盡管將模型化預測控制技術（MPC）應用到過程控制項目中會遇到許多難題，但這仍值得一試，因為它的實際表現將會大大優于通常的控制方法。因此，在當今經濟競爭激烈的環境中，采用這種新技術來更好地實現工廠生產和效益目標，已經成為一種越來越重要的競爭手段。 　　 MPC最強大的功能在于，通過設計被控制變量（CVs）的未來軌跡，來最大限度地模擬現實世界中過程控制的各種情況。其中具有代表性的一種情況是通過低強度的控制給定一個較大差幅。 　　 選擇模型預測控制的最大好處是其輕松集成了過程優化器（這是后兩部分的主題），并產生使用常規控制策略難以得到的巨大經濟效益。 [align=center] 圖1：過程交互的作用是清晰的：兩個組分流量影響全部的三個被控制變量； 而蒸汽流量只影響產品溫度。 圖2：反應堆基于B 流量因素對于產品溫度的影響而建立的模型顯示了一個逆響應 圖3：引出相同的變化之后，MPC 對反應堆作出響應。[/align] 在測試過程中取得良好的數據是最重要的一步。 MPC在反應堆控制中的應用 應用MPC的主要步驟包括： 　　■ 獲取表示控制過程中響應關系的數據； 　　■ 定義過程模型的被控變量、被操縱變量和干擾變量； 　　■ 使用模型識別工具開發過程模型； 　　■ 將過程模型集成到終端控制器中； 　　■ 控制器調試和最終投入使用。 　　 過程，測試。最初，相關的被控變量、被操縱變量和重要的干擾變量沒能被預先完成定義。如果整個控制過程比較復雜，定義就會更加困難。這些變量之間的動態相互影響常常是不清晰的。過程測試將提供必要的信息。 　　 在過程測試中，需要循序漸進地記錄被操作變量對被控變量的影響，以及可能的干擾變量引起的任何變化。這常常形成一個偽隨機二元序列（PRBS）測試。圖1反映了從目標反應堆收集到的一些這個階段的PRBS測試數據。它表示了任意時間段內A因素、B因素和蒸汽流量的變化以及這些變化對被控變量的影響。 　　 模型結構定義。這是關鍵的一步，不象聽上去的那么簡單。因為工程師們并不總能肯定哪些變量要被包括在MPC里，他們必須明確： 　　■ 影響產品質量和生產量的關鍵——被控制變量；和 　　■ 最能夠影響被控制變量的被操縱變量。 　　 工程師還必須找到會引起重大影響或變化的可測量干擾量。數據測試提供了定量的分析依據，要理解是正確識別相關的從屬和獨立變量，更重要的是對過程的理解。 　　 工程師必須確定被控變量是作為設定點還是作為強制變量。最后，如果有可用的自由度，設計者必須確定哪個被操縱變量將有目標值。 　　 以反應堆為例，變量包括： 　　■ 三個被控量； 　　■ 三個被操縱量； 　　■ 兩個前饋。 　　 既然每個被控變量有自己的設定值，且只有3個自由度（可操縱量），因此不能定義獨立的多變量目標值。 　　 模型識別。因為所有的模型化預測控制軟件包都包含從測試數據識別過程模型的工具，因此一些關鍵性的問題必須被解決，包括： 　　■ 什么將是模型的預測間隔？模型預測間隔決定了預測系統將來行為的時間間隔值。這個值必須小到足以充分地滿足最快的被控量動態過程。 　　■ 模型中將有多少個函數系數？模型中系數的數量決定了預測的歷史記錄。它必須有足夠數量以包含整個響應過程，也必須滿足完成一次輸入所引起變化的時間的長度。 　　■ 什么將是模式的預測范圍？這是預測將會實現的時間長度。除非個別的模型具有特殊的范圍要求，一般情況下，這個時間必須長到足以讓控制器速度最慢的模型響應完畢。 　　 如果這一過程是多變量的，一些輸出的被控變量將會受到一些輸入的被操縱量和干擾量的影響。一個包含各自獨立輸入/輸出模型的矩陣將是表達這整套輸入/輸出關系的較為方便的方法。圖2顯示了反應堆模型的整個分段響應過程： 　　■ 左軸包括產品的被控量：配比、流動率和溫度； 　　■ 頂軸表示被操縱變量和前饋量——A流量因素、B流量因素、蒸汽流量和溫度因素。 　　 控制器集成控制平臺。雖然許多設置必須進行組態，但這是個最簡單的過程，因為很大程度上這一過程是機械的和程序化的。細節隨著具體控制方案不同而不同。 　　 控制器調試。當控制器投入應用之時，就是之前所有努力獲得結果之時。傳統控制方式與基于模型的控制方式之間最根本的區別也立刻顯現出來了。傳統控制方式在調試時，通過簡單地設定參數，整個控制器的響應就可全部實現。 　　 而模型控制器的控制行為基本上完全取決于它的模型。如果是模型設計準確，控制器就能很好的工作。如果模型不準確，控制器將無法達到預期的效果。整定參數對控制器的響應只有非常小的影響。通過調試來完善一個不正確的模型，將是非常困難，甚至是不可能的。因此在測試過程中獲得有效的數據應該是應用模型化預測控制最重要的一步。 　　 圖3將MPC和以往的控制方式進行了比較，得出結論：基于模型的控制在各個方面的表現均優于以前的控制方式。在正常的情況下，改變生產速率，得到的全面指標如下： 　　■ 優于先進過程控制（ARC）3.3倍； 　　■ 優于基本控制（BRC）62倍；和 　　■ 優于模糊邏輯控制103倍。 　　 而改變產品組成的設定值后，優于先進過程控制（ARC）9%，優于模糊邏輯控制70%。 和先進過程控制一樣，模型化預測控制器的運行方式類似多變量控制器。雖然只有一個設定點發生變化，但控制器相應改變了全部可操縱變量的值。通過更好地理解動態過程，MPC提升了它的性能，并因此優于先進過程控制。 　　 性能提升很大程度上來自于更好的溫度控制。通過更好地理解溫度動態過程，MPC能將動作控制在更恰當的范圍內。在這個例子中，控制器首先改變蒸汽流量的前次穩態值，以響應合成物設定值的改變。這恰當地補償了過程中的逆響應并保持了溫度的穩定性。 　　 反之，產品組分響應設定值變化的給定值沒有顯然的差異。給定值只是從1.7變化到2.7。組分響應受控于死區時間，但沒有哪個控制器能消除死區時間的影響。即使一個控制器能完美地響應設定值變化，其作出相應控制動作時仍然存在著延時。在一個死區中，必然存在一個等同于設定值變化的偏差。一個最小的ISE是不可避免的。 　　 由于這個錯誤和死區，這個最小ISE大約是1.5個單位。只有當ISE大于這個值時，才可能被控制所消除。對BRC來說，這個值是0.29；對于MPC來說，是0.21。相比較于BRC，MPC減小了這個值大約28%。而基于規則的控制則增加了近413%。 對操作員的影響 　　 對于操作員而言，操作MPC系統是個新的挑戰。在使用時，操作員首先不得不按照多變量的情況考慮。控制器產生多重變化，同時也實現多重目標；而這種效果未必會馬上顯現。此外，由于控制器對動態變化很敏感，例如逆反應和延時響應，因此操作員可能無法立即明白它的控制邏輯變化。 　　 此外，MPC引入了一些新的控制對象。一些變量將被歸類為約束變量，只有當它們接近限制值時，控制器才會做出響應。被操縱變量的目的可能是一個新概念，需要仔細定義。 　　 操作員可能不熟悉控制器的人機界面。除了設定值以外，操作員也需要輸入限制值。由于控制器內變量數量有限，這些信息可能只能以表格形式展示。 　　 此外，控制器的狀態轉變將更為復雜。傳統PID控制器只有兩個狀態——手動和自動，而且這兩個狀態間的切換是即刻實現的。 　　 而MPC在處于完全控制狀態之前，一定會一段較長時間的經過，并經歷了數種狀態。同時，由于MPC為較低級的控制方式提供設定值，因此操作員也會看到另外的狀態和這些控制器間的切換。