论文部分内容阅读
非线性模型预测控制(Nonlinear Model Predictive Control,NMPC)是继PID控制后被广泛应用和研究的先进控制算法之一。由于实际过程中模型的动态方程描述常常不够准确,NMPC的鲁棒性无法得到保证。多阶段非线性模型预测控制(multi-stageNonlinear Model Predictive Control,MSNMPC)使用离散的场景树表示不确定量对系统的影响,可以为一类具有参数不确定性的模型提供鲁棒性控制。本文主要研究了多阶段非线性模型预测控制方法,并针对其存在的不足提出了改进算法。 MSNMPC采用不确定量的极大值、极小值以及标称值的组合来设定场景树中不同场景的参数,且各场景形成的目标方程权重相同,然而这样的设置忽略了参数的分布特性,故提出使用蒙特卡洛模拟(Monte Carlo Simulation,MCS)算法确定各场景的参数和权重,形成一种MMSNMPC算法。接着针对实际过程中存在噪声的情况,提出一种基于(Unscented Kalman Filter,UKF)的输出反馈多阶段非线性模型预测控制算法,不仅使用UKF估计状态变量值,还将UKF滤波器计算出的新息和滤波增益矩阵用于更新场景树中的节点信息,使得改进后的算法可以同时处理具有不确定参数和噪声的模型。最后,将一种基于乌托邦跟踪的NMPC调参策略应用于MSNMPC,为MSNMPC提供最佳的预测时域和鲁棒时域以及子目标方程权重。 上述算法均通过在BASF公司提供的半间歇聚合反应模型上的仿真实验验证了有效性。