CN103350023B - 适用于中卸式水泥生料磨系统的双层结构预测控制方法 - Google Patents

Abstract

本发明针对中卸式水泥生料粉磨系统具有粗粉仓和细粉仓两个控制回路，相互之间存在耦合作用，两个仓的负荷需要协调优化的特点，采用了具有优化和控制两层的双层结构预测控制方法对控制系统进行独立的优化控制。稳态优化层根据经济优化指标实现粗粉仓和细粉仓的负荷优化；动态控制层选择磨音和细粉仓入口负压作为输出变量，喂料量和分料阀开度作为输入变量，选粉机转速作为前馈变量，形成2输入2输出1前馈的多变量预测控制系统。本发明有效地提高了生料磨的总体负荷水平，避免了粗粉仓和细粉仓分别控制时存在的相互耦合作用，降低了喂料量滞后的影响，抑制了产品质量调整时对控制系统的扰动作用，提高了自动化程度，增加生料产量，提高控制系统的连续运转率，为企业增加经济效益。

Description

适用于中卸式水泥生料磨系统的双层结构预测控制方法

技术领域

本发明涉及一种适用于中卸式水泥生料磨系统的优化控制方法，属于流程工业的先进过程控制领域。

背景技术

中卸式水泥生料粉磨系统是水泥生料粉磨中工艺相对复杂的工艺，可以说是普通球磨机的工艺细分，它分为粗粉仓和细粉仓两部分：粗粉仓内为钢球，主要用于粒度比较大的生料粉磨；细粉仓内为钢段，主要用于粒度较小的生料粉磨。工艺流程图如图1所示，图中实线为物料流，虚线为风路。水泥生料粉磨系统主要由中卸式球磨机和选粉机构成，球磨机负责物料的破碎、粉磨，选粉机负责分离出合格的细粉物料作为产品输出。原料从石灰石﹑砂岩、粘土、粉煤灰四个配料仓经过定量称重、配比后，由胶带输送机送入磨机的粗粉仓中进行粉磨，从磨机的中间出口流出后，经过出磨提升机送给选粉机，经过选粉机分离后，选出的细粉作为成品进入均化库，将不合格物料经分料阀分配给粗粉仓和细粉仓，粗粉仓和细粉仓中的物料继续研磨，通过出磨提升机再次送给选粉机，进入下次循环；风分别从粗粉仓和细粉仓流入，从出口流出，进入选粉机，经过循环风机排出，其中有部分风经过循环风阀流回选粉机，形成循环风。其中电耳作为球磨机负荷的主要检测手段。目前该工艺的粉磨系统的控制主要还是依靠操作员手动控制，主要的操作变量除喂料量之外，还有分料阀开度，对两个仓的填充量进行协调控制和负荷优化，同时对生料质量进行控制。

中卸式水泥生料磨系统的控制难点主要集中在以下几个方面：

1.物料传输过程存在大延迟

由于水泥生料磨中的原料来自于石灰石、砂岩、粘土、粉煤灰等（各个工厂根据地理条件、经济因素等原因，配方可能并不相同）的原料仓，每次喂料量的改变，都要通过皮带秤称重之后，经过输送皮带的传输（一般要经过4-5分钟的延迟）才能最终填加到生料磨中，这样就导致了中卸式水泥生料磨系统的控制不能及时的实现，存在较大延迟。

2.控制粗粉仓和细粉仓负荷时的耦合作用

由于中卸式水泥磨中存在两个仓（粗粉仓和细粉仓），操作员要对两个仓分别进行控制，通过磨音（利用电耳检测磨机粗粉仓负荷的大小，单位为%）的大小判断粗粉仓负荷的大小，调整喂料量改变粗粉仓负荷；通过细粉仓入口负压判断细粉仓负荷的大小，调整分料阀开度改变细粉仓的负荷。但是，喂料流量的变化会影响磨机出料流量，而磨机出料流量对回料量也有一定影响，最终影响细粉仓的负荷；而分料阀门开度的改变会直接影响粗粉仓的负荷。所以，粗粉仓和细粉仓的负荷控制存在相互的耦合作用。

3.生料易磨性的不确定性

水泥生料粉磨过程需要原料量大，限于人员、设备等因素限制无法实现原料化学成分的频繁检测，导致配料系统所采用的原料化学成分数据经常出现较大偏差。伴随着原料配比的改变，入磨原料的化学成分以及原料的其它性状也都随之发生改变，如硬度、含水量等。其实质上都构成了磨机粉磨系统的扰动。因此，生料易磨性的不确定性是中卸式水泥生料磨控制系统要克服的最重要的不可测扰动。

发明内容

针对中卸式水泥生料磨系统在控制过程存在的上述难点，本发明提出了一种适用于中卸式水泥生料磨系统的双层结构预测控制方法。

本发明为实现上述目的所采用的技术方案是：一种适用于中卸式水泥生料磨系统的双层结构预测控制方法，包括以下步骤：

根据经济优化指标计算粗粉仓和细粉仓的稳态优化值；

选择磨音和细粉仓入口负压作为被控变量，喂料量和分料阀开度作为操作变量，选粉机转速作为前馈变量，将稳态优化值作为设定点；

检查操作变量的输入值，计算一步预测模型的被控变量预测值；

计算实际被控变量与被控变量预测值的误差；

对被控变量预测值进行校正；

计算初始预测值，并从该初始预测值中的每一块中取前P个元素，构成新的矩阵；所述P为预测时域，是经验设定值；

计算控制增量。

所述经济优化指标为：

$\min C_1\left[\begin{array}{c}\mathrm{\Δ}{Y}_{\mathrm{ear}}^s\left(k\right)\\ \mathrm{\Δ}{Y}_{\mathrm{pres}}^s\left(k\right)\end{array}\right]+C_2\left[\begin{array}{c}\mathrm{\Δ}{U}_{\mathrm{feed}}^s\left(k\right)\\ \mathrm{\Δ}{U}_{\mathrm{valve}}^s\left(k\right)\end{array}\right]---\left(1\right)$

其中，

$\left[\begin{array}{c}\mathrm{\Δ}{Y}_{\mathrm{ear}}^s\left(k\right)\\ \mathrm{\Δ}{Y}_{\mathrm{pres}}^s\left(k\right)\end{array}\right]=G_U^s\left[\begin{array}{c}\mathrm{\Δ}{U}_{\mathrm{feed}}^s\left(k\right)\\ \mathrm{\Δ}{U}_{\mathrm{valve}}^s\left(k\right)\end{array}\right]+G_F^s\mathrm{\Δ}{F}_{\mathrm{filter}}^s\left(k\right)+e^s$

$Y_{\mathrm{ear},\min }\≤Y_{\mathrm{ear}}^s\left(k\right)=Y_{\mathrm{ear}}^s(k-1)+\mathrm{\Δ}{Y}_{\mathrm{ear}}^s\left(k\right)\≤Y_{\mathrm{ear},\max }$

$Y_{\mathrm{pres},\min }\≤Y_{\mathrm{pres}}^s\left(k\right)=Y_{\mathrm{pres}}^s(k-1)+\mathrm{\Δ}{Y}_{\mathrm{pres}}^s\left(k\right)\≤Y_{\mathrm{pres},\max }$

$U_{\mathrm{feed},\min }\≤U_{\mathrm{feed}}^s\left(k\right)=U_{\mathrm{feed}}^s(k-1)+\mathrm{\Δ}{U}_{\mathrm{feed}}^s\left(k\right)\≤U_{\mathrm{feed},\max }$

$U_{\mathrm{valve},\min }\≤U_{\mathrm{valve}}^s\left(k\right)=U_{\mathrm{valve}}^s(k-1)+\mathrm{\Δ}{U}_{\mathrm{valve}}^s\left(k\right)\≤U_{\mathrm{valve},\max }$

C₁=[c₁₁ c₁₂]分别是磨音和细粉仓入口负压根据成本构建的代价系数向量；C₂=[c₂₁ c₂₂]分别是喂料量和分料阀开度根据成本构建的代价系数向量； 分别是喂料量和磨音的稳态变化量， 分别是分料阀开度和细粉仓入口负压的稳态变化量，是选粉机转速的稳态变化量；是操作变量的稳态增益，是前馈变量的稳态增益，e^s为稳态计算误差； 分别是磨音和细粉仓入口负压的初始稳态工作点， 分别是喂料量和分料阀开度的初始稳态工作点，Y_ear,min，Y_ear,max分别是磨音的高限和低限，Y_pres,min，Y_pres,max分别是细粉仓入口负压的高限和低限； 分别是磨音和细粉仓入口负压的稳态优化值。

所述一步预测模型的被控变量的预测值

${\tilde{y}}_{N1}\left(k\right)={\tilde{y}}_{N0}\left(k\right)+A_{u\left(N1\right)}\mathrm{\Δu}\left(k\right)+A_{v\left(N1\right)}\mathrm{\Δ}{F}_{\mathrm{filter}}\left(k\right)---\left(2\right)$

其中， ${\tilde{y}}_{N0}\left(k\right)=\left[\begin{array}{c}{Y}_{\mathrm{ear},N0}\left(k\right)\\ Y_{\mathrm{pres},N0}\left(k\right)\end{array}\right]=\left[\begin{array}{c}{\tilde{y}}_{1,N0}\left(k\right)\\ {\tilde{y}}_{2,N0}\left(k\right)\end{array}\right],$ $\mathrm{\Δu}\left(k\right)=\left[\begin{array}{c}\mathrm{\Δ}{U}_{\mathrm{feed}}\left(k\right)\\ \mathrm{\Δ}{U}_{\mathrm{valve}}\left(k\right)\end{array}\right]$ 分别为一步预测的输出初始向量与输入向量；

一步预测模型 $A_{u\left(N1\right)}=\left[\begin{array}{cc}{A}_{u\mathrm{1,11}}& A_{u\mathrm{1,12}}\\ A_{u\mathrm{1,21}}& A_{u\mathrm{1,22}}\end{array}\right],$ $A_{v\left(N1\right)}=\left[\begin{array}{c}{A}_{v\mathrm{1,11}}\\ A_{v\mathrm{1,21}}\end{array}\right];$

ΔF_filter(k)为选粉机转速的增量。

所述实际被控变量与被控变量预测值的误差为

$e(k+1)=\left[\begin{array}{c}{e}_1(k+1)\\ e_2(k+1)\end{array}\right]=\left[\begin{array}{c}{y}_1(k+1)-{\tilde{y}}_{\mathrm{1,1}}(k+1|k)\\ y_2(k+1)-{\tilde{y}}_{\mathrm{2,1}}(k+1|k)\end{array}\right]---\left(7\right)$

所述对被控变量预测值进行校正通过下式进行：

${\tilde{y}}_{\mathrm{Cor}}(k+1)={\tilde{y}}_{N1}\left(k\right)+\mathrm{He}(k+1)---\left(8\right)$

其中， $H=\left[\begin{array}{cc}{h}_{11}& h_{12}\\ h_{21}& h_{22}\end{array}\right],$ $h_{\mathrm{st}}=\left[\begin{array}{c}{h}_{\mathrm{st}}\left(1\right)\\ \·\\ \·\\ \·\\ h_{\mathrm{st}}\left(N\right)\end{array}\right],s,t=\mathrm{1,2}$ 为误差校正矩阵。

所述初始预测值为：

${\tilde{y}}_{N0}(k+1)=S_0{\tilde{y}}_{\mathrm{Cor}}(k+1)---\left(9\right)$

其中， $S_0=\left[\begin{array}{cc}S& 0\\ 0& S\end{array}\right],$

所述控制增量为：

$\mathrm{\Δu}\left(k\right)=D(w\left(k\right)-{\tilde{y}}_{P0}\left(k\right))---\left(6\right)$

其中，D=L(A^TQA+R)^-1A^TQ，为m×mM维矩阵。

本发明具有以下优点：

1．本发明中的稳态优化实现了粗粉仓负荷和细粉仓负荷的协调优化，有效地提高了生料磨的总体负荷水平；

2．本发明中的动态控制实现了2输入2输出的的多变量控制，有效地避免了粗粉仓和细粉仓分别控制时存在的相互耦合的作用；另外，因为应用了预测模型，可以有效的降低喂料量滞后的影响。

3．本发明将选粉机转速作为前馈补偿，有效的降低了产品质量调整时对控制系统的影响。

附图说明

图1为本发明的中卸式水泥生料粉磨系统的工艺流程图；

图2为双层结构预测控制系统的结构图；

图3为预测控制系统的结构图；

图4为本发明的双层结构预测控制的计算流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

控制系统的结构图如图2所示，它包括：稳态优化层（Steady-StateOptimization，SSO）和动态控制层（Model Predictive Control，MPC）。SSO层为线性规划（或二次规划）问题，负责计算最优经济设定点，MPC层实现设定点偏差的调节作用，两层在同一采样频率内执行。

为了实现中卸式水泥生料磨系统的优化控制，选择操作变量（输入变量）、被控变量（输出变量）、前馈变量（扰动变量）如下：

操作变量（MV）：喂料量（U_feed），分料阀开度（U_valve）

被控变量（CV）：磨音（Y_ear），细粉仓入口负压（Y_pres）

前馈变量（DV）：选粉机转速（F_filter）

1.稳态优化层

经济优化指标：

$\min C_1\left[\begin{array}{c}\mathrm{\Δ}{Y}_{\mathrm{ear}}^s\left(k\right)\\ \mathrm{\Δ}{Y}_{\mathrm{pres}}^s\left(k\right)\end{array}\right]+C_2\left[\begin{array}{c}\mathrm{\Δ}{U}_{\mathrm{feed}}^s\left(k\right)\\ \mathrm{\Δ}{U}_{\mathrm{valve}}^s\left(k\right)\end{array}\right]---\left(1\right)$

s.t.

$\left[\begin{array}{c}\mathrm{\Δ}{Y}_{\mathrm{ear}}^s\left(k\right)\\ \mathrm{\Δ}{Y}_{\mathrm{pres}}^s\left(k\right)\end{array}\right]=G_U^s\left[\begin{array}{c}\mathrm{\Δ}{U}_{\mathrm{feed}}^s\left(k\right)\\ \mathrm{\Δ}{U}_{\mathrm{valve}}^s\left(k\right)\end{array}\right]+G_F^s\mathrm{\Δ}{F}_{\mathrm{filter}}^s\left(k\right)+e^s$

$Y_{\mathrm{ear},\min }\≤Y_{\mathrm{ear}}^s\left(k\right)=Y_{\mathrm{ear}}^s(k-1)+\mathrm{\Δ}{Y}_{\mathrm{ear}}^s\left(k\right)\≤Y_{\mathrm{ear},\max }$

$Y_{\mathrm{pres},\min }\≤Y_{\mathrm{pres}}^s\left(k\right)=Y_{\mathrm{pres}}^s(k-1)+\mathrm{\Δ}{Y}_{\mathrm{pres}}^s\left(k\right)\≤Y_{\mathrm{pres},\max }$

$U_{\mathrm{feed},\min }\≤U_{\mathrm{feed}}^s(k-1)+\mathrm{\Δ}{U}_{\mathrm{feed}}^s\left(k\right)\≤U_{\mathrm{feed},\max }$

$U_{\mathrm{valve},\min }\≤U_{\mathrm{valve}}^s(k-1)+\mathrm{\Δ}{U}_{\mathrm{valve}}^s\left(k\right)\≤U_{\mathrm{valve},\max }$

其中，C₁=[c₁₁ c₁₂]分别是磨音和细粉仓入口负压根据成本构建的代价系数向量；C₂=[c₂₁ c₂₂]分别是喂料量和分料阀开度根据成本构建的代价系数向量； 分别是喂料量和磨音的稳态变化量， 分别是分料阀开度和细粉仓入口负压的稳态变化量，是选粉机转速的稳态变化量。是操作变量的稳态增益，是前馈变量的稳态增益，e^s为稳态计算误差。 分别是磨音和细粉仓入口负压的初始稳态工作点， 分别是喂料量和分料阀开度的初始稳态工作点，Y_ear,min，Y_ear,max分别是磨音的高限和低限，Y_pres,min，Y_pres,max分别是细粉仓入口负压的高限和低限。 分别是磨音和细粉仓入口负压的稳态输出变量。

2.动态控制层

中卸式水泥生料粉磨系统包含2个输入（MV）和2个输出（CV），1个可测扰动（DV）,MPC的结构图如图3所示，主要分以下3部分：

假设预测时域为P，控制时域为M，建模时域为N。

2.1预测模型

通过U_feed对Y_ear，Y_pres进行阶跃测试，得到阶跃响应模型a₁₁＝[a_u,11(1),…,a_u,11(N)]，a₂₁=[a_u,21(1),…,a_u,21(N)]；通过U_valve对Y_ear，Y_pres进行阶跃测试，得到阶跃响应模型a₁₂=[a_u,12(1),…,a_u,12(N)]，a₂₂=[a_u,22(1),…,a_u,22(N)]。则经过变换后得到多步预测模型和一步预测模型分别为

$A_u=\left[\begin{array}{cc}{A}_{u,11}& A_{u,12}\\ A_{u,21}& A_{u,22}\end{array}\right],$ $A_{u\left(N1\right)}=\left[\begin{array}{cc}{A}_{u\mathrm{1,11}}& A_{u\mathrm{1,12}}\\ A_{u\mathrm{1,21}}& A_{u\mathrm{1,22}}\end{array}\right]$

其中

$A_{u1,\mathrm{ij}}=\left[\begin{array}{c}{a}_{u,\mathrm{ij}}\left(1\right)\\ \·\\ \·\\ \·\\ a_{u,\mathrm{ij}}\left(N\right)\end{array}\right],1\≤i,j\≤2$

通过F_filter对Y_ear，Y_pres进行阶跃测试，得到阶跃响应模型b₁₁=[a_v,11(1),…,a_v,11(N)]，b₂₁=[a_v,21(1),…,a_v,21(N)]。经过变换后得到多步预测模型和一步预测模型分别为

$A_v=\left[\begin{array}{c}{A}_{v,11}\\ A_{v,21}\end{array}\right],$ $A_{v\left(N1\right)}=\left[\begin{array}{c}{A}_{v\mathrm{1,11}}\\ A_{v\mathrm{1,21}}\end{array}\right]$

其中

$A_{v1,\mathrm{ij}}=\left[\begin{array}{c}{a}_{v,\mathrm{ij}}\left(1\right)\\ \·\\ \·\\ \·\\ a_{v,\mathrm{ij}}\left(N\right)\end{array}\right],1\≤i\≤2$

${\tilde{y}}_{N1}\left(k\right)={\tilde{y}}_{N0}\left(k\right)+A_{u\left(N1\right)}\mathrm{\Δu}\left(k\right)+A_{v\left(N1\right)}\mathrm{\Δ}{F}_{\mathrm{filter}}\left(k\right)---\left(2\right)$

${\tilde{y}}_{\mathrm{PM}}\left(k\right)={\tilde{y}}_{P0}\left(k\right)+\mathrm{A\Δ}{u}_M\left(k\right)---\left(3\right)$

其中

${\tilde{y}}_{N0}\left(k\right)=\left[\begin{array}{c}{Y}_{\mathrm{ear},N0}\left(k\right)\\ Y_{\mathrm{pres},N0}\left(k\right)\end{array}\right]=\left[\begin{array}{c}{\tilde{y}}_{1,N0}\left(k\right)\\ {\tilde{y}}_{2,N0}\left(k\right)\end{array}\right],$ ${\tilde{y}}_{N1}\left(k\right)=\left[\begin{array}{c}{Y}_{\mathrm{ear},N1}\left(k\right)\\ Y_{\mathrm{pres},N1}\left(k\right)\end{array}\right]=\left[\begin{array}{c}{\tilde{y}}_{1,N1}\left(k\right)\\ {\tilde{y}}_{2,N1}\left(k\right)\end{array}\right],$ $\mathrm{\Δu}\left(k\right)=\left[\begin{array}{c}\mathrm{\Δ}{U}_{\mathrm{feed}}\left(k\right)\\ \mathrm{\Δ}{U}_{\mathrm{valve}}\left(k\right)\end{array}\right]$ 分别为一步预测的输出初始向量，输出向量与输入向量；

${\tilde{y}}_{P0}\left(k\right)=\left[\begin{array}{c}{Y}_{\mathrm{ear},P0}\left(k\right)\\ Y_{\mathrm{pres},P0}\left(k\right)\end{array}\right]=\left[\begin{array}{c}{\tilde{y}}_{1,P0}\left(k\right)\\ {\tilde{y}}_{2,P0}\left(k\right)\end{array}\right],$ ${\tilde{y}}_{\mathrm{PM}}\left(k\right)=\left[\begin{array}{c}{Y}_{\mathrm{ear},\mathrm{PM}}\left(k\right)\\ Y_{\mathrm{pres},\mathrm{PM}}\left(k\right)\end{array}\right]=\left[\begin{array}{c}{\tilde{y}}_{1,\mathrm{PM}}\left(k\right)\\ {\tilde{y}}_{2,\mathrm{PM}}\left(k\right)\end{array}\right],$

$\mathrm{\Δ}{u}_M\left(k\right)=\left[\begin{array}{c}\mathrm{\Δ}{U}_{\mathrm{feed},M}\left(k\right)\\ \mathrm{\Δ}{U}_{\mathrm{valve},M}\left(k\right)\end{array}\right]=\left[\begin{array}{c}\mathrm{\Δ}{u}_{1,M}\left(k\right)\\ \mathrm{\Δ}{u}_{2,M}\left(k\right)\end{array}\right]$ 分别为多步预测的输出初始向量，输出向量与输入向量。

${\tilde{y}}_{i,N1}\left(k\right)=\left[\begin{array}{c}{\tilde{y}}_{i,1}(k+1|k)\\ \·\\ \·\\ \·\\ {\tilde{y}}_{i,1}(k+N|k)\end{array}\right],$ ${\tilde{y}}_{i,N0}\left(k\right)=\left[\begin{array}{c}{\tilde{y}}_{i,0}(k+1|k)\\ \·\\ \·\\ \·\\ {\tilde{y}}_{i,0}(k+N|k)\end{array}\right],$ ${\tilde{y}}_{i,\mathrm{PM}}\left(k\right)=\left[\begin{array}{c}{\tilde{y}}_{i,M}(k+1|k)\\ \·\\ \·\\ \·\\ {\tilde{y}}_{i,M}(k+P|k)\end{array}\right],$

${\tilde{y}}_{i,P0}\left(k\right)=\left[\begin{array}{c}{\tilde{y}}_{i,0}(k+1|k)\\ \·\\ \·\\ \·\\ {\tilde{y}}_{i,0}(k+P|k)\end{array}\right],$ $\mathrm{\Δ}{u}_{j,M}\left(k\right)=\left[\begin{array}{c}\mathrm{\Δ}{u}_j\left(k\right)\\ \·\\ \·\\ \·\\ \mathrm{\Δ}{u}_j(k+M-1)\end{array}\right],1\≤i,j\≤2$

2.2滚动优化

在多变量的滚动优化过程中，在每一个执行周期都要极小化如下的性能指标：

$J\left(k\right)={\left|\right|w\left(k\right)-{\tilde{y}}_{\mathrm{PM}}\left(k\right)\left|\right|}_Q^2+{\left|\right|\mathrm{\Δ}{u}_M\left(k\right)\left|\right|}_R^2---\left(4\right)$

其中

$w\left(k\right)=\left[\begin{array}{c}{Y}_{\mathrm{ear},\mathrm{set}}\left(k\right)\\ Y_{\mathrm{pres},\mathrm{set}}\left(k\right)\end{array}\right]=\left[\begin{array}{c}{\text{w}}_1\left(k\right)\\ w_2\left(k\right)\end{array}\right],$ $w_i\left(k\right)=\left[\begin{array}{c}{w}_i(k+1)\\ \·\\ \·\\ \·\\ w_i(k+P)\end{array}\right],i=\mathrm{1,2}$

$Q=\left[\begin{array}{cc}{Q}_1& 0\\ 0& Q_2\end{array}\right],$ $R=\left[\begin{array}{cc}{R}_1& 0\\ 0& R_2\end{array}\right]$

Q_i=diag(q_i(1),…,q_i(P))，i=1,2；R_j=diag(r_j(1),…,r_j(M))，j=1,2

在无约束情况下，由多步预测模型(1)可计算出最优控制增量

$\mathrm{\Δ}{u}_M\left(k\right)={(A_u^{T}Q{A}_u+R)}^{-1}{A}_u^{T}Q(w\left(k\right)-{\tilde{y}}_{P0}\left(k\right))---\left(5\right)$

而即时增量可以通过下式给出

$\mathrm{\Δu}\left(k\right)=D(w\left(k\right)-{\tilde{y}}_{P0}\left(k\right))---\left(6\right)$

其中

D=L(A^TQA+R)^-1A^TQ，为m×mM维矩阵。

2.3反馈校正

在k时刻实施控制作用后，对象在未来时刻的输出在k+1时刻的预测值k+1时刻测得的实际输出y_i(k+1)，即可与相应的预测值比较并构成误差向量

$e(k+1)=\left[\begin{array}{c}{e}_1(k+1)\\ e_2(k+1)\end{array}\right]=\left[\begin{array}{c}{y}_1(k+1)-{\tilde{y}}_{\mathrm{1,1}}(k+1|k)\\ y_2(k+1)-{\tilde{y}}_{\mathrm{2,1}}(k+1|k)\end{array}\right]---\left(7\right)$

利用这一误差信息可得到校正的预测向量

${\tilde{y}}_{\mathrm{Cor}}(k+1)={\tilde{y}}_{N1}\left(k\right)+\mathrm{He}(k+1)---\left(8\right)$

其中

$H=\left[\begin{array}{cc}{h}_{11}& h_{12}\\ h_{21}& h_{22}\end{array}\right],$ $h_{\mathrm{st}}=\left[\begin{array}{c}{h}_{\mathrm{st}}\left(1\right)\\ \·\\ \·\\ \·\\ h_{\mathrm{st}}\left(N\right)\end{array}\right],s,t=\mathrm{1,2}$

为误差校正矩阵。由于时间基点从k时刻移到k+1时刻，故这一校正后的预测向量可通过移位构成k+1时刻的初始预测值

${\tilde{y}}_{N0}(k+1)=S_0{\tilde{y}}_{\mathrm{Cor}}(k+1)---\left(9\right)$

其中

$S_0=\left[\begin{array}{cc}S& 0\\ 0& S\end{array}\right],$

Claims (7)

1.一种适用于中卸式水泥生料磨系统的双层结构预测控制方法，其特征在于，包括以下步骤： 

根据经济优化指标计算粗粉仓和细粉仓的稳态优化值； 

选择磨音和细粉仓入口负压作为被控变量，喂料量和分料阀开度作为操作变量，选粉机转速作为前馈变量，将稳态优化值作为设定点； 

检查操作变量的输入值，计算一步预测模型的被控变量预测值； 

计算实际被控变量与被控变量预测值的误差； 

对被控变量预测值进行校正； 

计算初始预测值，并从该初始预测值中的每一块中取前P个元素，构成新的矩阵；所述P为预测时域，是经验设定值； 

计算控制增量。 

2.根据权利要求1所述的适用于中卸式水泥生料磨系统的双层结构预测控制方法，其特征在于，所述经济优化指标为： 

其中， 

C₁=[c₁₁ c₁₂]分别是磨音和细粉仓入口负压根据成本构建的代价系数向量；C₂=[c₂₁ c₂₂]分别是喂料量和分料阀开度根据成本构建的代价系数向量； 分别是喂料量和磨音的稳态变化量， 分别是分料阀开度和细粉仓入口负压的稳态变化量，是选粉机转速的稳态变化量；是 操作变量的稳态增益，是前馈变量的稳态增益，e^s为稳态计算误差； 分别是磨音和细粉仓入口负压的初始稳态工作点， 分别是喂料量和分料阀开度的初始稳态工作点，Y_ear,min，Y_ear,max分别是磨音的高限和低限，Y_pres,min，Y_pres,max分别是细粉仓入口负压的高限和低限； 分别是磨音和细粉仓入口负压的稳态优化值。 

3.根据权利要求1所述的适用于中卸式水泥生料磨系统的双层结构预测控制方法，其特征在于，所述一步预测模型的被控变量的预测值

其中， 分别为一步预测的输出初始向量与输入向量； 

一步预测模型

ΔF_filter(k)为选粉机转速的增量。 

4.根据权利要求1所述的适用于中卸式水泥生料磨系统的双层结构预测控制方法，其特征在于，所述实际被控变量与被控变量预测值的误差为 

。

5.根据权利要求1所述的适用于中卸式水泥生料磨系统的双层结构预测控制方法，其特征在于，所述对被控变量预测值进行校正通过下式进行： 

其中， 为误差校正矩阵。 

6.根据权利要求1所述的适用于中卸式水泥生料磨系统的双层结构预测控制方法，其特征在于，所述初始预测值为： 

其中， 。

7.根据权利要求1所述的适用于中卸式水泥生料磨系统的双层结构预测控制方法，其特征在于，所述控制增量为： 

其中，D=L(A^TQA+R)^-1A^TQ，为m×mM维矩阵。