论文部分内容阅读
预测控制具有控制性能良好、易于实现、鲁棒性好、能方便地处理输入输出约束等优点，在各个领域特别是复杂的化工过程控制中得到了广泛应用。目前，线性系统的预测理论发展的较为成熟。但实际工业过程中往往是非线性系统，因此，如何对预测控制进行改进，使之更加适合于复杂工业过程的实际应用，是亟待解决的问题。非线性模型预测控制有两个关键环节，即对非线性系统的模型辨识和预测控制的在线滚动优化，本文对这两个环节做了研究。在模型辨识方面，本文将几种智能优化算法相结合，分别从参数辨识和结构辨识两个角度做了研究。首先，针对遗传算法在局部寻优上精度不足的问题，将遗传算法的进化策略与模拟退火算法结合，提出进化退火算法，不但有效提高了参数辨识的精度，并且明显提高运算速度；其次，针对结构辨识的困难，将遗传规划与遗传算法相结合，提出GP-GA联合算法，并采用AIC准则作为性能指标，以平衡辨识的精度和模型结构的复杂度，取得了较好辨识的效果。在控制的滚动优化方面，本文采用遗传算法设计滚动优化器。考虑到工程应用需要滚动优化有较高的实时性，而传统的遗传算法往往在搜索不必要的解空间及编解码等方面耗费大量时间，有时还会出现早熟收敛的情况，这对工业控制是不利的。对此，本文针对遗传算法的各个步骤进行了改进，以使其更好地应用于解决实际工业过程控制问题，将改进后的遗传算法应用于预测控制技术后，取得了很好的控制效果。论文最后，针对一个实际工业过程，探讨了非线性系统的模型辨识和基于遗传算法的预测控制技术在工业过程中的应用，仿真结果显示了这种预测控制技术是切实可行的。