专利名称：基于神经网络预测控制的过程控制系统及方法
技术领域：
本发明涉及一种过程控制系统及方法，尤其涉及一种基于神经网络预测控制的多变量有约束的工业过程系统及方法，属于工业过程控制技术领域。
背景技术：
目前，预测控制对于控制变化比较缓慢的生产过程或对象，均能取得好的效果，但预测控制的算法是基于线性对象提出来的，面对工业过程中大量的非线性、不确定过程，算法有待进一步改进。上世纪80年代中期以来，人工神经网络以其独特的优点引起了人们的极大关注。神经网络具有并行机制、自学习和自适应能力，能够充分逼近复杂的非线性映射关系和学习系统的动态特性，是非线性系统建模与控制的重要手段，将预测控制的优化策略与神经网络对非线性对象的逼近能力相结合，可以很好地解决工业过程控制系统中的时滞等控制问题。 在实际工业过程中，由于装置物理特性和产品质量指标等多方面的原因，对系统中的物理量存在多种约束要求。例如，当执行元件为阀门时，阀门开度只可能在一定范围变化；在对锅炉进行液位控制时，液位高度超过一定的上限或下限都会引起事故。如果有约束场合采用无约束控制器，就有可能降低闭环系统的控制性能。因此，在实时控制时，必须根据实际情况，把控制量和输出量约束在一定范围内。集散控制系统(DCS)是采用标准化、模块化和系列化的设计，由过程控制级、控制管理级和生产管理级组成的一个以通讯网络为纽带的实用系统，具有显示操作管理集中、控制相对分散、配置灵活、组态方便、具有高可靠性等优势。神经网络预测控制与DCS的有效结合，能提高企业自动化水平和管理水平，有着巨大的经济效益和社会效益，因而具有极高的实际应用价值和研究价值。值得一提的是，如今触屏手机、平板电脑等产品的问世，也给控制界提出了思考，传统的上位机需要监控人员在工控机前观察，不利于解放人员和压缩成本，更不利于工程师实时监控，如能开发出手持客户端软件，通过无线网络连接，和上位机同步，能够随时随地的观察到监控界面和报警信号，便于控制生产。
发明内容
本发明的目的在于提供一种基于神经网络预测控制的过程控制系统及方法，优化控制策略，克服或抑制过程控制装置大时滞、强耦合等特性，并使系统具有稳定性高、易于观测等特点，适于推广到造纸、化工等工业过程领域。本发明的目的通过以下技术方案予以实现一种基于神经网络预测控制的过程控制系统，包括物理受控对象I、DCS控制系统
2、工控机3，还包括交换机4、GPRS无线通信模块5、手持客户端6。所述DCS控制系统2对物理受控对象I进行控制，所述交换机4与DCS控制系统2相连，所述工控机3、GPRS无线通信模块5与交换机4相连，所述手持客户端6通过GPRS无线通信模块5进行无线网络通信，与工控机3同步，实现远程和现场的监控。一种基于神经网络预测控制的过程控制系统的控制方法，用BP神经网络实现预测控制中的模型预测，用RBF神经网络实现预测控制中的控制器优化，对于有约束条件的过程控制系统，把约束条件作为滚动优化的一部分进行考虑。控制方法具体步骤如下I)用BP神经网络建立预测模型设过程控制的非线性系统由下面的离散时间模型表示y (k) =f [y (k-1), , y (k_n), u (k_d) , , u (k-d_m) ]+v (k) (I)其中，m和n分别表示输入输出对象的阶次，I表示线性系统滞后的时间，y(k)和u(k)表示k时刻实际对象的输入和输出，V (k)表示扰动，f(·)表示一个非线性函数，用于构造预测模型的BP神经网络结构；将实际系统输入和输出的过去值作为神经网络的输入，未来的输出作为教师信号；选用三层BP网络，一个隐含层，输入节点个数为mem+n+l，输出节点Ii1=I ；BP网络的输入矢量表示为
权利要求
1.一种基于神经网络预测控制的过程控制系统，包括物理受控对象(I)、DCS控制系统(2 )、工控机(3 )，其特征在于，还包括交换机(4)、GPRS无线通信模块(5 )、手持客户端(6 );所述DCS控制系统(2)对物理受控对象(I)进行控制，所述交换机(4)与DCS控制系统(2)相连，所述工控机(3)、GPRS无线通信模块(5)与交换机(4)相连，所述手持客户端(6)通过GPRS无线通信模块(5 )进行无线网络通信，与工控机(3 )同步，实现远程和现场的监控。
2.如权利要求I所述的基于神经网络预测控制的过程控制系统，其特征在于，所述手持客户端(6)基于IOS或Android系统，实现数据实时显示和刷新；以棒图和趋势图显示历史和实时的变量曲线；提供用户权限认证；通过触屏操作将命令传回控制系统，进行简单的检测和管理；在手持终端(6)上设置检测参数及其范围，当现场设备的参数值超出设定的正常范围时，产生报警。
3.如权利要求I所述的基于神经网络预测控制的过程控制系统的控制方法，其特征在于，用BP神经网络实现预测控制中的模型预测，用RBF神经网络实现预测控制中的控制器优化，对于有约束条件的过程控制系统，把约束条件作为滚动优化的一部分进行考虑，该方法包含下列步骤 1)用BP神经网络建立预测模型 设过程控制的非线性系统由下面的离散时间模型表示 y (k) =f [y (k-1), , y (k_n), u (k_d), , u (k-d_m) ]+v (k) (I) 其中，m和n分别表示输入输出对象的阶次，d ^ I表示线性系统滞后的时间，y(k)和u(k)表示k时刻实际对象的输入和输出，V (k)表示扰动，f(·)表示一个非线性函数，用于构造预测模型的BP神经网络结构； 将实际系统输入和输出的过去值作为神经网络的输入，未来的输出作为教师信号；选用三层BP网络，一个隐含层，输入节点个数为Hi1 =m+n+l，输出节点Ii1=I ；BP网络的输入矢量表示为 X(k — I) = [x,(/c — I),.(A- — I),· · ■，xXk — I),···,Xiiii {k — I)]1 Xik-Vi = i) [ω(^- -d + μ + 1) ( +I) 则神经网络的输出为 ym(k) = g(w · g(v · X(k-1)))(2) 多步预测输出由下式表示ym(k+j) = g(w · g(v · X(k+j-l))) j=l,2, ... , p (3) 其中，输入层到隐层之间的权值矩阵V=[vi，v2，…，Vj，... VJt7Vj为隐层第j个神经元对应的权值量，隐层到输出层之间的权值矩阵W= [Wl，W2,…，Wj, . . . wjT, g(x)取为单极性,、 Isigmoid 函数(1 * = j + 9 至此，建立了改进的BP神经网络预测模型； 2)反馈校正 设实际对象输出与模型之间的误差为 e (k) =y (k) -ym (k)引入修正加权因子h对模型的输出进行校正，减小模型失配对系统的影响，即 yc (k+j) = ym(k+j) +he (k)(4) 3)RBF神经网络优化控制器 由动态矩阵预测控制可知，要获得最优控制率，应使下式中的二次型指标函数J趋于最小； J (k) = [Yc (k+1) -Yr (k+1) ] tQ [Yc (k+1) -Yr (k+1) ] + Λ U (k) tR Λ U (k) 令
全文摘要
本发明公开了一种基于神经网络预测控制的过程控制系统，包括物理受控对象、DCS控制系统、工控机、交换机、GPRS无线通信模块、手持客户端。所述DCS控制系统对物理受控对象进行控制，交换机与DCS控制系统相连，工控机、GPRS无线通信模块与交换机相连，手持客户端通过GPRS无线通信模块进行无线网络通信，与工控机同步，实现远程和现场监控。本发明的控制方法用BP神经网络实现预测控制中的模型预测，用RBF神经网络实现预测控制中的控制器优化，对于有约束条件的过程控制系统，把约束条件作为滚动优化的一部分进行考虑。在应用中具有响应速度快、跟踪性能好、鲁棒性和抗干扰性强的优点。
文档编号G05B13/04GK102830625SQ20121033274
公开日2012年12月19日 申请日期2012年9月10日 优先权日2012年9月10日
发明者曾庆军, 杨青青, 王彪, 章飞, 陈伟 申请人:江苏科技大学