4. 多变量预测控制（MPC）原理与Yokogawa实现
多变量预测控制（MPC）是先进过程控制的核心算法族。与PID“看当前偏差、调当前输出”不同，MPC在每一个控制周期内做三件事：用模型预测未来一段时间的过程响应，在满足约束的前提下求解一组使目标函数最小的未来控制动作，然后只实施第一个动作，下一周期重新预测、重新求解。这种“预测—优化—只走一步—再预测”的机制就是滚动优化，也是MPC能同时处理多变量耦合、纯滞后和约束的根本原因。
一、预测模型：MPC的“眼睛”
MPC需要知道“如果我现在把阀门动Δu，未来若干步被控变量会怎么走”。Yokogawa APC（以Exasmoc为代表）采用阶跃响应模型（Step Response Model），即对每个操纵变量（MV）到每个被控变量（CV）的通道，用一组阶跃响应系数描述其动态。设采样周期为T，第j个通道的模型系数为 aj(1), aj(2), …, aj(N)，N为建模时域。则未来第k步的CV预测值可写成：
y(k) = y0 + Σ_j Σ_i a_j(i)·Δu_j(k-i)
其中 y0 是当前时刻的预测初值（由当前测量值加模型失配修正得到），Δu 是控制增量。阶跃响应模型的好处是无需辨识微分方程参数，直接从现场阶跃测试数据回归即可，工程上稳健、可解释。建模时域N通常取过程主导时间常数加纯滞后的2～3倍；控制时域M（未来要优化的控制步数）一般取5～20步，M越大计算量越大，但对慢过程可改善性能。
二、目标函数与约束处理
MPC在每个周期求解如下优化问题：在预测时域P内，让CV尽量贴近设定值或理想稳态值，同时抑制MV的剧烈动作。典型目标函数为：
min J = Σ_{k=1}^{P} ||Γ_y·(y(k)-r(k))||² + Σ_{k=1}^{M} ||Γ_u·Δu(k)||²
Γ_y 是CV误差权重，Γ_u 是MV移动抑制权重。权重越大，该变量在优化中的“话语权”越大。约束则包括：MV上下限及速率限幅、CV的软/硬约束、以及MV之间的耦合关系。Yokogawa APC在约束处理上采用优先级分层：硬约束（如阀门物理限位、安全联锁）不可违反；软约束（如产品质量卡边）允许在必要时短暂越界，但会在目标函数中加惩罚项。当约束冲突时，控制器按优先级依次放松低优先级约束，保证高优先级目标可行。
三、滚动优化与反馈校正
滚动优化的关键在“反馈校正”。由于模型不可能完全准确，MPC每周期用当前实测CV与模型预测CV之差来修正预测初值：
y0_corrected = y_measured + (y_model_predicted - y_model_at_current)
这相当于把模型误差“平移”到未来预测上，使控制器对模型失配和未建模扰动具有鲁棒性。校正后的预测再进入优化求解，得到新的Δu序列，只实施第一个Δu，然后等待下一个采样周期。这种机制让MPC天然具备积分作用，但比PID积分更“聪明”——它知道未来会发生什么。
四、Yokogawa Exasmoc组态要点
Exasmoc是横河电机在多变量预测控制领域的经典产品，其组态流程可归纳为四个环节。第一是变量定义：明确哪些是操纵变量MV（如回流流量、加热炉燃料阀）、哪些是被控变量CV（如塔顶温度、产品质量指标）、哪些是干扰变量DV（如进料流量、环境温度）。每个变量要设定量程、工程单位、采样周期和初始限幅。采样周期通常取过程主导时间常数的1/10～1/5，太快会放大噪声，太慢会丢失动态信息。
第二是模型辨识。对每个MV→CV通道做阶跃测试，记录响应曲线，回归出阶跃响应系数。测试时要注意：每次只动一个MV，其他MV保持稳定；阶跃幅度要足够大以克服噪声，又不能大到引起非线性或安全问题。辨识完成后要做模型验证，用另一组测试数据检查预测误差，误差过大则需重新测试或调整模型结构。
第三是控制器整定。预测时域P一般取过程稳定时间的1～1.5倍，控制时域M取5～20。CV误差权重Γ_y根据变量重要性分配，产品质量CV权重高，温度压力等中间变量权重低。MV移动抑制权重Γ_u用于平衡控制精度与阀门动作频率，Γ_u越大阀门动作越平滑但响应越慢。约束优先级要按安全、质量、产量的顺序排列。
第四是投运与监控。Exasmoc支持离线仿真，可在投运前用历史数据验证控制器行为。投运时采用无扰切换，先让MPC跟踪当前PID输出，再逐步接管。投运后要持续监控预测误差、约束触发频率、MV饱和时间等指标，当模型失配累积到一定程度时，用新数据在线更新模型或重新辨识。
五、Exapilot与MPC的协同
Exapilot是横河电机的操作导航与自动化工具，常与Exasmoc配合使用。Exapilot负责把操作员的常规操作（如切换工况、调整设定值、处理报警）固化为标准操作序列，而Exasmoc负责在稳态附近做多变量协调控制。两者协同的典型场景是：Exapilot检测到工况切换条件满足，按预设序列调整MPC的设定值和约束，MPC在切换过程中保持关键变量平稳，切换完成后Exapilot把控制权交回MPC。这种分工让MPC专注于连续调节，Exapilot专注于离散操作，避免把复杂的逻辑判断塞进MPC的目标函数里。
从实现角度看，MPC的性能上限由模型精度决定，下限由约束和权重设置决定。Yokogawa APC工具链的价值在于把建模、整定、仿真、投运、监控串成一条可复现的工程流程，而不是提供一个“一键优化”的黑箱。理解预测模型、目标函数、约束处理和滚动优化这四个环节，再结合Exasmoc的组态要点，就能在实际装置上把MPC从理论变成可运行、可维护的控制方案。