论文部分内容阅读
模型预测控制(MPC)能够很好的处理带约束的、多变量及不确定性的过程控制问题,已被广泛应用到了工业过程中。随着现代工业过程的复杂化和大型化,使得传统的线性模型预测控制很难达到满意的控制目标,因此基于非线性模型的预测控制算法成为了研究的热点。然而考虑到所建立的非线性预测模型不能很好的反映整个非线性过程及在线非线性优化求解的复杂性等因素,使得非线性模型预测控制在实际应用中的控制效果并不理想。因此,如何提高非线性预测模型精度、如何有效解决模型失配问题及提高预测控制优化效率等问题在整个非线性预测控制过程中就显得尤为重要。针对上述问题,本文依托国家自然科学基金重大课题项目“大型高炉高性能运行控制方法及实现技术”(项目号:61290323)和“大型高炉高性能运行控制的实验验证平台构建及应用验证”(项目号:61290321),针对多输入多输出(MIMO)非线性系统,提出了一种多输出最小二乘支持向量回归(M-LS-SVR)算法,以此建立多输出非线性系统的预测模型,并针对此模型设计基于序列二次规划算法(SQP)的非线性预测控制器,实现对非线性MIMO系统的控制。本文主要工作如下:(1)提出基于M-LS-SVR的多输入多输出非线性预测控制方法。针对实际工业过程大多存在多个输出的情况,而常规LS-SVR只能针对单输出系统进行建模,因此提出了基于M-LS-SVR模型的非线性预测控制方法。今首先,改变最小二乘支持向量回归机(LS-SVR)的目标函数,将其扩展为M-LS-SVR,由于M-LS-SVR的正则化参数与核参数等的选择对所建模型的学习能力和泛化能力有着至关重要的影响,因此采用粒子群算法(PSO)选择M-LS-SVR的最优参数集。为了验证建模效果,与基于随机权神经网络(RVFLN)的建模方法进行对比试验,结果表明,M-LS-SVR在模型预测方面的效果更优。令其次,根据最终建立的M-LS-SVR预测模型,设计基于SQP算法的非线性预测控制器,从而求得最优控制律。令最后,进行标准试验。结果表明,基于M-LS-SVR模型的非线性预测控制方法是可行的,且相比于基于RVFLN模型的非线性预测控制方法具有更好的控制效果。(2)提出基于M-LS-SVR的多输入多输出非线性自适应预测控制方法。针对当系统内部参数发生变化时,被控对象与M-LS-SVR预测模型间会出现模型失配的问题,提出东北大学硕士学位论文 摘要一种自适应非线性预测控制策略。具体包含两个非线性优化层:第一层为模型参数估计器,通过实时优化预测模型与实际系统间的输出误差,来调节M-LS-SVR预测模型参数;第二层为非线性预测控制器,通过利用SQP算法实时求解非线性预测控制律。最后,进行标准试验,结果表明,当被控对象参数发生变化时,基于M-LS-SVR模型的自适应非线性预测控制方法相比于M-LS-SVR非线性预测控制方法,仍能很好的达到控制要求。(3)针对本文提出的两种非线性预测控制方法,分别将其应用到对实际高炉冶铁过程中多元铁水质量指标(硅含量、铁水温度)的控制中。通过对冶铁过程生产数据进行预处理,建立其M-LS-SVR预测模型,进而采用本文提到的两种方法设计非线性预测控制器。其控制效果均能使硅含量和铁水温度达到期望值,但基于M-LS-SVR模型的自适应非线性预测控制方法,在出现模型失配的情况下,仍能很好的使硅含量和铁水温度达到期望值,进一步验证了本文所提方法的可行性和有效性。