典型大惯性过程的控制方法综述.docx

典型大惯性过程的控制方法综述.docx

《典型大惯性过程的控制方法综述.docx》由会员分享，可在线阅读，更多相关《典型大惯性过程的控制方法综述.docx（14页珍藏版）》请在冰豆网上搜索。

典型大惯性过程的控制方法综述

典型大惯性过程的控制方法

在工业生产过程中,经常由于物料或能量的传输带来时间延迟的问题,即被控对象具有不同程度的纯滞后,不能及时反映系统所受的扰动。

此外,测量信号到达控制器,即使执行机构接受信号后立即动作,也需要经过一个滞后时间才能影响到被控制量实现控制。

该种类型过程必然会产生较大的超调和较长的调节时间,使过渡过程变坏,系统的稳定性降低。

设τ为纯滞后时间,T为对象的容量滞后时间,当τ/T增加时,过程中的相位滞后增加而使超调增大,甚至会因为严重超调而出现生产安全事故。

通常将纯滞后时间与过程的时间常数之比大于0.3的过程认为是具有大滞后的过程。

即:

=

传统的PID控制一般不能解决过程控制上的大滞后问题,具有大滞后的过程控制被公认为是较难的控制问题,一直以来都是过程控制研究的热点。

加热装置的炉温控制具有典型的时间滞后特点。

基于前人研究成果，本文对适用于大惯性过程中的典型控制算法进行总结，并适当的列举当下较为突出的相关控制策略，做出相应的说明和阐述。

一、传统控制的改进

1.串级控制

由于系统纯延迟时间较长，而且扰动的因素多，单回路反馈控制系统不能满足控制品质的要求。

为了提高控制质量，采用串级控制系统，运用副回路的快速作用，有效地提高控制质量，满足生产要求。

串级控制系统采用两套检测变送器和两个调节器，前一个调节器的输出作为后一个调节器的设定，后一个调节器的输出送往调节阀。

若选择锅炉为大延迟对象，则串级控制方框图可以设计成如图1-1所示。

图1-1

整个系统包括两个控制回路，主回路和副回路。

副回路由副变量检测变送、副调节器、调节阀和副过程构成；主回路由主变量检测变送、主调节器、副调节器、调节阀、副过程和主过程构成。

前一个调节器称为主调节器，它所检测和控制的变量称主变量（主被控参数），即工艺控制指标；后一个调节器称为副调节器，它所检测和控制的变量称副变量（副被控参数），是为了稳定主变量而引入的辅助变量。

分析可以看到：

在串级控制系统中，由于引入了一个副回路，不仅能及早克服进入副回路的扰动，而且又能改善过程特性。

副调节器具有“粗调”的作用，主调节器具有“细调”的作用，从而使其控制品质得到进一步提高。

2.Smith预估控制

为了解决纯延迟对象的大滞后控制问题，Smith提出了一种纯滞后补偿方法，被称为Smith预估器。

该方法结构简单、概念明确，是一种得到广泛应用的时滞过程控制方案。

传统的Smith预估控制方框图如图1-2所示。

图1-2

最终使得等效对象

。

但是因为

很难在控制系统中实现，是模型。

可以计算实现,一旦实现后是固定不变的。

而过程和实际特性是不断变化的。

这样就使得系统等效对象

，这样控制系统的品质就会严重恶化，而且纯延迟变化，对控制系统的品质的影响尤其突出。

于是提出了很多关于Smith预估的改进方案，例如：

增益自适应Smith控制、动态参数自适应Smith控制等等。

本文介绍一种串级-Smith预估控制策略，即采用串级控制结构结合Smith预估控制器的控制方案。

内环采用Smith预估器,大幅度降低滞后对控制系统动态性能的影响;外环采用PI控制实现系统无静差[1]。

Smith预估加串级控制系统的整体框图如图1-3所示。

图1-3

由于系统过程纯滞后时间较长,传统的PID控制不能取得较好的控制效果,因此采用串级结合Smith预估补偿的控制方案。

考虑到实际装置及串级结构的特点,选择了纯滞后较大的部分作为副回路。

在副回路中采用Smith预估补偿控制,Smith预估控制是针对大时延过程的预估补偿,其原理是按照过程的特性预估出一种模型加入到反馈控制系统中,使被延时了τ时间的被控量超前反映到调节器的输入端,使调节器提前动作,从而明显地减小超调量和加速调节过程,是一种得到广泛应用的方案。

串级-Smith预估控制也没有很好的解决模型失配的问题，在此基础之上再运用动态参数自适应Smith控制效果会明显改善。

3.内模控制

内模控制（简称IMC）是一种基于过程数学模型进行控制器设计的新型控制策略。

由于其设计简单、控制性能好和在系统分析方面的优越性，因而内模控制不仅是一种实用的先进控制算法，而且是研究预测控制等基于模型的控制策略的重要理论基础，以及提高常规控制系统设计水平的有力工具。

内模控制是在传统Smith预估器的基础上导出的，其方框图如图1-4所示。

图1-4

当估计模型精确时，使

用于调节扰动

，

相当于一个扰动补偿器或前馈控制器，所以对它的设计就很简单。

当估计模型不精确时，

包含模型失配信息，有利于系统的稳定。

因此它无需精确的对象模型，当在反馈回路中引入滤波器后，系统可以获得较好的鲁棒性，且内模控制器的设计简单，控制器参数调节方便。

是研究预测控制等基于模型的控制策略的重要理论基础,以及提高常规控制系统设计水平的工具。

二、先进控制算法

1.最优控制

所谓最优控制理论，是对一个受控的动力学系统或运动过程，从一类允许的控制方案中找出一个最优的控制方案，使系统的运动在由某个初始状态转移到指定的目标状态的同时，其性能指标值为最优。

为了解决最优控制问题，必须建立描述受控运动过程的运动方程，给出控制变量的允许取值范围，指定运动过程的初始状态和目标状态，并且规定一个评价运动过程品质优劣的性能指标。

通常，性能指标的好坏取决于所选择的控制函数和相应的运动状态。

系统的运动状态受到运动方程的约束，而控制函数只能在允许的范围内选取。

本文介绍一种基于Smith预估器的最优控制策略[2]。

该方案基于Smith预估器，调节器按最优控制设计,引入自适应控制,使最优调节器以及预估器能不断地跟踪过程特性参数的变化,确保系统在对象参数变化时仍保持优良的控制性能。

其基本结构如下图所示，主要由被控对象、预估器、参数在线估计器、自适应控制器和监控器组成。

图2-1

在线参数估计器不断地估计出被控对象的参数,并实时地修改预估器和最优控制器的参数,使它们在系统的运行过程中能不断地跟踪对象模型的参数,从而达到预估器与对象模型保持匹配以及具有自校正控制的能力;监控器的作用是,根据被控对象参数的变化快慢,调整参数估计算法中的遗忘因子的值,以提高参数估值的精度,而当被控对象的参数变化很慢时,暂停参数估计器的算法,控制器和预估模型的参数不更新,从而减少计算量,加速系统的控制过程。

经仿真实验表明，系统的输出响应具有良好的性能品质。

2.人工神经网络控制

人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。

其简单结构如图2-2所示。

图2-2

神经网络是一种运算模型，由大量的节点（或称神经元）和之间相互联接构成。

每个节点代表一种特定的输出函数，称为激励函数（activationfunction）。

每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。

网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。

神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。

具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此有很大的应用市场。

但是其最严重的问题是没能力来解释自己的推理过程和推理依据，而且当数据不充分的时候，神经网络就无法进行工作。

其理论和学习算法还有待于进一步完善和提高。

本文针对大滞后过程，介绍一种模糊人工神经网络控制器做控制机构[3]，用参考模型输出作理想训练目标及以此为基础而建立的广义BP算法做自适应机构的参考模型的人工神经网络系统。

其基本结构如图2-3所示，

图2-3

图中FANNC为模糊人工神经网络控制器，r（t）表示参考输入，

表示被控制对象的输出，

表示参考模型的输出，

和

分别表示参考模型输出与被控对象输出之间的误差和误差变化量。

和

则表示被控对象翰出与参考输人之间的误差和误差变化量。

自适应机构采用广义BP算法结构，它给出FANNC中权值的修正值。

仿真结果表明，用FANNC代替了传统模型参考自适应模糊控制系统中的PID调节器，利用参考模型输出作为网络学习的期望目标，并以此形成广义BP算法解决了以往网络学习算法中缺乏理想动态特征的不足及选取理想训练目标的困难。

同时，在性能指标中引入误差的化量，从而有效的提高了稳态精度。

从根本上为一类缺乏精确的数学模型的大滞后大惯性对象提供了一种有效的方法。

3.模糊控制算法

模糊控制是以模糊集合论、模糊语言变量和模糊逻辑推理为基础的一种计算机数字控制技术。

模糊控制器的基本工作原理为将测量得到的被控对象的状态经过模糊化接口转换为用人类自然语言描述的模糊量，而后根据人类的语言控制规则，经过模糊推理得到输出控制量的模糊取值，控制量的模糊取值再经过清晰化接口转换为执行机构能够接收的精确量。

模糊控制器的基本结构通常由四个部分组成：

模糊化接口、规则库、模糊推理、清晰化接口。

图2-4

分析可知模糊控制具有如下优点：

设计时不需要建立被控制对象的数学模型，只要求掌握人类的控制经验；系统的鲁棒性强，尤其适用于非线性时变、滞后系统的控制。

主要存在的不足是：

确立模糊化的方法主要靠试凑，缺少理论方法；总结模糊控制规则较为困难；稳态精度不是很高。

针对大惯性过程，在前面的模糊神经网络的基础上在介绍一种模糊PID控制策略[4]。

Fuzzy-PID复合控制策略的主要思想是根据系统偏差大小，响应调整控制方式，使系统获得良好的控制效果。

当偏差较大时，利用模糊控制器动态响应性能好的优点，使系统响应输出快速跟踪系统输入；当被调量逼近设定值时，此时系统偏差已大大减小，此时采用PID控制算法，利用其积分作用消除系统的余差，提高系统的稳态精度。

因此，Fuzzy-PID复合控制器兼具模糊控制与PID控制两者的优点，从而进一步提高了系统的调节品质。

针对本文所研究的一阶时滞过程对象，所设计的控制系统如图2-5所示。

图2-5

仿真结果表明，Fuzzy-PID复合控制算法改善了系统的动态品质，系统超调量、调节时间等指标得到明显改善。

4.预测控制

预测控制是七十年代末期提出的既具有优良的控制品质，又对模型精度要求不高的控制算法。

其基本思想是不仅利用过程当前及过去的偏差，还要利用模型预测过程输出在未来时刻的变化，根据未来输出与设定值之间的偏差进行计算当前的控制作用，能使控制系统提前动作。

因此预测控制在本质上要优于自校正算法。

主要分为三个步骤：

多步预测模型、在线反馈校正、滚动优化。

基本思想的示意图如图2-6所示：

图2-6

（1）在当前时刻t对过程未来进行预测。

未来的控制作用不同，控制输出也不同，如：

图中假定未来的控制作用分别为u1，u2，u3，则可获得三条预测输出曲线，分别为y1，y2，y3。

（2）在所假定的不同未来控制中选择最优序列，使过程的预测输出以最好的方式跟踪参考轨迹的变化。

（3）将最优控制序列中t时刻的控制信号作用于实际过程，在下一个采样周期上重复进行上述步骤。

针对大滞后过程，本文简单介绍广义预测控制（GPC）的基本控制思路。

广义预测控制被控对象的数学模型为如下的CARIMA模型为：

用丢番图方程可以将

写成两部分：

所以

又

所以

得到

其中

于是可以将

化成矩阵形式，如下：

定义

求的

将最优控制的控制作用带入求的

，再在

时刻重复上述计算。

仿真表明，预测控制可以一定程度上克服大滞后控制系统中的困难，提前动作，取得良好的控制品质。

5.专家控制

专家控制是将人类专家对特定对象的控制经验进行量化，转化为可数学实现的控制器，从而实现对被控对象的控制。

针对大滞后对象，本文介绍一种基于模糊控制的专家控制系统[5]，将模糊控制与专家控制结合起来，充分发挥各自优势通过引入专家知识库，对模糊控制器调整因子在线修正。

系统运用模糊逻辑原理专家的先进知识和求解控制问题时的启发式规则来构造控制策略，在常规PID控制器的基础上整合了启发式逻辑推理来对控制参数进行调整专家系统的调整规则由知识库提供，控制决策由推理机实现，通过推理计算以在线得出一组量化因子

、

和比例因子

，通过对量化因子和比因子的调整，使系统的控制性能实现最优。

其控制框图如图2-7所示。

图2-7

仿真结果表明，该方法能具有良好的节能效果。

6.仿人智能控制

仿人智能控制是仿效人政行为而进行控制和决策，即在宏观结构上和功能上对人的控制进行模拟。

仿人智能控制的基本思想是指：

在控制过程中利用计算机模拟人的控制行为能力，最大限度的识别和利用控制系统动态过程所提供的特征信息进行启发和直觉推理，从而实现对缺乏精确数学模型的对象进行有效的控制。

针对大滞后过程，本文介绍一种基于模糊控制的仿人智能控制策略[6]。

仿人智能模糊控制算法是基于模糊逻辑,并将仿人智能有机融合的一种设计方法,采用“观察→控制→等待→再观察→再控制→再等待”的方法,当误差及误差变化率在绝对值变大的方向变化时,控制加以闭环控制;当误差及误差变化率往绝对值变小的方向变化时,控制器加以开环控制。

仿真结果证明了仿人智能模糊控制方法不只是仿人智能控制与模糊控制的简单结合,而是综合两者的优点。

在时变大滞后过程控制方面,其性能明显优于Smith预估控制器。

三、结论

大惯性大滞后环节直到今天仍然是没有得到很好的解决的问题，但是随着自控领域技术的飞速发展，已经出现了越来越多的控制算法可以在适当的领域弥补大滞后环节带来的控制缺陷。

上文中提到的Smith预估控制、内膜控制、神经网络控制、预测控制等等，虽然也存在一定的缺陷，但是它们为大滞后大惯性的控制系统的控制方案指明了道路，而且本文中所列举的控制算法显然不全面，相信还有更好的算法没有列举，或者不久的将来会出现更优化的算法可以取得更大的突破。

参考文献

[1]陈莉,张锋.串级-Smith预估控制在温度大滞后系统中的应用[J].仪表技术,2007,2:

37-39.

[2]孙炳达,曾光,范昕炜,等.大滞后时变对象的一种自适应预估最优控制[J].电工技术学报,1999,14（6）:

31-34.

[3]赵保军,孙圣和.大滞后大惯性对象的模糊人工神经网络控制器[J].黑龙江自动化技术与应用,1996,15

（2）:

15-17.

[4]梁恩泉,巨林仓,欧伟,等.大惯性,大滞后过程的模糊控制算法设计分析[J].中国动力工程学会第三届青年学术年会论文集,2005.

[5]强明辉,周宇侯.基于专家模糊控制的大滞后过程的研究[J].电气自动化,2011,33（3）:

3-4.

[6]周彦,何小阳,王冬丽.时变大滞后过程的仿人智能模糊控制[J].自动化技术与应用,2005,11:

003.