yM (k j) iN1hˆiu(k j i), j 1,2,, P
14
4.2.2 模型算法控制
2）模型校正
利用当前时刻的模型误差进行模型校正(反馈校正法)，得到校正 后的预测输出分别为
yc (k 1) hˆ1u(k) hˆ2u(k 1) hˆNu(k N 1) y(k) yM (k) yc (k 2) hˆ1u(k 1) hˆ2u(k) hˆNu(k N 2) y(k) yM (k) yc (k P) hˆ1u(k P 1) hˆ2u(k P 2) hˆNu(k N P) y(k) yM (k)
现代过程控制基础
4 先进过程控制技术
信息学院
二○一七年十一月
1
本章内容：
软测量技术 预测控制技术 模糊控制技术
2
4.1 软测量技术
15580
测温枪
电极加热系统
现场温度测量
温度
热电偶点测
过程基本参数 • 钢水容量: 100 t • 温度区间:
1520~1620℃ • 电极加热系统参数:
功率：13500 KW
y(k)
预测输出
yR (k )
输出的期望值曲线
u(k)
当前及未来时刻的控制量
0
1
2
L-1
当前时刻 基于模型的预测控制思路
Pk
11
4.2.1 预测控制的基本原理
预测模型：根据系统的历史信息（系统输出及控制作用）和未来输 入 ，预测系统未来的输出 。
具有展示系统未来动态行为的功能。
给系统施加不同的控制作用，根据不同控制策略下的预测输出变 化,可以对这些控制策略的优劣进行对比。
过去
未来
y1
y2 y
u2
u
u1
0
k
基于模型预测对不同的控制策略对比
12
4.2.1 预测控制的基本原理
e(k) yM (k) yR (k)
预测控制算法就是要按照预测输出与期望输出的偏差，依
据某一性能指标，计算当前及未来L个时刻的控制量，使得性
能指标最小 。
u(k)(k 0,1,2,, L 1)
能量的输入
电弧加热 Q1
钢水温度变化量
能量增量
能量的散失
包衬吸热 Q2
渣面散热 Q3 加料吸热 Q4
T Q1 Q2 Q3 Q4
csteel msteel
精炼过程能流图
5
4.1.2 软测量技术的核心
黑箱建模法（或称数据驱动建模法）
基于积累的过程运行数据，用统计学习、人工智能等方法建立对象的 输入输出关系模型。
预测控制算法的核心：
预测模型，反馈校正，滚动优化
13
4.2.2 模型算法控制
1）预测模型
对于线性对象，其脉冲响应模型可以表示为 y(k) hiu(k i) i 1
对于渐进稳定对象，由于
lim
j
h
j
0
因此，对象的矩阵脉冲响应模型就可以近似表示为
N
yM (k) hˆiu(k i) i 1
模型在下一时刻到P个时刻的输出可以表示为
产生背景： ① 复杂工业过程模型无法精确表达 ② 计算机技术的飞速发展和在工业控制领域的应用。 ③ 工程应用角度，希望模型要求低、控制质量好、在
线实现方便。
预测控制是对数学模型依赖性不是很强的控制方法。
10
4.2.1 预测控制的基本原理
相关变量说明:
设定值
过去 ys
过去的输出与控制
未来 yM (k)
优势：综合性能好 缺点：模型结构各异，建模难度高
参数估计器
变化
输入 数据 参数 模型
机理 输出 模型
混合模型结构示意图 (a)
输入
机理 模型
(函数关系已知部分)
数据 模型
(函数关系难确定部分)
混合模型结构示意图 (b)
模型 输出 融合 算法
7
4.1.3 软测量技术的使用
辅助变量
软测量模型
建模方法
• 机理建模法 • 黑箱建模法 • 混合建模方法
钢包炉体
不能有效测量
准确性 连续性 及时性
• 经验估算 • 多步控制
• 经验估算误差大 • 生产节奏快
控制效率低、精度差
4.1.1 软测量技术的基本概念
软测量技术（soft sensor technique）
结合生产过程知识，应用计算），通过选择另外一些容易测量的变量（称为 辅助变量），并与主导变量构成某种数学关系来进行推断估计，以软件代 替硬件（传感器）。
yc Hu H1u1 ( y yM )
15
4.2.2 模型算法控制
2）模型校正
yc Hu H1u1 ( y yM )
yc (k 1) hˆ1u(k) hˆ2u(k 1) hˆNu(k N 1) y(k) yM (k) yc (k 2) hˆ1u(k 1) hˆ2u(k) hˆNu(k N 2) y(k) yM (k)
主导变量
机理分析、选择辅 助变量
数据采集和预处理
建立软测量模型
输入-输出数据
控制装置上实现软 测量
8
4.1.4 软测量技术总结
“软测量技术”是把常规检测手段与被控对象的工艺、设备 有机结合起来，应用计算机信息处理、工艺规律建模、过程辨 识、人工智能学习等技术，对一些难于测量的过程变量进行推 断和估计的间接检测技术。
优势：建模简单 缺点：数据需求量大
输入x （辅助变量）
输入-输出数据对
xi , yi i 1, N
可选用的建模方法：
数据驱动建模
软测量模型
输出y （主导变量）
线性回归法：如PLS等 非线性回归法：多项式回归等 智能学习算法：神经网络等
黑箱建模原理图
6
4.1.2 软测量技术的核心
混合建模法
结合机理建模法与数据建模法的优势，利用数据建模方法对机理模 型中的未知参数或未知函数进行学习。
传感器-直接检测
互补
软测量-间接检测
• 测量准确、使用 可靠
• 难以应用于恶劣、 复杂生产环境
优化控制
• 通用性好、适用范 围宽
• 精度易受影响，需 要长期维护
9
4.2 预测控制技术
1978年，Richalet J 在Automatica期刊上首次详细阐述了 预测控制算法产生的背景、机理及工业应用效果。
估计
T
• 条件1——与温度变化相关的可测量 • 条件2——可测量与温度之间的数学关系
T FT 可测变量#1, 可测变量#2, , 可测变量#k
4
4.1.2 软测量技术的核心
机理建模法
从过程内在的物理或化学规律出发，通过物料平衡、能量平衡或动 量平衡建立对象的输入输出关系模型。
优势：性能可靠，可用于过程特性分析 缺点：建模难度高