基于长短期记忆网络的输出偏差参考校正方法在具有延迟与可变参数的工业过程模型预测控制中的应用：以矿业浓缩机为例

《Applied Sciences》：Output-Bias Reference Correction Using Long Short-Term Memory Networks for Model Predictive Control of Industrial Processes with Delays and Variable Parameters: Application to a Mining Thickener

　　

摘要

许多连续工业过程属于非线性、多变量系统，存在传输或反应延迟，并且其参数会随运行状态变化。这些特性降低了模型预测控制（MPC）中固定模型的可靠性，尤其是在缓慢干扰、工况变化和操作约束占主导地位的情况下。本文提出了一种基于长短期记忆（LSTM）网络的输出偏差参考校正框架，用于具有延迟和参数变化的工业过程的预测控制。系统的主要动态特性由一个固定的紧凑型线性标称模型在偏差坐标系中表示；该模型驱动一个标准的受限MPC控制器，其在整个运行过程中结构保持不变。实际过程与标称模型之间的持续输出偏差通过LSTM网络从闭环数据中学习得到。在每个采样步骤中，预测得到的偏差会被用来修正输入到标称MPC的未来参考轨迹，从而使控制器能够在不修改内部模型、约束集或求解器的情况下弥补模型与过程之间的差异。最终实现方案采用了经过消融实验选定的单步偏差预测器，并通过指数衰减的方式将这一单步估计值延伸至整个MPC时间范围。闭环偏差误差界限将LSTM识别误差、自适应校正增益以及最终的跟踪偏差联系起来。该框架以矿用浓密机为例进行了演示，这类工艺具有动态缓慢、存在延迟、参数变化大以及安全约束严格等特点。通过三控制器蒙特卡洛研究对比了标称MPC、传统无偏移MPC以及所提出的LSTM-MPC，展示了跟踪性能、控制效果与约束条件之间的权衡关系。在矿用浓密机应用中，LSTM校正器使第一步输出预测的均方根误差降低了96.6%（从降至）。在50种场景的蒙特卡洛闭环评估中，LSTM-MPC在92%的场景中在均方根误差方面优于标称MPC，同时其执行器的工作量也远低于传统无偏移基准方案（平均输入总变化量为67.0，而后者为119.4）。