双层结构预测控制的状态空间模型优化

利用状态空间方法分析和设计系统，提高了人们对被控对象的洞察能力，提供了更高层次上设计控制系统的手段。但是，人们试图将状态空间控制方法应用到工业过程时，发现在理论与实践之间还存在着巨大的鸿沟。究其原因，在于工业对象的复杂性导致无法获得过程的准确状态空间模型。20世纪90年代出现的子空间辨识方法（见第8章）改变了这一状况。目前，已经有多家MPC软件供应商拥有自己的状态空间模型辨识软件以及相应的状态空间模型预测控制器，例如Shell的SMOC控制器。

目前，针对MPC稳定性等的学术理论，成果最丰富、甚至很多问题已经成熟的研究，主要是针对状态空间模型的。这样，应用界也在追求应用最新的状态空间MPC理论。研发工业MPC技术的著名软件公司Aspen Technology的J.B.Froisy在题为“Model predictive control——Building a bridge between theory and practice”的论文^[9]中指出：“对于MPC的理论洞察迅速增长，但实际的应用变化缓慢。实际工作者应用的工具都固定在过去……现在的MPC技术和产品常常保留着‘过去的遗风’。AspenTech已开始研发一个新产品，其理念是应用最好的有效理论重新开始，而不受到这些‘遗风’的影响。”这反映出应用界已认识到长期以来在过程工业中成功应用但其基本模式保持不变的工业MPC技术已不能适应更多领域的需要，应该借助MPC理论的支持构建全新的工业MPC技术。(www.xing528.com)

参考文献[54]指出：“众所周知，一般的工业现场均存在多种多样的干扰，许多干扰不仅严重而且机理复杂。不仅如此，大多数干扰既无法测量，又无法消除。一般来说，不确定性的来源可分为两类：不可预知输入和不可预知动态。”在状态空间MPC方法中，除了可利用子空间辨识（见第8章）和保证稳定性外，另一个重要优势就是可充分利用干扰模型技术。此处，干扰模型描述的是一种人工干扰，通常是可测干扰f以外的干扰，该人工干扰反映了不确定性（包括在模型中未包含的独立变量和未建模动态两个方面）对系统的影响，由人工干扰代表不确定性由来已久，而用于预测控制主要从20世纪90年代开始。另外，与前两章相比，状态空间MPC方法可用于不稳定模型。