先进控制系统.ppt.pptx
- 文档编号:30787220
- 上传时间:2023-09-22
- 格式:PPTX
- 页数:47
- 大小:256.43KB
先进控制系统.ppt.pptx
《先进控制系统.ppt.pptx》由会员分享,可在线阅读,更多相关《先进控制系统.ppt.pptx(47页珍藏版)》请在冰豆网上搜索。
5.4先进控制系统,APC定义:
先进(高级)过程控制(APCAdvancedProcessControl)是指在动态环境中,基于模型、充分借助于计算机能力,为工厂获得最大利润而实施的运行和技术策略。
APC作用:
将会使系统运行在最佳工况,实现所谓的“卡边”控制。
APC类型:
双重控制及阀位控制,纯滞后控制,解耦控制,自适应控制,差拍控制,状态反馈控制,多变量预测控制,推断控制(软测量技术),智能控制(专家控制、仿人控制,模糊控制,神经网络控制等)等。
一、预测控制,20世纪70年代末出现的一种基于模型的计算机优化控制算法,被认为是近年来出现的几种不同名称的新型控制系统的总称。
由于预测控制的先进性和有效性,成为控制理论及其工业应用的热点。
预测控制与PID控制的不同点:
常规PID控制是根据偏差来确定当前的控制输入。
预测控制不但利用了当前的和过去的偏差值,而且还通过预测模型来预估过程未来的偏差值,以滚动优化确定当前的最优输入策略。
预测控制优于PID控制。
预测控制算法是以模型为基础,既包含了预测的原理,同时具有最优控制的基本特征。
预测控制算法有两种类型,一类基于非参数模型(如阶跃响应或脉冲响应),通过输出预测、反馈校正和滚动优化计算当前和未来时刻的控制量,使输出响应符合预先设定的轨迹。
主要代表是动态矩阵控制(DMC:
DynamicMatrixControl)和模型算法控制(MAC:
ModelAlgorithmicControl)。
另一类则是建立在模型辨识和最小方差控制基础上的广义预测控制(GPC,GeneralizedPredictiveControl)。
预测控制的控制算法尽管其形式不同,但都有一些共同的特点,归结起来有三个基本特征:
即模型预测、滚动优化和反馈校正。
1)预测控制组成与工作原理,k=0为当前时刻,0时刻左边的曲线代表过去的输出与控制。
根据已知的对象模型可以预测出对象在未来P个时刻的输出yM(k)(k=1,2,P)。
预测控制算法就是要按照它们与期望输出yR(k)的差e(k),计算当前及未来L个时刻的控制量u(k)(k=1,2,L-1),使e(k)最小。
这里,P称为预测步程,L称为控制步程。
在线校正,yM(k+i),u(k),y(k),yS,预测模型,过程,参考yR(k+i)轨线,优化计算yc(k+i),u(k),yR(k+i),S,yM(k+i),y(k),过去未来y,01L-1P图13-24预测控制结构框图与工k作原理示意图,2)预测模型,预测控制中都有一个描述系统动态行为的模型,叫预测模型。
具有预测功能:
能够根据系统现时刻的控制输入以及历史信息,预测过程输出的未来值。
常用模型:
脉冲响应模型;阶跃响应模型;受控自回归滑动平均模型;受控自回归积分滑动平均模型等。
二、推断控制(InferentialControl),1)概述生产中可能存在的问题及解决:
被控制量(过程输出)不能直接测量但扰动可测,可采用前馈控制方案;被控制量与扰动都无法测量或难以测量(测量仪表价格昂贵、性能不可靠,或测量滞后大等),则可以采用推断控制【通过数学模型利用可测信息将不可测输出变量推算出来实现反馈控制,或将不可测扰动推算出来实现前馈控制】。
2)推断控制类型,不可测的被控变量,若只需要采用可测的输入变量或其余辅助变量即可推算出来,这是推理控制中最简单的情况,习惯上称这类推断控制为“采用计算指标的控制系统”,如热焓控制、精馏塔内回流控制、转化率控制等。
对于不可测扰动的推断控制是由美国学者C.B.Brosilow等提出来的,它利用过程辅助输出来推断不可直接测量扰动对过程主要输出的影响,然后基于这些推断估计量确定控制量,以消除不可测扰动对过程主要输出的影响。
3)推断控制组成与工作原理,估计模型,图13-25推断控制系统组成方块图,I,G(s),E(s),P1(s),B(s),A(s),C(s)过程模型,辅助过程模型P(s),辅助输出(s),主要输出Y(s),不可直接测量扰动D(s),m(s),由信号分离、估计器E(s)及推断控制器GI(s)等部分组成,其方块图如下所示过程:
设定值,d,y(s),a(s),b(s),三、自适应控制系统,u(t),图13-26自适应控制的一般系统框图,控制器过程,参数估计,控制品质评价决策,r(t),外回路,y(t),内回路,1)自适应控制系统组成与工作原理自适应控制系统是指系统本身能自动测量被控系统的参数或运行指标,自动地调整控制的参数,以适应其特性的变化,保证整个系统的性能指标达到最优的控制系统。
主要部分:
测量或估计环节;品质评价单元;控制决策机构。
2)简单自适应控制,这类系统用一些简单、实用的方法来对过程参数或环境条件的变化进行辨识,同时也采用比较简单的方法来调整控制器的参数或改变控制规律,它实际上是一种非线性控制系统。
实施时通常采用自整定控制器或自整定软件包,如Foxboro-Exact自整定PID控制器,TDC3000中的“Looptune”整定软件包。
3)模型参考自适应控制系统,它利用一个具有预期的品质指标、并代表理想过程的参考模型,要求实际过程的模型特性向它靠拢。
参考模型与控制系统并联运行,接受相同的设定信号r,自适应机构根据参考输出,控制器,参考模型,y(t),内回路,外回路,图13-27模型参考自适应控制系统,r(t),适应机构,e,与实际输出信号的差值e调整控制器的参数,直至使控制系统性能接近或等于参考,模型规定的性能。
过程,4)自校正控制系统,工作过程:
参数估计器进行在线辨识得到过程数学模型的参数;参数调整机构将根据使某种控制指标最优的方法改变控制器该参数,即得到该控制指标下的最优控制器。
图13-28自校正系统基本框图,实施关键:
参数估计方法,u(t),控制器,过程,参数估计器,参数调整,【递推最小二乘法、广义最小二乘法、辅助变量法等】最优控制器获取r(t)【最小方差控制、线性二次型最优控制、极点配置和广义最小方差控制等,自校正最小方差控制器最简单】,外回路,y(t),内回路,5.5智能控制,13.5.1概述所谓智能控制就是指具备一定智能行为的系统,是人工智能、自动控制与运筹学三个主要学科相结合的产物。
也可以说是以自动控制理论为基础,应用拟人化的思维方法、规划及决策实现对工业过程最优化控制的先进技术。
智能控制具有学习功能、适应功能和组织功能等特点,它主要用来解决那些传统方法难以解决的复杂系统控制问题。
【定义不统一】主要的智能控制系统有模糊控制、专家控制和神经网络控制等形式。
它们可以单独使用,也可以结合起来应用,亦可与PID控制方法集成;既可应用于现场控制,也可以用于过程建模、优化操作、故障诊断、生产调度和经营管理等不同层次。
13.5.2模糊控制,y,图13-29模糊控制系统的基本结构,r,FC,u,模糊化,13.5.2.1模糊控制器的基本结构系统核心为由模糊化、模糊推理、知识库和清晰化四个功能块组成的模糊控制器(FC:
FuzzyController)。
知识库,清晰化,模糊推理,被控对象,13.5.2.2模糊化(Fuzzification),模糊化作用:
将输入的精确量(包括系统的参考输入、系统输出或状态变量等)通过定义在其论域上的隶属度函数计算得到其属于各模糊集合的隶属度,从而转换成模糊化量。
模糊化过程:
分两步。
论域变换:
将精确的输入量变换为模糊控制器的内部论域,实际上相当于乘一个比例因子。
模糊化:
利用预先定义的模糊集合与隶属度函数,通过计算各模糊集合的隶属度,将论域变换得到的普通变量转化为真正的模糊量。
请看下例:
模糊化示例,图13-30等分三角形隶属度函数,-3,-2-1,在x的论域内定义了PB、PM、PS、ZO、NS、NM、NB等模糊集合与隶属度函数(如图)。
则x=0.8届于模糊集合“ZO”和“PS”的隶属度分别为0.2和0.8。
x,NBNM,NSZO,PSPMPB,x,00.8123,13.5.2.3知识库,知识库中储存了模糊控制器所需要的一切知识,包括控制指标、领域专家知识及操作经验等,是模糊控制器的核心,它通常由数据库和模糊控制规则库组成:
数据库存放模糊化、模糊推理、清晰化(去模糊)的一切知识,如论域变换方法及其变换因子,各语言变量的隶属度函数定义,模糊推理与去模糊算法等。
规则库主要包括用模糊语言变量表示的一系列控制规则,模糊控制规则反映了控制专家的经验和知识,对整个控制器的控制效果有很大的影响,因此,控制规则应满足完备性(完备性是指对任意的输入都有一个合适的控制输出)、一致性(一致性是指控制规则间不能互相矛盾)等要求。
控制规则的一般表模示形糊式控:
制规则,1nn,Ri:
IFx1isXiandandxisXi,THENuisUi,,i=1,M模糊控制规则实质上就是模糊蕴含关系,因此可简记为Ri=X1X2XnUiiii其中Xji和Ui分别为论域Xj和U上的模糊集合,x=x1,x2,xnTX1Xn和uU均为语言变量,“and”表示条件的“与”连接关系或运算规则,也可有其它的连接关系,如or(或/并)连接关系,M为总的规则数。
有许多不同的模糊蕴含定义,Zadeh给出的模糊蕴含关系定义为R=AB=(AB)(1-A)整个规则库的模糊关系为,13.5.2.4模糊推理,模糊推理是建立在模糊逻辑基础上,由二值逻辑三段论发展而成的一种不确定性推理方法,它很好地模拟人的推理决策过程,用这种方法得到的结论与人的思维一致或相近。
有两种重要的推理方法,即广义取式(肯定前提)推理(GMP:
GeneralizedModusPonens)和广义拒式(肯定结论)推理(GMT:
GeneralizedModusTollens):
GMP推理规基则本推理形G式MT推理规则,其中A与A是论域X中的模糊集合,A接近A,B与B是论域X中的模糊集合,B接近B。
在模糊控制中,通常采用GMP推理方法,利用知识库的信息,在一定的输入条件下激活相应的控制规则给出适当的模糊控制输出。
大前提:
如果X是A,则Y是B则Y是B小前提:
X是A结论:
Y是B,如果X是A,,Y是BX是A,模糊控制器输出量,设已知模糊控制器的输入模糊量为x是A与y是B,则根据模糊控制规则进行推理得输出控制量u的模糊集合U为:
U=(AandB)R,在模糊控制器中,通常“and”采用求交(最小运算)或求积(代数积运算),而合成运算“”通常求最大-最小或最大-积运算,模糊蕴含“”通常采用求交或求积。
13.5.2.5去模糊化(Defuzzification),清晰化也叫去模糊,或称解模糊,可看做是模糊化的逆过程,即将模糊推理得到的控制量(模糊量)变换为实际用于控制的清晰量(普通变量)。
它包含以下两个方面的内容:
去模糊:
将模糊推理得到的控制量用特定清晰化方法变换成表示在论域范围的清晰量;论域反变换:
将表示在论域范围的清晰量经尺度变换变成实际的控制量。
有多种清晰化方法去,模这里糊介方绍法最常用的面积重心法与最大隶属度法:
面积重心法这种方法类似于重心计算,取(u)的加权平均值为u的精确值,即:
最大隶属度法以隶属度函数最大元素(单峰情况)或其平均值(多个峰值)作为输出量u的精确值。
例:
设论域X=Y=1,2,3,4,5上定义的模糊子集“大”、“较小”、“小”分别为已知规则:
“若x小,则y大”。
问当x=较小时,y=?
解:
见教材13.5.2.1节模糊推理有关内容。
13.5.2.6模糊控制系统设计实例,参见教材13.5.2.2节,,ec,z,y,x,h,图13-31模糊液位控制系统,e,r,Du,控制表,K,1,K2,FCK3,量化,量化,贮液槽,13.5.3.1专家1系3.统5.3专家控制系统,专家系统是一个模拟人类专家解决领域问题的计算机程序系统。
专家系统的主要功能取决于大量的知识及合理完备的智能推理机构。
其基本组成结构如下:
推理机知识库,解释程序规则库,调度程序,推理咨询,知识获取,数据库,图13-32专家系统的基本结构知识库与推理机作用专家系统如何工作,领域专家,系统用户,专家控制把1控3.制5系.3统.2看专作家为控基制于知系识统的系统,系统包含控制系统的知识,按照专家系统知识库的构造,有关控制的知识可以分类组织,形成数据库和规则库。
知识库系统,被控对象,数值算法库,内部通讯,AD,DA,人-机接口用户图13-33专家控制系统结构,13.5.4.1神经13网.5络.基4神本经概念网络控制,1)人工神经元模型人们仿照生物神经元模型,用物理器件建立了人工神经元模型(如图),来模拟生物神经网络的某些结构和功能。
该神经元模型的输入输出关系为:
wjn,-1wj1,jx1,xn,yj,f(),图13-34人工神经元模型j为神经元阈值;wji表示从神经元j到神经元i连接权权值;f()为激活函数,也称输出变换函数,常用激活函数,1,f(x)=x,1,1,-1,x,f(x)=sgn(x),x,0-1,1,0,0.5,x,-1,x,x,e)饱和函数图13-35常见变换函数,x,-0f)高斯函数,a)符号函数,b)双曲函数,c)S形(sigmoid)函数,d)线性函数,1,2)神经网络模型结构,神经网络由多层网络节点组成,根据神经网络拓扑结构,可分为前向(馈)与互联型网络两,大输类入,层如隐图层13-输36出所层示。
a)前向式网络b)互联型网络图13-36神经网络拓扑结构示意图,输入层隐层输出层,3)神经网络的学习方法,人工神经网络的学习规则,说到底就是网络连接权的调整规则,学习过程实际上是神经网络修改它的权重而响应外部输入的过程。
有三种不同的学习(或训练)方式,即有指导(监督)的训练(supervisedtraining)、无指导(监督)的训练(unsupervisedtraining)与增强(Reinforcement)学习方法。
有指导的学习或训练需要“教师”,教师即是训练数据本身,不但包括有输入数据,还包括有在一定输入条件下的输出。
网络根据训练数据的输入和输出来调节本身的权重,使网络的输出符合于实际的输出。
没有指导的学习过程指训练数据只有输入而没有输出,网络必须根据一定的判断标准自行调整权重。
增强学习方法介于上述两种方法之间,外部环境对系统输出结果只给出评价信息(奖励或惩罚)而不是正确答案,学习系统通过增强那些受奖的动作来改善自身性能。
4)学习规则,在神经网络中,使用各种学习规则,如Hebb规则、Delta规则、梯度下降规则、Kohonen学习规则、后传播学习算法等。
在神经网络发展过程中,新的学习规则会不断出现,目前使用最广泛的是Delta规则。
在Hebb规则中,调整神H经eb网b络规权则值w的原则是“若第i,ij与第j个神经元同时处于兴奋状态,则它们之间的联接应加强”,即wij=Fyi,yj式中yi、yj分别为wij两端神经元的状态,其中最常用的一种情况是所谓的相关规则(也称自组织学习或变形的Hebb学习规则),相关规则按互相相连的两个神经元的活化输出值之间的相关性来改变它们之间为权系数值的,即wij=hyiyj其中h为学习步长或常数。
Hebb规则和“条件反射”学说一致,并已被证实。
它的相关假设亦是许多学习规则的基础,在此基础上,人们提出了许多有用的学习规则。
其要点为在学习过程梯中度,保下持降误规差曲则线的梯度下降。
(Delta)规则和BP(BackPropagation)算法是其代表性算法。
规则也叫Widrow-Hoff学习规则,它是最常用的学习规则,其要点是改变单元间的连接权重来减小系统实际输出与理想输出间的误差,故也被称为最小误差规则。
误差的后传播技术一般采用Delta规则。
此过程涉及两步,首先是正反馈,当输入数据输入网络,网络从前往后计算每个单元的输出,将每个单元的输出与应用的输出进行比较,并计算误差。
第二步是向后传播,从后向前重新计算误差,并修改权重。
完成这两步后,才能输入新的输入数据。
BP算法及其改进,标准BP权值调整公式:
式中J代表学习算法的目标函数,大多为平方函数的形式;为学习因子;Wk则是在当前时刻下的网络权值。
是唯一调节参数,很小时,学习速度缓慢,若选择很大的,则容易引起学习过程的振荡乃至发散。
理论研究表明,即使取很小的定常正数,也不能保证标准BP算法的收敛性。
比较简单直接的改进是动量BP算法:
是动量因子,Kohonen学习规则(竞争学习规则),它是由Kohonen在研究生物系统学习的基础上提出的,只用于没有指导下训练的网络。
在学习过程中,处理单元竞争学习的机会。
具有高的输出的单元是胜利者,有能力阻止它的竞争者并激发相邻的单元。
只有胜利者才能有输出,也只有胜利者与其相邻单元可以调节权重。
最常用的竞争学习规则可写为,BP学习算法【输入信息从输入层正向传至隐层逐层处理,最后传向输出层。
如果在输出层不能得到预期的输出,则进行反向学习,将误差信号沿原通路返回,通过修改各层神经元的权值,使得输出误差信号最小,这也是BP网络名称的来由】,5)常用模型简介,BP网络:
是一种多层感知机结构的前向网络,,由输入层、输出层和隐含层(可多个)构成,使用S形激活函数,BP学习算法。
BP神经网络在模式识别、系统辨识、优化计算、预测和自适应控制领域有着较广泛的应用。
BP网络,输出层,输入层隐层,BP学习算法【输入信息从输入层正向传至隐层逐层处理,最后传向输出层。
如果在输出层不能得到预期的输出,则进行反向学习,将误差信号沿原通路返回,通过修改各层神经元的权值,使得输出误差信号最小,这也是BP网络名称的来由】,RBFRBF(RadialBasisFunction)网络,网络也是一种正向网络,其输入层空间到隐,含层空间的变换是非线性的,而隐含层空间到输出层空间的变换是线性的,且隐含层激活函数采用径向对称的RBF函数其中Xi为第i个基函数的中心点;i是一个可以自由选择的参数,它决定基函数围绕中心点的宽,RBF网络,输入层隐层输出层,度;|是某种向量范数,j()是一个径向对称的函数,在Xi处取得唯一最大值,通常选取高斯函数作为RBF函数。
w12,w1n,Hopfield网络,Hopfield网络的各个神经元都是相互连接的,即每一个神经元都有自己的输出通过连接权送给所有其他神经元,同时每个神经元又都接收所有其他神经元传递过来的信息。
如图所示为一个离散型Hopfield网络,它是一个单层网络,共n个节点,每个节点输出均连到其它神经元的输入,图中每个节点都有一个阈值j,wij是节点i、j之间的连接权值。
x1x2xn,w,n2n,Hopfield网络,-1w21w1n1,-1w2n2,-1,13.5.4.2神经网络控制(NNC),定义:
神经网络控制系统是指采用神经网络作为主要工具进行系统设计及实现的控制系统。
分类:
英国Glasgow大学K.J.Hunt等将NNC分为监视控制、直接逆控制、模型参考控制、内部模型控制、预测控制、适应控制等。
IEEE神经网络协会出版刊物主席ToshioFukuda教授等人则认为神经网络控制可分为监督控制(SupervisedControl)、逆控制(InverseControl)、神经适应控制(NeuralAdaptiveControl)、实用反向传播控制(Back-propagationofUtility)与适应评价控制(AdaptiveCritics)等五大类。
亦有学者从神经网络在传统控制结构中所起的作用将神经网络在自动控制系统中的应用分为三种方式:
用作控制器;充当被控对象的模型;用作过程参数或某些非线性函数的在线估计器。
1)逆动态模型控制,图中被控对象的非线性动态方程为y=f(u),且函数f可逆。
用神经网络模型作为控制器串联在被控对象之前,且取该控制器控制率等于对象的逆模型u=f-1(y),就构成了神经网络逆动态控制系统。
显然在模型精确情况下可使,神经网络控制器f-1,被控对象y=f(u),被控对r象的输出y紧密跟随系统的指令y输入r。
u,+-图13-38神经网络逆动态模型控制结构,实际2应)监用中督有控许多制需(要s人up参e与r的v控is制e系d统c,on即t需ro要l由)人,y,图13-39一种神经网络监督控制结构,被控对象,r,控制器,e,uu,1,提供某种反馈控制作用去完成特定的控制任务。
若设计一个能模拟人控制作用的自动控制器代替人进行控制,则称之为监督控制。
图13-39所示为基于神经网络的监督控制的一种形式,采用的是前馈加反馈的方式,可克服图13-38系统的缺点,确保系统的稳定性与鲁棒性,且可有效提高系统的精度与自适应能力。
图中的神经网络控制器NNC向传统控制器学习,在线调整自己,目标是使e或u1趋近于零,以便最终取消反馈控制器。
NNCu2,3)内模控制,“NN前向模型”是一个充分逼近对象动力学行,为的神经网络;而控制器则既可以是常规控制器,也可以是一个神经网络(从内模控制的特性可知,这个神经网络的映射应是被控对象的逆);为了获得更好的控制效果,通常在控制器前加一个常规滤波器。
可以看出这种控制结构中,利用神经网络作为对象的非线性模型,把原来的内模控制方法推广到非线性问题。
图13-40神经网络内模控制结构,NN前向模型,滤波器控制器被控对象ruy,ym+,4)自适应控制,神经网络自适应控制也可分为自校正控制(STC)与模型参考控制(MRAC)两种。
图13-41(a)中利用神经网络来估计过程特征参数,如超调量、调节时间等,并自动改变控制器参数。
y,被控对象,r,u,常规控制器,神经网络估计器,图13-41(a)神经网络模型自校正控制系统,图13-41(b)神经网络模型参考自适应控制系统,被控对象,r,NNC,e,i,yN,若不考虑图中虚线部分,则其与图13-27所示的常规模型参考自适应系统完全相同,只不过控制器采用神经网络控制器NNC,其权值根据被控对象的输出y与参考模型输出ym之间的偏差e进行调整,目标是使e趋近于零。
当加上神经网络NNI时,则可用NNI首先离线辨识对象的正向模型,并根据ei进行在线学习。
NNI可为NNC提供误差e或其梯度的反向传播通道。
参考模型输出ym可视为期望输出,在对象部分已知情况下,若将NNC改为常规控制器,此时将与图13-41(a)的自校正控制方法相似。
参考模型ymeu,y,NNI,5)预测控制,神经网络预测控制的结构方案,如图13-42所示。
其中神经网络预测器建立了非线性被控对象的预测模型,并可在线修正。
利用此模型可以自由控制输入量u(t),预报被控系统在将来某一段时间的输出值,图13-42神经网络预测控制结构,被控对象,NN预测器,非线性优化器,滤波器,e(t),u(t)y(t),yd(t),神经网络预测控制算法,计算未来的期望输出序列yd(t+j),j=N1,N1+1,N2利用神经网络预测器,产生预报输出y(t+j|t),j=N1,N1+1,N2计算预报误差e(t+j)=yd(t+j)-y(t+j|t)极小化性能指标J,获得最优控制序列u(t+j),j=0,1,N2采用第一个控制量u(t),返回。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 先进 控制系统 ppt