《先进控制技术》PPT课件.ppt

4 先进过程控制技术,信息学院,二一七年十一月,现代过程控制基础,1,2,本章内容：,软测量技术 预测控制技术 模糊控制技术,3,4.1 软测量技术,钢包炉体,测温枪,1558,1550,过程基本参数钢水容量:100 t温度区间:15201620电极加热系统参数:功率：13500 KW,现场温度测量,温度,热电偶点测,不能有效测量,控制效率低、精度差,经验估算误差大生产节奏快,经验估算多步控制,准确性,连续性,及时性,4.1.1 软测量技术的基本概念,4,条件1与温度变化相关的可测量,条件2可测量与温度之间的数学关系,5,4.1.2 软测量技术的核心,机理建模法,从过程内在的物理或化学规律出发，通过物料平衡、能量平衡或动量平衡建立对象的输入输出关系模型。优势：性能可靠，可用于过程特性分析缺点：建模难度高,精炼过程能流图,6,4.1.2 软测量技术的核心,黑箱建模法（或称数据驱动建模法）,基于积累的过程运行数据，用统计学习、人工智能等方法建立对象的输入输出关系模型。优势：建模简单缺点：数据需求量大,可选用的建模方法：,线性回归法：如PLS等非线性回归法：多项式回归等智能学习算法：神经网络等,黑箱建模原理图,7,4.1.2 软测量技术的核心,混合建模法,结合机理建模法与数据建模法的优势，利用数据建模方法对机理模型中的未知参数或未知函数进行学习。优势：综合性能好缺点：模型结构各异，建模难度高,混合模型结构示意图(a),混合模型结构示意图(b),8,4.1.3 软测量技术的使用,软测量模型,辅助变量,主导变量,输入-输出数据,建模方法机理建模法黑箱建模法混合建模方法,机理分析、选择辅助变量,数据采集和预处理,建立软测量模型,控制装置上实现软测量,9,4.1.4 软测量技术总结,“软测量技术”是把常规检测手段与被控对象的工艺、设备有机结合起来，应用计算机信息处理、工艺规律建模、过程辨识、人工智能学习等技术，对一些难于测量的过程变量进行推断和估计的间接检测技术。,通用性好、适用范围宽精度易受影响，需要长期维护,软测量-间接检测,测量准确、使用可靠难以应用于恶劣、复杂生产环境,传感器-直接检测,互补,优化控制,10,4.2 预测控制技术,产生背景：复杂工业过程模型无法精确表达 计算机技术的飞速发展和在工业控制领域的应用。工程应用角度，希望模型要求低、控制质量好、在线实现方便。,预测控制是对数学模型依赖性不是很强的控制方法。,1978年，Richalet J 在Automatica期刊上首次详细阐述了预测控制算法产生的背景、机理及工业应用效果。,11,4.2.1 预测控制的基本原理,基于模型的预测控制思路,相关变量说明:,12,4.2.1 预测控制的基本原理,基于模型预测对不同的控制策略对比,给系统施加不同的控制作用，根据不同控制策略下的预测输出变化,可以对这些控制策略的优劣进行对比。,预测模型：根据系统的历史信息（系统输出及控制作用）和未来输入，预测系统未来的输出。,具有展示系统未来动态行为的功能。,13,4.2.1 预测控制的基本原理,预测控制算法的核心：预测模型，反馈校正，滚动优化,预测控制算法就是要按照预测输出与期望输出的偏差，依据某一性能指标，计算当前及未来L个时刻的控制量，使得性能指标最小。,14,4.2.2 模型算法控制,1）预测模型,对于线性对象，其脉冲响应模型可以表示为,对于渐进稳定对象，由于,因此，对象的矩阵脉冲响应模型就可以近似表示为,模型在下一时刻到P个时刻的输出可以表示为,15,4.2.2 模型算法控制,2）模型校正,利用当前时刻的模型误差进行模型校正(反馈校正法)，得到校正后的预测输出分别为,16,4.2.2 模型算法控制,2）模型校正,其中:,17,4.2.2 模型算法控制,3）参考轨迹,参考轨迹:控制系统从现时刻实际输出到设定值的光滑过渡曲线。,通常取作一阶指数变化的形式，即,若令,将上式表示成矩阵向量形式，有,简记为：,18,4.2.2 模型算法控制,4）滚动优化,优化准则（思路）：以K时刻为始，选择未来P个控制量，使未来P个时刻的预测输出尽可能接近参考轨迹,系统期望输出与预测输出间的误差可以表示为,优化性能指标设计为,（Q、R为对角约束矩阵）,由,，有,19,4.2.3 预测控制的特点,（1）采用滚动优化的控制策略预测控制通过预测值，不断修正控制作用，在每一步都向最优的目标前进，优化目标不是一成不变，而是随时调整，能够适应定制控制、随动控制等多种情况，具有很强的适应性。（2）采用预测模型利用预测模型，既产生被控变量的预估值，又作为控制器的设计依据。当模型与被控对象失配时，能够通过反馈校正及时调整，具有良好的稳健性。,预测控制具有良好的适应性和鲁棒性：,20,4.2.4 预测控制总结,1）预测模型,预测模型是一个描述系统动态行为的模型，它能够根据系统的控制输入以及过程的历史信息，预测过程的未来值。在预测控制中，各种不同算法，采用不同类型的预测模型。线性模型：模型算法控制（MAC）单位脉冲响应曲线动态矩阵控制（DMC）单位脉冲响应曲线广义预测控制（GPC）受控自回归积分滑动平均模型（CARMA）非线性模型神经网络模型模糊TS模型,21,4.2.4 预测控制总结,2）参数选择,（1）根据香农采样定理，选择预测控制系统的采样周期T采样周期越短，过程预测模型的脉冲响应系数越多，计算量越大，通常选择过程脉冲响应的个数N在2050之间。（2）输出预估时域长度P应覆盖过程响应的主要部分，如果对象具有时滞和反向特性，应大于过程响应的时滞区段和反向区段。P值越大，控制的稳健性越强，但计算工作量和存储容量增加。通常取过程响应达到稳态值所需过渡时间的一半所对应的采样次数。,22,4.2.4 预测控制总结,2）参数选择,（3）加权矩阵Q和R。Q是对误差重视程度的量化，通常取单位阵，对于反向区段和时滞区段，该加权值是无能为力的，这些时段可取0，其余时段取1。R是对控制作用限制程度的量化，降低控制作用的波动，通常R取很小的数值。（4）参考轨迹收敛系数越大，参考轨迹柔性越好，但输出相应越慢，反之，则易引起超调或震荡，应根据具体对象试凑选择。,23,4.3 模糊控制技术,模糊控制的基本思想,将人类专家对特定对象的控制经验，运用模糊集理论进行量化，转化为可数学实现的控制器，从而实现对被控对象的控制。,控制思想：如果水温偏高，就把热水阀关小；如果水温偏低，就把热水阀开大。,24,4.3.1 模糊集(Fuzzy Sets),在模糊集理论中，通过隶属度函数的形式，将连续取值的物理量转换为离散形式的若干个模糊论域变量（称为模糊子集）。,例如，将房间温度T（假设其基本论域：1527）分成“热（Hot）”，“适合(OK)”，“冷（Cold）”三档,模糊集合表示,25,其它隶属度函数形式：,正态分布型（高斯基函数）,三角型,梯型,26,完备性,隶属度函数的分布必须覆盖语言变量的整个论域，否则，将会出现“空档”，从而导致失控。,不完备的隶属函数分布,4.3.1 模糊集(Fuzzy Sets),模糊化时的几个问题：,模糊集合个数,总的原则：在满足完备性的条件下，尽量取较少的集合数，以简化模糊逻辑规则的设计和实现。,27,4.3.2 模糊控制器,模糊化,模糊推理,模糊判决,模糊规则,被控对象,ysp,y,模糊控制器按模块可分为四部分：变量处理输入变量模糊化输出变量离散化 模糊规则 模糊推理 模糊判决,28,变量处理输入变量模糊化,4.3.2 模糊控制器,在模糊控制系统中，把模糊控制器的输入变量（如偏差 及其变化率）的实际范围称为这些变量的基本论域。基本论域内的量为精确量，需要对它们进行模糊化处理，转换为对应某个模糊语言变量的模糊集，这时需要确定模糊语言变量的隶属函数，常根据专家经验或统计分析确定。,例如：,29,变量处理输出变量离散化,4.3.2 模糊控制器,将输出变量离散化为若干个有限值。,30,模糊规则,4.3.2 模糊控制器,规则库的描述,规则库由若干条控制规则组成，这些规则根据人类控制专家的经验总结得出，按照 IF is AND is THEN is的形式表达。,R1:IF E is A1 AND EC is B1 THEN U is C1 R2:IF E is A2 AND EC is B2 THEN U is C2 Rn:IF E is An AND EC is Bn THEN U is Cn,其中，E、EC是输入语言变量“误差”，“误差变化率”；U是输出语言变量“控制量”。Ai、Bi、Ci是定义在各自基本论域上的模糊变量。,31,R1:IF E is A1 AND EC is B1 THEN U is C1 R2:IF E is A2 AND EC is B2 THEN U is C2 Rn:IF E is An AND EC is Bn THEN U is Cn,规则库也可以用矩阵表的形式进行描述,模糊规则,4.3.2 模糊控制器,32,模糊规则,4.3.2 模糊控制器,例如：,R1:IF e is negetive AND e is positive,THEN p1 is zero R2:IF e is zero AND e is positive,THEN p2 is medium increase R9:IF e is positive AND e is negetive,THEN p9 is zero,pi表示第i条规则的输出,33,模糊控制规则的生成方法归纳起来主要有以下几种：根据专家经验或过程控制知识生成控制规则。这种方法通过对控制专家的经验进行总结描述来生成特定领域的控制规则原型，经过反复的实验和修正形成最终的规则库。根据过程的模糊模型生成控制规则。这种方法通过用模糊语言描述被控过程的输入输出关系来得到过程的模糊模型，进而根据这种关系来得到控制器的控制规则。根据学习算法获取控制规则。应用自适应学习算法（神经网络、遗传算法等）对控制过程的样本数据进行分析和聚类，生成和在线优化较完善的控制规则。,模糊规则,4.3.2 模糊控制器,34,4.3.2 模糊控制器,模糊推理,将模糊控制器的输入量转化为模糊量供模糊逻辑决策系统用，每一条模糊规则可以求出一个模糊关系R。决策时根据控制规则决定的模糊关系R，应用模糊逻辑推理算法得出控制器的模糊输出控制量，最后精确化输出。对于n条模糊控制规则可以得到输入输出关系矩阵R1，R2，.，Rn，从而有模糊规则的合成算法可得到总的模糊关系矩阵为：,对于任一系统误差 和系统误差变化，其对应的模糊控制器输出 为：,通过上面公式可计算出模糊控制量，但计算量非常大，一般采用查表法。,35,查表法案例,4.3.2 模糊控制器,模糊推理,36,4.3.2 模糊控制器,通过模糊推理得到的结果仍然是一个模糊量，但实际应用中，控制或驱动执行机构需要的是精确量。因此要将模糊量转换为精确量，这一过程称为模糊判决过程（俗称反模糊化）。工程应用一般采用重心法进行反模糊化。,所谓重心法就是取输出模糊集合隶属函数曲线与横坐标轴围成面积的重心相应的输出作为输出的精确值。,模糊判决,37,例如：,4.3.2 模糊控制器,模糊判决,p=4.55%,38,4.3.3 模糊控制总结,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、滞后系统的控制控制算法表现形式比较友好，便于升级维护。,确立模糊化和逆模糊化的方法时，缺乏系统的方法，主要靠经验和试凑。总结模糊控制规则有时比较困难。,模糊控制的优点：,模糊控制的缺点：,为克服模糊控制的缺点，常与其它算法结合运用，如模糊PID、模糊自适应控制、模糊预测控制等。,