机电一体化设备的控制策略.ppt

1,第3章 机电一体化设备的控制策略,机电学院,2,教学目标,知识目标：1.掌握常用的经典控制、现代控制和智能控制方法；2.了解各种控制方法的应用。能力目标：1.综合分析问题、解决问题的能力；2.科学学习的能力。,3,学习重、难点,学习重点：1.传统控制方法的概念；2.现代控制方法的概念；3.智能控制及控制方法的融合。教学难点：1.控制的数学表达；2.智能控制方法的理解。,4,本章主要内容,传统控制策略,3.1,现代控制策略,3.2,智能控制策略,3.3,控制策略的渗透和结合,3.4,机电学院,小结,5,3.1 传统控制策略,比例-积分-微分（PID）控制,串级控制,纯滞后对象的控制,解耦控制,机电学院,6,3.1.1 比例-积分-微分(PID)控制,2.PID的参数整定方法,1.PID的概念 比例、积分、微分控制，简称PID控制，又称PID调节。,PID控制器的参数整定是控制系统设计的核心内容。它是根据被控过程的特性确定PID控制器的比例系数、积分时间常数和微分时间常数的大小。PID控制器参数整定的方法很多，概括起来有两大类：一是理论计算整定法。它主要是依据系统的数学模型，经过理论计算确定控制器参数。这种方法所得到的计算数据未必可以直接用，还必须通过工程实际进行调整和修改。二是工程整定方法，它主要依赖工程经验，直接在控制系统的试验中进行，且方法简单、易于掌握，在工程实际中被广泛采用。,7,3.模拟PID和数字PID控制,PID根据被控对象是模拟量还是数字量分为模拟PID控制和数字PID控制。,（1）模拟PID控制模拟PID就是我们常说的PID，其控制系统原理组成如图3.1所示。,图3.1 模拟PID控制系统原理框图,8,模拟PID调节器的微分方程为,（3-1）,式中；kP为比例系数；TI为积分时间常数；TD为微分时间常数。,其传递函数为,（3-2）,9,（2）数字PID控制 对模拟PID控制规律的离散化，就可以得到数字PID的差分方程如下：,选择采样周期的选择一般要满足采样定理，也就是最大采样周期Tmax满足下列条件,返回,10,3.1.2 串级控制,1.串级控制的概念 串级控制是一种复杂控制系统，它根据系统结构命名，是由两个或以上的控制器（主环、副环、次副环）串联连接组成，一个控制器的输出作为另一个控制器的设定值，每一个回路中都有一个属于自己的调节器和控制对象。2.串级控制中副回路的作用(1)迅速克服进入副回路扰动的影响。(2)灵活进行回路切换；减少对生产过程的影响。,11,3串级控制的组成 串级控制系统组成如图3.2所示，在串级系统中起主导作用的被控变量为主对象，主对象是用主参数（工艺控制指标）表征其特性的生产设备，副对象是用副参数（为了稳定主参数，或为某种需要引入的辅助变量）表征其特性的生产设备。主控制器按主参数与其给定值的偏差工作，其输出为副控制器的给定值，在系统中起主导作用；副控制器按副参数与主控制器来的外给定的偏差工作。,图3.2串级控制系统组成框图,返回,12,3.1.3 纯滞后对象的控制,1纯滞后对象的数学模型 大多数工业控制对象可以用惯性加纯滞后环节来描述。2纯滞后对象的控制系统结构组成 设某一带纯滞后环节的单回路控制系统的结构图如图3.3所示。,图3.3 带纯滞后环节的控制系统,13,3纯滞后对象的常用控制方法 对象的纯滞后时间对控制系统的控制性能极为不利，它使系统的稳定性降低，过渡过程特性变坏。纯滞后对象的控制方法常采用大林（Dahlin）算法和纯滞后补偿（Smith预估）控制等。,（1）大林算法大林算法的设计目标是将期望的闭环响应设计成一阶惯性环节与纯滞后环节串联，滞后时间与被控对象滞后时间相同，然后反过来得到能满足这种闭环响应的控制器。,（2）纯滞后补偿控制Smith（史密斯）提出了一种纯滞后补偿模型，其原理是，与PID控制器并联一个补偿器，该补偿环节称为Smith预估器。,返回,14,3.1.4 解耦控制,1解耦控制的概念 实际系统中往往有多个被调量和多个调节量，若任一调节量对多个被调量都有影响，即系统之间相互关联，这就构成了耦合系统。处理存在相互干扰的多重控制回路时，有必要运用一种相互作用的控制系统将多重回路互相隔离以避免各回路间相互干扰，此类设计称之为解耦控制。,15,2解耦控制的结构 图3.6为一简单的耦合系统结构图。,图3.6 简单耦合系统结构图,对上图耦合系统进行解耦控制，就是在系统中加入解耦装置，使图中的调节器Gc1的输出只影响Y1，不影响Y2；调节器Gc2的输出只影响Y2，不影响Y1。,返回,16,3.2 现代控制策略,自适应控制,变结构控制,鲁棒控制,预测控制,机电学院,17,3.2.1 自适应控制,1自适应控制的概念 自适应控制（adaptive control）是指能自动地适时地调节系统本身控制规律的参数，以适应外界环境变化、系统本身参数变化、外界干扰等的影响，使整个系统能按某一性能指标运行在最佳状态下的控制。能实现这种控制的系统称为自适应控制系统。2适应控制的原理结构 自适应控制一般原理结构如图3.7所示。,18,自适应控制的对象是一个未知系统，包括系统参数未知和系统状态未知两个方面，同时被控对象还受外界干扰、环境变化以及系统本身参数变化的影响。,图3.7 自适应控制系统的原理结构,19,3自适应控制的分类 自适应控制方式大体上分为两类：（1）模型参考自适应控制（MRAC）模型参考自适应控制（Model Reference Adaptive Control）系统是由参考模型、被控对象、常规的反馈控制器和自适应控制器构成，其系统结构如图3.8所示。,图3.8 模型参考自适应控制系统结构图,20,（2）自适应调节器 自适应调节器的控制对象也是一个未知或部分未知系统，其基本结构如图3.9所示。,图3.9 自适应调节器系统,其设计思想是先假设被控系统的参数已知，适当选择目标函数，决定最优控制规律，即先确定控制器结构，接着根据输入输出信息，通过辨识器进行系统参数辨识，将辨识参数看成系统实际参数，修改控制器参数，构成控制输入，调节未知系统，使被控系统动态性能达到最优。,返回,21,3.2.2 变结构控制,1变结构控制的概念 如果存在一个或几个切换函数，当系统的状态达到切换函数值时，系统从一个结构自动转换成另一个确定的结构，那么这种系统称为变结构系统。如果选择并确定了系统的控制规律后，得到的闭环系统是一个变结构系统，则称此系统为变结构控制系统。对于某一非线性控制系统,22,如能够确定切换函数向量,并能寻求到控制函数u 为,其中,且满足：到达条件：切换面,有限时间内到达切换面；切换面是滑动模态区，且滑动运动渐近稳定，动态品质好。称这种控制方法为变结构控制。,以外的相轨线将于,23,2变结构控制的分类 从广义上讲,变结构控制分为滑模变结构控制和非滑模变结构控制两类。一般所说的变结构系统均指前者。滑模变结构控制是一种特殊的开关控制，该控制特性可以迫使系统在一定条件下沿规定的状态轨迹作小幅度、高频率的上下运动，即滑模运动。这种滑模与控制对象的参数变化及扰动无关，故系统具有很好的鲁棒性。定义状态轨迹为切换面，而将称为滑模切换函数。,24,3滑模变结构控制的切换函数的常见模型（1）线性模型。（2）线性对象，二次型切换函数模型。（3）非线性对象，线性切换函数模型。,返回,25,3.2.3 鲁棒控制,1鲁棒控制的概念 控制系统的鲁棒性是指系统中存在不确定因素时，系统仍能保持正常工作性能的一种属性。所谓鲁棒控制,就是设计一种控制器,使得当系统存在一定程度的参数不确定性及一定限度的未建模动态时,闭环系统仍能保持稳定,并保持一定的动态性能品质的控制。,26,对于图3.10所示的反馈系统。,图3.10 反馈系统框图,设不确定性模型的传递函数为P(s,q),，不确定性模型的集合用M表示。上图中的控制器K如果对集合M中的每个对象（被控对象）都能保证内部稳定，则称此系统具有鲁棒稳定性。鲁棒的实质问题就是如何设计控制器K使被控对象的不确定性模型集合全部稳定或满足其他性能。,返回,27,3.2.4 预测控制,1预测控制的概念 预测控制是一种基于预测过程模型的控制算法，根据过程的历史信息判断将来的输入和输出。2预测控制的结构组成 预测控制的系统组成主要包括参考轨迹、滚动优化、预测模型和在线校正等四个部分，其结构如图3.12所示。,28,(1)参考轨迹：是人们希望的被控对象工作状态的一种参考轨迹。(2)滚动优化：即采用滚动式的有限时域优化策略。(3)预测模型：预测控制需要一个描述动态行为的基础模型，称预测模型。(4)在线校正：通过输出的测量值与模型的预估值进行比较，得出模型的预测误差，再利用这个误差来校正模型的预测值,图3.12 预测控制系统结构,修改为,29,3预测控制的常用算法 预测控制的主要算法有模型算法控制（Model Aagorithmic Control,MAC）、动态矩阵控制（Dynamic Matrix Control,DMC）、广义预测控制（Generalized Predictive Control,GPC）和内模控制（Internal Model Control,IMC）等。,返回,30,3.3 智能控制策略,模糊控制,专家控制系统,神经网络控制,遗传算法,31,3.3.1 模糊控制,1模糊控制的概念 模糊控制是一类应用模糊集合理论的控制方法。2模糊系统的结构组成 一个模糊推理系统的结构如图3.13所示。,图3.13 模糊系统结构,32,它由下面4个基本要素组成。（1）知识库（knowledge base）：包括模糊集和模糊算子的定义。（2）推理机制（inference engine）：执行所有的输出计算。（3）模糊器（fuzzifier）：将真实的输入值表示为一个模糊集。（4）反模糊器（defuzzifier）：将输出模糊集转化为真实的输出值。3模糊控制器的设计（1）模糊化 用模糊集表示实值信号的过程称为模糊化。（2）建立模糊推理规则模糊规则表示为“if then”条件语句。在应用中，通常采用模糊规则表形式表示出来。,33,常用的模糊语言变量的符号包括：NB(Negative Big)：负大；NM(Negative Medium)：负中；NS(Negative Small)：负小；ZO(Almost Zero)：几为零；PS(Positive Small)：正小；PM(Positive Medium)：正中；PB（Positive Big）：正大（3）确定权与规则信度。（4）选择适当的关系生成方法和推理合成算法。（5）反模糊化：当推理过程的输出构成一个模糊输出集时，有必要压缩其分布以产生一个表达模糊系统输出的单值。这个过程称为反模糊化。,返回,34,3.3.2 专家控制系统,1专家控制系统的概念 专家系统（expert system，ES）亦称专家咨询系统，它是一种具有大量专门知识与经验的智能计算机系统，基于专家系统的控制方法称为专家控制系统(expert control system,ECS)，它已广泛应用于故障诊断、工业设计和过程控制等方面。2专家控制系统的结构组成,图3.14 专家系统结构简图,35,一种工业专家控制器的框图。如图3.15所示。,专家控制器的基础是知识库(KB)，KB存放工业过程控制的领域知识，由经验数据库(DB)和学习与适应装置(LA)组成。控制规则集(CRS)是对被控过程的各种控制模式和经验的归纳和总结。由于规则条数不多，搜索空间很小，推理机构(IE)就十分简单，采用向前推理方法逐次判别各种规则的条件，满足则执行，否则继续搜索。特征识别与信息处理部分的作用是实现对信息的提取与加工，为控制决策和学习适应提供依据。,图3.15 工业专家控制器结构框图,36,3专家控制系统的构建 建造专家系统的步骤主要包括：设计初始知识库，包括问题知识化、知识概念化、概念形式化、形式规则化、规则合理有效化；原型机开发与试验。在选定知识表达方法之后，即可着手建立整个系统所需要的实验子集，它包括整个模型的典型知识，而且只涉及与试验有关的足够简单的任务和推理过程；知识库改进与归纳。反复对知识库及推理规则进行改进试验，归纳出更完善的结果。经过相当长时间的努力，使系统在一定范围内达到人类专家的水平。,返回,37,3.3.3 神经网络控制,1神经网络控制的概念 基于人工神经网络的控制（ANN-based Control）简称神经控制（Neural Control）或神经网络控制。神经网络是由大量人工神经元（处理单元）广泛互联而成的网络。2生物神经元模型（如图3.16所示）,图3.16 神经元结构模型示意图,38,3人工神经元模型 人工神经元是对生物神经元的一种模拟与简化，它是神经网络的基本处理单元。如图3.17所示为一种简化的人工神经元结构。,图3.17 人工神经元模型,39,3人工神经网络模型 人工神经网络是以工程技术手段来模拟人脑神经网络的结构与特征的系统。利用人工神经元可以构成各种不同拓扑结构的神经网络，它是生物神经网络的一种模拟和近似。前馈型网络和反馈型网络是两种典型的神经网络结构模型。,（1）前馈型神经网络（如图3.18所示）,图3.18 前馈型神经网络,40,（2）反馈型神经网络 反馈型神经网络（Feedback NN）的结构如图3.19所示。,图3.19 反馈型神经网络,返回,41,4.神经网络的学习机制,有教师学习无教师学习在励学习,42,3.3.4 遗传算法,1遗传算法的概念 遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。2遗传算法中的基本术语 染色体：遗传物质的主要载体，指多个遗传因子的集合。遗传因子：控制生物性状遗传物质的功能和结构的基本单位，又称为基因。遗传子座：染色体上遗传因子的位置称遗传子座，各个位置决定了遗传什么样的信息。遗传子型：遗传因子组合的模型叫遗传子型，它是性状染色体的内部表现，又称基因型。表现型：由染色体决定性状的外部表现，或者说，根据遗传子型形成的个体，称为表现型。,43,个体：指染色体带有特征的实体称个体。群体：染色体带有特征的个体集合称为群体，又称集团，该集合内的个体数称群体的大小。适应度：各个个体各自适应环境的程度称适应度。选择：指决定以一定的概率从群体中选取若干对个体的操作称为选择。交叉：把两个染色体换组的操作交叉，又称重组。突然变异：突然让遗传因子以一定的概率变化的操作称为突然变异。编码：从表现型到遗传子型的映射称为编码。解码（译码）：从遗传子型到表现型的映射称为解码。,44,3遗传算法的工作过程（如图3.20所示）,图3.20 遗传算法的一般过程,初始化,选择,交叉,突然变异,然后子代的适应度又被重新计算,返回,45,3.4 控制策略的渗透和结合,模糊预测控制,神经模糊控制,自适应PID控制,神经网络预测控制,神经网络自适应控制,神经网络PID控制,46,3.4.1 模糊预测控制,常用的模糊预测控制方法有两种：模糊预测控制:基于预测模型对控制效果进行预报，并根据目标偏差和操作者的经验，应用模糊决策方法的在线修正控制策略。这种方法已用于一类复杂工艺过程的终点控制。模糊预测控制:基于辨识模糊模型的多变量预测控制方法，它由模糊辨识和广义预测控制器两部分组成。采用线性系统理论来设计广义预测器，简化了设计。这种模糊预测控制的跟踪速度快、抗干扰能力强、控制效果好。,返回,47,3.4.2 神经模糊控制,采用模糊规则来实现神经网络系统的初始化的神经网络系统称为神经模糊系统（neurofuzzy system）。它是在一个单独的、非线性信息处理装置中结合了神经网络和模糊逻辑的特性。其简单的结构如图:,图3.21 神经-模糊系统的三层结构,返回,48,3.4.3 自适应PID控制,极点配置自适应PID控制算法的原理是通过调整PID参数，使系统具有期望的闭环特征方程。设计步骤：确定期望系统闭环极点位置；在线估计、辨识系统参数；计算控制器参数；计算控制律。特点：极点配置自适应PID控制器具有计算量较小，鲁棒性较强，适合于非最小相位系统且可推广到多变量系统等优点。,返回,49,3.4.4 神经网络预测控制,图3.22表示神经网络（作为模型）预测控制的一种结构方案。,图3.22 神经网路预测控制器结构图,返回,50,3.4.5 神经网络自适应控制,对于复杂的控制对象和环境，希望控制器能够根据受控对象行为的观测量，自适应地控制对象至期望要求。神经网络自适应控制器能够通过学习，不断获取控制对象的知识，且不断适应过程的变化。为了使泛化学习具有自适应能力，可把它与MRAC结合构成神经网络MRAC控制，即神经网络间接自适应控制。,图3.23 神经网络间接MRAC框图,返回,51,3.4.6 神经网络PID控制,PID 控制要取得好的控制效果，就必须对比例、积分和微分三种控制作用进行调整以形成相互配合又相互制约的关系，这种关系不是简单的“线性组合”，可从变化无穷的非线性组合中找出最佳的关系。神经网络所具有的任意非线性表示能力，可以通过对系统性能的学习来实现具有最佳组合的PID控制。,返回,52,本章小结,重要概念 PID控制、串级控制、解耦控制、自适应控制、变结构系统、鲁棒性、鲁棒控制、预测控制、专家系统、神经网络控制、遗传算法、个体、适应度、突然变异等。重点问题 传统控制方法、现代控制方法和智能控制等。,53,课后作业,1、机电一体化系统中采用的传统控制策略和现代控制策略各有哪些？它们各自有什么特点？2、机电一体化系统中常用智能控制方法有哪些？3、遗传算法的工作原理如何？,