流程工業(yè)與共它工業(yè)有很大不同，其生產(chǎn)工藝具有連續(xù)性，過程和設(shè)備的特性往往是十分復(fù)雜的，控制對象常具有不確定性、非線性、大時延性和變量問的強耦合性。想得到生產(chǎn)過程精確的數(shù)學(xué)模型幾乎是不可能的。所有這些因素使得常規(guī)的PlD控制以及其他傳統(tǒng)控制方法都不可能達到理想的效果。于上世紀60年代形成和發(fā)展起來的現(xiàn)代控制理論，盡管在很多領(lǐng)域取得了顯著的成果，但將其用于流程工業(yè)過程控制中時，在理論與實踐之間依舊存在著很大的差距。主要原因還是由于絕大多數(shù)流程工業(yè)過程對象難以得到精確的數(shù)學(xué)模型。因此必須考慮采用先進的控制策略解決工程實踐中的問題。預(yù)鍘控制是應(yīng)用于流程衛(wèi)業(yè)中最廣泛的先進控制技術(shù)。 RichaIet早在1977年就提出MAC（ModeI AIgorithmicControI）算法。這標志著預(yù)測控制的出現(xiàn)。這類算法用直接從生產(chǎn)現(xiàn)場檢測得到的過程響應(yīng)來描述過程的動態(tài)行為，不需事先知道過程模型的結(jié)構(gòu)和參數(shù)，也不必通過復(fù)雜的辨識來建立過程的數(shù)學(xué)模型，即可根據(jù)某一優(yōu)化指標設(shè)計控制系統(tǒng)，確定一個控制量的序列，使未來一段時間內(nèi)被控量與經(jīng)過柔化后的期望軌跡之間的某個誤差指標最小。該算法采用的是不斷在線滾動優(yōu)化的思想，而且在優(yōu)化過程中不斷通過實測系統(tǒng)輸出與預(yù)測模型輸出的誤差來進行反饋校正，所以能在一定程度上克服模型誤差和某些不確定性干擾等的影響，使系統(tǒng)的魯棒性得到增強．非常適用于控制復(fù)雜的工業(yè)生產(chǎn)過程。Richalet又于1978年首次詳細闡述了這類算法產(chǎn)生的動因、機理及其在工業(yè)控制過程中的應(yīng)用效果，同時給這類新型計算機控制算法定出統(tǒng)一的名稱——預(yù)測控制（Predictive Contr01）。MAC算法是建立在脈沖響應(yīng)模型基礎(chǔ)上的，用來對長時域進行預(yù)測。主要包括三部分：①預(yù)測模型；②參考軌跡；③滾動優(yōu)化。 預(yù)測控制是在工業(yè)控制實踐的需要中產(chǎn)生的，并得到了極大地發(fā)展。作為一種優(yōu)化控制算法，不論形式如何改進和變化，都要包括三項基本原理：預(yù)測模型、滾動優(yōu)化和反饋校正。 正是由于預(yù)測控制的這種滾動優(yōu)化的原理使控制系統(tǒng)降低了對被控對象數(shù)學(xué)模型的依賴程度，適應(yīng)了復(fù)雜工業(yè)過程控制的要求，具有非常廣闊的發(fā)展和應(yīng)用前景。 本文將簡要概述預(yù)測控制的研究、發(fā)展狀況，以及預(yù)測控制與其它控制策略結(jié)合、非線性控制中的預(yù)測模型等主題的研究成果。 1預(yù)測控制的發(fā)展 自Richalet提出MAC算法以來，新型預(yù)測控制算法不斷涌現(xiàn)，下面對主要算法作簡要回顧。 CuIter于1980年提出的動態(tài)矩陣控制（DMC Dynamic Matrix Contr01）．是建立在階躍響應(yīng)模型上適用于漸進穩(wěn)定的對象，對于弱非線性對象，可以在工作點附近線性化．對于不穩(wěn)定的對象，可先用常規(guī)的PID控制使其穩(wěn)定，然后再使用DMC算法。與MAC相比，DMC最大的優(yōu)點是沒有靜差。1986年Morshedl提出了一種廣義動態(tài)矩陣控制（UDMC UnlversaI Dynamic Matrix Contr01），主要解決非線性優(yōu)化問題。Bruqn發(fā)表的兩篇文獻提出了預(yù)測控制算法（PCA Predictive ControIAIgorithm）同MAC一樣，也是基于脈沖響應(yīng)模型的，但解決了MAC對于非最小相位系統(tǒng)的不穩(wěn)定性問題．因為PCA對控制變量的增量加上了約束。1988年，RichaIet又提出了一種基于預(yù)測控制原理的預(yù)測函數(shù)控制（PFC Predictive FunctionalControI）方法，并成功地應(yīng)用到工業(yè)機器人的快速高精度跟蹤控制上。取得了很好的效果。預(yù)測函數(shù)控制也是預(yù)測控制的一個很好的發(fā)展方向。在這方面的研究也有很多。 2自適應(yīng)預(yù)測控制 自適應(yīng)控制適用于具有一定程度不確定性的系統(tǒng)，對模型的依賴程度較少。因此長期得到人們的關(guān)注，已經(jīng)具有成熟的理論。但自適應(yīng)算法的魯棒性較差。1984年Ydstie提出EHAC（Extended Horizon Adaptive Contr01），是建立在ARMAX模且不適用于非最小相位系統(tǒng)的問題。1985年De Keyser提出了EPSAC（Extended Predictive Self-Adaptive Contr01），也是采用ARMAX模型，通過長范圍預(yù)測（Long Horizon Predic．tion）使該算法比自適應(yīng)控制對模型精度要求降低了、魯棒性增強了。Clarke于1987年在總結(jié)EHAC和EPSAC的基礎(chǔ)上提出了廣義預(yù)測控制（GPC）。它是建立在CARIMA模型基礎(chǔ)上的，解決了當采用ARMAX模型時，在負載擾動較大的情況下，消除測量變量和設(shè)定值之間的誤差效果不好的問題。廣義預(yù)測控制標志著自適應(yīng)控制與預(yù)測控制的有機地結(jié)合，使控制系統(tǒng)具有很好的互補性。不僅提高了預(yù)測控制對于不確定性環(huán)境的適應(yīng)能力，而且增強了自適應(yīng)控制的魯棒性。GPC已經(jīng)能很好地應(yīng)用于實踐中，在這方面有很多成功應(yīng)用的例子。 自適應(yīng)預(yù)測控制的研究只是針對線性系統(tǒng)的，對非線性系統(tǒng)的處理方法主要是將非線性系統(tǒng)作線性等價轉(zhuǎn)換，即把非線性系統(tǒng)等價為時變線性系統(tǒng)。缺乏定性的分析和有效的等價轉(zhuǎn)換方法?？傊?，把自適應(yīng)預(yù)測控制用于非線性系統(tǒng)還有很多問題需要解決。 3內(nèi)模預(yù)測控制 Garcia等人在1982年研究了一類新型控制結(jié)構(gòu)——內(nèi)?？刂疲↖MC Internal Model Control）。在其研究中以IMC結(jié)構(gòu)的角度對預(yù)測控制算法的魯棒性、穩(wěn)定性、參數(shù)的選擇作了一定的研究，并認為預(yù)測控制算法和內(nèi)?？刂朴袃?nèi)在的聯(lián)系，可以歸為統(tǒng)一的結(jié)構(gòu)。在內(nèi)模控制原理的基礎(chǔ)上．對預(yù)測控制有很多研究。文獻[5、6]通過將預(yù)測控制變換到內(nèi)?？刂平Y(jié)構(gòu)下分析閉環(huán)系統(tǒng)的穩(wěn)定性和魯棒性，從方法上指導(dǎo)了控制器的參數(shù)選擇。文獻[7]提出了一種用矩陣OR分解設(shè)計FIR型內(nèi)模逆動態(tài)控制器的新方法。文獻[8]應(yīng)用內(nèi)?？刂圃韺PC系統(tǒng)進行了分析．推導(dǎo)出預(yù)測控制在內(nèi)模結(jié)構(gòu)下的定量表達，并根據(jù)模型與對象問的失配來分析魯棒性，使得定量研究設(shè)計參數(shù)與魯棒性問的關(guān)系成為可能。文獻[9]依據(jù)內(nèi)?？刂圃硌芯苛烁黝愵A(yù)測控制算法（MAC、DMC、GPC、GPP）的控制器方程，閉環(huán)系統(tǒng)輸入輸出和誤差方程，歸納出統(tǒng)一的算式。同時在內(nèi)?？刂瓶蚣芟聦MC算法進行描述，并對其穩(wěn)定性、魯棒性進行了分析。從內(nèi)?？刂平Y(jié)構(gòu)和最小化實現(xiàn)形式出發(fā)，分析了其預(yù)測控制系統(tǒng)的閉環(huán)性能，給出了系統(tǒng)動態(tài)響應(yīng)、抗干擾性、魯棒性與設(shè)計系數(shù)的解析關(guān)系。這項工作在對預(yù)測控制研究方面有一定意義，使內(nèi)模控制和預(yù)測控制建立了直觀的聯(lián)系。文獻[10]利用內(nèi)?？刂平Y(jié)構(gòu)分析了GPC在系統(tǒng)未建模時其動態(tài)魯棒性方面的缺陷，提出采用失配濾波器以增強系統(tǒng)的魯棒性。同時針對GPC的特點．提出了次優(yōu)失配濾波器的設(shè)計方法。 由于內(nèi)模控制和預(yù)測控制內(nèi)在的天然聯(lián)系，從內(nèi)?？刂平Y(jié)構(gòu)角度對預(yù)測控制的分析和研究具有很大的潛力和廣闊的前景。在這方面還需要進行更多的研究。 4非線性系統(tǒng)預(yù)測控制 如前所述，流程工業(yè)中絕大部分被控過程具有非線性特性。所以針對非線性系統(tǒng)的控制是主要研究的問題。傳統(tǒng)過程控制方法是采用在工作點附近的線性化模型來設(shè)計控制器。而利用預(yù)測控制的特點進行控制，對非線性系統(tǒng)可以取得較好的控制效果。所采用的方法是利用非線性預(yù)測模型來預(yù)測系統(tǒng)未來動態(tài)。非線性預(yù)測模型的獲得有很多方法，但主要有四類：基于機理的預(yù)測模型、基于實驗的預(yù)測模型、基于智能手段的預(yù)測模型、基于線性化的預(yù)測模型。 （1）基于機理的預(yù)測模型 根據(jù)被控過程的物理或化學(xué)特性所建立的微分、差分方程型基礎(chǔ)之上的，解決了自適應(yīng)死區(qū)控制器對滯后精度要求較高 模型就叫機理模型。很顯然．建立機理模型要對被控過程（即對象）有徹底的了解。正如前所述，在流程工業(yè)中機理模型幾乎是不可能得到的。而對非線性MPC（ModeI Predictive Control）方法穩(wěn)定性和魯棒性的研究主要是基于機理模型的，因此沒有很高的實際價值，只是對理論分析有一定的指導(dǎo)意義。 （2）基于實驗的預(yù)測模型 實驗?zāi)Ｐ褪侵附Y(jié)構(gòu)確定但參數(shù)要經(jīng)過實驗辨識的模型，實驗可以離線或在線進行。常用的實驗?zāi)Ｐ陀蠽olterra模型、Hammerstein模型和Wiener模型。 Volterra模型是非線性系統(tǒng)的脈沖響應(yīng)模型，描述系統(tǒng)動態(tài)過程的精度取決與Volterra序列的階次。階次越高所描述的精度越高，但高階次的Volterra序列需要通過大量的實驗來獲取系數(shù)。對于一類可分為靜態(tài)非線性和動態(tài)線性的非線性系統(tǒng)?？梢杂肏ammerstein模型描述。Hammerstein模型的結(jié)構(gòu)簡單。 可用于PH過程和具有死區(qū)、開關(guān)特性、冪函數(shù)等非線性特性的過程。同時當選用合適的性能指標時，可以把控制問題分解為線性模型的動態(tài)優(yōu)化問題和非線性模型的靜態(tài)求根問題。Wiener模型也可描述一類靜態(tài)非線性和動態(tài)線性可分離的非線性系統(tǒng)，但需要線性動態(tài)環(huán)節(jié)在非線性靜態(tài)增益的前面。 （3）基于智能手段的預(yù)測模型 隨著模糊控制、神經(jīng)網(wǎng)絡(luò)、人工智能等控制策略的發(fā)展，智能控制越來越體現(xiàn)出在解決非線性系統(tǒng)控制問題方面有著其它控制方法無法比擬的優(yōu)越性。預(yù)測控制與智能控制結(jié)合是提高控制性能的一條有效途徑。相結(jié)合的重要方面就是預(yù)測控制的非線性模型由智能模型來描述。如文獻[11]中利用了Fuzzy模型作為預(yù)測模型。文獻[12]也給出了一種模糊控制與預(yù)測控制相結(jié)合的GPC算法。 此外經(jīng)常用到的還有神經(jīng)同絡(luò)模型。許多文獻已經(jīng)表明：一個多層的前饋神經(jīng)網(wǎng)絡(luò)可以任意準確地逼近一個連續(xù)函數(shù)。有文獻又進一步證明：只含有一個隱藏層的前饋網(wǎng)絡(luò)，其神經(jīng)元采用Sigmoid函數(shù)或其它類型的非線性函數(shù)，就可以任意準確地逼近一個連續(xù)函數(shù)及其各階導(dǎo)數(shù)。正因為此，在對非線性系統(tǒng)進行控制時，考慮把預(yù)測控制和神經(jīng)網(wǎng)絡(luò)結(jié)合產(chǎn)生了基于神經(jīng)網(wǎng)絡(luò)的MPC方法。在這方面較早的研究主要是利用神經(jīng)網(wǎng)絡(luò)建立模型，然后在此基礎(chǔ)上進行優(yōu)化。文獻[18]中用三層BP神經(jīng)網(wǎng)絡(luò)建立了非線性對象的模型進行多步預(yù)測，然后利用數(shù)值解法進行優(yōu)化，并用二次規(guī)劃求解目標函數(shù)，從而構(gòu)成預(yù)測控制器。并應(yīng)用到化工過程中。之后關(guān)于這方面的研究非常多。但由于神經(jīng)網(wǎng)絡(luò)學(xué)習算法存在局部最小值和收斂速度慢的問題，所以目前許多研究關(guān)注于神經(jīng)網(wǎng)絡(luò)算法的改進上。文獻[19]針對神經(jīng)網(wǎng)絡(luò)的缺陷提出在兩層前饋網(wǎng)絡(luò)的基礎(chǔ)上，運用速率梯度算法，并采用多級階躍響應(yīng)建立全局線性模型來實現(xiàn)滾動優(yōu)化，實現(xiàn)了非線性系統(tǒng)的DMC控制。文獻[20]給出了一種改進的全局尋優(yōu)自適應(yīng)快速BP算法，用到廣義預(yù)測控制算法中．解決了GPC實時控制的快速性問題。文獻[21]在BP網(wǎng)絡(luò)的基礎(chǔ)上，提出了一種利用先驗知識縮小網(wǎng)絡(luò)規(guī)模，提高學(xué)習速度，然后利用遺傳算法對控制軌跡進行尋優(yōu)，克服了局部最小值和收斂速度的問題。總之，目前有關(guān)這方面的研究主要是解決神經(jīng)網(wǎng)絡(luò)學(xué)習算法自身的問題。 遺傳算法不苛求問題的表達形式，并且是全局尋優(yōu)的。所以遺傳算法與預(yù)測控制結(jié)合是切實可行的優(yōu)化技術(shù)。采用的方法主要是將遺傳算法作為優(yōu)化技術(shù)用于非線性模型預(yù)測控制器的設(shè)計，在保證了控制律在控制輸入受限范圍內(nèi)的全局最優(yōu)特性的同時，提高了控制系統(tǒng)的實時性。在這方面有一定的應(yīng)用。但主要針對線性系統(tǒng)，對非線性系統(tǒng)研究很少。應(yīng)該有一定的發(fā)展空間。 （4）基于線性化的預(yù)測模型 基于線性化模型是為解決非線性問題所采用的最早的辦法。其優(yōu)點是非線性MPC優(yōu)化計算簡單，實時性好。具有代表性的是一種非線性0DMC方法，就是將非線性模型在采樣點處線性化來構(gòu)成預(yù)測控制器，并成功地應(yīng)用到實踐中。多模型方法是一種處理非線性系統(tǒng)較常用的方法，其特點是用多個線性模型來逼近非線性對象。文獻[25]討論了一種非線性系統(tǒng)線性化多模型表示，并為線性化子模型給出了多模型參考軌跡，從而得到非線性多模型預(yù)測控制方法。 5預(yù)測控制存在的問題 預(yù)測控制缺乏深入的理論分析。由于要通過在線滾動優(yōu)化，在大范圍上對被控過程作輸出預(yù)報，使得控制系統(tǒng)的結(jié)構(gòu)非常復(fù)雜，很難進行定量分析。此外，對于預(yù)測控制算法的穩(wěn)定性、魯棒性的研究不多。同時對非線性系統(tǒng)的預(yù)測控制問題也沒有很好地解決。這些方面的改進要在算法上緊扣預(yù)測控制的模型預(yù)測、滾動優(yōu)化和反饋校正這三個機理進行研究。在解決非線性系統(tǒng)的控制問題上，預(yù)測控制要與其它智能控制策略聯(lián)合使用，這也是預(yù)測控制重要的發(fā)展方向。