一种焦化加热炉氧气含量的预测函数控制方法   0    0

本发明公开了一种焦化加热炉氧气含量的预测函数控制方法。本发明首先是通过工业过程中采集到的大量的数据对工业过程进行建模，把模型看作为线性和非线性两部分构成，然后分别利用反向传播神经网络对非线性部分进行建模，利用传统的线性的两点法对线性部分进行建模。对建立好的模型利用预测函数控制的方法进行滚动优化，反馈校正，从而确定下一时刻输出的控制变量。本发明利用预测函数控制比传统的PID控制，能够更加有效提高系统的动态性能和稳定性。

1.一种焦化加热炉氧气含量的预测函数控制方法，其特征在于该方法的具体步骤是：

1.建立被控对象的模型
1-
1.由于被控对象的模型是由线性和非线性两部分够成，将其描述为以下形式：
y(k)＝yL(k)+yNL(k)       (1)
其中yL(k)是线性模型在阶跃响应下的输出，yNL(k)是通过yL(k)与y(k)|i,(i＝1,2,…,N)之间偏差确定的非线性模型，y(k)|i,(i＝1,2,…,N)是被控对象y(k)在i时刻实际过程的输出，N是输出的采样点个数；
1-
2.模型的线性部分通过阶跃响应来获取，y(t)是模型的实际输出，y(∞)是模型的稳态输出，U0是输入信号的放大倍数；输出的y(t)用 的形式来表述，模型的增益表示为
根据模型过程的特点，模型的线性部分描述为以下形式：
y*(t)用下面的方式进行描述；
其中取y*(t1)＝0.39,y*(t2)＝0.63，t2>t1>τ，延迟时间τ和响应时间T可以得到：
T＝2(t2-t1)     (4)
τ＝2t1-t2
1-
3.模型中的非线性部分通过以下获得：
设 其中yLi(k)是yL(k)在相应的时间点的取值；模型
中非线性部分的yNL(k)，通过BPNN使 的取值最小值，模型如下：
其中w2(i,j)(j＝1,2),w3(i)是神经网络权链路层的连接权，I是输出节点的个数，g(x)激活函数选择为g(x)＝1/(1+e-x)，将模型中的延迟环节等效为d＝τ/Ts；通过采样时间Ts，将被控对象的模型离散化后表述为以下形式：
y(k)＝α1y(k-1)+β0u(k-d-1)+yNL(k)       (6)
其中α1,β0是等式中相对应的系数；

2.预测控制函数控制器设计：
2-
1.输出预测
设：
为了预测未来过程的结果，把g(θ(k))和 分别在中心点θ0和 进行线性化处理得到如下等式：
其中 ε和 是非线性函数；
由上述表达式进一步可得：
由上式发现 是与未来预测部分
紧密相关， 是一个高阶函数，可以忽略；从而得到以下形式：
其中 是一个常数项，可得如下等
式：
y(k)＝a1y(k-1)+b0u(k-d-1)+C      (13)
其中
2-
2.由上式(13)两端进行差分算子△＝1-z-1变换，经过差分后模型的输出为ym(k)，其形式如下结果：
ym(k)＝A1ym(k-1)+A2ym(k-2)+B1,0△u(k-d-1)      (15)
其中A1＝1+a1,A2＝-a1，B1,0＝b0；
2-
3.利用上式(15)的模型设计PFC控制器，将它划分为三个部分；第一部分是ypast(k+d+p)它是由过去的输入和输出所决定的，第二部分是GpUp是由现在和未来的输入量来决定的，第三部分是预测误差，它是由反馈误差来决定的 其中 实在
k时刻，预测函数的空间选择为Ny：
其中Up＝(△u(k),△u(k+1),…,△u(k+p-1))T
在预测控制的策略中，控制量是和系统过程的特征和初始设定值紧密相关联的；
其中λj是权重系数，fj(i)是基函数在采样时刻i的值，M是基函数
yref(k+d)＝y(k)      (19)
yref(k+d+p)＝μpy(k)+(1-μp)ys
p＝1,2,…,Ny
其中μ是平滑系数，ys是设定值
2-
4.优化性能指标如下：
从而得到控制增量，来计算k时刻的控制量：
2-
5.将得到的控制量作用于被控对象，等到下一时刻时重复步骤2-2到步骤2-4继续求解被控对象的控制量u(k+1)依次循环操作。