}}}\underset{j=p_h-{\mathrm{\&tau;}}_i+1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_{i}X(k+p_h-{\mathrm{\&tau;}}_i-j)$

$+$ $\underset{i=w_h+1}{\overset{l_a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_{i}X(k+p_h-{\mathrm{\&tau;}}_i-j)+$ $\underset{i=1}{\overset{g_h}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h-d_i}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_{i}U\left(k\right)$

$+\underset{i=1}{\overset{g_h}{\mathrm{\&Sigma;}}}\underset{j=p_h-d_i+1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_{i}U(k+p_h-d_i-j)+\underset{i=g_h+1}{\overset{l_b}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_{i}U(k+p_h-d_i-j)$

$+\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}F{a}_{v}V\left(k\right)---\left(3\right)$

此外，依据已知被控过程的动态数学模型公式(1)，使用已知的历史状态变量值X(k-i)，i＝1，…，p_h和已经计算得到的历史输入U(k-i)，i＝1，…，p_h，对当前k时刻输出y(k)值进行预测，其由下式确定：

${\hat{y}}_h\left(k\right)=c_h{A}^{p_h}X(k-p_h)+\underset{i=1}{\overset{l_a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_{i}X(k-{\mathrm{\&tau;}}_i-j)$

$+\underset{i=1}{\overset{l_b}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_{i}U(k-d_i-j)+\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}\mathrm{FV}(k-j)---\left(4\right)$

其中， ${\hat{y}}_h\left(k\right)$ 表示对输出y_h(k)的预测值。

然后再进行反馈校正，即利用当前时刻输出变量的实测值y_h(k)及对当前时刻输出的预测值 ${\hat{y}}_h\left(k\right)$ 进行在线反馈校正，其由下式确定：

$y_h^c(k+p_h)={\hat{y}}_h(k+p_h)+{[y}_h\left(k\right)-{\hat{y}}_h\left(k\right)]$

其中，y^C _h(k+p_h)表示经过反馈修正以后对未来k+p_h时刻的预测值。将上述的公式(3)和公式(4)式代入上式，得到在线校正后的预测值：

$y_h^c(k+p_h)=y_h\left(k\right)+[c_h{A}^{p_h}X\left(k\right)+\underset{i=1}{\overset{w_h}{\mathrm{\&Sigma;}}}\underset{j=1_{}}{\overset{p_h-{\mathrm{\&tau;}}_i}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_i{a}_{x}X\left(k\right)+\underset{i=1}{\overset{w_h}{\mathrm{\&Sigma;}}}\underset{j=p_h-{\mathrm{\&tau;}}_i+1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{J-1}{A}_{i}X(k+p_h-{\mathrm{\&tau;}}_i-j)$

$+\underset{i=w_{h+1}}{\overset{l_a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_{i}X(k+p_h-{\mathrm{\&tau;}}_i-j)+\underset{i=1}{\overset{g_h}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h-d_i}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_{i}U\left(k\right)$

$+\underset{i=1}{\overset{g_h}{\mathrm{\&Sigma;}}}\underset{j=p_h-d_i+1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_{i}U(k+p_h-d_i-j)+\underset{i=g_h+1}{\overset{l_a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_{i}U(k+p_h-d_i-j)$

$+\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}F{a}_{V}V\left(k\right)]-[c_h{A}^{p_h}X(k-p_h)+\underset{i=1}{\overset{l_a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{J-1}{A}_{i}X(k-{\mathrm{\&tau;}}_i-j)$

$+\underset{i=1}{\overset{l_b}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_{i}U(k-d_i-j)+\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{J-1}\mathrm{FV}(k-j)]---\left(5\right)$

最后进行最优控制，对所有输出的未来时刻预测值，经过反馈校正后，令其等于被控变量未来输出的给定值，即：y^C _h(k+p_h)＝y_sh(k+p_h)，并表达为增量形式，ΔU(k)＝U(k)-U(k-1)

Y_S(k+P)＝Y(k)+KΔX(P)+S(P)ΔU(k)+F_U(z^-1)ΔU(k-1)

       +H_X(z^-1)X(k)+F_V(z^-1)V(k)      (6)其中，相应的参数项由以下公式分别确定，具体说明如下：

$Y_S(k+P)=\left[\begin{array}{c}{y}_{s1}(k+p_1)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ y_{\mathrm{sh}}(k+p_h)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ y_{\mathrm{sr}(k+p_r)}\end{array}\right]$ 为被控变量的给定值，其可以由操作人员依据生产调度对产品质量指标要求设定；

$Y\left(k\right)=\left[\begin{array}{c}{y}_1\left(k\right)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ y_h\left(k\right)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ y_r\left(k\right)\end{array}\right]$ 为被控变量的实际测量值；

$\mathrm{K\&Delta;X}\left(P\right)=\left[\begin{array}{c}{K}_1[X\left(k\right)-X(k-p_1)]\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ K_h[X\left(k\right)-X(k-p_h)]\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ K_r[X\left(k\right)-X(k-p_r)]\end{array}\right]=\left[\begin{array}{c}{c}_1{A}^{p_1}[X\left(k\right)-X(k-p_1)]\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ c_h{A}^{p_h}[X\left(k\right)-X(k-p_h)]\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ c_r{A}^{p_r}[X\left(k\right)-X(k-p_r)]\end{array}\right]$ 为实测状态变量反馈项，

X(k)为实测状态变量的当前值，X(k-p_h)，h＝1，…，r为第p_h步以前状态变量的历史值，其中相应的参数K₁，K₂，…，K_r，可依据已知的模型参数离线计算得到；

$S\left(P\right)=\left[\begin{array}{c}{S}_1\left(p_1\right)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ S_h\left(p_h\right)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ S_r\left(p_r\right)\end{array}\right]=\left[\begin{array}{c}\underset{i=1}{\overset{g_1}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_1-d_i}{\mathrm{\&Sigma;}}}{c}_1{A}^{j-1}{B}_i\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ \underset{i=1}{\overset{g_h}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h-d_i}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-i}{B}_i\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ \underset{i=1}{\overset{g_r}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_1-d_i}{\mathrm{\&Sigma;}}}{c}_r{A}^{j-1}{B}_i\end{array}\right]$ 为被控过程的脉冲响应系数；对于已经设计选取的预测时域P＝[p₁，…，p_h，…，p_r]^T，依据控制纯滞后比较向量的确定方法，计算出G＝[g₁，…，g_h，…，g_r]^T后，此时，S(P)的各个参数均可以离线计算得到，不必在线实时计算，从而使先进控制***在实施与应用过程中，减少了集散控制***(DistributedControl Systems，简称DCS)的运行负荷。

$F_U\left(z^{-1}\right)\mathrm{\&Delta;U}(k-1)=\left[\begin{array}{c}{F}_{U1\left(z^{-1}\right)\mathrm{\&Delta;U}(k-1)}\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ F_{\mathrm{Uh}}\left(z^{-1}\right)\mathrm{\&Delta;U}(k-1)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ F_{\mathrm{Ur}}\left(z^{-1}\right)\mathrm{\&Delta;U}(k-1)\end{array}\right]$ 为历史控制作用的反馈项，具体的确定算式如下：

$F_{\mathrm{Uh}}\left(z^{-1}\right)\mathrm{\&Delta;U}(k-1)=\underset{i=1}{\overset{g_h}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{d_i}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h-d_i+m}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_i\mathrm{\&Delta;U}(k-m)+\underset{i=g_h+1}{\overset{l_a}{\mathrm{\&Sigma;}}}\underset{m=1+d_i-p_h}{\overset{d_i}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h-d_i+m}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_i\mathrm{\&Delta;U}(k-m)$

$-\underset{i=1}{\overset{l_b}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{p_h}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_i\mathrm{\&Delta;U}(k-d_i-m)+\underset{i=1}{\overset{l_b}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_i\mathrm{\&Delta;U}(k-d_i-m)$

其中，参数项 $\underset{i=1}{\overset{g_h}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{d_i}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h-d_i+m}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_i,\underset{i=g_h+1}{\overset{l_b}{\mathrm{\&Sigma;}}}\underset{m=1+d_i-p_h}{\overset{d_i}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h-d_i+m}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_i,\underset{i=1}{\overset{l_b}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{p_h}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_i,$

$\underset{i=1}{\overset{l_b}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_i,$ 对于已经设计选取的预测时域P＝[p₁，…，p_h，…，p_r]^T，依据控制纯滞后比较向量的确定方法，计算出G＝[g₁，…，g_h，…，g_r]^T后，这些参数均可以依据已知的模型参数离线计算得到，不必在线实时计算，从而使先进控制***在实施与应用过程中，减少了集散控制***的运行负荷。

当g_h+1＞l_b时，即选取的预测时域均大于输入纯滞后时间，参数项

$\underset{i=g_h+1}{\overset{l_b}{\mathrm{\&Sigma;}}}\underset{m=1+d_i-p_h}{\overset{d_i}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h-d_i+m}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_i=0.$

$H_x\left(z^{-1}\right)X\left(k\right)=\left[\begin{array}{c}{H}_{x1}\left(z^{-1}\right)X\left(k\right)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ H_{\mathrm{xh}}\left(z^{-1}\right)X\left(k\right)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ H_{\mathrm{xr}}\left(z^{-1}\right)X\left(k\right)\end{array}\right]$ 为历史状态反馈项，其确定算式如下：

$H_{\mathrm{xh}}\left(z^{-1}\right)X\left(k\right)=\underset{i=1}{\overset{w_h}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h-{\mathrm{\&tau;}}_i}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_i{a}_{x}X\left(k\right)+\underset{i=1}{\overset{w_h}{\mathrm{\&Sigma;}}}\underset{j=p_h-{\mathrm{\&tau;}}_i+1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_{i}X(k+p_h-{\mathrm{\&tau;}}_i-j)$

$+\underset{i=w_h+1}{\overset{l_a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_{i}X(k+p_h-{\mathrm{\&tau;}}_i-j)-\underset{i=1}{\overset{l_a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{{p_h}_{}}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_{i}X(k-{\mathrm{\&tau;}}_i-j)$

其中，对于已经设计选取的预测时域P＝[p₁，…，p_h，…，p_r]^T，依据状态纯滞后比较向量的确定方法，计算出W＝[w₁，…，w_h，…，w_r]^T后，这些参数 $\underset{i=1}{\overset{w_h}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h-{\mathrm{\&tau;}}_i}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_i{a}_x,$

$\underset{i=1}{\overset{w_h}{\mathrm{\&Sigma;}}}\underset{j=p_h-{\mathrm{\&tau;}}_i+1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_i,\underset{i=w_{h+1}}{\overset{l_a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_i,\underset{i=1}{\overset{l_a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_i$ 均可以依据已知的模型参数离线计算得到，不必在线实时计算，从而使先进控制***在实施与应用过程中，减少了集散控制***的运行负荷。当w_h+1＞l_a时，即选取的预测时域均大于状态纯滞后时间，参数项

$\underset{i=w_h+1}{\overset{l_a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_i=0.$

$F_V\left(z^{-1}\right)V\left(k\right)=\left[\begin{array}{c}{F}_{V1}\left(z^{-1}\right)V\left(k\right)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ F_{\mathrm{Vh}}\left(z^{-1}\right)V\left(k\right)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ F_{\mathrm{Vr}}\left(z^{-1}\right)V\left(k\right)\end{array}\right]$ 为可测量干扰的前馈项，具体的确定算式如下：

$F_{\mathrm{Vh}}\left(z^{-1}\right)V\left(k\right)=\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}F{a}_{V}V\left(k\right)-\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}\mathrm{FV}(k-j)$

其中，V(k)为当前时刻的干扰值，对于已经设计选取的预测时域P＝[p₁，…，p_h，…，p_r]^T，这些参数 $\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}F{a}_V,\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}F$ 均可以依据已知的模型参数离线计算得到，不必在线实时计算，从而使先进控制***在实施与应用过程中，减少了集散控制***的运行负荷。设预测控制***被控变量的给定值为

$Y_S\left(k\right)=\left[\begin{array}{c}{y}_{s1}\left(k\right)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ y_{\mathrm{sh}}\left(k\right)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ y_{\mathrm{sr}}\left(k\right)\end{array}\right]$ 最优化目标为：J＝E^TQE其中，Q为偏差加权矩阵，为控制***的设计参数，最简单的情况可以设计选取为单位矩阵即Q＝I。被控变量的测量值与其给定值的偏差矩阵为：

E＝{[y₁(k+p₁)-y_s1(k)]，…，[y_h(k+p_h)-y_sh(k)]，…，[y_r(k+p_r)-y_sr(k)]}^T

使目标J为最小值的最优控制率的增量形式，由下式确定：

ΔU(k)＝[S^T(P)QS(P)]^-1ST(P)Q{Y_S(k)-Y(k)-KΔX(P)-H_X(z^-1)X(k)

        -F_U(z^-1)ΔU(k-1)-F_V(z^-1)V(k)}                             (7)

本发明还进一步依据约束限判断规则库的判断逻辑规则关系，对计算得到的最优控制率ΔU(k)进行判断，得到最终满足约束条件的控制增量ΔU(k)，并将其施加的被控过程中去，从而实现复杂滞后过程的先进控制方法。具体的约束限判断包括如下的具体内容：

规则1：如果y(k)不小于设定的被控变量上上限，并且Δu(k)＞0并且操纵变量增加使被控变量也增加，则Δu(k)＝0，超上上限记数器加1；如果y(k)不小于设定的被控变量上上限，并且Δu(k)＜0并且操纵变量减少使被控变量增加，则Δu(k)＝0，超上上限记数器加1；如果超上上限记数器记录的值不小于允许连续超上上限的次数，则自动退出先进控制，并将给定值设置为被控参数的测量值，实现无扰动切换；

规则2：如果y(k)不大于设定的被控变量下下限，并且Δu(k)＞0并且操纵变量增加使被控变量减少，则Δu(k)＝0，且超下下限记数器加1；如果y(k)不大于设定的被控变量下下限，并且Δu(k)＜0并且操纵变量减少使被控变量也减少，则Δu(k)＝0，且超下下限记数器加1；如果超下下限记数器≥允许连续超下下限的次数，则自动退出先进控制，并将给定值设置为被控参数的测量值，实现无扰动切换；

规则3：如果y(k)不小于设定的被控变量上限，并且Δu(k)＞0并且操纵变量增加使被控变量也增加，则Δu(k)＝0；如果y(k)不小于设定的被控变量上限，并且Δu(k)＜0并且操纵变量减少使被控变量增加，则Δu(k)＝0；

规则4：如果y(k)不大于设定的被控变量下限，并且Δu(k)＞0并且操纵变量增加使被控变量减少，则Δu(k)＝0；如果y(k)不大于设定的被控变量下限，并且Δu(k)＜0并且操纵变量减少使被控变量也减少，则Δu(k)＝0；

规则5：如果|y(k)-y(k-1)|不小于设定的被控变量速率限，则超速率限记数器加1；如果超速率限记数器加≥允许连续超速率限的次数，则自动退出先进控制，并将给定值设置为被控参数的测量值，实现无扰动切换；其中，y(k)为被控变量；Δu(k)为操纵变量的增量。

对于速率限而言：如果Δu(k)的绝对值不小于速率限，并且Δu(k)＜0，则：Δu(k)为负的速率限；如果Δu(k)的绝对值不小于速率限，并且Δu(k)＞0，则：Δu(k)为速率限；如果u(k)不小于上限值，则u(k)取上限值；如果u(k)不大于下限值，则u(k)取下限值；其中，u(k)为操纵变量；Δu(k)为操纵变量的增量。

过程变量和操纵变量之间的关系如下：如果R(k)不小于相关过程变量的上限约束，并且Δu(k)＞0，并且操纵变量增加使相关过程变量也增加，则设置Δu(k)为0；如果R(k)不小于相关过程变量的上限约束，并且Δu(k)＜0，并且操纵变量减少使相关过程变量增加，则设置Δu(k)为0；如果R(k)不大于相关过程变量的下限约束，并且Δu(k)＞0，并且操纵变量增加使相关过程变量减少，则设置Δu(k)为0；如果R(k)不大于相关过程变量的下限约束，并且Δu(k)＜0，并且操纵变量减少使相关过程变量也减少，则设置Δu(k)为0；其中，R(k)为相关过程变量；Δu(k)为操纵变量的增量。

本发明的方法可以通过这样的***实现：该***由被控过程、约束限判断模块、离散响应模块、加法器、被控过程模型、实测状态变量反馈模块、反馈校正模块和减法器组成；其中，输入的被控变量的设定值经过加法器、离散响应模块和约束限判断模块传输到被控过程，其控制该被控过程输出的被控变量；该被控变量作为负反馈到加法器与输入的被控变量的给定值进行加法运算后传输给离散响应模块，用于调整传输给被控过程的操纵变量；被控过程的状态变量输出到实测状态变量反馈模块，并经过该实测状态变量反馈模块传输到离散响应模块，用于进行状态反馈；由约束限判断模块输出的操纵变量同时传输给被控过程和被控过程模型，而另一路被控过程和被控过程模型的输出经过减法器进行减法运算后，经过反馈校正模块传输到离散响应模块，用于对输入的操纵变量进行调整。

本发明依据被控过程工艺情况、装置中已经安装的测点情况，选取有关的过程变量为状态变量，使用这种实测的状态变量计算最优控制率；并通过选取可测干扰变量设计模型预测前馈来计算最优控制率，实现了实测状态变量反馈设计，增大了控制***对被控过程工艺变化、操作控制变化的适应范围，提高了控制***的鲁棒稳定性及抗干扰能力。

附图说明

图1为实现本发明方法实施例中先进控制***的构成图；

图2为本发明先进控制***的构成原理图；

图3为本发明先进控制***的一实施例构成图。

具体实施方式

以下结合附图和具体的实施例对本发明作进一步的详细说明：

参见图1，以催化裂化装置主分馏塔塔顶塔段先进控制为例，详细介绍本发明的方法：催化裂化主分馏塔塔顶塔段的主要控制参数为粗汽油产品质量指标(例如：粗汽油干点控制，以及塔顶的温度等)。主要操作手段有三种情况：(1)通过换热三通阀TC202调节塔顶部分的换热量，该换热三通阀TC202涉及三个参数：1)测量值TC202.PV，2)给定值TC202.SP，3)阀位TC202.OUT；(2)通过调节阀FC207调节塔顶循环回流流量；(3)通过调节阀FC206调节塔顶冷回流流量。这三种操作手段可分别调节也可以同时调节。

在基于动态机理模型的汽油产品质量先进控制***中，应用***现有的测点，选取塔顶温度TC202.PV、顶循返塔温度T221、顶循抽出温度T222及塔顶压力P204的测量值为状态变量，从实际工程实施与应用出发，使用如下的简化离散状态空间数学模型表示上述的控制过程：

$X(k+1)=\mathrm{AX}\left(k\right)+\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{A}_{i}X(k-{\mathrm{\&tau;}}_i)+\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{B}_{i}U(k-d_i)+\mathrm{FV}\left(k\right)$ 这里，状态变量的滞后重数

Y(k)＝CX(k)

为l_a＝3，操纵变量的滞后重数为l_b＝3。选取4个状态变量如下：

$X\left(k\right)=\left[\begin{array}{c}{x}_1\left(k\right)\\ x_2\left(k\right)\\ x_3\left(k\right)\\ x_4\left(k\right)\end{array}\right],$ 其中，x₁＝TC202.PV塔顶温度(单位：℃)，x₂＝T221顶循返塔温度(单位：℃)，x₃＝T222项循抽出温度(单位：℃)，x₄＝P204塔顶压力(单位：MPa(兆帕))。

这4个状态变量在实际的生产装置中均为已有的测点，所以都可以通过集散控制***(Distributed Control Systems，简称DCS)直接测试得到，从而可以实现模型预测控制的实测状态变量反馈设计。

选取3个操纵变量如下：

$U\left(k\right)=\left[\begin{array}{c}{u}_1\left(k\right)\\ u_2\left(k\right)\\ u_3\left(k\right)\end{array}\right],$ 其中，u₁＝TC202.OUT塔顶换热三通阀阀位(单位：％)，u₂＝FC207.OUT塔顶循流量调节阀阀位(单位：％)，u₃＝FC206.OUT塔顶冷回流调节阀阀位(单位：％)。这3个操纵变量也可以通过DCS直接采集得到，由复杂滞后控制***计算出的最优控制率公式(7)，施加到控制***中，即改变相应调节阀的阀位，从而实现其先进控制方法。

选取3个被控变量如下：

$Y\left(k\right)=\left[\begin{array}{c}{y}_1\left(k\right)\\ y_2\left(k\right)\\ y_3\left(k\right)\end{array}\right],$ 其中，y₁＝粗汽油产品质量指标(例如：粗汽油干点℃，设计为给定点被控变量[Set Point Controlled Variables])，y₂＝TC202.PV塔顶温度的测量值(单位：℃)(PV，Process Vatiables)，设计为区域被控变量(Zone ControlledVariables)，y₃＝T222顶循抽出温度的测量值(单位：℃)(PV，Process Variables)，设计为区域被控变量。这3个被控变量的测量值(PV)可以通过DCS直接测量得到。

选取2个可测干扰变量如下：

$V\left(k\right)=\left[\begin{array}{c}{v}_1\left(k\right)\\ v_2\left(k\right)\end{array}\right],$ 其中，v₁＝T224塔顶塔段下部温度(单位：℃)，v₂＝由富吸收油返塔温度T223(单位：℃)及流量F219(单位：t/h(吨/小时))计算的返塔热量(单位：kJ(千焦))。这2个干扰变量可以通过DCS直接测量得到。因此，可以设计可测量干扰变量模型预测前馈，从而减少塔顶塔段下部操作控制的变化对塔顶塔段的影响，以及富吸收油返回主分馏塔的温度及流量变化对塔顶塔段的影响，提高先进控制***的控制性能及抗干扰能力。

上述的模型参数分别为：状态变量的滞后重数为l_a＝3，状态变量纯滞后时间分别为τ₁＝1，τ₂＝2，τ₃＝3，因此，相应的矩阵参数分别为：

$A=\left[\begin{array}{cccc}0.8827& 0.0651& 0.0110& 1.0100\\ 0& 0.8476& 0.0120& 0\\ 0.0020& 0.0120& 0.9060& 0\\ 0.0002& 0& 0& 0.7790\end{array}\right],A_1=\left[\begin{array}{cccc}0& 0& 0& 0\\ 0& 0& 0& 0\\ 0& 0.012& 0& 0\\ 0& 0& 0& 0\end{array}\right],$

$A_2=\left[\begin{array}{cccc}0& 0& 0& 0\\ 0& 0& 0.012& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\end{array}\right],A_3=\left[\begin{array}{cccc}0& 0& 0.011& 0\\ 0& 0& 0& 0\\ 0.002& 0& 0& 0\\ 0& 0& 0& 0\end{array}\right].$

操纵变量的滞后重数为l_b＝3，操纵变量纯滞后时间分别为d₁＝0，d₂＝1，d₃＝2，因此，相应的矩阵参数分别为：

$B_1=\left[\begin{array}{ccc}0& 0& -0.1964\\ 0& 0& -0.2304\\ 0& 0& -0.0040\\ 0& 0& 0.0002\end{array}\right],B_2=\left[\begin{array}{ccc}0& -0.1375& 0\\ 0& -0.255& 0\\ 0& 0& 0\\ 0& 0& 0\end{array}\right],B_3=\left[\begin{array}{ccc}0& 0& 0\\ -0.2& 0& 0\\ 0& 0& 0\\ 0& 0& 0\end{array}\right]$

$C=\left[\begin{array}{cccc}0.4200& 0.1000& 0.3300& 0.0200\\ 1& 0& 0& 0\\ 0& 0& 1& 0\end{array}\right],F=\left[\begin{array}{cc}0& 0.1\\ 0& 0\\ 0.2& 0.2\\ 0& 0\end{array}\right]$

首先，对3个被控变量分别设计选取预测时域如下：

$P=\left[\begin{array}{c}{p}_1\\ p_2\\ p_3\end{array}\right]=\left[\begin{array}{c}12\\ 5\\ 16\end{array}\right]$ 依据状态变量纯滞后时间比较向量的确定方法，可确定出状态纯滞

后比较向量为：

$W=$ $\left[\begin{array}{c}{w}_1\\ w_2\\ w_3\end{array}\right]=\left[\begin{array}{c}3\\ 3\\ 3\end{array}\right]$ 依据操纵变量纯滞后时间比较向量的确定方法，可确定出控制纯滞后比较向量为：

$G=\left[\begin{array}{c}{g}_1\\ g_2\\ g_3\end{array}\right]=\left[\begin{array}{c}3\\ 3\\ 3\end{array}\right]$

设计选取矩阵α_X为：

${\mathrm{\&alpha;}}_X=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right]$

设计选取矩阵α_V为：

${\mathrm{\&alpha;}}_V=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]$

设计选取偏差加权矩阵Q为：

$Q=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right]$

设计选取控制率衰减矩阵β_u为：

${\mathrm{\&beta;}}_u=\left[\begin{array}{ccc}0.6& 0& 0\\ 0& 0.5& 0\\ 0& 0& 0.9\end{array}\right]$

设计选取状态反馈加权矩阵β_x为：

${\mathrm{\&beta;}}_x=\left[\begin{array}{cccc}0.6& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 0.8& 0\\ 0& 0& 0& 1\end{array}\right]$

确定计算出S(P)项的参数为：

$S\left(P\right)=\left[\begin{array}{c}{S}_1\left(12\right)\\ S_2\left(5\right)\\ S_3\left(16\right)\end{array}\right]=\left[\begin{array}{ccc}-0.2464& -0.7130& -0.8928\\ -0.0356& -0.5434& -0.8902\\ -0.0880& -0.1328& -0.1688\end{array}\right]$

确定计算出KΔX(P)项的参数为：

$\mathrm{K\&Delta;X}$ $\left(P\right)=\left[\begin{array}{c}{K}_1[X\left(k\right)-X(k-12)]\\ K_2[X\left(k\right)-X(k-5)]\\ K_3[X\left(k\right)-X(k-16)]\end{array}\right]$

K₁＝[0.0977 0.0950 0.1280 0.7262]

K₂＝[0.5373 0.1836 0.0405 2.4268]

K₃＝[0.0061 0.0306 0.2101 0.0302]

其中，X(k)表示当前k时刻值，由DCS直接测量得到；X(k-12)、X(k-5)、X(k-16)分别表示由当前时刻k算起，第12、5、16步的历史值，均为先进控制***保存的历史数据。

确定计算出F_U(z^-1)ΔU(k-1)项的参数为：

F_U(z^-1)ΔU(k-1)＝F₁ΔU(k-1)+F₂ΔU(k-2)+F₃ΔU(k-3)+F₄ΔU(k-4)+…

                 +F₁₆ΔU(k-16)+F₁₇ΔU(k-17)

其中，ΔU(k-1)、ΔU(k-2)、ΔU(k-3)、…、ΔU(k-16)、ΔU(k-17)分别表示第1、2、3、至16、17步的历史值，均为先进控制***保存的历史数据。

$F_1=\left[\begin{array}{ccc}-0.2681& -0.7540& -0.7859\\ -0.0649& -0.6702& -0.6938\\ -0.0948& -0.1419& -0.1648\end{array}\right],F_2=\left[\begin{array}{ccc}-0.2884& -0.6708& -0.6851\\ -0.0988& -0.5327& -0.5056\\ -0.1013& -0.1419& -0.1580\end{array}\right]$

$F_3=\left[\begin{array}{ccc}-0.2684& -0.5901& -0.5905\\ -0.0988& -0.3947& -0.3268\\ -0.1013& -0.1386& -0.1492\end{array}\right],F_4=\left[\begin{array}{ccc}-0.2452& -0.5128& -0.5022\\ -0.0857& -0.2588& -0.1581\\ -0.0989& -0.1327& -0.1388\end{array}\right]$

$F_5=\left[\begin{array}{ccc}-0.2200& -0.4392& -0.4201\\ -0.0632& -0.1268& 0\\ -0.0947& -0.1249& -0.1274\end{array}\right],F_6=\left[\begin{array}{ccc}-0.1936& -0.3697& -0.3440\\ -0.0339& 0& 0\\ -0.0891& -0.1157& -0.1153\end{array}\right]$

$F_7=\left[\begin{array}{ccc}-0.1669& -0.3045& -0.2738\\ 0& 0& 0\\ -0.0825& -0.1055& -0.1028\end{array}\right],F_8=\left[\begin{array}{ccc}-0.1403& -0.2436& -0.2091\\ 0& 0& 0\\ -0.0752& -0.0947& -0.0902\end{array}\right]$

$F_9=\left[\begin{array}{ccc}-0.1143& -0.1869& -0.1497\\ 0& 0& 0\\ -0.0674& -0.0836& -0.0777\end{array}\right],F_{10}=\left[\begin{array}{ccc}-0.0891& -0.1343& -0.0953\\ 0& 0& 0\\ -0.0595& -0.0723& -0.0653\end{array}\right]$

$F_{11}=\left[\begin{array}{ccc}-0.0649& -0.0858& -0.0455\\ 0& 0& 0\\ -0.0514& -0.0611& -0.0533\end{array}\right],F_{12}=\left[\begin{array}{ccc}-0.0420& -0.0411& 0\\ 0& 0& 0\\ -0.0434& -0.0500& -0.0416\end{array}\right]$

$F_{13}=\left[\begin{array}{ccc}-0.0203& 0& 0\\ 0& 0& 0\\ -0.0355& -0.0392& -0.0305\end{array}\right],F_{14}=\begin{array}{}\left[\begin{array}{ccc}0& 0& 0\\ 0& 0& 0\\ -0.0278& -0.0288& -0.0198\end{array}\right]\end{array}$

$F_{15}=\left[\begin{array}{ccc}0& 0& 0\\ 0& 0& 0\\ -0.0204& -0.0187& -0.0096\end{array}\right],F_{16}=\left[\begin{array}{ccc}0& 0& 0\\ 0& 0& 0\\ -0.0133& -0.0091& 0\end{array}\right]$

$F_{17}=\left[\begin{array}{ccc}0& 0& 0\\ 0& 0& 0\\ -0.0065& 0& 0\end{array}\right],$ 确定计算出H_X(z^-1)X(k)项的参数为：

H_X(z^-1)X(k)＝H₀X(k)+H₁X(k-1)+H₂X(k-2)+H₃X(k-3)+H₄X(k-4)+…

             +H₁₇X(k-17)+H₁₈X(k-18)

其中，X(k)表示当前k时刻值，由DCS直接测量得到；

X(k-1)、X(k-2)、…、X(k-17)、X(k-18)分别表示由当前时刻k算起，第1、2至17、18步的历史值，均为先进控制***保存的历史数据。

$H_0=\left[\begin{array}{cccc}0.0044& 0.0303& 0.0416& 0\\ 0.0000& 0.0007& 0.0228& 0\\ 0.0154& 0.0990& 0.0061& 0\end{array}\right],H_1=\left[\begin{array}{cccc}0.0003& 0.0017& 0.0028& 0\\ 0.0000& 0.0004& 0.0103& 0\\ 0.0006& 0.0028& 0.0005& 0\end{array}\right]$

$H_2=\left[\begin{array}{cccc}0.0003& -0.0040& 0.0026& 0\\ 0.0001& 0& 0.0096& 0\\ 0.0005& -0.0120& 0.0005& 0\end{array}\right],H_3=\left[\begin{array}{cccc}0.0003& -0.0037& 0.0000& 0\\ 0.0001& -0.0001& 0.0067& 0\\ 0.0005& -0.0109& 0.0001& 0\end{array}\right]$

$H_4=\left[\begin{array}{cccc}-0.0007& -0.0034& -0.0060& 0\\ 0& -0.0002& -0.0118& 0\\ -0.0020& -0.0099& -0.0001& 0\end{array}\right],H_5=\left[\begin{array}{cccc}-0.0006& -0.0031& -0.0056& 0\\ -0.0000& -0.0003& -0.0111& 0\\ -0.0018& -0.0089& -0.0003& 0\end{array}\right]$

$H_6=\left[\begin{array}{cccc}-0.0006& -0.0029& -0.0052& 0\\ -0.0000& -0.0004& -0.0103& 0\\ -0.0016& -0.0081& -0.0004& 0\end{array}\right],H_7=\left[\begin{array}{cccc}-0.0005& -0.0027& -0.0048& 0\\ -0.0001& 0& -0.0096& 0\\ -0.0015& -0.0073& -0.0004& 0\end{array}\right]$

$H_8=\left[\begin{array}{cccc}-0.0005& -0.0025& -0.0044& 0\\ -0.0001& 0& -0.0067& 0\\ -0.0013& -0.0067& -0.0005& 0\end{array}\right],H_9=\left[\begin{array}{cccc}-0.0004& -0.0023& -0.0041& 0\\ 0& 0& 0& 0\\ -0.0012& -0.0060& -0.0005& 0\end{array}\right]$

$H_{10}=\left[\begin{array}{cccc}-0.0004& -0.0021& -0.0037& 0\\ 0& 0& 0& 0\\ -0.0011& -0.0055& -0.0006& 0\end{array}\right],H_{11}=\left[\begin{array}{cccc}-0.0004& -0.0019& -0.0034& 0\\ 0& 0& 0& 0\\ -0.0010& -0.0050& -0.0006& 0\end{array}\right]$

$H_{12}=\left[\begin{array}{cccc}-0.0004& -0.0018& -0.0031& 0\\ 0& 0& 0& 0\\ -0.0009& -0.0045& -0.0006& 0\end{array}\right],H_{13}=\left[\begin{array}{cccc}-0.0003& -0.0017& -0.0028& 0\\ 0& 0& 0& 0\\ -0.0008& -0.0041& -0.0006& 0\end{array}\right]$

$H_{14}=\left[\begin{array}{cccc}-0.0003& 0& -0.0026& 0\\ 0& 0& 0& 0\\ -0.0008& -0.0037& -0.0005& 0\end{array}\right],H_{15}=\left[\begin{array}{cccc}-0.0003& 0& -0.0012& 0\\ 0& 0& 0& 0\\ -0.0007& -0.0034& -0.0005& 0\end{array}\right]$

$H_{16}=\left[\begin{array}{cccc}0& 0& 0& 0\\ 0& 0& 0& 0\\ -0.0006& -0.0031& -0.0005& 0\end{array}\right],H_{17}=\left[\begin{array}{cccc}0& 0& 0& 0\\ 0& 0& 0& 0\\ -0.0006& -0.0028& -0.0005& 0\end{array}\right]$

$H_{18}=\left[\begin{array}{cccc}0& 0& 0& 0\\ 0& 0& 0& 0\\ -0.0005& 0& -0.0005& 0\end{array}\right]$ 确定计算出F_V(z^-1)V(k)项的参数为：

F_V(z^-1)V(k)＝F_V0V(k)+F_V1V(k-1)+F_V2V(k-2)+F_V3V(k-3)+…

                +F_V15V(k-15)+F_V16V(k-16)

其中，V(k)表示可测量干扰变量当前k时刻值，由DCS直接测量得到；

V(k-1)、V(k-2)、…、V(k-15)、V(k-16)分别表示由当前时刻k算起，第1、2至15、16步的历史值，均为先进控制***保存的历史数据。

$F_{V0}=\left[\begin{array}{cc}0.5324& 0.8133\\ 0.0190& 0.4149\\ 1.6957& 1.7050\end{array}\right],F_{V1}=\left[\begin{array}{cc}-0.0660& -0.1080\\ 0& -0.1000\\ -0.2000& -0.2000\end{array}\right],F_{V2}=\left[\begin{array}{cc}-0.0610& -0.0981\\ -0.0022& -0.0905\\ -0.1812& -0.1814\end{array}\right]$

$F_{V3}=\left[\begin{array}{cc}-0.0563& -0.0892\\ -0.0041& -0.0820\\ -0.1642& -0.1646\end{array}\right],F_{V4}=\left[\begin{array}{cc}-0.0521& -0.0811\\ -0.0057& -0.0745\\ -0.1488& -0.1493\end{array}\right],F_{V5}=\left[\begin{array}{cc}-0.0481& -0.0738\\ -0.0070& -0.0678\\ -0.1349& -0.1355\end{array}\right]$

$F_{V6}=\left[\begin{array}{cc}-0.0445& -0.0673\\ 0& 0\\ -0.1223& -0.1230\end{array}\right],F_{V7}=\left[\begin{array}{cc}-0.0411& -0.0613\\ 0& 0\\ -0.1109& -0.1116\end{array}\right],F_{V8}=\left[\begin{array}{cc}-0.0380& -0.0559\\ 0& 0\\ -0.1006& -0.1013\end{array}\right]$

$F_{V9}=\left[\begin{array}{cc}-0.0351& -0.0510\\ 0& 0\\ -0.0913& -0.0920\end{array}\right],F_{V10}=\left[\begin{array}{cc}-0.0325& -0.0465\\ 0& 0\\ -0.0828& -0.0835\end{array}\right],F_{V11}=\left[\begin{array}{cc}-0.0300& -0.0424\\ 0& 0\\ -0.0751& -0.0759\end{array}\right]$

$F_{V12}=\left[\begin{array}{cc}-0.0277& -0.0387\\ 0& 0\\ -0.0682& -0.0689\end{array}\right],F_{V13}=\left[\begin{array}{cc}0& 0\\ 0& 0\\ -0.0619& -0.0626\end{array}\right],F_{V14}=\left[\begin{array}{cc}0& 0\\ 0& 0\\ -0.0562& -0.0569\end{array}\right]$

$F_{V15}=\left[\begin{array}{cc}0& 0\\ 0& 0\\ -0.0510& -0.0516\end{array}\right],F_{V16}=\left[\begin{array}{cc}0& 0\\ 0& 0\\ -0.0463& -0.0469\end{array}\right]$

依据上述确定出的相应参数，由此可以确定出最优控制率，由下式确定：

ΔU(k)＝[S^T(P)QS(P)]^-1ST(P)Q{Y_S(k)-Y(k)-KΔX(P)-H_X(z^-1)X(k)

-F_U(z^-1)ΔU(k-1)-F_V(z^-1)V(k)}

设计选取关键被控变量：选取产品质量指标粗汽油干点(℃)y₁为关键被控变量，设计如下约束限，上上限(HH_Lmt＝203℃)、上限(H_Lmt＝201℃)、下限(L_Lmt＝197℃)、下下(LL_Lmt＝195℃)限及速率限(V_Lmt＝2℃)。用HH_CONTER表示超上上限记数器，HH_NUMBER表示允许连续超上上限的次数，例如：HH_NUMBER＝5，即允许连续出现5次超上上限。用LL_CONTER表示超下下限记数器，LL_NUMBER表示允许连续超下下限的次数，例如：LL_NUMBER＝5。用V_CONTER表示超速率限记数器，V_NUMBER表示允许连续超速率限的次数，例如：V_NUMBER＝5。这些约束限均可以根据装置操作控制的实际情况在线实时调整设定。

根据对被控过程的操作控制分析，确定出如果操纵变量增加Δu(k)＞0使被控变量也增加用Y⁺表示，如果操纵变量增加使被控变量减少用Y^-表示，如果操纵变量减少Δu(k)＜0使被控变量增加用y₊表示，如果操纵变量减少使被控变量也减少用y_-表示。

依据如下规则调整控制率：

规则1：如果y(k)≥HH_Lmt，Δu(k)＞0，Y⁺同时成立，则Δu(k)＝0，HH_CONTER＝HH_CONTER+1；如果y(k)≥HH_Lmt，Δu(k)＜0，y₊同时成立，则Δu(k)＝0，HH_CONTER＝HH_CONTER+1；如果HH_CONTER≥HH_NUMBER，则自动退出先进控制程序，并实现无扰动切换到操作员控制，以确保被控过程安全。

规则2：如果y(k)≤LL_Lmt，Δu(k)＞0，Y^-同时成立，则Δu(k)＝0，LL_CONTER＝LL_CONTER+1；如果y(k)≤LL_Lmt，Δu(k)＜0，y_-同时成立，则Δu(k)＝0，LL_CONTER＝LL_CONTER+1；如果LL_CONTER≥LL_NUMBER，则自动退出先进控制程序，并实现无扰动切换到操作员控制，确保被控过程安全。

规则3：如果y(k)≥H_Lmt，Δu(k)＞0，Y⁺同时成立，则Δu(k)＝0；如果y(k)≥H_Lmt，Δu(k)＜0，y₊同时成立，则Δu(k)＝0；

规则4：如果y(k)≤L_Lmt，Δu(k)＞0，Y^-同时成立，则Δu(k)＝0；如果y(k)≤L_Lmt，Δu(k)＜0，y_-同时成立，则Δu(k)＝0；

规则5：如果|y(k)-y(k-1)|≥V_Lmt，则V_CONTER＝V_CONTER+1；

如果V-CONTER≥V_NUMBER，则自动退出先进控制程序，并实现无扰动切换到操作员控制，确保被控过程安全。

设计选取操作变量的约束限：对操纵变量设计约束限，例如：u₁＝TC202.OUT塔顶换热三通阀阀位(单位：％)开度的上限(H_LMT[1]＝75％)、下限(L_LMT[1]＝25％)及速率限(V_LMT[1]＝3％)，u₂＝FC207.OUT塔顶循环流量调节阀阀位(单位：％)开度的上限(H_LMT[2]＝90％)、下限(L_LMT[2]＝50％)及速率限(V_LMT[2]＝3％)，u₃＝FC206.OUT塔顶冷回流调节阀阀位(单位：％)开度的上限(H_LMT[3]＝25％)、下限(L_LMT[3]＝10％)及速率限(V_LMT[3]＝2％)。这些约束限均可以根据装置操作控制的实际情况在线实时调整设定。

依据如下规则调整控制率如果|Δu(k)|≥V_LMT，Δu(k)＜0同时成立，则Δu(k)＝-V_LMT；如果|Δu(k)|≥V_LMT，Δu(k)＞0同时成立，则Δu(k)＝V_LMT；如果|Δu(k)|≥H_LMT，则u(k)＝H_LMT；如果|Δu(k)|≤L_LMT，则u(k)＝L_LMT；其中u(k)＝u(k-1)+Δu(k)。

设计选取相关变量的约束限：设计选取区域被控变量y₂——塔顶温度TC202.PV(℃)为相关变量用R₁(k)，设计上限(HR_LMT[1]＝110℃)及下限(LR_lmt[1]＝102℃)约束。区域被控变量y₃——顶循抽出温度(℃)为相关变量用R₂(k)，设计上限(HR_LMT[2]＝135℃)及下限(LR_lmt[2]＝122℃)约束。状态变量x₄——P204塔顶压力(单位：MPa(兆帕))为相关变量用R₃(k)，设计上限(HR_LMT[3]＝0.15MPa)及下限(LR_lmt[3]＝0.11MPa)约束。这些约束限均可以根据装置操作控制的实际情况在线实时调整设定。

根据对被控过程的操作控制分析，确定出如果操纵变量增加Δu(k)＞0使相关变量也增加用R⁺表示，如果操纵变量增加使相关变量减少用R^-表示。如果操纵变量减少Δu(k)＜0使相关变量增加用r₊表示，如果操纵变量减少使相关变量也减少用r_-表示。

依据如下规则调整控制率：如果R(k)≥HR_LMT，Δu(k)＞0，R⁺同时成立，则Δu(k)＝0；如果R(k)≥HR_LMT，Δu(k)＜0，r₊同时成立，则Δu(k)＝0；如果R(k)≤LR_LMT，Δu(k)＞0，R^-同时成立，则Δu(k)＝0；如果R(k)≤LR_LMT，Δu(k)＜0，r_-同时成立，则Δu(k)＝0。

参见图2，本发明的***由被控过程4、约束限判断模块3、离散响应模块2、加法器1、被控过程模型5、实测状态变量反馈模块6、反馈校正模块7和加法器8构成；其中，输入的被控变量I的设定值经过加法器1、离散响应模块2和约束限判断模块3传输到被控过程4，其控制该被控过程4输出被控变量0；该被控变量0作为负反馈到加法器1与输入的被控变量I的设定值进行加法运算后传输给离散响应模块2，用于调整传输给被控过程4的操纵变量；被控过程4的状态变量输出到实测状态变量反馈模块6，并经过该实测状态变量反馈模块6传输到离散响应模块2进行状态反馈；由约束限判断模块3输出的操纵变量同时传输给被控过程4和被控过程模型5，而被控过程4和被控过程模型5的输出经过减法器8进行减法运算后，经过反馈校正模块7传输到离散响应模块2，用于对输入的操纵变量进行调整。

对于上述的被控过程模型5，其中的各个参数符合如下的关系：

$\left\{\begin{array}{c}X(k+1)=(A+\mathrm{\&Delta;A})X\left(k\right)+\underset{i=1}{\overset{l_a}{\mathrm{\&Sigma;}}}(A_i+\mathrm{\&Delta;}{A}_i)X(k-({\mathrm{\&tau;}}_i+\mathrm{\&Delta;}{\mathrm{\&tau;}}_i))\\ Y\left(k\right)=\mathrm{CX}\left(k\right)+\underset{i=1}{\overset{l_b}{\mathrm{\&Sigma;}}}(B_i+\mathrm{\&Delta;}{B}_i)U(k-(d_i+\mathrm{\&Delta;}{d}_i))+\mathrm{FV}\left(k\right)\end{array}\right.$ 其中，X∈Rⁿ，为被控过程模型5的n维状态变量；U∈R^r，为被控过程模型5的r维操纵变量；Y∈R^r，为被控过程模型5的r维被控变量；V∈R^q，为被控过程模型5的q维干扰变量；A∈R^n×n，A_i∈R^n×n，i＝1，2，Λl_a，B_i∈R^n×r，i＝1，2，Λl_b，C∈R^r×n，F∈R^n×q，均为已知的常数矩阵，用于计算最优控制率；

${\mathrm{\&tau;}}_1<{\mathrm{\&tau;}}_2<\mathrm{\&Lambda;}<{\mathrm{\&tau;}}_{l_a},$ i＝1，2，Λ，l_a，τ_i表示已知的相应状态变量滞后时间，且τ_i≠0，l_a表示状态变量滞后的重数； $d_1<d_2<\mathrm{\&Lambda;}<d_{l_b},$ i＝1，2，Λ，l_b，d_i表示已知的相应操纵变量滞后时间，l_b表示操纵变量滞后的重数；ΔA，ΔA_i，ΔB_i分别为被控过程4的非线性、时变性及不确定性参数，且具有与上述常数矩阵A∈R^n×n，A_i∈R^n×n，i＝1，2，Λl_a，B_i∈R^n×r，i＝1，2，Λl_b相应的维数；其为未知的模型参数；Δτ_i，Δd_i分别表示状态及输入纯滞后时间的非线性、时变性及不确定性，也为未知的模型参数。

约束限判断模块3对于来自离散响应模块2的输入，按照如下的约束判断规则进行处理：

规则1：如果y(k)不小于设定的被控变量上上限，并且Δu(k)＞0并且操纵变量增加使被控变量也增加，则Δu(k)＝0，超上上限记数器加1；如果y(k)不小于设定的被控变量上上限，并且Δu(k)＜0并且操纵变量减少使被控变量增加，则Δu(k)＝0，超上上限记数器加1；如果超上上限记数器记录的值不小于允许连续超上上限的次数，则退出先进控制；

规则2：如果y(k)不大于设定的被控变量下下限，并且Δu(k)＞0并且操纵变量增加使被控变量减少，则Δu(k)＝0，且超下下限记数器加1；如果y(k)不大于设定的被控变量下下限，并且Δu(k)＜0并且操纵变量减少使被控变量也减少，则Δu(k)＝0，且超下下限记数器加1；如果超下下限记数器≥允许连续超下下限的次数，则退出先进控制；

规则3：如果y(k)不小于设定的被控变量上限，并且Δu(k)＞0并且操纵变量增加使被控变量也增加，则Δu(k)＝0；如果y(k)不小于设定的被控变量上限，并且Δu(k)＜0并且操纵变量减少使被控变量增加，则Δu(k)＝0；

规则4：如果y(k)不大于设定的被控变量下限，并且Δu(k)＞0并且操纵变量增加使被控变量减少，则Δu(k)＝0；如果y(k)不大于设定的被控变量下限，并且Δu(k)＜0并且操纵变量减少使被控变量也减少，则Δu(k)＝0；

规则5：如果|y(k)-y(k-1)|不小于设定的被控变量速率限，则超速率限记数器加1；如果超速率限记数器加≥允许连续超速率限的次数，则退出先进控制；

对于速率限而言：如果Δu(k)的绝对值不小于速率限，并且Δu(k)＜0，则：Δu(k)为负的速率限；如果Δu(k)的绝对值不小于速率限，并且Δu(k)＞0，则：Δu(k)为速率限；如果u(k)不小于上限值，则u(k)取上限值；如果u(k)不大于下限值，则u(k)取下限值；

过程变量和操纵变量之间的关系如下：如果R(k)不小于相关过程变量的上限约束，并且Δu(k)＞0，并且操纵变量增加使相关过程变量也增加，则设置Δu(k)为0；如果R(k)不小于相关过程变量的上限约束，并且Δu(k)＜0，并且操纵变量减少使相关过程变量增加，则设置Δu(k)为0；如果R(k)不大于相关过程变量的下限约束，并且Δu(k)＞0，并且操纵变量增加使相关过程变量减少，则设置Δu(k)为0；如果R(k)不大于相关过程变量的下限约束，并且Δu(k)＜0，并且操纵变量减少使相关过程变量也减少，则设置Δu(k)为0；上述的y(k)为被控变量；u(k)为操纵变量；R(k)为相关过程变量；Δu(k)为操纵变量的增量。

离散响应模块2对于由加法器1输入的各参数按照如下的公式进行计算和处理：

$S\left(P\right)=\left[\begin{array}{c}{S}_1\left(p_1\right)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ S_h\left(p_h\right)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ S_r\left(p_r\right)\end{array}\right]=\left[\begin{array}{c}\underset{i=1}{\overset{g_1}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_1-d_i}{\mathrm{\&Sigma;}}}{c}_1{A}^{j-1}{B}_i\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ \underset{i=1}{\overset{g_h}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h-d_i}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_i\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ \underset{i=1}{\overset{g_r}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_r-d_i}{\mathrm{\&Sigma;}}}{c}_r{A}^{j-1}{B}_i\end{array}\right]$ 其中，

A∈R^n×n，A_i∈R^n×n，i＝1，2，…l_a，B_i∈R^n×r，i＝1，2，…l_b，C∈R^r×n，F∈R^n×q，均为已知的常数矩阵，用于计算最优控制率。

参见图3，为了对由离散响应模块2计算出的控制率进行衰减，以适应被控过程操作条件的变化及非线性、时变性的变化，本发明的***进一步设有控制率衰减模块9，同时，为了对由被控过程4输出的状态变量进行加权计算，并进一步计算适应被控过程操作条件的变化及非线性、时变性变化的最优控制率，本发明的***还设有状态反馈加权模块10；其中，控制率衰减模块9设在离散响应模块2和约束限判断模块3之间；状态反馈加权模块10设在实测状态变量反馈模块6和被控过程4之间。

控制率衰减模块9的衰减参数可以在线实时设定；该参数的减小对应于减弱控制作用，使调节过程变化减慢；参数的增大对应增强控制作用，使调节过程变化加快；状态反馈加权模块10的状态反馈加权系数也可以在线实时设定；该参数的增大对应其反馈作用加强，调节过程变化加快；参数减小则对应其反馈作用减弱，调节过程变化缓慢。

为了对干扰变量进行有效的处理，本发明的***中设置有干扰变量前馈模块11，该模块11将可测干扰变量CK传输给离散响应模块2，用于实现可测量干扰变量前馈，提高控制***抗干扰能力；该干扰变量前馈模块11中的参数与各个可测量干扰变量CK之间符合如下的公式：

$F_V\left(z^{-1}\right)V\left(k\right)=\left[\begin{array}{c}{F}_{V1}\left(z^{-1}\right)V\left(k\right)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ F_{\mathrm{Vh}}\left(z^{-1}\right)V\left(k\right)\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ F_{\mathrm{Vi}}\left(z^{-1}\right)V\left(k\right)\end{array}\right]$ F_Vh(z^-1)V(k)为可测量干扰的前馈项，并且，

$F_{\mathrm{Vh}}\left(z^{-1}\right)V\left(k\right)=\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}F{a}_{V}V\left(k\right)-\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}\mathrm{FV}(k-j)$ V(k)为当前时刻的干扰值，对于已选取的预测时域P＝[p₁，…，p_h，…，p_r]^T，参数 $\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}F{a}_V,\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}F$ 均依据已知的模型参数离线计算获得。

最后应说明的是：以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的实施例对本发明已进行了详细的说明，但是，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或者等同替换；而一切不脱离本发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围当中。

Claims (21)

1、一种复杂滞后过程的先进控制方法，其特征在于：该方法至少包括如下的步骤：

步骤1：选择第h个输出y_h的预测时域为p_h，预测y_h未来第p_h步的值，即k+p_h时刻的未来输出值，由下式确定：

${\hat{y}}_h(k+p_h)=c_h{A}^{p_h}X\left(k\right)+\underset{i=1}{\overset{l_a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_{i}X(k+p_h-{\mathrm{\&tau;}}_i-j)$

$+\underset{i=1}{\overset{l_b}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_{i}U(k+p_h-d_i-j)+\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}\mathrm{FV}(k+p_h-j)$ 其中，

为对y_h(k+p_h)的预测值；y_h(k+p_h)为第h个过程输出y_h的预测时域为p_h的k+p_h时刻的未来输出值；

c_h为输出矩阵C的第h行向量，且C＝[c₁ ^T，…，c_h ^T，…，c_r ^T]^T；

τ_i为状态变量纯滞后时间，d_i为控制纯滞后时间，j代表未来j时刻，V为干扰变量，V(k+p_h-j)为干扰变量未来p_h-j时刻的值，U为操纵变量，U(k+p_h-d_i-j)为操纵变量未来p_h-d_i-j时刻的值，X为状态变量，X(k)为状态变量当前时刻的值，X(k+p_h-τ_i-j)为状态变量p_h-τ_i-j时刻的值；

A∈R^n×n，A_i∈R^n×n，i＝1，2，…l_a，B_i∈R^n×r，i＝1，2，…l_b，C∈R^r×n，F∈R^n×q，均为已知的常数矩阵，用于计算最优控制率；

然后处理未来状态及未来干扰的预测值；

步骤2：对该复杂滞后过程当前时刻的输出值进行预测；

步骤3：对该复杂滞后过程进行在线反馈校正；

步骤4：对该复杂滞后过程进行最优控制；

步骤5：依据规则库的判断逻辑规则关系，对计算得到的各种变量和最优控制率进行约束限判断，得到满足约束条件的控制增量，并将该控制增量施加到被控过程中去。

2、据权利要求1所述的复杂滞后过程的先进控制方法，其特征在于：所述的步骤1中处理未来状态及未来干扰的预测值具体为：根据预测时域p_h与状态变量的纯滞后时间比较向量及控制变量的纯滞后时间比较向量的确定方法，并假设由当前时刻y(k)预测未来值

将未来状态及未来干扰的预测值按如下公式进行处理：

X(k+j)＝α_XX(k)，j＞0

V(k+j)＝α_VV(k)，j＞0其中，

X(k+j)为状态变量未来j时刻的值；V(k+j)为干扰变量未来j时刻的值；X(k)为状态变量当前时刻值；V(k)为干扰变量当前时刻值；α_X为与状态变量对应的设计参数矩阵；α_V为与干扰变量对应的设计参数矩阵；k为当前时刻；

3、根据权利要求1所述的复杂滞后过程的先进控制方法，其特征在于：所述的步骤2具体为：依据已知被控过程的动态数学模型式，使用已知的历史状态变量值和已经计算得到的历史输入，依据如下公式对当前时刻输出值进行预测：

${\hat{y}}_h\left(k\right)=c_h{A}^{p_h}X(k-p_h)+\underset{i=1}{\overset{l_a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_{i}X(k-{\mathrm{\&tau;}}_i-j)$

$+\underset{i=1}{\overset{l_b}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_{i}U(k-d_i-j)+\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}\mathrm{FV}(k-j)$ 其中，

X(k-i)为使用已知的历史状态变量值，且i＝1，…，p_h；U(k-i)为已经计算得到的历史输入，且i＝1，…，p_h；k为当前时刻；y(k)为当前时刻k的输出值；

为对当前输出y_h(k)的预测值。

4、根据权利要求1所述的复杂滞后过程的先进控制方法，其特征在于：所述的步骤3具体包括：利用当前时刻输出变量的实测值y_h(k)及对当前时刻输出的预测值

进行在线反馈校正，由如下公式确定： ${y^C}_h(k+p_h)={\hat{y}}_h(k+p_h)+[y_h\left(k\right)-{\hat{y}}_h\left(k\right)]$ 其中，y_h(k)为当前时刻输出变量的实测值； 为当前时刻输出的预测值；y^C _h(k+p_h)为经过反馈修正以后对未来k+p_h时刻的预测值。

5、根据权利要求1所述的复杂滞后过程的先进控制方法，其特征在于：所述的步骤4具体为：对所有输出的未来时刻预测值，经过反馈校正后，依据如下公式获得最优控制率：y^C _h(k+p_h)＝y_sh(k+p_h)，其增量形式表达如下：

ΔU(k)＝U(k)-U(k-1)

Y_S(k+P)＝Y(k)+KΔX(P)+S(P)ΔU(k)+F_U(z^-1)ΔU(k-1)

+H_X(z^-1)X(k)+F_V(z^-1)V(k)其中，各参数项由如下公式确定：

$Y_S(k+P)=\left[\begin{array}{c}{y}_{s1}(k+p_1)\\ .\\ .\\ .\\ y_{\mathrm{sh}}(k+p_h)\\ .\\ .\\ .\\ y_{\mathrm{sr}}(k+p_r)\end{array}\right]$ 为被控变量的给定值；

$Y\left(k\right)=\left[\begin{array}{c}{y}_1\left(k\right)\\ .\\ .\\ .\\ y_h\left(k\right)\\ .\\ .\\ .\\ y_r\left(k\right)\end{array}\right]$ 为被控变量的实际测量值；

$\mathrm{K\&Delta;X}\left(P\right)=\left[\begin{array}{c}{K}_1[X\left(k\right)-X(k-p_1)]\\ .\\ .\\ .\\ K_h[X\left(k\right)-X(k-p_h)]\\ .\\ .\\ .\\ K_r[X\left(k\right)-X(k-p_r)]\end{array}\right]=\left[\begin{array}{c}{c}_1{A}^{p_1}[X\left(k\right)-X(k-p_1)]\\ .\\ .\\ .\\ c_h{A}^{p_h}[X\left(k\right)-X(k-p_h)]\\ .\\ .\\ .\\ c_r{A}^{p_r}[X\left(k\right)-X(k-p_r)]\end{array}\right]$ 为实测状态变量反馈项；X(k)为实测状态变量的当前值；X(k-p_h)，h＝1，…，r为第p_h步以前状态变量的历史值；其中，相应的参数K₁，K₂，…，K_r，依据已知的模型参数离线计算得到；

$S\left(P\right)=\left[\begin{array}{c}{S}_1\left(p_1\right)\\ .\\ .\\ .\\ S_h\left(p_h\right)\\ .\\ .\\ .\\ S_r\left(p_r\right)\end{array}\right]=\left[\begin{array}{cc}\underset{i=1}{\overset{g_1}{\mathrm{\&Sigma;}}}& \underset{j=1}{\overset{p_1{d}_i}{\mathrm{\&Sigma;}}}{c}_l{A}^{j-1}{B}_i\\ & .\\ & .\\ & .\\ \underset{i=1}{\overset{g_h}{\mathrm{\&Sigma;}}}& \underset{j=1}{\overset{p_h-d_i}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_i\\ & .\\ & .\\ & .\\ \underset{i=1}{\overset{g_r}{\mathrm{\&Sigma;}}}& \underset{j=1}{\overset{p_r-d_i}{\mathrm{\&Sigma;}}}{c}_r{A}^{j-1}{B}_i\end{array}\right]$ 为被控过程的脉冲响应系数；对于已经设计选取的预测时域P＝[p₁，…，p_h，…，p_r]^T，依据控制纯滞后比较向量的确定方法，计算出G＝[g₁，…，g_h，…，g_r]^T

$F_U\left(z^{-1}\right)\mathrm{\&Delta;U}(k-1)=\left[\begin{array}{c}{F}_{U1}\left(z^{-1}\right)\mathrm{\&Delta;U}(k-1)\\ .\\ .\\ .\\ F_{\mathrm{Uh}}\left(z^{-1}\right)\mathrm{\&Delta;U}(k-1)\\ .\\ .\\ .\\ F_{\mathrm{Ur}}\left(z^{-1}\right)\mathrm{\&Delta;U}(k-1)\end{array}\right]$ 为历史控制作用的反馈项。

$H_X\left(z^{-1}\right)X\left(k\right)=\left[\begin{array}{c}{H}_{X1}\left(z^{-1}\right)X\left(k\right)\\ .\\ .\\ .\\ H_{\mathrm{Xh}}\left(z^{-1}\right)X\left(k\right)\\ .\\ .\\ .\\ H_{\mathrm{Xr}}\left(z^{-1}\right)X\left(k\right)\end{array}\right]$ 为历史状态反馈项，具体的确定公式如下：

$H_{\mathrm{Xh}}\left(z^{-1}\right)X\left(k\right)=\underset{i=1}{\overset{w_h}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h-{\mathrm{\&tau;}}_i}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_i{\mathrm{\&alpha;}}_{X}X\left(k\right)+\underset{i=1}{\overset{w_h}{\mathrm{\&Sigma;}}}\underset{{j=p}_h-{\mathrm{\&tau;}}_i+1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_{i}X(k+p_h-{\mathrm{\&tau;}}_i-j)$

$+\underset{i=w_h+1}{\overset{l_a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_{i}X(k+p_h-{\mathrm{\&tau;}}_i-j)-\underset{i=1}{\overset{l_a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_{i}X(k-{\mathrm{\&tau;}}_i-j)$

其中，对于已经设计选取的预测时域P＝[p₁，…，p_h，…，p_r]^T，依据状态纯滞后比较向量的确定方法，计算出W＝[w₁，…，w_h，…，w_r]^T后，参数

$\underset{i=1}{\overset{w_h}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h-{\mathrm{\&tau;}}_i}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_i{\mathrm{\&alpha;}}_X,\underset{i=1}{\overset{w_h}{\mathrm{\&Sigma;}}}\underset{j=p_h-{\mathrm{\&tau;}}_i+1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_i,\underset{i=w_h+1}{\overset{l_a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_i,\underset{i=1}{\overset{l_a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_i$ 均依据已知的模型参数离线计算获取；

当w_h+1＞l_a时，即选取的预测时域均大于状态纯滞后时间时，参数项

$\underset{i=w_h+1}{\overset{l_a}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{A}_i=0$

$F_V\left(z^{-1}\right)V\left(k\right)=\left[\begin{array}{c}{F}_{V1}\left(z^{-1}\right)V\left(k\right)\\ .\\ .\\ .\\ F_{\mathrm{Vh}}\left(z^{-1}\right)V\left(k\right)\\ .\\ .\\ .\\ F_{\mathrm{Vr}}\left(z^{-1}\right)V\left(k\right)\end{array}\right]$ 为可测量干扰的前馈项，其具体确定算式如下：

$F_{\mathrm{Vh}}\left(z^{-1}\right)V\left(k\right)=\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{\mathrm{F\&alpha;}}_{V}V\left(k\right)-\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}\mathrm{FV}(k-j)$ 其，

V(k)为当前时刻的干扰值，对于已选取的预测时域P＝[p₁，…，p_h，…，p_r]^T，参数 $\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}F{\mathrm{\&alpha;}}_V,\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}F$ 均依据已知的模型参数离线计算获得；

对于预测控制***被控变量的给定值

$Y_S\left(k\right)=\left[\begin{array}{c}{y}_{s1}\left(k\right)\\ .\\ .\\ .\\ y_{\mathrm{sh}}\left(k\right)\\ .\\ .\\ .\\ y_{\mathrm{sr}}\left(k\right)\end{array}\right],$ 最优化目标为：J＝E^TQE其中，

Q为偏差加权矩阵，为控制***的设计参数，最简单的情况可以设计选取为单位矩阵即Q＝I；E为被控变量的测量值与其给定值的偏差矩阵，其具体为：

E＝{[y₁(k+p₁)-y_s1(k)]，…，[y_h(k+p_h)-y_sh(k)]，…，[y_r(k+p_r)-y_sr(k)]}^T

使目标J为最小值的最优控制率的增量形式，由如下公式确定：

ΔU(k)＝[S^T(P)QS(P)]^-1S^T(P)Q{Y_S(k)-Y(k)-KΔX(P)-H_X(z^-1)X(k)

-F_U(z^-1)ΔU(k-1)-F_V(z^-1)V(k)}

6、根据权利要求2或5所述的复杂滞后过程的先进控制方法，其特征在于：所述的确定状态变量的纯滞后时间比较向量依据如下公式：

W＝[w₁，……，w_r]^T其中，W是状态纯滞后时间比较向量，为r维列向量，且由如下公式确定：

$w_h=\left\{\begin{array}{cc}0,& p_h\&le;{\mathrm{\&tau;}}_1\\ i,& {\mathrm{\&tau;}}_i<p_h\&le;{\mathrm{\&tau;}}_{i+1}\\ i_a,& p_h>{\mathrm{\&tau;}}_{l_a}\end{array}\right.,$ i＝2，…，l_a-1  h＝1，…，r其中，τ_i为已知的状态变量纯滞后时间；l_a为已知的状态变量的滞后重数；p_h为对过程输出选取的预测时域。

7、根据权利要求2或5所述的复杂滞后过程的先进控制方法，其特征在于：所述的确定操纵变量的纯滞后时间比较向量依据如下公式：G＝[g₁，……，g_r]^T；其中，G为控制纯滞后时间比较向量，为r维列向量，且由如下公式确定：

$g_h=\left\{\begin{array}{cc}0,& p_h\&le;d_1\\ i,& d_i<p_h\&le;d_{i+1}\\ l_b,& p_h>d_{l_b}\end{array}\right.,$ i＝2，…，l_b-1  h＝1，…，r其中，d_i为已知的控制纯滞后时间；l_b为已知的操纵变量的滞后重数；p_h为对过程输出选取的预测时域。

8、根据权利要求1所述的复杂滞后过程的先进控制方法，其特征在于：所述的约束限判断为：如果y(k)不小于设定的被控变量的上上限，并且Δu(k)＞0并且操纵变量增加使被控变量也增加，则Δu(k)＝0，超上上限记数器加1；如果y(k)不小于设定的被控变量的上上限，并且Δu(k)＜0并且操纵变量减少使被控变量增加，则Δu(k)＝0，超上上限记数器加1；如果超上上限记数器记录的值大于允许连续超上上限的次数，则退出先进控制，并将给定值设置为被控参数的测量值，实现无扰动切换；其中，y(k)为被控变量的当前值；Δu(k)为操纵变量的增量。

9、根据权利要求1所述的复杂滞后过程的先进控制方法，其特征在于：所述的约束限判断为：如果y(k)不大于设定的被控变量的下下限，并且Δu(k)＞0并且操纵变量增加使被控变量减少，则Δu(k)＝0，且超下下限记数器加1；如果y(k)不大于设定的被控变量的下下限，并且Δu(k)＜0并且操纵变量减少使被控变量也减少，则Δu(k)＝0，且超下下限记数器加1；如果超下下限记数器大于允许连续超下下限的次数，则自动退出先进控制，并将给定值设置为被控参数的测量值，实现无扰动切换；其中，y(k)为被控变量的当前值；Δu(k)为操纵变量的增量。

10、根据权利要求1所述的复杂滞后过程的先进控制方法，其特征在于：所述的约束限判断为：如果y(k)不小于设定的被控变量的上限，并且Δu(k)＞0并且操纵变量增加使被控变量也增加，则Δu(k)＝0；如果y(k)不小于设定的被控变量的上限，并且Δu(k)＜0并且操纵变量减少使被控变量增加，则Δu(k)＝0；其中，y(k)为被控变量的当前值；Δu(k)为操纵变量的增量。

11、根据权利要求1所述的复杂滞后过程的先进控制方法，其特征在于：所述的约束限判断为：如果y(k)不大于设定的被控变量的下限，并且Δu(k)＞0并且操纵变量增加使被控变量减少，则Δu(k)＝0；如果y(k)不大于设定的被控变量的下限，并且Δu(k)＜0并且操纵变量减少使被控变量也减少，则Δu(k)＝0；其中，y(k)为被控变量的当前值；Δu(k)为操纵变量的增量。

12、根据权利要求1所述的复杂滞后过程的先进控制方法，其特征在于：所述的约束限判断为：如果|y(k)-y(k-1)|不小于设定的被控变量的速率限，则超速率限记数器加1；如果超速率限记数器加1不小于允许连续超速率限的次数，则自动退出先进控制，并将给定值设置为被控参数的测量值，实现无扰动切换；其中，y(k)为被控变量的当前值；y(k-1)为被控变量的前一步值。

13、根据权利要求1所述的复杂滞后过程的先进控制方法，其特征在于：所述的约束限判断为：如果Δu(k)的绝对值不小于速率限，并且Δu(k)＜0，则：Δu(k)为负的速率限；如果Δu(k)的绝对值不小于速率限，并且Δu(k)＞0，则：Δu(k)为速率限；如果u(k)不小于上限值，则u(k)取上限值；如果u(k)不大于下限值，则u(k)取下限值；其中，u(k)为操纵变量；Δu(k)为操纵变量的增量。

14、根据权利要求1所述的复杂滞后过程的先进控制方法，其特征在于：所述的约束限判断为：如果R(k)不小于相关过程变量的上限约束，并且Δu(k)＞0，并且操纵变量增加使相关过程变量也增加，则设置Δu(k)为0；如果R(k)不小于相关过程变量的上限约束，并且Δu(k)＜0，并且操纵变量减少使相关过程变量增加，则设置Δu(k)为0；如果R(k)不大于相关过程变量的下限约束，并且Δu(k)＞0，并且操纵变量增加使相关过程变量减少，则设置Δu(k)为0；如果R(k)不大于相关过程变量的下限约束，并且Δu(k)＜0，并且操纵变量减少使相关过程变量也减少，则设置Δu(k)为0；其中，R(k)为相关过程变量；Δu(k)为操纵变量的增量。

15、一种实现权利要求1-14所述任一方法的复杂滞后过程的先进控制***，其特征在于：该***由被控过程、约束限判断模块、离散响应模块、加法器、被控过程模型、实测状态变量反馈模块、反馈校正模块和减法器构成；其中，输入的被控变量的给定值或设定值经过加法器、离散响应模块和约束限判断模块传输到被控过程，其控制该被控过程输出被控变量；该被控变量作为负反馈到加法器与输入的被控变量的给定值进行加法运算后传输给离散响应模块，用于调整传输给被控过程的操纵变量；被控过程的状态变量输出到实测状态变量反馈模块，并经过该实测状态变量反馈模块传输到离散响应模块，用于进行状态反馈；由约束限判断模块输出的操控变量同时传输给被控过程和被控过程模型，而另一路被控过程和被控过程模型的输出经过减法器进行减法运算后，经过反馈校正模块传输到离散响应模块，用于对输入的操控变量进行调整。

16、根据权利要求15所述的复杂滞后过程的先进控制***，其特征在于：所述的被控过程模型中的各参数符合如下的公式：

$\left\{\begin{array}{c}X(k+1)=(A+\mathrm{\&Delta;A})X\left(k\right)+\underset{i=1}{\overset{l_a}{\mathrm{\&Sigma;}}}(A_i+{\mathrm{\&Delta;A}}_i)X(k-({\mathrm{\&tau;}}_i+{\mathrm{\&Delta;\&tau;}}_i))\\ +\underset{i=1}{\overset{l_b}{\mathrm{\&Sigma;}}}(B_i+{\mathrm{\&Delta;B}}_i)U(k-(d_i+{\mathrm{\&Delta;d}}_i))+\mathrm{FV}\left(k\right)\\ Y\left(k\right)=\mathrm{CX}\left(k\right)\end{array}\right.$ 其中，X∈Rⁿ，为n维状态变量；U∈R^r，为r维操纵变量；Y∈R^r，为r维被控变量；V∈R^q，为q维干扰变量；A∈R^n×n，A_i∈R^n×n，i＝1，2，…l_a，B_i∈R^n×r，i＝1，2，…l_b，C∈R^r×n，F∈R^n×q，均为已知的常数矩阵，用于计算最优控制率； ${\mathrm{\&tau;}}_1<{\mathrm{\&tau;}}_2<\&CenterDot;\&CenterDot;\&CenterDot;<{\mathrm{\&tau;}}_{l_a},$ i＝1，2，…，l_a，τ_i表示已知的相应状态变量滞后时间，且τ_i≠0，l_a表示状态变量滞后的重数； $d_1<d_2<\&CenterDot;\&CenterDot;\&CenterDot;<d_{l_b},$ i＝1，2，…，l_b，d_i表示已知的相应操纵变量滞后时间，l_b表示操纵变量滞后的重数；ΔA，ΔA_i，ΔB_i分别为被控过程的非线性、时变性及不确定性参数，且具有与上述常数矩阵A∈R^n×n，A_i∈R^n×n，i＝1，2，…l_a，B_i∈R^n×r，i＝1，2，…l_b相应的维数；其为未知的模型参数；Δτ_i，Δd_i分别表示状态及输入纯滞后时间的非线性、时变性及不确定性，也为未知的模型参数。

17、根据权利要求15所述的复杂滞后过程的先进控制***，其特征在于：所述的约束限判断模块遵守如下的约束判断规则：

规则1：如果y(k)不小于设定的被控变量上上限，并且Δu(k)＞0并且操纵变量增加使被控变量也增加，则Δu(k)＝0，超上上限记数器加1；如果y(k)不小于设定的被控变量上上限，并且Δu(k)＜0并且操纵变量减少使被控变量增加，则Δu(k)＝0，超上上限记数器加1；如果超上上限记数器记录的值不小于允许连续超上上限的次数，则退出先进控制；

规则2：如果y(k)不大于设定的被控变量下下限，并且Δu(k)＞0并且操纵变量增加使被控变量减少，则Δu(k)＝0，且超下下限记数器加1；如果y(k)不大于设定的被控变量下下限，并且Δu(k)＜0并且操纵变量减少使被控变量也减少，则Δu(k)＝0，且超下下限记数器加1；如果超下下限记数器≥允许连续超下下限的次数，则退出先进控制；

规则3：如果y(k)不小于设定的被控变量上限，并且Δu(k)＞0并且操纵变量增加使被控变量也增加，则Δu(k)＝0；如果y(k)不小于设定的被控变量上限，并且Δu(k)＜0并且操纵变量减少使被控变量增加，则Δu(k)＝0；

规则4：如果y(k)不大于设定的被控变量下限，并且Δu(k)＞0并且操纵变量增加使被控变量减少，则Δu(k)＝0；如果y(k)不大于设定的被控变量下限，并且Δu(k)＜0并且操纵变量减少使被控变量也减少，则Δu(k)＝0；

规则5：如果|y(k)-y(k-1)|不小于设定的被控变量速率限，则超速率限记数器加1；如果超速率限记数器加≥允许连续超速率限的次数，则退出先进控制；

对于速率限而言：如果Δu(k)的绝对值不小于速率限，并且Δu(k)＜0，则：Δu(k)为负的速率限；如果Δu(k)的绝对值不小于速率限，并且Δu(k)＞0，则：Δu(k)为速率限；如果u(k)不小于上限值，则u(k)取上限值；如果u(k)不大于下限值，则u(k)取下限值；

过程变量和操纵变量之间的关系如下：如果R(k)不小于相关过程变量的上限约束，并且Δu(k)＞0，并且操纵变量增加使相关过程变量也增加，则设置Δu(k)为0；如果R(k)不小于相关过程变量的上限约束，并且Δu(k)＜0，并且操纵变量减少使相关过程变量增加，则设置Δu(k)为0；如果R(k)不大于相关过程变量的下限约束，并且Δu(k)＞0，并且操纵变量增加使相关过程变量减少，则设置Δu(k)为0；如果R(k)不大于相关过程变量的下限约束，并且Δu(k)＜0，并且操纵变量减少使相关过程变量也减少，则设置Δu(k)为0；其中，y(k)为被控变量；u(k)为操纵变量；R(k)为相关过程变量；Δu(k)为操纵变量的增量。

18、根据权利要求15所述的复杂滞后过程的先进控制***，其特征在于：所述的离散响应模块对于输入各参数的处理遵守如下的公式：

$S\left(P\right)=\left[\begin{array}{c}{S}_1\left(p_1\right)\\ .\\ .\\ .\\ S_h\left(p_h\right)\\ .\\ .\\ .\\ S_r\left(p_r\right)\end{array}\right]=\left[\begin{array}{cc}\underset{i=1}{\overset{g_1}{\mathrm{\&Sigma;}}}& \underset{j=1}{\overset{p_1-d_i}{\mathrm{\&Sigma;}}}{c}_1{A}^{j-1}{B}_i\\ & .\\ & .\\ & .\\ \underset{i=1}{\overset{g_h}{\mathrm{\&Sigma;}}}& \underset{j=1}{\overset{p_h-d_i}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{B}_i\\ & .\\ & .\\ & .\\ \underset{i=1}{\overset{g_r}{\mathrm{\&Sigma;}}}& \underset{j=1}{\overset{p_r-d_i}{\mathrm{\&Sigma;}}}{c}_r{A}^{j-1}{B}_i\end{array}\right]$ 其中，A∈R^n×n，A_i∈R^n×n，i＝1，2，…l_a，B_i∈R^n×r，i＝1，2，…l^b，C∈R^r×n，F∈R^n×q，均为已知的常数矩阵，用于计算最优控制率。

19、根据权利要求15所述的复杂滞后过程的先进控制***，其特征在于：该***进一步设有控制率衰减模块和状态反馈加权模块；控制率衰减模块设在离散响应模块和约束限判断模块之间，用于对计算出的控制率进行衰减，适应被控过程操作条件的变化及非线性、时变性的变化；状态反馈加权模块设在实测状态变量反馈模块和被控过程之间，用于对状态变量进行加权计算，并进一步计算适应被控过程操作条件的变化及非线性、时变性变化的最优控制率。

20、根据权利要求19所述的复杂滞后过程的先进控制***，其特征在于：所述的控制率衰减模块的衰减参数可在线实时设定；该参数减小，对应减弱控制作用，使调节过程变化减慢；参数对应增强控制作用，使调节过程变化加快；所述的状态反馈加权模块的状态反馈加权系数可在线实时设定；参数增大对应其反馈作用加强，调节过程变化加快；参数减小对应其反馈作用减弱，调节过程变化缓慢。

21、根据权利要求15或19所述的复杂滞后过程的先进控制***，其特征在于：该***还设有干扰变量前馈模块，该模块将可测干扰变量传输给离散响应模块，用于实现可测量干扰变量前馈，提高控制***抗干扰能力；该干扰变量前馈模块与各个可测量干扰变量之间符合如下的公式：

$F_V\left(z^{-1}\right)V\left(k\right)=\left[\begin{array}{c}{F}_{V1}\left(z^{-1}\right)V\left(k\right)\\ .\\ .\\ .\\ F_{\mathrm{Vh}}\left(z^{-1}\right)V\left(k\right)\\ .\\ .\\ .\\ F_{\mathrm{Vr}}\left(z^{-1}\right)V\left(k\right)\end{array}\right]$ 其中，F_Vh(z^-1)V(k)为可测量干扰的前馈项，并且，

$F_{\mathrm{Vh}}\left(z^{-1}\right)V\left(k\right)=\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{\mathrm{F\&alpha;}}_{V}V\left(k\right)-\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}\mathrm{FV}(k-j)$ V(k)为当前时刻的干扰值，对于已选取的预测时域P＝[p₁，…，p_h，…，p_r]^T，参数 $\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}{\mathrm{F\&alpha;}}_V,\underset{j=1}{\overset{p_h}{\mathrm{\&Sigma;}}}{c}_h{A}^{j-1}F$ 均依据已知的模型参数离线计算获得。

Images