1.3 过程控制理论的发展现状

20世纪40年代之前，工业生产大多处于手工操作状态，主要凭经验用人工控制生产过程，劳动生产率很低。

20世纪50年代前后，过程控制开始得到发展，过程控制理论是以频率法和根轨迹法的经典控制理论，主要解决单输入单输出的定值控制系统的分析和综合问题，经典控制理论此后一直在生产过程中得到广泛应用，直至今天，它还是应用于生产过程的主要控制理论。

20世纪60年代逐渐发展起来并且日趋完善的现代控制理论，在短短的40年中已在航空航天等工业中获得卓越的成就。遗憾的是，这些理论与方法在工业生产过程中的应用却受到种种限制，没有受到预期的效果。其原因大致可以归纳为：

1.这类控制必须基于系统的参数模型，但工业过程往往是高维多变量复杂系统，难以用一个简单而精确的数学模型加以描述，因此给现代控制理论的应用带来极大的困难。

2.工业过程往往具有非线性、时变性、耦合性和不确定性等特点，即使做了大量的简化得到线性定常模型，求解出某些高等控制策略，例如最优控制，在实施过程中也难以达到预期的效果。面对过程、结构、环境和控制均十分复杂的工业系统，现有的理论与方法远不能适应需要。

3.必须从整个系统的控制、优化、管理决策及其集成化着手开展研究，这将涉及控制理论、系统工程、人工智能、计算机技术和通信以及信号处理等多个学科领域，目前尚未形成这类工业大系统过程控制的理论及其相应的实现模式。

因此，在过程控制领域中，虽然已逐步采用了计算机这个强有力的工具，但就其控制策略而言，占统治地位的仍然是经典PID算法，没有充分发挥计算机的功能来提高过程控制水平。

为了克服控制理论和工业应用之间的脱节现象，应该尽快地将现代控制理论经过改造，移植到过程控制领域。20世纪70年代以来，加强了建模理论、辨识技术、最优控制、最优化等方面的工程化的研究，开始打破传统方法的束缚，推出了从工业系统特点出发，寻求对模型要求不高，在线计算方便，对环境的不确定性有一定适应能力的实用的控制策略和方法等。

采用先进控制可以克服由于系统本身的时变性、非线性和外扰的随机性等带来的问题。近年来，先进控制策略及软件在工业生产过程中也得到了一定的应用，虽然应用得不多，但是预示着未来的趋势。

目前配置在过程控制计算机中的先进控制策略及相应软件主要有：多变量预测控制、自适应控制、模糊控制及故障诊断、神经元网络等。

1.多变量模型预测控制

20世纪80年代初，模型预测控制逐渐发展成为一项成熟的控制技术。其基本原理是利用一个过程动态模型（脉冲响应模型或ARMA模型）和可测量的信息来预测将来的过程行为，再利用滚动优化的方法，使预测过程的响应和设计希望的响应差别为最小。模型预测控制还能处理过程变量有不等式约束的情况，如当传感器和调节器失效时，可以通过改变相应的不等式约束来解决。近年来一些商品化软件产品已应用于石化和化工过程。

2.自适应控制

早在20世纪70年代初，自适应控制已在热工、化工对象上应用成功。利用在线最小二乘辨识律和最小方差控制律的自校正调节器、自校正PID调节器都有相应的商品化软件。一种更简单实用的自整定器已配置在DCS中。自整定器实质是根据对象的特性自动给出PID参数，这种自整定在正常工作过程中仍以固定参数PID调节器的形式工作，不进行在线参数辨识和修改控制，目前在化工过程中得到应用。

3.模糊控制

模糊控制器依照人工操作思维程序工作。它首先把测量输出的精确量模糊化，变为模糊语言变量，由模糊规则进行模糊决策，再把模糊决策量清晰化转变成精确量进行控制。与传统控制方法相比，模糊控制无需建立数学模型，被控对象的特性和参数变化对控制质量的影响较小（鲁棒性强），对于非线性和大时滞对象采用模糊控制的效果要比PID效果好。因此很适合于过程控制，如pH值的控制，目前已有商品化软件。

4.人工神经元网络

人工神经元网络是模仿人类脑神经活动的一种人工智能技术。由于反向传递学习算法BP网络和Hopfield网络的出现，使人工神经元网络技术大为改观，发展很快。目前已在过程控制的许多领域，如在非线性系统的辨识和控制、基于模型的软测量、质量预报、故障诊断等方面获得应用。

目前，控制策略上出现了多学科研究的交叉与渗透，它们之间相互取长补短，如神经网络与模糊控制相结合构成了模糊神经网络控制，它兼有模糊控制和神经网络的优势，是一个很有前途的研究方向。