一种工业智能模型预测控制研发系统的制作方法

1.本发明涉及智能模型技术领域，尤其涉及一种工业智能模型预测控制研发系统。


背景技术：

2.智能模型基于知识的软件开发模型，它与专家系统结合在一起。该模型应用基于规则的系统，采用归纳和推理机制，帮助软件人员完成开发工作，并使维护在系统规格说明一级进行。该模型在实施过程中要建立知识库，将模型本身、软件工程知识与特定领域的知识分别存入数据库。以软件工程知识为基础的生成规则构成的专家系统与含应用领域知识规则的其他专家系统相结合，构成这一应用领域软件的开发系统。
3.在智能工业领域中，建立属于本企业专用的智能模型，使企业能够更好的对工厂进行全方位的监控和控制，同时现有的智能模型控制系统在实际运用的过程中，其无法在对实际的控制命令进行有效预测，从而在实际控制的过程中无法对企业各个区域的未来状态进行模拟预测控制，进而无法发出最精确的控制命令，使得整个控制命令低效而精确度不高。
4.因此，本发明提出了一种工业智能模型预测控制研发系统。


技术实现要素：

5.本发明的目的是为了解决现有技术中存在的缺点，而提出的一种工业智能模型预测控制研发系统。
6.为了实现上述目的，本发明采用了如下技术方案：
7.一种工业智能模型预测控制研发系统，包括以下模块的组成：
8.(1)、预测模型模块，其具有展示过程未来动态行为的功能，这样就可像在系统仿真时那样，任意的给出未来控制策略，观察过程不同控制策略下的输出变化；
9.(2)、反馈校正模块，通过输出的测量值与模型的预估值进行比较，得出模型的预测误差，再利用模型预测误差来对模型的预测值进行修正；
10.(3)、滚动优化模块模块，优化的过程采用滚动反复在线优化的方式进行，即在每一个时刻有一个相对于该时刻的局部优化性能指标；
11.(4)、参考轨迹模块，即设定参考轨迹曲线，使过程输出沿着一条期望的、平缓的曲线达到设定值，且该设定值是经过在线“柔化”后得到的。
12.优选地，所述预测模型模块采用的算法是基于非参数模型算法，包括模型算法控制算法和动态矩阵控制算法，其中模型算法控制算法采用的是系统的单位脉冲响应曲线，动态矩阵控制算法采用的是系统的阶跃响应曲线，无须考虑模型结构和阶次，模型中可包含过程纯时滞项。
13.优选地，所述预测模型模块采用的算法是基于滑动平均模型，即自适应模型的预测控制，包括广义预测控制算法，融合自校正控制和预测控制的优点，其反馈校正以自校正的方式通过模型的在线辨识和控制规律的在线修正实现。优点是可用于开环不稳定、非最
小相位和时变时滞等较难控制的对象，对系统的时滞和阶次不确定等有良好的鲁棒性。
14.本发明具有以下有益效果：
15.1、该工业智能模型预测控制研发系统，通过设置反馈校正模块、滚动优化模块和参考轨迹模块其采用的优化过程与通常的离散最优控制算法不同，它不是采用一个不变的全局最优目标，而是采用滚动式的有限时域优化策略，即优化过程不是一次离线完成的，而是反复在线进行的，在每一采样时刻，优化性能指标只涉及从该时刻起到未来有限的时间，而到下一个采样时刻，这一优化时段会同时向前，因此，该预测控制研发系统不是用一个对全局相同的优化性能指标，而是在每一个时刻有一个相对于该时刻的局部优化性能指标，即在线反复进行优化计算，滚动实施，使模型失配、畸变、扰动等引起的不确定性及时得到弥补，从而得到较好的动态控制性能。
16.2、该工业智能模型预测控制研发系统，将预测模型模块采用的算法是基于非参数模型算法或者基于滑动平均模型算法，使该系统对模型的精度要求不高，建模方便，过程描述可由简单实验获得，同时系统的统鲁棒性、稳定性较好，而且该系统易将算法推广到有约束、大迟延、非最小相位、非线性等实际过程，尤为重要的是，它能有效地处理多变量、有约束的问题。
附图说明
17.图1为本发明预测模型控制系统示意图。
具体实施方式
18.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
19.在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
20.实施例1
21.一种工业智能模型预测控制研发系统，包括以下模块的组成：
22.(1)、预测模型模块，其具有展示过程未来动态行为的功能，这样就可像在系统仿真时那样，任意的给出未来控制策略，观察过程不同控制策略下的输出变化；
23.预测模型模块采用的算法是基于非参数模型算法，包括模型算法控制算法和动态矩阵控制算法，其中模型算法控制算法采用的是系统的单位脉冲响应曲线，动态矩阵控制算法采用的是系统的阶跃响应曲线，无须考虑模型结构和阶次，模型中可包含过程纯时滞项。
24.(2)、反馈校正模块，通过输出的测量值与模型的预估值进行比较，得出模型的预测误差，再利用模型预测误差来对模型的预测值进行修正；
25.(3)、滚动优化模块，优化的过程采用滚动反复在线优化的方式进行，即在每一个时刻有一个相对于该时刻的局部优化性能指标；
26.(4)、参考轨迹模块，即设定参考轨迹曲线，使过程输出沿着一条期望的、平缓的曲
线达到设定值，且该设定值是经过在线“柔化”后得到的。
27.本实施例中，通过设置反馈校正模块、滚动优化模块和参考轨迹模块其采用的优化过程与通常的离散最优控制算法不同，它不是采用一个不变的全局最优目标，而是采用滚动式的有限时域优化策略，即优化过程不是一次离线完成的，而是反复在线进行的，在每一采样时刻，优化性能指标只涉及从该时刻起到未来有限的时间，而到下一个采样时刻，这一优化时段会同时向前，因此，该预测控制研发系统不是用一个对全局相同的优化性能指标，而是在每一个时刻有一个相对于该时刻的局部优化性能指标，即在线反复进行优化计算，滚动实施，使模型失配、畸变、扰动等引起的不确定性及时得到弥补，从而得到较好的动态控制性能。
28.实施例2
29.一种工业智能模型预测控制研发系统，包括以下模块的组成：
30.(1)、预测模型模块，其具有展示过程未来动态行为的功能，这样就可像在系统仿真时那样，任意的给出未来控制策略，观察过程不同控制策略下的输出变化；
31.预测模型模块采用的算法是基于滑动平均模型，即自适应模型的预测控制，包括广义预测控制算法，融合自校正控制和预测控制的优点，其反馈校正以自校正的方式通过模型的在线辨识和控制规律的在线修正实现。优点是可用于开环不稳定、非最小相位和时变时滞等较难控制的对象，对系统的时滞和阶次不确定等有良好的鲁棒性。
32.(2)、反馈校正模块，通过输出的测量值与模型的预估值进行比较，得出模型的预测误差，再利用模型预测误差来对模型的预测值进行修正；
33.(3)、滚动优化模块，优化的过程采用滚动反复在线优化的方式进行，即在每一个时刻有一个相对于该时刻的局部优化性能指标；
34.(4)、参考轨迹模块，即设定参考轨迹曲线，使过程输出沿着一条期望的、平缓的曲线达到设定值，且该设定值是经过在线“柔化”后得到的。
35.本实施例中，通过设置反馈校正模块、滚动优化模块和参考轨迹模块其采用的优化过程与通常的离散最优控制算法不同，它不是采用一个不变的全局最优目标，而是采用滚动式的有限时域优化策略，即优化过程不是一次离线完成的，而是反复在线进行的，在每一采样时刻，优化性能指标只涉及从该时刻起到未来有限的时间，而到下一个采样时刻，这一优化时段会同时向前，因此，该预测控制研发系统不是用一个对全局相同的优化性能指标，而是在每一个时刻有一个相对于该时刻的局部优化性能指标，即在线反复进行优化计算，滚动实施，使模型失配、畸变、扰动等引起的不确定性及时得到弥补，从而得到较好的动态控制性能。
36.工作原理：该工业智能模型预测控制研发系统，将预测模型模块采用的算法是基于非参数模型算法或者基于滑动平均模型算法，使该系统对模型的精度要求不高，建模方便，过程描述可由简单实验获得，同时系统的统鲁棒性、稳定性较好，而且该系统易将算法推广到有约束、大迟延、非最小相位、非线性等实际过程，尤为重要的是，它能有效地处理多变量、有约束的问题，而且通过设置反馈校正模块、滚动优化模块和参考轨迹模块其采用的优化过程与通常的离散最优控制算法不同，它不是采用一个不变的全局最优目标，而是采用滚动式的有限时域优化策略，即优化过程不是一次离线完成的，而是反复在线进行的，在每一采样时刻，优化性能指标只涉及从该时刻起到未来有限的时间，而到下一个采样时刻，
这一优化时段会同时向前，因此，该预测控制研发系统不是用一个对全局相同的优化性能指标，而是在每一个时刻有一个相对于该时刻的局部优化性能指标，即在线反复进行优化计算，滚动实施，使模型失配、畸变、扰动等引起的不确定性及时得到弥补，从而得到较好的动态控制性能。
37.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。