CN1598720A

CN1598720A - 具有非线性预测性能的多输入/多输出控制块

Info

Publication number: CN1598720A
Application number: CNA2004100794892A
Authority: CN
Inventors: 威廉·K·沃杰茨尼斯; 特伦斯·L·布莱文斯; 阿希什·梅塔
Original assignee: Fisher Rosemount Systems Inc
Current assignee: Fisher Rosemount Systems Inc
Priority date: 2003-06-05
Filing date: 2004-06-07
Publication date: 2005-03-23
Anticipated expiration: 2024-06-07
Also published as: DE102004026979A1; CN1598720B; GB2402499B; GB0412431D0; HK1069220A1; US7272454B2; GB2402499A; JP4781641B2; JP2005044337A; US20040249483A1; DE102004026979B4

Abstract

一种用于控制过程的过程控制器，该过程具有受一组过程控制输入信号影响的一组过程输出，该过程控制器包括多输入/多输出控制器，该多输入/多输出控制器使用过程输出来建立一组过程控制输入信号和过程模型，接收这组过程控制输入信号来产生一个或多个过程输出的预测信号，其中该过程模型可以是非线性过程模型。该多输入/多输出控制单元包括另一个过程模型，用于建立每一个过程输出的预测向量，它可以是标准的线性过程模型；还包括校正单元，它使用一个或多个过程输出的预测信号来修正一个或多个过程输出的预测向量，从而补偿该过程的非线性。

Description

具有非线性预测性能的多输入/多输出控制块

技术领域

本发明一般涉及过程控制系统，特别涉及诸如模型预测控制块(modelpredictive control block)或最优化器(optimizer)等高级控制块(advancedcontrol block)在具有非线性响应特性的过程控制系统中的使用。

背景技术

过程控制系统，例如那些用在化学、石油或其它过程中的分布式或可缩放的过程控制系统，典型地包括一个或多个过程控制器，该过程控制器通过模拟、数字或模拟/数字联合的总线，彼此通信连接，通信连接到至少一个主机或操作者工作站，以及通信连接到一个或多个现场设备(field device)。例如，该现场设备可以是阀门、阀位控制器(valve positioner)、开关和传送器(如温度、压力和流速传感器)，这些现场设备在过程中执行如开关阀门以及测量过程参数等功能。过程控制器接收由现场设备产生的指示过程测量的信号和/或与现场设备相关的其它信息，使用这些信息来实施控制程序，然后产生控制信号，这些控制信号被通过总线传送到现场设备来控制过程的操作。来自现场设备和控制器的信息一般可用于一个或多个应用程序，这些应用程序由操作者工作站执行，以便使操作者能够执行与该过程相关的任何期望功能，如查看该过程的电流状态、修改过程的操作等。

在过去，传统的现场设备可用来通过模拟总线或模拟线路，发送模拟(如4到20毫安)信号到过程控制器，以及从过程控制器接收模拟信号。这些4到20毫安信号实质上是受限制的，即它们指示由设备进行的测量或者由控制设备的操作所需要的控制器所产生的控制信号。然而，在过去几十年里，包括微处理器和存储器的智能现场设备已经广泛应用于过程控制工业中。除了在过程中执行原始功能外，智能现场设备存储与现场设备相关的数据，以数字模式或模数联合的模式与控制器和/或其它的设备通信，并且执行附加的任务，如自我校准、鉴别、诊断等。许多标准及开放的智能现场设备通信协议，如HART、PROFIBUS、WORLDFIP、Device-Net和CAN协议，已经发展成使由不同生产商制造的智能现场设备能够在相同的过程控制网络内一起使用。此外，由现场总线基金会(Fieldbus Foundation)发布的全数字、双线总线协议，即FOUNDATION^TM Fieldbus(以下称为“Fieldbus(现场总线)”)协议，使用位于不同现场设备中的功能块来执行先前在集中式控制器中执行的控制操作。这里，Fieldbus现场设备能存储和执行一个或多个功能块，每一个功能块从其它功能块接收输入，和/或将输出提供给其它功能块(这些其他功能块在同一设备或不同设备中)，并且执行一些过程控制操作，例如测量或检测过程参数、控制设备或执行控制操作，如实施比例-微分-积分(PID)控制程序。过程控制系统内的不同功能块被配置成(如通过总线)彼此通信，从而形成一个或多个过程控制回路，这些功能块的单独操作遍及整个过程，并因此而被分散开来。

在任何情况下，对于为过程而定义的或包含在过程内的许多不同回路，如流量控制回路、温度控制回路、压力控制回路等，过程控制器(或现场设备)一般被编程以便执行每一个不同回路的不同的算法、子程序或控制回路(这些就是全部的控制程序)。一般来讲，每一个上述控制回路包括一个或多个输入块，如模拟输入(AI)功能块；单输出控制块，如比例-积分-微分(PID)或模糊逻辑控制功能块；和单输出块，如模拟输出(AO)功能块。因为控制块建立用来控制如阀位等单个过程输入的单个输出，所以这些控制回路一般执行单输入/单输出控制。然而，在某些情况下，因为受控的过程变量或过程输出受到不止一个过程输入的影响，并且事实上，每一个过程输入可以影响很多过程输出的状态，所以使用许多独立运行的、单输入/单输出控制回路并不是很有效。例如，这种情况的例子可能发生在具有由两根输入管路加注、由单根输出管路排空的罐的过程中，其中每一个管路由不同的阀门控制，并且在该过程中将罐的温度、压力和物料通过量控制在期望值或期望值的附近。如上所述，对罐的物料通过量、温度和压力的控制可使用单独的物料通过量控制回路、单独的温度控制回路和单独的压力控制回路来执行。然而，在这种情况下，改变一个输入阀的设置来控制罐内温度的温度控制回路的操作，可能导致罐内的压力增加，例如，这会导致压力回路打开压力阀来降低压力。于是，这一动作可能导致物料通过量控制回路关闭一个输入阀，因而对温度造成影响，并且导致温度控制回路采取一些其它的动作。正如将在这一例子中了解到的，单输入/单输出控制回路可能导致过程输出(在本例中，物料通过量、温度和压力)发生振荡而且不会到达稳定的状态，这一点是不希望的。

在这些类型的情况下，过去用模型预测控制(MPC)或其它类型的高级控制来执行控制。一般来讲，模型预测控制是多输入/多输出控制策略，其中，测量改变多个过程输入中的每一个对多个过程输出中的每一个造成的影响，并且使用这些所测量的响应来创建该过程的典型线性模型。对过程的这一线性模型进行数学反转(invert)，然后用作多输入/多输出控制器，来根据对过程输入作出的改变控制过程输出。在一些情况下，过程模型包括对应于每一个过程输入的过程输出响应曲线，并且可以基于一系列例如被传送到每一个过程输入的伪随机阶跃变化来创建这些曲线。这些响应曲线可用来以已知的方式对该过程建模。模型预测控制在本领域是公知的，因此在此不作详细说明。然而，在1996年AIChE会议Qin，S.Joe和Thomas A.Badgwell的“AnOverview of Industrial Model Predictive Control Technology(工业模型预测控制技术概述)”一文中，对模型预测控制进行了一般性的描述。此外，美国专利第6,445,963号公开了一种将模型预测控制块集成到过程控制系统中用于控制过程的方法，其公开内容以引用方式包含在本文的内容中。

虽然模型预测控制块在具有能够使用线性技术进行一般建模的行为的标准过程中表现良好，但是使用模型预测控制块来控制如下过程(或使用过程输出)却显得困难，这种过程呈现非线性行为或与传送到该过程的控制输入具有非线性关系。一般来说，人们相信，需要使非线性过程的模型预测控制(MPC)应用程序适合于提供非线性最优化、包括非线性控制器生成、以及在MPC块内部使用非线性模型来代替线性模型。例如，已知可以与线性MPC技术相连地提供非线性建模，从而使输入适合于MPC块或者使MPC块的控制输出适合于非线性过程。上述非线性建模可以采取第一原理模型(firstprinciple model)、高保真度仿真、非线性增益和线性动态特性(Wiener或Hammerstein模型)的混合或神经网络模型的形式。此外，已知通过在过程控制程序的每一次扫描期间，使用神经网络来重新计算过程模型增益，可以使MPC技术适合于包括非线性性能。然而，增益的重新计算是复杂的，它包括计算来自过程模型的导出值从而将导致附加的建模错误，可能是计算费用昂贵而且耗费大量时间得以实施的。因此，在MPC逻辑内部执行这些MPC自适应的方法是困难而复杂的，而且可能在大多数过程工厂(process plant)情况下是不合理或不切实际的。

虽然对于模型预测控制器来说存在这些问题，但是在其它高级的多输入/多输出控制块或系统的创建或使用中也存在同样或相似的问题，例如，神经网络控制器、多变量模糊逻辑控制器、实时最优化器等。

发明内容

一种多输入/多输出控制程序，如模型预测控制程序，包括一般线性过程模型(generally linear process)和非线性过程模型(non-linear process model)，一般线性过程模型产生一个或多个过程输出的预测向量，非线性过程模型产生将用来校正一个或多个过程输出的预测向量的预测信号，该预测信号可以是预测向量或稳定状态预测值。然后，以常规方式使用经过校正的预测向量来产生一组用于控制该过程的控制信号。非线性过程模型和高级控制程序，如模型预测控制程序，可以采用公知和相对简单的方式来创建和操作，这使得在控制具有非线性特性的过程时能够容易地实施及使用该系统。更进一步，无需对该系统进行修改，以便将非线性模型集成到多输入/多输出控制块或重新计算由多输入/多输出控制块使用的控制器增益。此外，非线性过程模型是容易建立的(因为它一般反映或建模一个输出对于一个或多个输入的非线性特征)，而且，一般可以在过程运行的整个过程中保持不变。

在一个实施例中，一种过程控制器适合于用来控制由一组过程控制输入信号产生一组过程输出的过程，该过程控制器包括多输入/多输出控制器，该多输入/多输出控制器适合于接收关于过程输出的指示(indication)来创建一组过程控制输入信号和过程模型，该过程模型可以是非线性过程模型，适合于接收该一组过程控制输入信号来产生过程输出之一的预测信号。多输入/多输出控制单元可以是控制器、最优化器等，它包括：另一个过程模型，该过程模型可以是标准线性过程模型，用来建立每一个过程输出的预测向量；和校正单元，该校正单元适合于使用该过程输出之一的预测信号来修改该过程输出之一的预测向量，从而调整该过程的非线性。

附图说明

图1是包含高级控制系统的过程控制系统的方块图/示意图，该高级控制系统具有适合于包括非线性预测性能的多输入/多输出控制块；

图2是图1中高级控制系统的实施例的方块图，该高级控制系统具有模型预测控制块和神经网络过程模型，它们连接在过程控制程序内以便控制呈现非线性输入/输出特性的过程；

图3是图2所示的高级控制系统的详细方块图；

图4是曲线图，示出由图3所示的模型预测控制块在不同的创建阶段创建的预测向量以及通过由非线性过程模型所创建的预测信号所作出的补偿；

图5是高级控制系统的方块图，该高级控制系统具有模型预测控制块和多个神经网络过程模型，它们连接在过程控制程序内以便控制过程；

图6是高级控制系统的方块图，该高级控制系统具有模型预测控制块和高级或高保真度过程模型，它们连接在过程控制程序内以便控制过程；和

图7是高级控制系统的方块图，该高级控制系统具有最优控制块、控制器和神经网络过程模型，它们连接在过程控制程序内以便控制过程。

具体实施方式

现在参考图1，过程控制系统10包括过程控制器12，过程控制器12通过通信网络18连接到历史数据库(data historian)14以及一个或多个主机工作站或计算机16(可以是任何类型的个人计算机、工作站等，各自具有显示屏17)。控制器12也通过输入/输出(I/O)卡28和29连接到现场设备20-27。通信网络18可以是，例如，以太网(Ethernet)通信网络或任何其它合适的或期望的通信网络，而历史数据库14可以是任何期望类型的数据收集单元，该数据收集单元具有用于存储数据的任何期望类型的存储装置以及任何期望的或已知的软件、硬件或固件。举例来说，控制器12可以是由Fisher-Rosemount Systems，Inc.销售的DeltaV^TM控制器，该控制器12使用与例如标准4-20毫安设备和/或任何智能通信协议相关的任何期望的硬件和软件，通信地连接到现场设备20-27，其中智能通信协议可以是例如Fieldbus协议、HART协议等。

现场设备20-27可以是任何类型的设备，如传感器、阀门、传送器、位置控制器等，而I/O卡28和29可以是符合任何期望的通信或控制器协议的任何类型的I/O设备。在图1所示的实施例中，现场设备20-23是通过模拟线路与I/O卡28通信的标准4-20毫安设备，或者是通过模数结合的线路与I/O卡28通信的HART设备，然而，现场设备24-27是智能设备，如Fieldbus现场设备，该现场设备24-27使用Fieldbus协议通信，经过数字总线与I/O卡29通信。一般来讲，Fieldbus协议是全数字的、串行的、双向通信协议，该协议提供了对于使现场设备互相连接的双线回路或总线的标准化物理接口。实际上，Fieldbus协议为过程内的现场设备提供了局域网，这使得这些现场设备能够在分布于整个过程设施范围内的各个位置上(使用根据Fieldbus协议定义的功能块)执行过程控制功能，并且能够在执行这些过程控制功能的前后互相通信，从而实施整个控制策略。当然，现场设备20-27能够遵照任何其它期望的标准或协议，包括将来开发的任何标准或协议。

控制器12包括处理器12a，该处理器12a实施或执行可能包括控制回路的一个或多个过程控制程序，并且与设备20-27、主机16和历史数据库14通信，从而以任何期望的方式来控制过程，该过程控制程序存储在其中的或与之相关联的计算机可读存储器12b中。应该注意到，如果需要，这里描述的任何控制程序或单元(element)的一部分可以由不同控制器或其它设备，例如现场设备24-27中的一个或多个中的处理器来实施或执行。同样，这里描述的将要在过程控制系统10内执行的控制程序或单元可能采取任何形式，包含软件、固件、硬件等。为了本发明的目的，过程控制单元可以是过程控制系统的任何一部分或局部，例如，包括存储在任何计算机可读介质上的程序、块或模块。控制程序可以是模块或控制程序的任何部分，如子程序、子程序的一部分(如几行代码)等，它可以以任何期望的软件形式，如使用梯形逻辑(ladder logic)、顺序功能图、功能框图，或者以任何其它软件编程语言或设计范例(paradigm)来实施。同样，控制程序可以被硬编码到例如一个或多个EPROM、EEPROM、特定用途集成电路(ASIC)、或任何其它硬件或固件单元。更进一步，可以使用任何设计工具来设计控制程序，包括图形设计工具或者任何其它类型的软件/硬件/固件编程或设计工具。因此，可以理解，控制器12可以配置成能够以任何期望的方式来执行控制策略或控制程序。

在一个实施例中，控制器12使用通常提到的功能块来实施控制策略，其中，每一个功能块是整个控制程序的一部分(例如子程序)，并且(通过称作链接的通信)与其它功能块结合起来操作，以实施过程控制系统10内的过程控制回路。功能块一般执行输入功能、控制功能或者输出功能中的一个，例如，输入功能包含与传送器、传感器或者其它过程参数测量设备相关联的输入功能，控制功能包含与执行PID、模糊逻辑等控制的控制程序相关联的控制功能，输出功能控制一些设备如阀门的操作以执行过程控制系统10内部的一些物理功能。当然，也存在混合的或其它类型的功能块。功能块可以存储在控制器12中并由控制器12来执行，当这些功能块用于标准4-20毫安设备以及如HART装置等一些类型的智能现场设备或与这些设备相关联时，通常就是上述情况，或者这些功能块可以存储在现场设备本身中并由现场设备本身来实施，对于Fieldbus设备来说是这种情况。这里对控制系统的描述是通过功能块控制策略来提出的，控制策略或控制回路或模块也能使用其它的常用方法来实施或设计，如梯形逻辑、顺序功能图等，或使用任何其它希望的程序设计语言或范例。

如图1中的分解图30所示，控制器12可以包括许多单回路控制程序，示出为程序32和34，而且，如果需要，可以执行一个或多个高级控制回路，示出为控制回路36。每一个上述回路一般称为控制模块。图中示出，单回路控制程序32和34分别使用与适当的模拟输入(AI)和模拟输出(AO)功能块相连接的单输入/单输出模糊逻辑控制块和单输入/单输出PID控制块来执行信号回路控制，该模拟输入(AI)和模拟输出(AO)功能块可能与过程控制设备如阀门、与测量设备如温度和压力传送器、或者与过程控制系统10内部任何其它设备相关联。图中示出，高级控制回路36包括高级控制系统38，该高级控制系统38使输入通信连接到多个AI功能块，并且使输出通信连接到多个AO功能块，尽管高级控制系统38的输入和输出可以连接到其他任何期望的功能块或控制单元，以便接收其它类型的输入以及提供其它类型的控制输出。正如这里详细描述的，高级控制系统38适合于控制呈现非线性输入/输出特性的过程，它一般包括任何类型的多输入/多输出控制程序(一般用于通过给两个或多个过程输入提供控制信号来控制两个或多个过程输出)，以及被设计成能够对过程的非线性特性进行精确建模的一个或多个非线性或高级过程模块。因此，当这里将高级控制块38描述为使用模型预测控制(MPC)块时，高级控制系统38能包含或使用任何其它的多输入/多输出块，如神经网络控制块、多变量模糊逻辑控制块、实时最优化块等。

将了解到，图1中示出的功能块，包含能够被实施为一个或多个互相连接的功能块的高级控制系统38，能够由控制器12执行，或者可替换地，能位于任何其它处理设备中且由任何其它的处理设备执行，如工作站16或现场设备24-27之一中的一个。

如图1所示，工作站16之一包括高级控制块生成程序40，高级控制块生成程序40基本上可用于采用如美国专利第6,445,963号所描述的方法来创建、下载和实施高级控制系统38，美国专利第6,445,963号已转让给本申请受让人，并且以引用方式清楚地包含在本文中。唯一的区别在于，在高级控制系统的创建过程中，程序40也可用于创建和下载一个或多个非线性过程模型，例如一个或多个神经网络过程模型，作为通信连接到MPC控制块的高级控制系统38的一部分，正如将参照图2-6进行的详细描述。虽然高级控制块生成程序40可以被存储在工作站16内的存储器中，并且由其中的处理器执行，但是如果需要，该程序(或其中的任何部分)可以另外地或可替换地存储在过程控制系统10内的任何其它设备内，并由该设备执行。

图2是示出了通信连接到某一过程的高级控制系统38的一个实施例的方块图。一般来说，图2中的高级控制系统38包括非线性过程模型42，非线性过程模型42可以是通信连接到多输入/多输出控制块的稳定状态非线性过程模型，在本例中示出，该多输入/多输出控制块是MPC控制块44。过程工厂50的过程输出48(可以是控制和约束的测量或参数)被反馈给MPC块44的输入，这在MPC控制中是具有代表性的。同样，一组测量或已知的过程扰动输入52被提供给过程工厂50和MPC块44的输入，这在已知的MPC技术中也是具有代表性的。除了MPC块44使用由非线性过程模块42创建的一个或多个预测信号来补偿过程50的非线性特性之外，MPC控制块44可以包括其中具有线性过程模型的标准MPC逻辑，并且一般可以采用典型的或已知的方式进行操作来建立一组过程控制信号或操作变量控制信号54。如图2所示，非线性过程模型42接收传送到过程工厂50的一组各种各样的输入56作为其输入，包括由MPC块44生成的操作变量控制信号54和提供给过程工厂50的扰动输入52。过程模型42也可以接收过程输出48，过程模型42用它来基于过程工厂50的当前输出来执行模型输出调整。例如，非线性过程模型42可以是神经网络过程模型，它使用输入56和更精确地对过程50的非线性输入/输出特性进行建模的过程模型来产生一个或多个预测信号60，并将这些预测信号60提供给MPC块44。尽管存在非线性的过程特征，MPC块44也可以结合预测信号60使用标准MPC逻辑，来产生更精确或更有用的一组操作变量控制信号54以便控制该过程，其中预测信号60可以是稳定状态预测信号或指示一个或多个过程输出48的多个未来值的预测向量。

虽然在图2中示出非线性过程模型42给MPC块44提供3个预测信号60，但是过程模型42也能给MPC块44提供任何其它数目的预测信号，包括只有一个预测信号60。当然，将提供给MPC块44并由它使用的非线性模块42的输出的实际数目依赖于过程50的非线性特征，或更具体地说，依赖于一个或多个过程输入52及54与过程输出48之间的非线性关系。

图3较详细地示出了当连接到非线性过程模型42和过程50时的MPC块44。例如，图3示出的MPC块44可以是具有相同数量的输入和输出的任何标准的、M×M方形(square M by M)(其中，M能够是等于或大于1的任何数值)的MPC程序或过程。然而，如果期望的话，MPC块44可以是非方形的，即具有不同数量的输入和输出。图3中的MPC块44接收如下变量作为输入，即在过程50内部测得的一组N个控制和辅助变量CV及AV(它们是值的向量)、一组扰动变量DV以及一组稳定状态目标控制和辅助变量CV_T和AV_T，其中该组扰动变量DV是在未来的某个时间提供给过程50的已知或期望的改变或扰动，该组变量CV_T和AV_T由如操作员、最优化器等任何期望的源来提供。MPC块44使用这些输入来创建一组M个操作变量信号MV(具有控制信号的形式)，并将这些操作变量信号MV传送给控制过程50作为过程输入，可以理解，MPC块44可以采用任何期望的形式来产生这组操作变量信号MV，而且可以将操作变量信号MV提供给其它的功能块，这些功能块反过来可以采用任何期望的方式连接到过程50的控制输入。

已经知道，MPC块44包括控制预测过程模型70，其可以是N×(M+D)阶跃响应矩阵(step response matrix)(其中，N是控制变量CV(过程输出)的数量与辅助变量AV的数量之和，M是操作变量MV的数量，以及D是扰动变量DV的数量)。控制预测过程模型70在输出线72上产生每一个控制和辅助变量CV和AV的预先计算的预测值，而向量加法器74将控制和辅助变量CV和AV的实际测量值减去这些当前时间的预测值，从而在输入76上产生误差或校正向量。

于是，控制预测过程模型70使用N×(M+D)阶跃响应矩阵(该响应矩阵可以包括响应于过程输入中的阶跃变化的每一个N个过程输出对每一个M+D个过程输入的时间响应)，基于提供给控制预测过程模型70的其它输入的扰动和操作变量，来预测每一个过程输出的未来控制参数。控制预测过程模型70一般是具有传输函数的线性过程模型，该传输函数定义每一个过程输出对每一个过程输入的响应，该控制预测过程模型70还在预测范围(prediction horizon)的末端产生所预测的过程输出的稳定状态值。直到并且包含预测范围的该组每一个过程输出的预测值，是该过程输出的预测向量。然而，因为这些预测向量是基于线性或阶跃响应模型的，所以该预测向量没有考虑特定的过程输出和过程输入之间的任何非线性特性或关系或者对其进行建模。具体地，不能够使用通常由过程模型块70执行的线性或阶跃响应曲线，来对过程输入之一和过程输出之间的关系进行精确的建模。因此，当一个或多个过程输出呈现相对于一个或多个过程输入的非线性关系时，由于这些没有建模的非线性关系，使得由过程模型块70产生的预测向量不精确。

为了补偿上述非线性，校正或补偿单元78接收并使用由非线性过程模型42产生的预测信号60(每一个可以是在未来的不同时间具有多个预测值的一个稳定状态预测值或预测向量)，并且产生经过补偿的预测向量，该预测向量包含或说明每一个非线性控制和辅助变量(过程输出)的过程非线性。将了解到，校正单元78可以使用由非线性过程模型42产生的不同预测信号60，单独地校正每一个控制或辅助变量状态向量(即每一个过程输出预测向量)。此外，校正单元78仅仅需要补偿呈现出与一个或多个过程输入具有非线性关系的过程输出的预测向量，而使由线性预测过程模型70产生的每一个其它线性过程输出的预测向量保持不变。在这个例子中，例如，非线性过程模型42可以为由MPC块44使用的对于一个或多个过程输入(操作或扰动变量)呈现非线性关系的控制和辅助变量(过程输出)的每一个子集，产生单独的或不同的预测信号60，而且校正单元78可以单独地补偿该子集内的过程输出的每一个预测向量，而使由控制预测过程模型70产生的其它过程输出预测向量保持不变。

MPC块44还包括控制目标块80，控制目标块80使用先前为块38建立的轨迹滤波器(trajectory filter)82，来确定提供到这里的每一个N个目标控制和辅助向量的控制目标向量CV_T和AV_T(目标过程输出)。具体地，轨迹滤波器82可以提供单位向量，该单位向量定义控制和辅助变量随着时间驱向其目标值的方式。控制目标块80用该单元向量和目标变量CV_T和AV_T来产生每一个目标和辅助变量(过程输出)的目标向量，该目标向量定义了目标变量CV_T和AV_T在由预测范围时间定义的时间周期内的改变。于是，向量加法器84从目标向量中减去每一个控制和辅助向量CV和AV(过程输出)的补偿预测向量，从而定义每一个控制和辅助向量CV和AV(过程输出)的误差向量。于是，每一个控制和辅助向量CV和AV的误差向量被提供给块86内的MPC算法，该算法以标准方式运算，来选择使得例如最小平方误差在预测范围上最小化的操作变量MV的阶数(step)。当然，MPC算法块86可以用M×M过程模型或控制矩阵，该M×M过程模型或控制矩阵是根据输入至MPC块44的N个控制和辅助变量与由MPC块44输出的M个操作变量之间的关系得出的。这些关系一般通过反转(invert)由块70使用的控制矩阵来确定，在过程50的运行期间，这一反转过程是耗时且难于还原(regenerate)的。

当然，MPC算法块86可以采用任何已知的方式进行运算，来确定一组操作变量，该操作变量将被传送到过程50来驱使过程输出(控制和辅助向量CV和AV)到达期望的设定值CV_T和AV_T。尽管图中示出控制块86包括由方形过程模型得出的方形控制矩阵，但这并不是必须的，而且实际上如果希望的话，也可以使用非方形控制矩阵，但是应该理解，由于建立这样的非方形控制矩阵需要复杂的数学运算过程，因此这样非方形控制矩阵一般来说较难确定。然而，由块86使用的控制矩阵一般由线性过程模型得出，即，由块70中使用的线性过程模型得出，并且因而不产生能够驱使过程50的过程输出以最快的方式到达所期望设定点的精确的操作或控制信号。然而，因为所得出的且被提供给MPC算法块86的误差信号由于校正单元78而没有说明过程输出的非线性特征，MPC算法块86将驱使该过程输出以一般能接受的方式到达所期望的设定点。

此外，如果需要，MPC块44可以包括或与最优化器一起运行，最优化器使MPC块44的运行达到最优。在标题为“Integrated Model Predictive Controland Optimization in a Process Control Systern(过程控制系统中集成的模型预测控制和最优化)”的美国专利申请序列号10/241,350中详细描述一个这样的最优化器，该申请于2002年9月11日提交且以公布号＿＿公开，而且该申请已转让给本申请的受让人，其公开内容以引用方式清楚地包含在本文的内容中。因而，将注意到，在使用该预测向量来创建用于控制过程50的一个或多个操作(控制)信号之前，MPC块44除了包含校正单元78、以便使用由非线性过程模型或其他高度精确的过程模型产生的预测信号来校正使用线性过程模型产生的所预测的过程输出向量之外，MPC块44还可以采用任何期望或已知的方式运行或操作。

图4示出了描绘过程输出CV之一的预测向量(数值比时间)的曲线图90，此时该预测向量在线性过程模型70和校正单元78内被创建并被校正。一般来说，曲线图90的曲线92代表直到预测时间范围(k+p)的时间期间内的过程输出CV的预测向量，它在该过程的上一次扫描期间(即时间k-1)产生。在每一个控制器扫描或执行时间k，分三步来更新时间k-1的预测向量92，以便产生时间k的预测向量，如曲线94所示。具体地，将预测向量92(在时间k-1作出)向左移位一次扫描(scan)，以便说明从k-1到k的时间变化。接下来，将利用影响过程输出CV的过程输入的当前变化所定标(scale)的阶跃响应叠加到被移位的预测向量92上，以便产生预测向量94。接下来，将整个预测向量94移位或移动到当前时间k的点，来匹配在时间k处的当前测量的过程输出(对于滤波系数等于1的情况，或者通常将预测位移作为函数Fw_k施加到预测向量94)，从而产生预测向量96。通常，这些步骤由MPC预测块70使用线性过程模型来执行。然而，如果过程50是非线性的，而且基于当前过程输入的过程输出CV的预测信号是可用的，就由校正单元78使用可用的非线性预测信号来修改预测向量96，从而产生校正的预测向量98。

具体地，如果来自非线性过程模型42的预测信号60是预测向量，校正单元78可以简单地用预测信号60来代替由线性建模产生的预测向量96，使得预测向量98基本上是由非线性过程模型42产生的预测信号60。这样非线性预测向量可以利用动态神经网络过程模型(即非线性过程模型)来产生。然而，动态神经网络建模很难建立而且一般不采用。另一方面，假定传送到该过程50的当前输入保持不变，如果来自非线性过程模型42的预测信号60是指示在控制时间范围内过程输出CV的预测稳定状态的稳定状态信号，就可以利用任何期望的技术使用非线性过程模型预测信号60来调整预测向量96以便产生预测向量98。应该注意到，如果非线性过程模型42是神经网络过程模型，就能够通过在即将到达稳定状态的过程时间之末(例如，控制时间范围)冻结当前神经网络模型输入以及得出神经网络模型输出，来产生或得出过程输出CV的稳定状态值。

修正由线性过程模型70使用由非线性过程模型42产生的预测信号60所建立的预测向量96的一种方法是，将预测范围末端的预测向量96的值设置成等于预测稳定状态值60，然后基于每一个这种点的时间来按比例地修正预测向量96的每一个其它值。如果ΔSS是k+1次扫描的预测范围末端的校正值，那么在未来的任何点i处的校正值可以表示为：

Δ n_{k + 1} (i) = Δn n_{k + 1} (p - 1) (1 - e^{- \frac{is}{τ}})

其中：

s是扫描周期；

i是未来的扫描数(scan number)(i等于或在0到p-1之间)；和

τ是假定的过程输出时间常数，可以将它看作是校正输出的最高阶跃响应时间常数。如果需要，τ可以是到达稳定状态的时间的分数，如到达稳定状态的时间除以3或4。

基于这个等式，Δ n_k+1＝[Δn_k+1(0)，Δn_k+1(1)，...，Δn_k+1(i)，...，Δn_k+1(p-1)]^T是与 x_k+1(在下面定义)维数相同的向量， x_k+1说明了来自非线性过程模型的校正值。因此，ΔSS_k+1＝Δnn_k+1(p-1)＝nn_k+1(p-1)-y_k+1(p-1)，其中ΔSS_k+1是预测范围末端的校正值。对于这些等式还应该知道，

nn_k+1(p-1)是由非线性过程模型在第k+1次扫描时产生的未来(稳定输出)输出值；

y_k+1(p-1)是未来的p-1次扫描的过程输出的预测值，正如由线性过程模型在第k+1次扫描时所产生的；和

x_k+1是第k+1次扫描时产生的线性建模的预测向量，其中，一般地，

\overset{&OverBar;}{x_{k}} = [y_{k} (0), y_{k} (1), . . . y_{k} (i), . . . y_{k} (p - 1)]^{T}

是在时间k处对于之前的0，1，2，...p-1阶的过程输出预测的向量。

预测向量 xⁿ _k+1是经过校正的预测向量98(图4)，其与 x_k+1+Δ n_k+1相等。当前时间的校正值可以被设置为Δn_k+1(0)＝0，来匹配过程输出CV的当前测量值以及这一时间的预测值。

从这些等式可以了解到，每一个过程输出的将被校正的预测向量包括时间范围内的稳定状态值，以及通过将由线性和非线性模型产生的时间范围末端的预测值之差值乘以一阶或高阶的指数函数所得的结果加到预测向量中，使得校正值修正由线性过程模型(例如MPC控制器块中的线性过程模型)产生的预测向量。在一些实施例中，一阶或高阶指数函数可以使用与到达稳定状态的过程输出时间相等的时间常数，或者，可替换地，可以使用与到达稳定状态的过程输出时间的一些分数相等的时间常数。

可替换地，如果确定过程时间常数有显著误差，就能够使用到稳定状态的过程时间来进行校正预测向量96。

Δ n_{k + 1} (i) = Δn n_{k + 1} (p - 1) (1 - e^{- \frac{ais}{TSS}})

其中，TSS是过程稳定状态的时间，且3≤α≤5

一般来说，能够应用高阶函数来产生预测范围内的校正值：

Δn_k+1(i)＝Δnn_k+1(p-1)f(i，s，TTS)

其中，f(i，s，TTS)是用于预测校正的高于一阶的一般指数函数。作为通常的规则，预测校正值最好是用于所考虑输出的线性阶跃响应的函数的同阶函数。

这些方法中的每一个以保持响应动态特性的方式设置中间预测值(在当前时间k和时间范围k+p之间)，而该响应动态特性使得该建模结果与Wiener和Hammerstein建模相一致。当然，如果需要，也可以使用利用由非线性过程模型42产生的预测信号60来校正由线性过程模型70产生的预测向量的其它方式，或者代替这里描述的那些方式。

将了解到，正如本文所述的利用非线性过程模型的输出来校正使用线性过程模型产生的模型预测向量从而补偿过程非线性的方法，在该过程的运行期间实施是相对容易和简单的，而无需许多计算处理来重建控制增益和非线性模型变量。还将了解到，由于MPC块44仍然使用线性过程模型，所以没有精确地设定控制输出来最优化地驱动过程50，以使过程输出到达最理想的目标值。然而，因为在每一次扫描之后，或者在整个过程运行期间周期性地，即在每一个n次扫描之后(其中n可以是任何期望的数值)，使用非线性过程模型42来更新过程输出预测向量，所以尽管在过程50内存在非线性，MPC控制矩阵86仍然会产生使过程输出较迅速地收敛到期望值或目标值的控制信号。

还将了解到，为了正确地应用由非线性过程模型42建立的预测信号60，该预测信号应该对于用来在线性模型块70的输出端建立预测向量的同一组输入来建立。确保非线性过程模型42和MPC块操作同步是重要的细节，并且应该注意到这一点，以使这些块的未来或预测的输出互相之间不会偏移一次扫描。因此，块执行命令最好包括在执行MPC块44之前执行非线性过程模型42，以使当执行MPC块44的过程模型70时，预测信号60是可用的。

如果非线性过程模型42是神经网络过程模型，能够以与预测移位相似的方式来应用神经网络未来预测的滤波。具体地，能够以下述方式修改建模线

性等式：

{\overset{&OverBar;}{x}}_{k + 1}^{n} = A {\overset{&OverBar;}{x}}_{k} + BΔ {\overset{&OverBar;}{u}}_{k} + F {\overset{&OverBar;}{w}}_{k} + fΔ {\overset{&OverBar;}{n}}_{k}

y_{0} = C {\bar{x}}_{k + 1}^{n}

或者

{\overset{&OverBar;}{x}}_{k + 1}^{n} = {\overset{&OverBar;}{x}}_{k + 1} + fΔ {\overset{&OverBar;}{n}}_{k}

y_{0} = C {\overset{&OverBar;}{x}}_{k + 1}^{n}

其中：

A，B，C是过程模型矩阵，

0≤F≤1是未经测量的扰动校正值的滤波器，和

0≤f≤1是神经网络校正值的滤波器。

当然，也能够应用对上述等式的修改。

图5示出了与过程50连接的另一个高级控制系统100。该高级控制系统100包括MPC块44和两个神经网络过程模型102和104，每一个模型产生被提供给MPC块44的预测信号106或108。与图2中的MPC块44相似，该MPC块44接收过程输出48与扰动和抑制变量52作为其输入，并且一般就如前面关于图3的结构部分所描述的那样进行操作。同样，每一个神经网络过程模型102和104接收控制和操作输入信号54以及扰动和限制变量52作为其输入。神经网络过程模型102和104以任何标准的或已知的方式进行训练，而且采用标准的神经网络设计来基于其输入对过程50的输出之一进行建模或预测。一般来讲，输出106和108可以是各个过程输出的预测向量，或者可以是稳定状态预测值，该稳定状态预测值在假定过程模型102或104的输入保持不变的情况下预测过程输出的稳定状态值。

将了解到，以上面关于图3和图4的实施例中的信号60一般描述的方式，MPC块44使用每一个预测信号106和108来分别校正或补偿MPC块44内的不同预测向量。此外，尽管图5中示出了两个神经网络过程模型，也可以使用任何其它数量的神经网络过程模型，来为相对于一个或多个过程输入呈现非线性的不同过程输出而产生任何数目的预测信号。一般来说，将为每一个不同的具有非线性特性的过程输出提供单独的神经网络过程模型。然而，这并不是必需的。

图6示出了另一个实施例高级控制系统109，其包括MPC块44和高保真度过程模型或仿真110，如由HYSYS^TM、Cape^TM提供的模型或任何其它高保真度过程模型。这种高保真度过程模型110可以是多输入/多输出过程模型、基于第一原理(first principles)的多输入/单输出过程模型(线性或非线性)、神经网络逻辑、模糊逻辑，或者基于过程输入为一个或多个过程输出产生预测信号的任何其它逻辑。正如将了解到的，MPC块44使用每一个不同的预测信号，来校正或补偿不同过程输出的预测向量，正如由图3中的MPC预测块70所产生的。同样，尽管图6中高保真度过程模型110产生3个预测信号，高保真度过程模型110仍然可能产生任何其它数目的预测信号以供MPC块44使用，确切的数目一般依赖于呈现出对一个或多个过程输入的非线性响应的过程输出的数目。

图7是另一个实施例高级控制块120，其中，非线性过程模型122产生过程输出的预测信号124，并将预测信号124提供给最优化器126，接着该最优化器126再使用内部线性过程模型和预测信号124来产生一个或多个控制目标输出，该控制目标输出被传送到控制器128并由其使用，以便产生用于控制过程工厂50的一组控制信号，控制器128可以是MPC控制器。将了解到，最优化器126包括线性过程模型130，该线性过程模型130对过程50进行建模，并用于以任何标准的或已知的方式来产生一个或多个过程输出预测向量，接着该过程输出预测向量在校正单元132内使用预测信号124进行校正和补偿，然后，上述经过校正的预测向量用于产生或建立用来驱动控制器128的控制目标信号(期望的控制信号)。上述校正和补偿可以采用与关于图3和图4描述的任何方式相似的方式或采用任何其它期望的方式来执行。最优化器126可以是任何期望类型的最优化器，例如，包括上面讨论过的美国专利申请10/241,350中公开的最优化器。将了解到，最优化器126是具有附加控制器128的多输入/多输出控制程序的一部分，该控制器128接收由过程工厂50产生的过程输出的指示。

此外，将了解到，使用由高度精确的或非线性的过程模型所建立的预测信号来校正或补偿由线性过程模型产生的预测向量从而补偿过程非线性的技术，除了用于控制器程序和最优化器程序之外，还可用于任何其它的控制器部件，正如本文所具体说明的。

尽管这里将高级控制块38、100、109和120示作具有MPC块44或128以及一个或多个独立的过程模型块42、102、104、110、122的独立功能块，也可以简单地通过使MPC块和一个或多个过程模型块通信互连来实施高级控制块38，它们中的每一个都可以是独立的功能块。可替换地，如果需要，也可以将这里描述的过程模型42、102、104、110和122包含在MPC块44或128中，或者作为其一部分。此外，尽管这里将高级控制块或者系统38、100、109和120描述为包括MPC块作为多输入/多输出控制块，也可以代替使用其它的多输入/多输出控制块，如模糊逻辑控制块、最优化器块，或者使用线性过程模型来建立过程的控制信号的任何其它的控制程序或控制程序的一部分。

应该了解到，这里所描述的MPC或高级控制逻辑程序和方法使用户能够建立能用于具有非线性特征的过程中的高级控制块，如MPC控制块，而无需将非线性过程模型集成在标准的线性MPC逻辑内。因此，该系统能够以已知或相对简单的方式来实施用来校正线性MPC操作的非线性过程模型，如神经网络过程模型，以便以相对较少的工作、过程控制程序内部的简单的实施方式、灵活性、以及对MPC控制逻辑的最小侵扰，来提供非线性过程中的更好的控制。

虽然这里将高级控制块描述为结合Fieldbus和标准4-20毫安设备来使用，但是它们当然也能用任何其它的过程控制通信协议和编程环境来实施，而且也可以用与任何其它类型的设备、功能块或控制器中。此外，要注意到，这里所用到的词语“功能块(function block)”不限于Fieldbus协议或DeltaV控制器协议所识别的功能块，而是包括与能用来实施一些过程控制功能的任何类型的控制系统和/或通信协议相关联的任何其它期望类型的模块、程序、硬件、固件等。同样，尽管在面向对象的程序设计环境内，功能块一般采用对象的形式，但是这不是必需的。

尽管这里描述的高级控制块和相关的MPC块及非线性过程模型最好是用软件来实现，但是它们也可以用硬件、固件等来实现，而且可以由与过程控制系统相关的任何其它的处理器来执行。因此，如果需要，这里描述的程序38、42、44、100、102、104、109和110也可以在标准的多功能CPU中或在特别设计的硬件或固件如ASIC上执行。当以软件的形式实现时，该软件可以存储在任何计算机可读存储器中，例如存储在磁盘、激光盘、光盘或其它存储介质上，也可以存储在计算机或处理器的RAM或ROM中。同样，这一软件可以通过任何已知的或期望的传送方法传送给用户或过程控制系统，例如，这些传送方法包括通过计算机可读盘或其它可运送的计算机存储装置，或者调制在如电话线、互联网等通信信道上(该方法被视为是与通过可运送的存储介质来提供上述软件相同的方法或者可互换的方法)。此外，如果希望，可以分别在不同的处理器上和/或在不同的设备内部来实现该软件的不同部分。

因此，尽管已经参考具体的例子描述了本发明，这些例子仅仅是示例性的而不是对本发明的限制，本领域的普通技术人员将会清楚地理解到，在不背离本发明的实质和范围的情况下，可以对公开的实施例作出改变、增加或删除。

Claims

1.一种过程控制单元，适合于用作过程控制程序的一部分，所述过程控制程序在处理器上实施以控制过程，所述过程包括受一组过程控制输入信号影响的一组过程输出，所述过程控制单元包括：

计算机可读介质；和

控制单元，存储在所述计算机可读介质上，适合于在所述处理器上执行以实现所述过程的多输入/多输出控制，所述控制单元包括：

第一过程模型，适合于接收所述的一组过程控制输入信号，从而产生所述过程输出之一的预测信号；和

多输入/多输出控制单元，适合于接收所述过程输出的指示从而产生一组控制信号，所述多输入/多输出控制单元包括第二过程模型和校正单元，所述第二过程模型适合于建立每一个所述过程输出的预测向量，所述校正单元适合于使用所述一个或多个过程输出的预测信号来修正所述一个或多个过程输出的预测向量。

2.如权利要求1所述的过程控制单元，其中，所述第一过程模型是非线性过程模型。

3.如权利要求1所述的过程控制单元，其中，所述第二过程模型是线性过程模型。

4.如权利要求1所述的过程控制单元，其中，所述第一过程模型是神经网络过程模型。

5.如权利要求4所述的过程控制单元，其中，所述多输入/多输出控制单元是模型预测控制控制器，并且，其中所述一组控制信号适合于作为所述过程控制输入信号传送，从而控制所述过程输出。

6.如权利要求4所述的过程控制单元，其中，所述多输入/多输出控制单元是最优化器，并且，其中所述一组控制信号包括过程控制器的目标。

7.如权利要求1所述的过程控制单元，其中，所述第一过程模型是非线性过程模型，并且所述第二过程模型是线性过程模型。

8.如权利要求7所述的过程控制单元，其中，所述第一过程模型产生所述过程输出之一的第二预测向量作为所述预测信号，并且所述校正单元适合于通过用所述第二预测向量代替由所述第二过程模型产生的预测向量，来修正所述预测向量。

9.如权利要求7所述的过程控制单元，其中，所述第一过程模型产生所述过程输出之一的稳定状态值作为所述预测信号，并且所述校正单元适合于通过组合所述过程输出之一的稳定状态值和所述过程输出之一的预测向量，来修正由所述第二过程模型产生的预测向量。

10.如权利要求9所述的过程控制单元，其中，所述过程输出之一的预测向量包括在时间范围内的稳定状态值，并且其中，所述校正单元适合于通过将时间范围末端的第一和第二模型预测值之间的差值乘以一阶或高阶指数函数所得的结果相加到由所述第二过程模型产生的预测向量上，来修正由所述第二过程模型产生的预测向量。

11.如权利要求9所述的过程控制单元，其中，所述过程输出之一的预测向量包括在时间范围内的稳定状态值，并且其中，所述校正单元适合于通过将在时间范围末端的第一和第二模型预测值之间的差值乘以一阶或高阶指数函数所得的结果相加到由所述第二过程模型产生的预测向量上，来修正由所述第二过程模型产生的预测向量，其中所述指数函数的时间常数等于达到稳定状态的过程输出时间的分数。

12.如权利要求1所述的过程控制单元，其中，所述第一过程模型产生所述过程输出之一的第二预测向量作为所述预测信号，并且所述校正单元适合于通过用所述第二预测向量代替由所述第二过程模型产生的预测向量，来修正所述预测向量。

13.如权利要求1所述的过程控制单元，其中，所述第一过程模型产生所述过程输出之一的稳定状态值作为所述预测信号，并且所述校正单元适合于通过组合所述过程输出之一的稳定状态值和所述过程输出之一的预测向量，来修正由所述第二过程模型产生的预测向量。

14.如权利要求13所述的过程控制单元，其中，所述过程输出之一的预测向量包括在时间范围内的稳定状态值，并且其中，所述校正单元适合于通过将由所述第二过程模型产生的预测向量乘以一分量，来修正由所述第二过程模型产生的预测向量，其中所述分量使用所述过程输出之一的稳定状态值与所述过程输出之一的预测向量在时间范围内的稳定状态值之比。

15.如权利要求13所述的过程控制单元，其中，所述过程输出之一的预测向量包括在时间范围内的稳定状态值，并且其中，所述校正单元适合于通过将由所述第二过程模型产生的预测向量乘以一分量，来修正由所述第二过程模型产生的预测向量，其中所述分量使用所述过程输出之一的稳定状态值与所述过程输出之一的预测向量在时间范围的稳定状态值之间的差值。

16.一种控制过程的方法，所述过程具有受一组过程控制输入影响的一组过程输出，所述方法包括：

使用第一过程模型，来建立一个或多个所述过程输出的预测向量；

使用第二过程模型，来利用所述一组过程控制信号，产生所述过程输出之一的预测信号；

利用所述过程输出之一的预测信号，来校正所述过程输出之一的预测向量，从而产生经过校正的预测向量；和

利用经过校正的预测向量，来产生用于控制所述过程的一组控制信号。

17.如权利要求16所述的方法，其中，使用第一过程模型包括使用第一线性过程模型作为多输入/多输出控制程序的一部分，所述多输入/多输出控制程序接收所述过程输出的指示，并且其中，利用经过校正的预测向量包括利用所述多输入/多输出控制程序，根据经过校正的预测向量来产生将被传送到所述过程控制输入的控制信号。

18.如权利要求17所述的方法，其中，使用第一线性过程模型作为多输入/多输出控制程序的一部分包括使用模型预测控制程序作为所述多输入/多输出控制程序。

19.如权利要求17所述的方法，其中，使用第二过程模型包括使用非线性过程模型。

20.如权利要求19所述的方法，其中，使用第二过程模型包括使用神经网络过程模型。

21.如权利要求20所述的方法，其中，使用第二过程模型包括产生所述过程输出的稳定状态预测值作为所述预测信号。

22.如权利要求20所述的方法，其中，使用第二过程模型包括产生所述过程输出的高保真度预测向量作为所述预测信号。

23.如权利要求16所述的方法，其中，使用第二过程模型包括产生所述过程输出之一的稳定状态值作为所述预测信号，并且其中，校正预测向量包括通过组合所述过程输出之一的稳定状态值和所述过程输出之一的预测向量，来修正由所述第一过程模型产生的预测向量。

24.如权利要求23所述的方法，其中，使用第一过程模型包括产生所述过程输出之一的预测向量，以便包含在时间范围内的稳定状态值，并且其中，修正预测向量包括将所述预测向量在时间范围的稳定状态值和在时间范围内的所述预测信号之间的差值乘以一阶或高阶指数函数所得的结果相加到所述预测向量上。

25.如权利要求23所述的方法，其中，使用第一过程模型包括产生所述过程输出之一的预测向量，以便包含在时间范围内的稳定状态值，并且其中，修正预测向量包括将所述预测向量在时间范围的稳定状态值和在时间范围的所述预测信号之间的差值乘以一阶或高阶指数函数所得的结果相加到所述预测向量上，其中所述指数函数的时间常数等于达到稳定状态的过程输出时间的分数。

26.如权利要求16所述的方法，其中，使用第一过程模型包括使用第一线性过程模型作为控制最优化器的一部分，所述控制最优化器接收所述过程输出的指示，并且其中，利用经过校正的预测信号包括使用所述控制最优化器，来利用经过校正的预测向量产生控制器的一组目标信号。

27.一种适合于用来控制过程的过程控制器，所述过程具有受一组过程控制输入信号影响的一组过程输出，所述过程控制器包括：

多输入/多输出控制器，适合于接收所述过程输出的指示，以便建立所述一组过程控制输入信号，所述多输入/多输出单元包括第一过程模型，所述第一过程模型产生每一个所述过程输出的预测向量；

第二过程模型，适合于接收所述一组过程控制输入信号，以便产生所述过程输出之一的预测信号；和

校正单元，适合于使用所述过程输出之一的预测信号，来修正所述过程输出之一的预测向量。

28.如权利要求27所述的过程控制器，其中，所述第二过程模型是非线性过程模型。

29.如权利要求27所述的过程控制器，其中，所述第一过程模型是线性过程模型。

30.如权利要求27所述的过程控制器，其中，所述第二过程模型是神经网络过程模型。

31.如权利要求20所述的过程控制器，其中，所述多输入/多输出控制器是模型预测控制控制器。

32.如权利要求31所述的过程控制器，其中，所述第二过程模型是非线性过程模型。

33.如权利要求32所述的过程控制器，其中，所述第二过程模型是神经网络过程模型。

34.如权利要求27所述的过程控制器，其中，所述第一过程模型是线性过程模型，并且所述第二过程模型是非线性过程模型。

35.如权利要求34所述的过程控制器，其中，所述第二过程模型产生所述过程输出之一的第二预测向量，并且所述校正单元通过用所述第二预测向量取代由所述第一过程模型产生的预测向量，来修正所述预测向量。

36.如权利要求34所述的过程控制器，其中，所述第二过程模型产生所述过程输出之一的稳定状态值作为所述预测信号，并且时速校正单元通过组合所述过程输出之一的稳定状态值和所述过程输出之一的预测向量，来修正由所述第一过程模型产生的预测向量。

37.如权利要求36所述的过程控制器，其中，所述过程输出之一的预测向量包括在时间范围内的稳定状态值，并且其中，所述校正单元适合于通过将在时间范围末端的第一和第二模型预测值之间的差值乘以一阶或高阶指数函数所得到的结果相加到由所述第一过程模型产生的预测向量，来修正由所述第一过程模型产生的预测向量。

38.如权利要求36所述的过程控制器，其中，所述过程输出之一的预测向量包括在时间范围内的稳定状态值，并且其中，所述校正单元适合于通过将在时间范围末端的第一和第二模型预测值之间的差值乘以一阶或高阶指数函数所得到的结果相加到由所述第一过程模型产生的预测向量，来修正由所述第一过程模型产生的预测向量，其中所述指数函数的时间常数等于达到稳定状态的过程输出时间的分数。