預測控制是由工業(yè)實際應(yīng)用需求出發(fā)而提出的一種控制策略，其發(fā)展至今已有數(shù)十年的歷史。從目前來看，無論是理論研究、工業(yè)應(yīng)用還是商業(yè)開發(fā)都已經(jīng)獲得了巨大的成功，國際著名企業(yè)像霍尼韋爾、阿斯本、西門子等公司都有自己的一整套預測控制策略和相應(yīng)的成熟軟件[1,2]。從應(yīng)用上來看，相對于工業(yè)實際對象幾乎到處存在非線性現(xiàn)象，成功應(yīng)用的非線性預測控制卻并不多見，而是通過調(diào)整算法的參數(shù)等手段依舊采用線性預測控制的算法。這種應(yīng)用策略的改變有一定的適應(yīng)性，但同樣具有無法回避的缺陷。對于某些非線性較強的復雜工業(yè)過程的控制問題，比如聚合反應(yīng)過程的控制等，其控制效果就無法達到令人滿意的程度。其根本原因在于在穩(wěn)態(tài)操作點附近獲取的線性化模型不能反映非線性系統(tǒng)在大范圍內(nèi)的動、靜態(tài)特性，當控制器模型有較大的失配時，預測控制的品質(zhì)、甚至穩(wěn)定性都難得到保證。
    而多模型方法的思路正是解決此類問題的利器，其特點是用在多個操作點附近得到的線性模型來逼近非線性過程[3]，這種方法已在許多非線性過程控制中得到應(yīng)用[4,5]。同時，多模型的建模和控制方法也有很多種類型，比如T-S模型、切換模型、加權(quán)模型等，這種方法的優(yōu)點在于其局部模型為線性模型，而針對該線性模型，則線性控制器依然可以獲得使用。
    預測控制與多模型的結(jié)合是一個很自然的想法，能夠很好地解決如中和反應(yīng)過程的pH值控制等類似的問題[6,7]，而在吸熱和放熱兩個階段呈現(xiàn)截然不同特性的聚合反應(yīng)過程同樣可以采用該思路[8,9]。本文將預測控制方法與多模型思路結(jié)合起來，提出了基于性能指標切換的非線性動態(tài)矩陣預測控制算法，并針對苯乙烯聚合反應(yīng)過程的溫度控制進行了仿真研究，結(jié)果表明這種方法具有良好的適用性，性能上的提升也很明顯。

1 DMC的基本原理及其狀態(tài)空間描述
    已知過程對象的開環(huán)階躍響應(yīng)采樣值a1,a2,…,aN，N為建模時域，則可由{ai}構(gòu)造如下的過程對象的預測狀態(tài)空間描述:



2 基于性能指標的多模型DMC切換控制
    應(yīng)用于多變量系統(tǒng)的切換控制策略已經(jīng)取得了很大的成功，結(jié)合許多傳統(tǒng)的方法，比如自適應(yīng)控制，可以解決很多傳統(tǒng)方法解決不了的問題。本文提出的方法就是基于多模型的DMC切換控制方法。
    非線性動態(tài)系統(tǒng)可由一組不同操作區(qū)域內(nèi)的線性模型穩(wěn)定且完備地描述，相應(yīng)地可以構(gòu)造不同區(qū)域內(nèi)的控制器模型Ai,根據(jù)DMC算法可以計算出不同操作區(qū)域內(nèi)的控制增量Δui。當生產(chǎn)過程處于不同操作區(qū)域時，可以通過切換DMC的控制器模型Ai,使得非線性動態(tài)系統(tǒng)始終處于良好的受控狀態(tài)?；诓僮鲄^(qū)域多模型的DMC切換控制結(jié)構(gòu)如圖1所示。

    上述的控制器模型切換算法可以理解為，根據(jù)操作增量以及控制偏差的變化，順序切換控制器模型集中的控制器模型，直到小于切換限界準則函數(shù)為止。
3 苯乙烯聚合反應(yīng)
3.1 苯乙烯聚合過程建模
    采用圖2來表示苯乙烯聚合反應(yīng)器，在聚合反應(yīng)中，主要目標是控制聚合體的平均分子量和分子量的分布，為了達到這個目標，必須精確地控制反應(yīng)器的溫度。在如圖2所示的聚合反應(yīng)器中有4個可能的控制量：單體的流量和溶劑的量，冷卻水的流量和冷卻水的內(nèi)部溫度。通常很難操縱冷卻水的溫度，所以不考慮這個變量。一般來說，在聚合反應(yīng)器中，溶劑率通常與單體補給率成比例，所以只需要控制單體和冷卻水的補給率。
    聚苯乙烯聚合過程模型如式(11)~式(15)：


了基于性能指標切換的多模型預測控制算法，這種方法通過在多個操作點附近獲取的多個線性模型來設(shè)計多個線性控制器，同時根據(jù)所提的控制器選擇方法來達到非線性控制。將所提基于性能指標切換的多模型預測控制算法施加到仿真系統(tǒng)中，分別進行了設(shè)定點跟蹤和有干擾兩種不同情況的仿真。結(jié)果表明，所提算法多模型非線性預測控制算法與普通的DMC相比具有更加良好的穩(wěn)定性和收斂性，并能做到無偏跟蹤。
參考文獻
[1] QIN S J, BADGWELL T A. An overview of nonlinear  model predictive control applications. In: Algower F, Zheng A, eds. Proceedings of Nonlinear model predictive control  workshop—assessment and future directions.Ascona, Switzerland, 1998.
[2] QIN S J, BADGWELL T A. A survey of industrial model  predictive control technology[J]. Control Engineering Practice,2003,11(7):733-764.
[3] JOHANSEN T S. Operating regime based process modeling and identification[D]. Norway: University of Trondheim, 1994.
[4] Zhou Chaojun, Jiang Weisun. Two methods of multiple models control for nonlinear process[J]. Signal and Control (China), 1994，23(6):356-330.
[5] BALAKRISHNAN J. Control system design using multiple  models, switching, and tuning [D].American: Yale University, 1996.
[6] PISHVAIE M R, SHAHROKHI M. pH control using the nonlinear multiple models, switching, and tunning approach [J]. Ind. Eng. Chem. Res., 2000,39(5):1311-1319.
[7] GALAN O, ROMAGNOLI J A, PALAZOGLU A. Real-time implementation of multi-linear model-based control strategies—an application to a bench-scale pH neutralization  reactor[J]. Journal of Process Control,2004,14(5):571-579.
[8] AUFDERHEIDE B, BEQUETTE B W. Extension of dynamic matrix control to multiple models[J]. Computers and  Chemical Engineering, 2003,27(8-9):1079-1096.
[9] PORFIRIO C R, NETO E A, ODLOAK D, Multi-model predictive control of an industrial C3/C4 Splitter[J]. Control Engineering Practice, 2003,11(7):765-779.