模型预测控制器

尽管将模型化预测控制技术（MPC）应用到过程控制项目中会遇到许多难题，但这仍值得一试，因为它的实际表现将会大大优于通常的控制方法。因此，在当今经济竞争激烈的环境中，采用这种新技术来更好地实现工厂生产和效益目标，已经成为一种越来越重要的竞争手段。 
　　
    MPCzui强大的功能在于，通过设计被控制变量（CVs）的未来轨迹，来zui大限度地模拟现实世界中过程控制的各种情况。其中具有代表性的一种情况是通过低强度的控制给定一个较大差幅。
　　
    选择模型预测控制的zui大好处是其轻松集成了过程优化器（这是后两部分的主题），并产生使用常规控制策略难以得到的巨大经济效益。 
而蒸汽流量只影响产品温度。 
    在测试过程中取得良好的数据是zui重要的一步。
    MPC在反应堆控制中的应用
    应用MPC的主要步骤包括：
　　■  获取表示控制过程中响应关系的数据；
　　■  定义过程模型的被控变量、被操纵变量和干扰变量；
　　■  使用模型识别工具开发过程模型；
　　■  将过程模型集成到终端控制器中；
　　■  控制器调试和zui终投入使用。 　　
    过程，测试。zui初，相关的被控变量、被操纵变量和重要的干扰变量没能被预先完成定义。如果整个控制过程比较复杂，定义就会更加困难。这些变量之间的动态相互影响常常是不清晰的。过程测试将提供必要的信息。 　
    在过程测试中，需要循序渐进地记录被操作变量对被控变量的影响，以及可能的干扰变量引起的任何变化。这常常形成一个伪随机二元序列（PRBS）测试。图1反映了从目标反应堆收集到的一些这个阶段的PRBS测试数据。它表示了任意时间段内A因素、B因素和蒸汽流量的变化以及这些变化对被控变量的影响。 　
    模型结构定义。这是关键的一步，不象听上去的那么简单。因为工程师们并不总能肯定哪些变量要被包括在MPC里，他们必须明确：
　　■  影响产品质量和生产量的关键——被控制变量；和
　　■  zui能够影响被控制变量的被操纵变量。 　　
    工程师还必须找到会引起重大影响或变化的可测量干扰量。数据测试提供了定量的分析依据，要理解是正确识别相关的从属和独立变量，更重要的是对过程的理解。 　　
    工程师必须确定被控变量是作为设定点还是作为强制变量。zui后，如果有可用的自由度，设计者必须确定哪个被操纵变量将有目标值。 　　
    以反应堆为例，变量包括：
　　■  三个被控量；
　　■  三个被操纵量；
　　■  两个前馈。 　　
    既然每个被控变量有自己的设定值，且只有3个自由度（可操纵量），因此不能定义独立的多变量目标值。 　　
    模型识别。因为所有的模型化预测控制软件包都包含从测试数据识别过程模型的工具，因此一些关键性的问题必须被解决，包括：
　　■  什么将是模型的预测间隔？模型预测间隔决定了预测系统将来行为的时间间隔值。这个值必须小到足以充分地满足zui快的被控量动态过程。
　　■  模型中将有多少个函数系数？模型中系数的数量决定了预测的历史记录。它必须有足够数量以包含整个响应过程，也必须满足完成一次输入所引起变化的时间的长度。
　　■  什么将是模式的预测范围？这是预测将会实现的时间长度。除非个别的模型具有特殊的范围要求，一般情况下，这个时间必须长到足以让控制器速度zui慢的模型响应完毕。  　　
    如果这一过程是多变量的，一些输出的被控变量将会受到一些输入的被操纵量和干扰量的影响。一个包含各自独立输入/输出模型的矩阵将是表达这整套输入/输出关系的较为方便的方法。图2显示了反应堆模型的整个分段响应过程：
　　■  左轴包括产品的被控量：配比、流动率和温度；
　　■  顶轴表示被操纵变量和前馈量——A流量因素、B流量因素、蒸汽流量和温度因素。 　
    控制器集成控制平台。虽然许多设置必须进行组态，但这是个zui简单的过程，因为很大程度上这一过程是机械的和程序化的。细节随着具体控制方案不同而不同。 　
    控制器调试。当控制器投入应用之时，就是之前所有努力获得结果之时。传统控制方式与基于模型的控制方式之间zui根本的区别也立刻显现出来了。传统控制方式在调试时，通过简单地设定参数，整个控制器的响应就可全部实现。 　　
    而模型控制器的控制行为基本上*取决于它的模型。如果是模型设计准确，控制器就能很好的工作。如果模型不准确，控制器将无法达到预期的效果。整定参数对控制器的响应只有非常小的影响。通过调试来完善一个不正确的模型，将是非常困难，甚至是不可能的。因此在测试过程中获得有效的数据应该是应用模型化预测控制zui重要的一步。 　　 
    MPC和以往的控制方式进行了比较，得出结论：基于模型的控制在各个方面的表现均优于以前的控制方式。在正常的情况下，改变生产速率，得到的全面指标如下：
　　■  优于*过程控制（ARC）3.3倍；
　　■  优于基本控制（BRC）62倍；和
　　■  优于模糊逻辑控制103倍。 　　
    而改变产品组成的设定值后，优于*过程控制（ARC）9%，优于模糊逻辑控制70%。 
    和*过程控制一样，模型化预测控制器的运行方式类似多变量控制器。虽然只有一个设定点发生变化，但控制器相应改变了全部可操纵变量的值。通过更好地理解动态过程，MPC提升了它的性能，并因此优于*过程控制。 　　
    性能提升很大程度上来自于更好的温度控制。通过更好地理解温度动态过程，MPC能将动作控制在更恰当的范围内。在这个例子中，控制器首先改变蒸汽流量的前次稳态值，以响应合成物设定值的改变。这恰当地补偿了过程中的逆响应并保持了温度的稳定性。 　
    反之，产品组分响应设定值变化的给定值没有显然的差异。给定值只是从1.7变化到2.7。组分响应受控于死区时间，但没有哪个控制器能消除死区时间的影响。即使一个控制器能地响应设定值变化，其作出相应控制动作时仍然存在着延时。在一个死区中，必然存在一个等同于设定值变化的偏差。一个zui小的ISE是不可避免的。 　　
    由于这个错误和死区，这个zui小ISE大约是1.5个单位。只有当ISE大于这个值时，才可能被控制所消除。对BRC来说，这个值是0.29；对于MPC来说，是0.21。相比较于BRC，MPC减小了这个值大约28%。而基于规则的控制则增加了近413%。
对操作员的影响 　　
    对于操作员而言，操作MPC系统是个新的挑战。在使用时，操作员首先不得不按照多变量的情况考虑。控制器产生多重变化，同时也实现多重目标；而这种效果未必会马上显现。此外，由于控制器对动态变化很敏感，例如逆反应和延时响应，因此操作员可能无法立即明白它的控制逻辑变化。 　　
    此外，MPC引入了一些新的控制对象。一些变量将被归类为约束变量，只有当它们接近限制值时，控制器才会做出响应。被操纵变量的目的可能是一个新概念，需要仔细定义。 　　
    操作员可能不熟悉控制器的人机界面。除了设定值以外，操作员也需要输入限制值。由于控制器内变量数量有限，这些信息可能只能以表格形式展示。 　　
    此外，控制器的状态转变将更为复杂。传统PID控制器只有两个状态——手动和自动，而且这两个状态间的切换是即刻实现的。 　　
    而MPC在处于*控制状态之前，一定会一段较长时间的经过，并经历了数种状态。同时，由于MPC为较低级的控制方式提供设定值，因此操作员也会看到另外的状态和这些控制器间的切换。