本发明属于自动化技术领域，涉及一种焦化加热炉氧气含量的预测函数控制方法。
背景技术：
炼焦在提升石化行业的经济中起到了重要的作用。在煤焦炉的控制系统中，氧气含量的控制是一个非常重要的问题，它会直接影响到室内的压力，辐射的温度等。由于焦炭炉、蒸馏塔和焦炭塔是相互交互的一个整体流程。在蒸馏塔中的气态油的体积是与流入到焦炭炉中油的循环温度是密切相关的，然而油的温度对氧气的含量有着直接的影响。在焦炭炉中残余的油温和在焦炭塔中的炼焦率也影响着送入到炉中的所需燃料的用量，这些因素也和氧气的含量密切联系。过程中的干扰，时间的延迟，非线性影响着焦炭炉中的氧气含量，从而导致了焦炭塔中的转换开关使过程出现很多的周期性的震荡。正是由于在过程中的非线性，复杂的动态性和变量的干扰，所以一般的PID控制器也很难把氧气的含量控制在一个设定值。尽管模型预测控制(DMC)已经广泛的运用于工业过程中，但是炼焦炉中的复杂问题限制住了DMC控制的适用性和效率。虽然可以采用多模型策略和非线性的控制，然而多模型策略需要大量的操作和广泛的实验,这导致控制性能极大地依赖于操作的形式，对于非线性控制，要有足够的有效的非线性模型和相应非线性模型的最优方法，这也是工业上面对的一大难题。
当工业流程中出现了非常复杂的非线性的时候，工业过程的数据却显现的非常重要。可以通过工业中大量的有效数据建立过程的动态模型，从而得到模型的结构来设计理想的控制器。已经出现了相关领域的研究，但是也出现了大量的难题等待解决。例如，有许多的模型参数需要去辨识并且模型的干扰经过负反馈会是预测值趋向于无穷。
技术实现要素：
本发明针对现有技术的不足，提出了一种数据结构模型结合预测函数控制设计运用于焦化加热炉中氧气含量的控制方法。这种控制方法的优点在于利用了工业中黑盒原理来设计控制器，可以有效的利用线性控制方法。这种控制方法在实际的应用中与传统的PID方法相比，提高了过程中的抗干扰性。
本发明首先是通过工业过程中采集到的大量的数据对工业过程进行建模，把模型看作为线性和非线性两部分构成，然后分别利用反向传播神经网络(BPNN)对非线性部分进行建模，利用传统的线性的两点法对线性部分进行建模。对建立好的模型利用预测函数控制(PFC)的方法进行滚动优化，反馈校正，从而确定下一时刻输出的控制变量。
本发明的技术方案是通过数据采集建立模型，利用预测函数控制的预测机理、不断进行滚动优化确定被控量。该方法可明显改善系统的动态性能和稳定性能。
本发明的步骤如下：
1.建立被控对象的模型
1-1.由于被控对象的模型是由线性和非线性两部分够成，所以可以描述为以下形式：
y(k)＝yL(k)+yNL(k) (1)
其中yL(k)是线性模型在阶跃响应下的输出，yNL(k)是通过yL(k)与y(k)|i,(i＝1,2,…,N)之间偏差确定的非线性模型，y(k)|i,(i＝1,2,…,N)是被控对象y(k)在i时刻实际过程的输出，N是输出的采样点个数。
1-2.模型的线性部分可以通过阶跃响应来获取，y(t)是模型的实际输出，y(∞)是模型的稳态输出，U0是输入信号的放大倍数。输出的y(t)可以用的形式来表述，模型的增益可以表示为
根据模型过程的特点，整个模型的线性部分可以描述为一阶模型加滞后环节或者二阶模型滞后环节。选取线性模型为以下形式：
因此y*(t)可以用下面的方式进行描述。
其中取y*(t1)＝0.39,y*(t2)＝0.63，t2>t1>τ，延迟时间τ和响应时间T可以得到：
1-3.模型中的非线性部分可以通过下面的步骤获得：
设其中yLi(k)(i＝1,2,…,N)是yL(k)在相应的时间点的取值。模型中非线性部分的yNL(k)，通过BPNN使的取值最小值，模型如下：
其中w2(i,j)(j＝1,2),w3(i)是神经网络权链路层的连接权，I是输出节点的个数，g(x)激活函数可以选择为g(x)＝1/(1+e-x)，将模型中的延迟环节等效为d＝τ/Ts。通过采样时间Ts，将被控对象的模型离散化后表述为以下形式：
y(k)＝α1y(k-1)+β0u(k-d-1)+yNL(k) (6)
其中α1,β0是等式中相对应的系数。
2.预测控制函数(PFC)控制器设计：
2-1.输出预测
设：
为了预测未来过程的结果，可以把g(θ(k))和分别在中心点θ0和进行线性化处理可得到如下等式：
其中φ(k)＝[u(k-d-1),ym(k-1)]T，ε和是非线性函数。
由上述表达式进一步可得：
由上式可以发现是与未来预测部分紧密相关，是一个高阶函数因此可以忽略。从而可以得到以下形式：
其中是一个常数项，可得如下等式：
y(k)＝a1y(k-1)+b0u(k-d-1)+C (13)
其中
2-2.由上式(13)两端进行差分算子Δ＝1-z-1变换，经过差分后模型的输出为ym(k)，其形式如下结果：
ym(k)＝A1ym(k-1)+A2ym(k-2)+B1,0Δu(k-d-1) (15)
其中A1＝1+a1,A2＝-a1，B1,0＝b0。
2-3.利用上式(15)的模型设计PFC控制器，可以将它划分为三个部分。第一部分是ypast(k+d+p)它是由过去的输入和输出所决定的，第二部分是GpUp是由现在和未来的输入量来决定的，第三部分是预测误差它是由反馈误差来决定的其中实在k时刻，预测函数的空间选择为Ny：
其中Up＝(Δu(k),Δu(k+1),…,Δu(k+p-1))T
在预测控制的策略中，控制量是和系统过程的特征和初始设定值紧密相关联的。
其中λj是权重系数，fj(i)是基函数在采样时刻i的值，M是基函数的
其中μ是平滑系数，ys是设定值
2-4.优化性能指标如下：
从而得到控制增量，来计算k时刻的控制量：
2-5.将得到的控制量作用于被控对象，等到下一时刻时重复步骤2-2到步骤2-4继续求解被控对象的控制量u(k+1)依次循环操作。
本发明的有益效果如下：
本发明是基于将工业中复杂的模型分解为简单的阶跃响应模型和非线性部分，利用神经网络来综合非线性系统的预测控制与预测函数控制相结合，降低了系统结构的复杂性、减轻了运算的负担。利用了非线性激励函数的局部线性表示，将多步非线性预测转换为一系列简单直观的多步线性预测形式。利用预测函数控制比传统的PID控制，能够更加有效提高系统的动态性能和稳定性，并运用到工业控制器的设置中。
具体实施方式
以焦化加热炉炉中氧气含量控制过程为例：
1.建立焦化加热炉的模型
1-1.由于焦化炉中的氧气含量可描述为线性和非线性两部分够成，所以可以得到以下表达形式：
y(k)＝yL(k)+yNL(k) (1)
其中yL(k)是模型在阶跃响应下的输出，yNL(k)是通过yL(k)与y(k)|i,(i＝1,2,…,N)之间偏差确定的非线性模块，y(k)|i,(i＝1,2,…,N)是被控对象输出y(k)在i时刻实际过程的输出，N是输出的采样点个数。
1-2.模型的线性部分可以通过阶跃响应来获取，y(t)是模型的实际输出，y(∞)是模型的稳态输出，U0是输入信号的放大倍数。输出的y(t)可以用的形式来表述，模型的增益可以表示为
根据模型过程的特点，整个模型的线性部分可以描述为一阶模型加滞后环节或者二阶模型滞后环节。我们选取线性模型为以下形式：
因此y*(t)可以用下面的方式进行描述。
其中取y*(t1)＝0.39,y*(t2)＝0.63，t2>t1>τ，延迟时间τ和响应时间T可以得到：
1-3.模型中的非线性部分可以通过下面的步骤获得：
设其中yLi(k)(i＝1,2,…,N)是yL(k)在相应的时间点的取值。模型中非线性部分的yNL(k)，可以通过反向传播神经网络(BPNN)使的取值最小，模型如下：
其中w2(i,j)(j＝1,2),w3(i)是神经网络权链路层的连接权，I是输出节点的个数，g(x)激活函数可以选择为g(x)＝1/(1+e-x)，将模型中的延迟环节等效为d＝τ/Ts。通过采样时间Ts，将被控对象的模型离散化后表述为以下形式：
y(k)＝α1y(k-1)+β0u(k-d-1)+yNL(k) (6)
其中α1,β0是等式中相对应的系数。
2.预测函数控制(PFC)控制器设计的具体方法：
2-1.输出预测：
设：
为了预测未来过程的结果，可以把g(θ(k))和分别在中心点θ0和进行线性化处理可得到如下等式：
其中φ(k)＝[u(k-d-1),ym(k-1)]T，ε和是非线性函数。
由上述表达式进一步可得：
由上式可以发现是与未来预测部分紧密相关，是一个高阶函数因此可以忽略。从而可以得到以下形式：
其中是一个常数项，可得如下等式：
y(k)＝a1y(k-1)+b0u(k-d-1)+C (13)
其中
2-2.由上式(13)两端进行差分算子Δ＝1-z-1变换，经过差分后模型的输出为ym(k)，其形式如下结果：
ym(k)＝A1ym(k-1)+A2ym(k-2)+B1,0Δu(k-d-1) (15)
其中A1＝1+a1,A2＝-a1，B1,0＝b0。
2-3.利用上式(15)的模型设计PFC控制器，我们可以将它划分为三个部分。第一部分是ypast(k+d+p)它是由焦化炉中过去的输入和输出所决定的，第二部分是GpUp是由焦化炉中现在和未来的输入量来决定的，第三部分是预测误差它是由反馈误差来决定的其中实在k时刻，预测函数的空间选择为Ny：
其中Up＝(Δu(k),Δu(k+1),…,Δu(k+p-1))T
在焦化炉氧气含量的预测控制中，控制量是和系统过程的特性和初始设定值紧密相关联的。
其中λj是权重系数，fj(i)是基函数在采样时刻i的值，M是基函数的
其中μ是平滑系数，ys是设定值
2-4..优化性能指标如下：
从而得到氧气含量的控制增量，来计算k时刻氧气控制量：
2-5.将得到的控制量作用于被控对象，等到下一时刻时重复步骤2-2到步骤2-4继续求解被控对象的控制量u(k+1)依次循环操作。