[发明专利]一种迭代学习策略下工业模型预测控制系统的经济性能评估方法

说明书

技术领域

本发明涉及石油、化工等流程工业模型预测控制系统的经济性能评估技术领域，具体涉及一种迭代学习策略下工业模型预测控制系统的经济性能评估方法计。

背景技术

实际工业过程都是进行连续的生产。目前，工业界又面临各种各样的挑战，原材料价格的波动，环境因素的影响，市场竞争的激烈等等。这些因素导致了更大的投资风险。为了保证持续的经济效益，越来越多的企业考虑使用先进过程控制(APC)来提高产品质量，减小能耗，保证生产安全性。在过去10年当中，模型预测控制已经广泛应用在工业生产中，尤其是石油化工领域。模型预测控制可以在一定程度上通过改善输入输出方差关系来提高产品质量，这对于企业的经济效率非常重要。

目前，大部分先进过程控制实际应用中都是采用模型预测控制器，原因是模型预测控制可以有效处理约束并且可以应用在多输入多输出系统中。设计模型预测控制控制器的一个重要问题是决定控制器的权重参数。除此之外，合适的模型预测控制设定点选择也很重要，选择更为合适的设定点可以提高控制系统的经济性能。

为了填补通过调整模型预测控制权重参数设定来实现可达最优经济性能之间的调节方法的空白，需要设计一个最优权重参数调整方法。调整权重参数可以改变输入输出方差关系，但是一般来说很难得到输入输出方差与权重参数的解析关系，因为通常无法把控制器权值参数调整到每一个值。

通过迭代学习控制(ILC)来调整模型预测控制的参数设定。迭代学习控制算法最早用在机械手臂控制和机器人控制上，迭代学习控制通过不断利用之前批次控制的偏差来重复学习。迭代学习控制最早由日本的Uchiyama出来做机械手臂的控制。然后在1984年，Arimoto等用英语介绍了这个方法。自那以后迭代学习控制开始了快速的发展。大多数过去过程控制上有关迭代学习控制的研究都是集中在间歇过程。迭代学习控制也同和模型预测控制结合在一起应用在间歇过程中。根据Wang等的迭代学习控制综述文章，迭代学习控制可以被分为直接迭代学习控制和间接迭代学习控制。分类的依据是迭代学习控制的输出是否直接被用在实际系统的输入。

但是，现有的迭代学习控制均为离线控制，无法对模型预测进行干扰，需要拟合输入-输出关系曲线，计算量大，导致控制实时性不高。

发明内容

针对现有技术的不足，本发明提出的一种迭代学习策略下工业模型预测控制系统的经济性能评估方法。

一种迭代学习策略下工业模型预测控制系统的经济性能评估方法，包括如下步骤：

(1)初始化迭代次数i为0，从MPC中收集当前阶段的过程数据以及权重参数，分别计算第i次迭代时的输入方差输出方差输入均值和输出均值估计第i次迭代的经济性能

(2)根据步骤(1)的计算结果利用所述MPC经济性能函数的递推式求解使第i+1次迭代时经济性能最优的输入增量和输出增量；

(3)根据步骤(1)和(2)的结果检测输入输出的拉格朗日参数向量确定本次迭代时的系统状态η_i，η_i＝0或±1；

(4)根据系统状态η_i判断本次迭代时系统经济性能是否收敛：

若收敛，则认为本次迭代时的经济性能最优，并利用本次迭代的控制方案进行工业控制；

否则，进行如下操作：

(4-1)根据当前迭代时的系统状态η_i利用ILC学习率获取第i+1次迭代时的权重参数；

(4-2)根据步骤(1)中计算得到的输入均值和输出均值以及步骤(2)得到的输入增量和输出增量计算得到第i+1次迭代时的过程数据；

(4-3)更新当前迭代次数为i+1，并基于步骤(4-1)和(4-2)的结果返回步骤(1)。

所述步骤(1)中的过程数据指设定时间点处的输入和输出，当工业模型预测控制系统存在多个输入变量时，相应的输入设定值应该是一个多维向量。此时，输入方差输入均值均应该为多维向量，多维向量在每个维度上的分量对应一个的输入变量。同理，当工业模型预测控制系统存在多个输出变量时，输出方差和输出均值也应该为多维向量，且其在每个维度上的分量对应一个输出变量。

所述步骤(3)中根据如下公式确定本次迭代时的系统状态η_i：