存储器、非线性预测控制方法、装置和设备

技术领域

本发明涉及工业控制领域，特别涉及存储器、非线性预测控制方法、装置和设备。

背景技术

传统的工业控制大多数采用分层结构来解决经济优化和控制问题。在分层结构中，第一层是实时优化层；第二层是监管层，常用的是非线性预测控制；第三层是常规控制层，包括绝大多数的单入单出控制回路。

实时优化层以营业利润最大或操作成本最少为控制目标，通过优化计算得到最优解，非线性预测控制器以此为设定值。非线性预测控制器在每个自身的运行周期内，均会基于底层PID（Proportion Integration Differentiation，比例-积分-微分控制器）回路传送的信息进行一次优化计算，得到下一周期将要传送到底层PID控制器的控制作用。之后底层PID控制器将控制作用作为底层控制回路的设定值，对底层被控对象进行相应的控制，得到实际输出值。

化工过程一般都是非线性的。对于非线性程度较弱的系统，采用线性预测模型能够充分逼近其动态过程，线性预测控制具有较好的使用效果；对于强非线性系统，线性模型往往难以描述其复杂的动态过程，进而造成线性预测控制难以应用。传统的非线性预测控制方法存在模型失配，不可测扰动等问题，其中，模型失配是指预测模型与实际对象之间存在差异。造成模型失配主要有两方面原因：一方面，由于建模误差的影响，导致非线性预测模型与实际对象之间存在很大的差异；另一方面，由于外界环境的变化会引起模型参数发生变化。

发明人经过研究发现，现有技术中至少存在以下缺陷：

针对非线性系统的模型失配问题，丁香乾在文献《非线性CSTR过程预测控制器设计》中，为补偿模型失配消除稳态误差，提出将积分作用包含在预测控制器的设计中，以实现对控制输出的良好跟踪性能。在实际应用中由于模型失配的产生将无法对被控对象实施有效的控制，严重时甚至会产生控制失效现象，为此，开发具有能够消除模型失配的非线性预测控制方法非常必要。

发明内容

本发明的主要目的在于通过降低模型失配的频率和程度来减少模型失配带来的影响。

为实现上述目的，本发明采取的技术方案为：

本发明公开了一种非线性预测控制方法，包括：

S11、通过模型辨识构建非线性系统的对象模型组；所述对象模型组包括PID子对象模型、执行器子对象模型和被控对象子对象模型；所述对象模型组以状态空间模型的形式表达；

S12、生成所述对象模型组的动态方程，并根据所述动态方程计算所述对象模型组的扰动特性；

S13、分别获取所述非线性系统当前时刻的实际输出测量值和状态估计值；所述状态估计值的获取方法包括：在所述当前时刻的前一时刻以作用到对象模型组的输入为参数，根据所述动态方程及其扰动特性所计算生成用于估计所述非线性系统当前时刻状态的状态估计值；

S14、通过扩展卡尔曼滤波器，根据所述实际输出测量值和所述状态估计值，以递推的方式来计算出所述非线性系统下一时刻的最优状态估计值；

S15、将所述对象模型组的动态方程的最优状态估计值代入所述非线性系统的非线性预测控制算法得到最优解；所述最优解用于所述对象模型组的输入。

优选的，在本发明中，所述被控对象子对象模型包括：

第一被控对象子对象模型和第二被控对象子对象模型。

优选的，在本发明中，所述计算所述对象模型组的扰动特性，包括：

按照预设的时间间隔多次在标称模型参数点以模型参数为变量对对象模型组的状态空间模型进行一阶泰勒展开，计算出扰动的统计特性；

优选的，在本发明中，所述按照预设的时间间隔多次在标称模型参数点以模型参数为变量对对象模型组的状态空间模型进行一阶泰勒展开，计算出扰动的统计特性，包括：

假设所述对象模型组的参数变量服从正态分布，将所述对象模型组的参数的变化等效成扰动，并计算出所述扰动的统计特性。

优选的，在本发明中，所述模型参数包括：

所述非线性系统的液位值、流量值、温度值或压力值。

优选的，在本发明中，所述根据所述动态方程，利用当前时刻的实际测量值的信息和前一时刻的状态估计值的信息，以递推的方式来估计出所述非线性系统新的状态，包括：

S21、获取k-1时刻所述非线性系统的最优状态估计值

S22、通过检测获得所述非线性系统k时刻的实际测量值

S23、通过所述实际测量值

在本发明的另一面，还提供了一种非线性预测控制装置，包括：

建组单元，用于通过模型辨识构建非线性系统的对象模型组；所述对象模型组包括PID子对象模型、执行器子对象模型和被控对象子对象模型；所述对象模型组以状态空间模型的形式表达；

特性计算单元，用于生成所述对象模型组的动态方程，根据所述动态方程计算所述对象模型组的扰动特性；

数值获取单元，用于获取所述非线性系统当前时刻的实际输出测量值和状态估计值；所述状态估计值的获取包括：以作用到对象模型组的输入为参数，根据所述动态方程及其扰动特性计算前一时刻所生成的当前时刻的状态估计值；

修正单元，用于通过扩展卡尔曼滤波器，根据所述实际输出测量值和所述状态估计值，以递推的方式来计算出所述非线性系统下一时刻的最优状态估计值；

结果生成单元，用于将所述对象模型组的动态方程的最优状态估计值代入所述非线性系统的非线性预测控制算法得到最优解；所述最优解用于所述对象模型组的输入。

优选的，在本发明中，所述被控对象子对象模型包括：

第一被控对象子对象模型和第二被控对象子对象模型。

在本发明实施例的另一面，还提供了一种存储器，包括软件程序，所述软件程序适于由处理器执行上述非线性预测控制方法的步骤。

本发明实施例的另一面，还提供了一种非线性预测控制设备，所述非线性预测控制设备包括存储在存储器上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行以上各个方面所述的方法，并实现相同的技术效果。

有益效果

本发明首先将PID子对象模型、执行器子对象模型和被控对象子对象模型定义为对象模型组，然后计算获取对象模型组的扰动特性；接着，利用扩展卡尔曼滤波算法获取所述对象模型组的最优状态估计值；在本发明中，最优状态估计值的获取方式是：以处于某一时刻（k时刻）的非线性系统为例，一方面在该时刻的上一时刻（k-1）的获取非线性系统在k时刻的状态估计值；另一方面，还要获取非线性系统在k时刻的实际输出测量值；然后，再通过扩展卡尔曼滤波器根据实际输出测量值对状态估计值进行修正来生成非线性系统的最优状态估计值。

本发明中作为非线性预测控制算法的输入的状态估计值是经过了修正的最优状态估计值；而现有技术中采用的是根据非线性预测控制模型以递推的方式得到非线性系统当前时刻的状态，这样就很可能使得整个预测过程的误差不断地放大，进而容易频繁的造成严重的模型失配。

本发明中的最优状态估计值更加接近于非线性系统的实际状态，所以可以有效的降低模型失配的频率和程度，从而也就有效地减少了模型失配带来的影响。

上述说明仅为本申请技术方案的概述，为了能够更清楚地了解本申请的技术手段并可依据说明书的内容予以实施，同时为了使本申请的上述和其他目的、技术特征以及优点更加易懂，以下列举一个或多个优选实施例，并配合附图详细说明如下。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明中所述非线性预测控制方法的步骤示意图；

图2为本发明中所述非线性系统的结构示意图；

图3为本发明中所述非线性预测控制装置的结构示意图；

图4为本发明中所述非线性预测控制设备的结构示意图。

具体实施方式

为了使本领域的技术人员更好地理解本发明方案，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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了有效地减少工业控制中非线性预测控制的模型失配的频率和程度，参考图1和图2，本发明实施例提供了一种非线性预测控制方法，包括：

S11、通过模型辨识构建非线性系统的对象模型组；所述对象模型组包括PID子对象模型、执行器子对象模型和被控对象子对象模型；所述对象模型组以状态空间模型的形式表达；

在本发明实施例中，首先定义了非线性系统的对象模型组，将非线性系统中的PID21、执行器22和被控对象23这几个对象模型作为对象模型组的子对象模型。非线性预测控制器01可以生成对象模型组的输入变量u。

需要说明的是，在本发明实施例中，根据非线性预测控制不同的应用场景和需求，非线性系统中的被控对象23可以包括一个，也可以包括多个，因此，对应的，本发明实施例中的被控对象23也可以包括一个或是多个；比如，如图2所示，当被控对象23包括第一被控对象和第二被控对象时，被控对象子对象模型可以包括第一被控对象子对象模型和第二被控对象子对象模型。

S12、生成所述对象模型组的动态方程，并根据所述动态方程计算所述对象模型组的扰动特性；

然后，以对象模型组（包括PID子对象模型、执行器子对象模型和被控对象子对象模型）为整体，生成对应的动态方程，并且，根据该动态方程计算对象模型组的扰动特性。

在实际应用中，计算对象模型组的扰动特性的方式具体可以是按照预设的时间间隔多次在标称模型参数点以模型参数为变量对对象模型组的状态空间模型进行一阶泰勒展开，从而计算出扰动的统计特性。优选的，可以是假设对象模型组的参数变量服从正态分布，将对象模型组的参数的变化等效成扰动，并计算出扰动的统计特性。在实际应用中，模型参数可以是非线性系统下所测得或采集的液位值、流量值、温度值或压力值等。

S13、分别获取所述非线性系统当前时刻的实际输出测量值和状态估计值；所述状态估计值的获取方法包括：在所述当前时刻的前一时刻以作用到对象模型组的输入为参数，根据所述动态方程及其扰动特性所计算生成用于估计所述非线性系统当前时刻状态的状态估计值；

本发明实施例中，不但要计算非线性系统的状态估计值，还要采集同一时刻的实际输出测量值，具体的，对于k时刻来说，一方面，可以在k-1时刻生成非线性系统在k时刻的状态估计值，另一方面还需要采集获取被控对象在k时刻的实际输出测量值y；其中，对于k时刻的状态估计值的获取方法可以包括：在k-1时刻（即当前时刻的前一时刻），以作用到对象模型组的输入u为参数，根据动态方程及其扰动特性所计算生成用于估计非线性系统在k时刻的状态估计值。在实际应用中，当非线性预测控制系统的应用场景是控制吸收塔液位系统时，被控对象具体可以是吸收塔液位；当非线性预测控制系统的应用场景是控制加热炉出口温度系统时，被控对象具体可以是加热炉出口温度。

S14、通过扩展卡尔曼滤波器，根据所述实际输出测量值和所述状态估计值，以递推的方式来计算出所述非线性系统下一时刻的最优状态估计值；

本发明实施例中，还设有扩展卡尔曼滤波器03来获取对象模型组的状态估计值,通过实际输出测量值来对状态估计值进行修正来获得最优状态估计值，从而可以有效的避免状态估计值与非线性系统的实际状态之间的误差过大；在实际应用中，以递推的方式来计算出所述非线性系统下一时刻的最优状态估计值，具体可以包括以下步骤：

S21、获取k-1时刻所述非线性系统的最优状态估计值

S22、通过检测获得所述非线性系统k时刻的实际输出测量值

S23、通过所述实际输出测量值

S15、将所述对象模型组的动态方程的最优状态估计值代入所述非线性系统的非线性预测控制算法得到最优解；所述最优解用于所述对象模型组的输入。

本发明实施例中的最优状态估计值作为非线性预测控制器01的输入，是经过了修正的状态估计值，因此可以使得通过非线性预测控制器01中的非线性预测控制算法得到的更加合理的最优解（该最优解即为对象模型组的输入）。

综上所述，本发明实施例中，首先将PID子对象模型、执行器子对象模型和被控对象子对象模型定义为对象模型组，然后计算获取对象模型组的扰动特性；接着，利用扩展卡尔曼滤波算法获取所述对象模型组的最优状态估计值；在本发明中，最优状态估计值的获取方式是：以处于某一时刻（k时刻）的非线性系统为例，一方面在该时刻的上一时刻（k-1）获取非线性系统在k时刻的状态估计值；另一方面，还要获取被控对象在k时刻的实际输出测量值y；然后，再通过扩展卡尔曼滤波器根据实际输出测量值对状态估计值进行修正来生成非线性系统的最优状态估计值。在实际应用中，当非线性预测控制系统的应用场景是控制吸收塔液位系统时，被控对象具体可以是吸收塔液位；当非线性预测控制系统的应用场景是控制加热炉出口温度系统时，被控对象具体可以是加热炉出口温度。

本发明中作为非线性预测控制算法的输入的状态估计值是经过了修正的最优状态估计值；而现有技术中采用的是根据非线性预测控制模型以递推的方式得到非线性系统当前时刻的估计状态，这样就很可能使得整个预测过程的误差不断地放大，进而容易频繁的造成严重的模型失配。

本发明中的最优状态估计值更加接近于非线性系统的实际状态，所以可以有效的降低模型失配的频率和程度，从而也就有效地减少了模型失配带来的影响。

在本发明实施例的另一面，还提供了一种非线性预测控制装置，图3示出本发明实施例提供的非线性预测控制装置的结构示意图，所述非线性预测控制装置为与图1所对应实施例中所述非线性预测控制方法对应的装置，即，通过虚拟装置的方式实现图1所对应实施例中非线性预测控制方法，构成所述非线性预测控制装置的各个虚拟模块可以由电子设备执行，例如网络设备、终端设备、或服务器。本发明实施例中的非线性预测控制装置可以协同图2所对应的非线性系统来实现工业控制所需的非线性预测控制。具体来说，本发明实施例中的非线性预测控制装置包括：

建组单元101，用于通过模型辨识构建非线性系统的对象模型组；所述对象模型组包括PID子对象模型、执行器子对象模型和被控对象子对象模型；所述对象模型组以状态空间模型的形式表达；

特性计算单元102，用于生成所述对象模型组的动态方程，根据所述动态方程计算所述对象模型组的扰动特性；

数值获取单元103，用于获取所述非线性系统当前时刻的实际输出测量值和状态估计值；所述状态估计值的获取包括：以作用到对象模型组的输入为参数，根据所述动态方程及其扰动特性计算前一时刻所生成的当前时刻的状态估计值；

修正单元104，用于通过扩展卡尔曼滤波器，根据所述实际输出测量值和所述状态估计值，以递推的方式来计算出所述非线性系统下一时刻的最优状态估计值；

结果生成单元105，用于将所述对象模型组的动态方程的最优状态估计值代入所述非线性系统的非线性预测控制算法得到最优解；所述最优解用于所述对象模型组的输入。

优选的，在本发明中，所述被控对象子对象模型包括：

第一被控对象子对象模型和第二被控对象子对象模型。

由于本发明实施例中非线性预测控制装置的工作原理和有益效果已经在图1所对应的非线性预测控制方法中也进行了记载和说明，因此可以相互参照，在此就不再赘述。

在本发明实施例中，还提供了一种存储器，其中，存储器包括软件程序，软件程序适于处理器执行图1所对应的非线性预测控制方法中的各个步骤。

本发明实施例可以通过软件程序的方式来实现，即，通过编写用于实现图1所对应的非线性预测控制方法中的各个步骤的软件程序（及指令集），所述软件程序存储于存储设备中，存储设备设于计算机设备中，从而可以由计算机设备的处理器调用该软件程序以实现本发明实施例的目的。

本发明实施例中，还提供了一种非线性预测控制设备，该非线性预测控制设备所包括的存储器中，包括有相应的计算机程序产品，所述计算机程序产品所包括程序指令被计算机执行时，可使所述计算机执行以上各个方面所述的非线性预测控制方法，并实现相同的技术效果。

图4是本发明实施例作为电子设备的非线性预测控制设备的硬件结构示意图，如图4所示，该设备包括一个或多个处理器610、总线630以及存储器620。以一个处理器610为例，该设备还可以包括：输入装置640、输出装置650。

处理器610、存储器620、输入装置640和输出装置650可以通过总线或者其他方式连接，图4中以通过总线连接为例。

存储器620作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器610通过运行存储在存储器620中的非暂态软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例的处理方法。

存储器620可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储数据等。此外，存储器620可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器620可选包括相对于处理器610远程设置的存储器，这些远程存储器可以通过网络连接至处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置640可接收输入的数字或字符信息，以及产生信号输入。输出装置650可包括显示屏等显示设备。

所述一个或者多个模块存储在所述存储器620中，当被所述一个或者多个处理器610执行时，执行：

S11、通过模型辨识构建非线性系统的对象模型组；所述对象模型组包括PID子对象模型、执行器子对象模型和被控对象子对象模型；所述对象模型组以状态空间模型的形式表达；

S12、生成所述对象模型组的动态方程，并根据所述动态方程计算所述对象模型组的扰动特性；

S13、分别获取所述非线性系统当前时刻的实际输出测量值和状态估计值；所述状态估计值的获取方法包括：在所述当前时刻的前一时刻以作用到对象模型组的输入为参数，根据所述动态方程及其扰动特性所计算生成用于估计所述非线性系统当前时刻状态的状态估计值；

S14、通过扩展卡尔曼滤波器，根据所述实际输出测量值和所述状态估计值，以递推的方式来计算出所述非线性系统下一时刻的最优状态估计值；

S15、将所述对象模型组的动态方程的最优状态估计值代入所述非线性系统的非线性预测控制算法得到最优解；所述最优解用于所述对象模型组的输入。

上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储设备中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储设备包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、ReRAM、MRAM、PCM、NAND Flash，NOR Flash，Memristor、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。