1. 研究目的与意义（文献综述包含参考文献）
{title}1、研究背景和意义如今社会，随着我国经济的不断发展，人们对于生态环境保护的要求也随之提高，形成了以生态优先、绿色发展做为标准评价我国制造业竞争力要素的趋势。
这一形式对现存的制造业提出了更高的要求，同时也创造了新的发展机遇和对新产品的研究开发提供了新契机。
石油厂、化工厂、煤矿厂等等一些高危险高排放高能耗的制造厂从此面临着重大威胁和挑战，全球的石化产业进入了一个具有深刻反思意义的调整期，即逐渐减少废气废水等污染环境资源的排放，限制高风险危险化学品的生产与使用。
面对新情况新形势我国石化产业为了国际竞争力开始实施新方案新措施，比如组建石化产业基地建设、化工园区建设，把一些小型化工厂逐渐合并成大规模的新型企业，关闭不合法的私营企业，形成产业一条龙，推动产业发展和环境保护协同共进，提升绿色发展通道的新局面，为人们创造良好的生产生活环境。
精细化工是当今化工业最具活力的新兴领域之一，是新材料的重要组成部分。
精细化工产品种类多、用途广、产业相互关联性大，其直接服务于高新科学技术产业诸多领域和其他行业。
大力发展精细化工已成为调整化学工业产业结构和扩大经济效益的战略重点。
为此，国家适时出台了相关政策，构建国家精细化工产业技术创新战略联盟和组织，以此来促进国家精细化工产业结构优化升级和提升行业在全球的整体竞争力。
现在的化工厂因为工艺设备和外在条件影响及生产技术的不成熟还没有达到全部自动化的生产状态，仍处于一种半自动半人为控制机器的生产模式，这为推动绿色发展形成了一定的阻碍，所以这就为研发学者和专家提供了新的研究方向和时机，也为化工人提出了高要求的操作水平。
以后，我们身为化工人的工作目标就是不断创造新产品，降低成本、节约能耗、减少废气废水排放、生产高效产品。
精馏过程作为精确分离系统在石油炼制和化工行业的精细生产中应用非常普遍，其目的是生产高纯度产品。
同时，精馏过程也是许多专家研究优化流程的重点。
MPC 是一种基于模型的控制算法，其模型通常是过程稳态操作点附近增量线性化而得到，而 MPC 实现良好控制性能的关键是其模型是否能够准确预测过程的动力学特征。
若获得的模型具有足够的精度，能够较好预测过程的动力学特征，则 MPC 参数的整定将是决定其控制性能的关键因素。
70年代后期，在美、法等国的工业过程领域内出现了一类新型计算机控制算法，如动态矩阵控制(DMC)、模型算法控制(MAC)。
这类算法以对象的阶跃或脉冲响应为模型,采用滚动推移的方式在线地对过程实现优化控制，在复杂的工业过程中显现出良好的控制性能。
1978年，理查勒特(Richalet)等在文献中，首次详细阐述了这类算法产生的动因、机理及其在工业过程中的应用效果。
从此，预测控制(Predictive Control)作为这类新型控制算法的统一名称，便开始出现在控制领域中。
预测控制的产生，并不是理论发展的需要，而首先是工业实践向控制提出的挑战。
众所周知, 60年代初形成的现代控制理论,在航天、航空等领域都取得了辉煌的成果。
利用状态空间法分析和设计系统，提高了人们对被控对象的洞察能力,提供了在更高层次上设计控制系统的手段。
特别是，立足于最优性能指标的设计理论和方法已趋成熟，这对于在工业过程中追求更高控制质量和经济效益的控制工程师来说，无疑具有极大的吸引力。
MPC 由于具有多变量耦合的特征使得其参数整定过程极具挑战性，这些参数通常包括样品时间、预测时域、控制时域、输入和输出变量的权重参数等。
其中样品时间、预测时域和控制时域与过程动力学特征以及 MPC 优化问题的计算负荷密切相关，一般可通过分析过程动力学特征得到；而输入输出变量的权重参数之间由于存在相互耦合，使得这些权重参数的整定成为决定 MPC 鲁棒性和稳定性的关键因素。
目前主流的 MPC 权重参数整定方法可分为两类[1]：(1)将过程模型等价为一阶或二阶模型，应用动力学分析的方法获得整定参数[25]；(2)将 MPC 的参数整定转化为优化问题，通过最小化控制性能因子获得整定参数[611]。
前者较适于基于单输入单输出模型的 MPC 参数整定，而后者由于其易于实施，适用于多变量系统，且不需要操作者具备良好的控制理论知识而被受关注。
Yamashita 等[12,13]提出了基于双层结构的 MPC 权重参数多目标优化整定方法，其中上层为以权重参数为决策变量的 MPC 权重参数整定多目标优化问题，而下层为整定时域范围内基于 MPC 控制的过程模拟，并将获得的每个输出变量的参考轨迹跟踪积分方差作为上层优化问题的目标函数。
Giraldo 等[14]建立了基于双层结构的多目标优化方法的广义预测控制器参数整定方法。
Gutirrez-Urqudez 等[15]将双层结构的多目标优化整定方法应用于拉盖尔多项式参数化的 MPC 参数整定。
Santamara 和 Gmez[16]及 Vallerio 等[17]则将多目标优化应用于非线性 MPC 参数的整定。
2、国内外研究现状及发展分析通常 PI 控制器具有瞬时偏差大、上升时间长的缺点，这是由于 PI 控制不能考虑多变量之间的耦合。
模型预测控制(Model Predictive Control，MPC)产生于 20 世纪 70 年代，因其具有处理约束、多变量系统的优异性能，能够为复杂多变量过程工艺提供整体的解决方案，被广泛应用于炼油、化工、能源等领域[18,19]。
MPC 起初诞生于工业界，而后其理论才逐渐受到学术界的广泛关注，并得以发展，产生了许多不同类型的算法结构[20]。
20 世纪 60 年代，在 Kalman 提出的卡尔曼滤波算法的基础上发展出了 LQG(LinearQuadraticGaussian)控制器[21]。
70 年代以阶跃模型、脉冲响应模型为代表发展出了包括动态矩阵控制(DynamicMatrixControl，DMC)[22]和模型预测启发式控制(Model Predictive Heuristic Control, MPHC)，又称模型算法控制(Model Algorithm Contorl, MAC)[23]。
80 年代由 Clarke 等人提出的广义模型预测控制进一步具备了 MPC 的理论基础[24]。
随着线性系统理论研究的不断深入，MPC 控制的稳定性也得到了有效保证。
MPC 由于能够较好的处理多变量、约束控制问题，能够充分考虑变量之间的耦合，自 19 世纪 80 年代以来，在高度集成、强耦合的化工过程的控制中取得良好的控制性能而被广泛应用于石油化学工业中[25]。
Adrian 等[26]将 MPC 应用于小规模的隔壁塔实验装置中，表明在控制变量的动态响应中 MPC 较 PI 控制具有更小的瞬时偏差和快速的响应特征。
Buck 等[27]针对小规模的隔壁塔实验装置提出了从控制变量和操作变量的选择、线性模型的辨识到 MPC 控制器参数整定的实施 MPC控制方案的系统程序；设计的 MPC 较 PI 控制展现出了较好的控制性能，具有更小的震荡幅度和上升时间。
Rewagad 和 Kiss[28,29]将 MPC 应用于分离苯-甲苯-二甲苯三组分混合物的隔壁塔的操作过程中，表明 MPC 可显著提升比例积分微分(ProportionalIntegralDifferential ， PID) 控 制 的 控 制 性 能 。
Hernndez 和Chinea-Herranz[30]在 AspenDynamics 软件中设计了隔壁塔的 PID 分散控制方案以及等价的 MPC 控制方案，MPC 所需的线性模型通过以虚拟二进制随机信号(Pseudo Random Binary Sequence，PRBS)为输入信号的动态测试中得到的动态响应数据辨识得到，结果表明 MPC 由于能够消除 PID 分散控制方案中存在的变量间的耦合而取得了较好的控制性能。
Qian 等[31]比较了在反应精馏隔壁塔操作过程中 MPC 和PI 控制结构的控制性能，表明 MPC 较 PI 控制具有更小的上升时间、震荡幅度和瞬时偏差。
除了直接来自工业控制的以对象非参数模型为基础的预测控制算法外，还出现了另一类算法。
80年代初期，人们在自适应控制的研究中发现,为了克服最小方差控制的弱点,有必要汲取预测控制中的多步预测优化策略，这样可以大大增强算法的适用性和鲁棒性,因此出现了基于辨识模型并带有自校正的预测控制算法，如扩展时域预测自适应控制(Extended Prediction Self-Adap-tive Control，简称为EPSAC)、广义预测控制(GeneralizedPredictive Control，简称为GPC)等。
此外，莫拉里tMorari)等1982年在研究一类新型控制结构内模控制(InternalModel Control，简称为IMC)时，发现预测控制算法与这类控制结构有着密切的联系，从而从结构的角度对预测控制作了更深入的研究。
这些研究和应用，有力地推动了预测控制的进一步发展。
现在我们所说的预测控制，就包括了上述来自工业控制、自适应控制及内模控制等多方面的研究成果。
它们统称为模型预测控制，或基于模型的控制(Mode1-based Control),其应用范围也已超出了过程控制领域，而应用到机器人、飞行器、网络系统等更广泛的领域内。
参考文献[1]Trierweiler J O, Farina L A. RPN tuning strategy for model predictive control[J]. Journal of Process Control. 2003, 13(7): 591598. [2]HindeRF,CooperDJ.Apattern-basedapproachtoexcitationdiagnosticsforadaptive process control[J]. Chemical Engineering Science, 1994, 49(9): 14031415. [3]ShridharR,CooperDJ.ATuningStrategyforUnconstrainedSISOModelPredictive Control[J]. Industrial and Engineering Chemistry Research, 1997, 36(3): 729746. [4]Shridhar R, Cooper D J. A tuning strategy for unconstrained multivariable model predictive control[J]. Industrial and Engineering Chemistry Research, 1998, 37(10): 40034016. [5]Gous G Z, De Vaal P L. Using MV overshoot as a tuning metric in choosing DMC move suppression values[J]. ISA transactions, 2012, 51(5): 657664. [6]Davtyan A, Hoffmann S, Scheuring R. Optimization of model predictive control by means of sequential parameter optimization[C]. IEEE SSCI 2011 - Symposium Series on Computational Intelligence - CICA 2011 - 2011 IEEE Symposium on Computational Intelligence in Control and Automation. 2011: 1116. [7] ExadaktylosV,TaylorCJ.Multi-objectiveperformanceoptimisationformodelpredictive control by goal attainment[J]. International Journal of Control, 2010, 83(7): 13741386. [8] Jnior G A N, Martins M A F, Kalid R. A PSO-based optimal tuning strategy for constrained multivariable predictive controllers with model uncertainty[J]. ISA Transactions, 2014, 53(2): 560567. [9] YamashitaAS,AlexandrePM,ZaninAC,etal.Referencetrajectorytuningofmodel predictive control[J]. Control Engineering Practice, 2016, 50: 111. [10] YamashitaAS,ZaninAC,OdloakD.TuningtheModelPredictiveControlofaCrude Distillation Unit[J]. ISA Transactions, 2016, 60: 178190. [11] Giraldo S A C, Melo P A, Secchi A R. Tuning of Model Predictive Control Based on Hybrid Optimization[J]. IFAC-Papers OnLine, 2019, 52(1): 136141. [12] Gutirrez-urqudez R C, Valencia-palomo G, Rodrguez-elias O M, et al. Systematic selection of tuning parameters for efficient predictive controllersusing a multiobjective evolutionary algorithm[J]. Applied Soft Computing, 2015, 31: 326338. [13] LozanosantamaraF,GmezJM.AnAlgorithmforTuningNMPCControllerswith Application to Chemical Processes[J]. Industrial and Engineering Chemistry Research, 2016, 55(34): 92159228. [14] VallerioM,VanImpeJ,LogistF.TuningofNMPCcontrollersviamulti-objective optimisation[J]. Computers and Chemical Engineering, 2014, 61: 3850. [15]Qin S J, Badgwell T A. A survey of industrial model predictive control technology[J]. Control Engineering Practice, 2003, 11(7): 733764. [16]罗雄麟,于洋,许鋆.化工过程预测控制的在线优化实现机制[J].化工学报, 2014, 65(10): 39843992. [17]KalmanRE.ANewApproachtoLinearFilteringandPredictionProblems[J].Journalof Basic Engineering, 1960, 82(1): 3545. [18]Culter C R, Ramaker B L. Dynamic matrix control-a computer control algorithm[C]. AIChE National Meeting. Houston, TX: 1979. [19]RichaletJ,RaultA,TestudJL,etal.Modelpredictiveheuristiccontrol:Applicationsto industrial processes[J]. Automatica, 1978, 14(5): 413428. [20]ClarkeDW,MohtadiC,TuffsPS.GeneralizedpredictivecontrolPartI.Thebasic algorithm[J]. Automatica, 1987, 23(2): 137148. [21]Qin S J, Badgwell T A. A survey of industrial model predictive control technology[J]. Control Engineering Practice, 2003, 11(7): 733764. [22]Adrian T, Schoenmakers H, Boll M. Model predictive control of integrated unit operations: Control of a divided wall column[J]. Chemical Engineering and Processing, 2004, 43(3): 347355. [23]Buck C, Hiller C, Fieg G. Applying Model Predictive Control to Dividing Wall Columns[J]. Chemical Engineering and Technology, 2011, 34(5): 663672. [24]RewagadRR,KissAA.Dynamicoptimizationofadividing-wallcolumnusingmodel predictive control[J]. Chemical Engineering Science, 2012, 68(1): 132142. [25]KissAA,BildeaCS.Acontrolperspectiveonprocessintensificationindividing-wall columns[J]. Chemical Engineering and Processing: Process Intensification, 2011, 50(3): 281292. [26]RodrguezhernndezM,Chinea-herranzJA.Decentralizedcontrolandidentified-model predictive control of divided wall columns[J]. Journal of Process Control, 2012, 22(9): 15821592. [27]Qian X, Jia S, Skogestad S, et al. Model Predictive Control of Reactive Dividing Wall Column fortheSelectiveHydrogenationandSeparationofaC3StreaminanEthylenePlant[J]. Industrial and Engineering Chemistry Research, 2016, 55(36): 97389748.[28] Douglas J M. Conceptual design of chemical processes[M]. New York: McGraw-Hill, 1988. [29] LuybenWL.DistillationdesignandcontrolusingAspensimulation[M].NewYork:John Wiley Sons Inc., 2013. [30]ShiL,HuangK,WangS-J,etal.ApplicationofVaporRecompressiontoHeterogeneous AzeotropicDividing-WallDistillationColumns[J].IndustrialEngineeringChemistry Research, 2015, 54(46): 1159211609. [31] Seider W D, Lewin D R, Seader J D, et al. Product and process design principles: synthesis, analysis, and evaluation[M]. 4th ed. New York: John Wiley 先进是指控制品质优良并且未普遍使用。
先进控制特点：a.符合工艺机理要求，有合理的控制目标，常用于对付复杂多变量过程的控制问题；b.对于工况变化有较好的适应性，可以保证生产平稳性，为过程优化奠定基础；c.通常在DCS及其上位机上实现，可操作性好和可靠性高，可带来明显的效益。
先进控制（APC）技术是流程工业企业智能工厂的核心技术之一，通常在DCS、PLC、FCS等计算机控制系统已有常规控制的基础上，采用多变量预测控制、智能控制、软测量和工艺计算等策略实现以下目标：提高复杂工业过程的控制品质，增强系统的抗干扰能力和鲁棒性，降低劳动强度，进而实现节能增效和提高企业综合竞争力。
APC-Adcon多变量预测控制软件是APC-Suite的核心产品，包括建模、控制器设计、仿真、组态和在线应用等多个组件，可提供以下功能：实现定值控制和区域控制：被控变量(CV)既可以指定为设定值控制，也可以指定为区域控制，具有很好的平稳性和很强的鲁棒性；有效抑制可测扰动：对可测扰动通道同时建模、预测扰动变量(DV)对过程的影响，有效地对其补偿；提供多目标动态优化：对操纵变量(MV)、被控变量以及各变量之间的线性组合可定义理想静态值、极大化和极小化等次优目标，所有次优目标按控制自由度和变量的权重优先级依次满足；适用于多变量、强耦合、大时滞、有约束的复杂生产过程的平稳控制和动态优化。
模型预测控制常见的线性模型包括脉冲响应模型、状态空间模型及一阶机理模型，其中机理模型通常为非线性动态模型，适用于非线性模型预测控制。
MPC 的控制性能很大程度上依赖于预测模型的精度和外部工艺扰动。
在基于线性模型的 MPC 中，模型状态通常是无物理意义，且不可测的，而这种不可测的状态和模型偏差将导致 MPC 具有较大的稳态偏差。
因此，为了能够有效地消除MPC 由于模型偏差而导致的稳态偏差，在每个样品时间点，模型状态都要以当前测量的输出值和前一时刻的状态进行估计，即状态观测器。
目前 MPC 权重参数整定方法可分为两类：a.将过程模型等价为一阶、二阶模型，应用动力学分析的方法获得整定参数。
适于基于单输入单输出模型的MPC 参数整定。
b.将 MPC 的参数整定转化为优化问题，通过最小化控制性能因子获得整定参数。
由于其易于实施，更加适用于多变量系统，且不需要操作者具备良好的控制理论知识而被受关注。
动态矩阵控制（Dynamic Matrix Control,简称 DMC）最早由 Culter 提出，是一种有约束有优化的预测控制中的算法。
DMC 算法的非参数模型是以阶跃响应得出,然后通过模型预测、滚动优化和反馈校正三个部分相结合对精馏系统的进行优化控制,并结合常规的 PID 控制对处理工程上的非线性、时变及结构不确定的渐进稳定系统有显著的效果。
因精馏系统本身就是一个多变量系统，故本文采用三个操作变量为例进行研究分析 DMC 算法在 PID 控制基础上的精馏系统的可能性与优越性。
根据化工厂实际情况，精馏塔是一个多变量控制系统，其被控变量和操作变量之间的耦合性比较强，他们之间的关联性非常复杂，当对其中一个操作变量进行调整时都会影响到其他被控变量指标的变化。
我们对精馏塔的操作往往是用常规的 PID 控制进行以设定值目标上下区间内进行调节在加上员工的操作经验调节，这就会使精馏塔变量参数的调整有一定的时间延迟，所以这就为预测控制的实际应用提供了机会。
例如，我们得知塔顶产品浓度不在控制指标内，为了让其回复正常，操作员工必须先分析原因，在确定解决方案，最后才可以实施方案对精馏塔进行调节，这样就会浪费一段时间，这对于庞大的化工厂来说损失很大，绝不允许出现这种情况。
所以结合 DMC 算法，就可以使上述情况发生的可能性很小。
因为 DMC 算法中的输出误差是针对预测输出值与实际输出值之间的差距，它可以及时有效的使输出值（即产品质量）得到反馈，并能够利用滚动优化解决。
但是 DMC 的预测模型是非参数模型具有不确定性，会受到外界因素的影响，但是 PID 控制不会发生此情况，所以对塔的控制是在 PID 控制的基础上添加 DMC 算法，使精馏系统的稳定性和鲁棒性提高。
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
