CN100594454C - 模型结构参数决定方法、参数决定设备、控制设备、以及温度调节设备 - Google Patents

Abstract

[问题]为了容易地决定用于无干扰控制的优选的控制对象的模型结构的参数。[解决问题的手段]参数决定设备，包括多个输入和多个输出。通过使用利用系统识别等等计算得到的黑盒模型(结构P)的参数a、b，根据预定转换方程K＝f(a，b)、T＝f(a，b)，计算用于将所述输出之间的差反馈到所述输入端的模型结构(结构A)的参数K、T。

Description

模型结构参数决定方法、参数决定设备、控制设备、以及温度调节设备

技术领域

本发明涉及用于决定适合于诸如待测对象以及受控对象的模型的模型结构的参数的方法和设备、以及其中使用该方法和该设备的控制设备和温度调节设备，更具体地，涉及用于决定适合于控制其中存在干扰的对象的模型结构的参数的方法和设备、以及其中使用该方法和该设备的控制设备和温度调节设备。

背景技术

图20中所示的无干扰PID控制(例如，见非专利文献1)作为用于实现针对例如包括相互存在干扰的多个输入和输出的受控对象(换句话说，所述受控对象包括多个要输入到该对象的操作量以及多个来自该对象的控制量，其中在所述操作量与所述控制量之间存在相互干扰)的无干扰控制的传统技术的示例。

该示例中的受控对象30是其中在两个输入(u₁，u₂)以及两个输出(y₁，y₂)的两个通道ch之间有干扰的受控对象。P₁₁、P₁₂、P₂₁、和P₂₂是传递函数。C₁₁和C₂₂是主补偿器，其分别基于来自受控对象30的控制量y₁和y₂与目标值r₁和r₂之间的差而输出操作量u_1′， u_2′。C₁₂和C₂₁是用于实现无干扰的交叉控制器。

前述的传统示例中，将受控对象30的干扰关系当作矩阵，并决定调节器31中用于实现无干扰的交叉控制器C₁₂和C₂₁的维数，使得可以消除任何干扰。

当以这样的方式设计交叉控制器C₁₂和C₂₁使得控制量y₁不受操作量u_2′影响而且控制量y₂不受操作量u_1′影响，则可以避免任何可能的干扰。作为用于消除这样的影响的可能的方法，可以使用逆矩阵。

然而，受控对象30的干扰关系，作为所述示例的预定条件，并不是简单和低阶的矩阵。因而，该传统示例中的第一模型无法实现理想的无干扰。

这是由于受控对象30的干扰关系不是从操作量u到控制量y的这样的简单的单向关系。

由于温差导致因干扰造成的热量传递。当所述受控对象的多个点之间的温差大时，因干扰造成的热量传递大，当所述受控对象的多个点之间的温差小时，因干扰造成的热量传递小。由于未考虑这样的关系，假定的受控模型产生重大错误，这限制了可以通过无干扰控制的逆矩阵消除的因子。

因而，传统方式下的无干扰控制常常不适合实际使用。

如专利文献1中所叙述的，本发明的申请人已经提出了适用于无干扰控制、预测控制等等的模型结构。

图21是示出这样提出的模型结构1′的示例的框图。该示例与图20中所示的传统示例中的受控对象30对应。

模型结构1′是热干扰系统的受控对象的热模型，其提供有两个输入(u₁，u₂)以及两个输出(y₁，y₂)，而且是包含两个通道的受控对象的模型。

可以采用与诸如热处理板或热处理炉的分别用于加热受控对象的两个加热器的输出对应的操作量作为输入(u₁，u₂)。可以采用作为从分别用于检测受控对象的温度的两个温度传感器检测得到的温度的控制量作为输出(y₁，y₂)。

模型结构1′是具有反馈结构的模型，其在减法器2中计算两个输出(y₁，y₂)之间的差，并经由反馈元件Pf将计算得到的差反馈到两个输入(u₁，u₂)，并经由减法器3和加法器4将其在改变极性使得彼此正或负反转之后反馈。

A₁₁、A₂₂是从每个输入u₁、u₂到每个输出y₁、y₂的传递函数。本示例中，可以将分配给诸如热处理板或热处理炉的受控对象的两个加热器的部分(换句话说，与每个通道ch对应的受控对象)作为模型元件。各个模型元件示出作为传递函数A₁₁和A₂₂。

模型结构1′是，例如，热干扰系统的热模型，其中当存在任何温差时传递热量。这等价于傅立叶定律所表示的，即，热量的传递与温差成比例。

下面描述傅立叶定律。例如，根据Morikita出版公司出版的HideakiTasaka编著的“Heat Transfer Engineering”的第6页，用于决定热传递量的重要因子是空间温度梯度。倘若两个点之间的距离为Δx，而所述两个点之间的温差为ΔT，则热流动速度q(单位面积的热传递量)是q＝-λ(dT/dx)，λ为导热系数，假定将ΔT/Δx看作为dT/dx。

图21中所示的反馈元件Pf与傅立叶定律中的导热系数λ对应。

根据模型结构1′，将作为前述的各个模型元件的输出的两个输出y₁与y₂之间的差(即，温差)经由与干扰程度等等对应的反馈元件Pf在改变极性使得彼此正或负反转之后，反馈到作为各个模型元件的输入的两个输入u₁和u₂，即，与热量对应的操作量。所述图是示出热量从一个通道ch传递到另一个通道ch的这样的热干扰现象的框图，一个通道ch损失热量(负)，而另一个通道ch得到热量(正)。

模型结构1′表示反映受控热对象的干扰的傅立叶定律，即在两个温度之间产生温差的情况下热量以与温差成比例地传递。

反馈元件Pf表示依赖于温差传递多少热量的比率，而且可以是系数值或一阶滞后元件。

专利文献1：日本专利公开No.2004-94939

非专利文献1：“PID control”第62页，Nobuhide Suda等著，Asakura出版公司2000年3月10日出版(系统控制信息学会编)。

发明内容

本发明要解决的问题

前述的模型结构将输出端上的差反馈到输入端，例如这与热量传递依赖于温差的自然现象是一致的。因而，所述模型结构是所谓的灰盒模型，即是其中合并有物理信息和黑盒的块的模型。

一直以来认为没有用于决定作为灰盒模型中的相关的数字表示模型的系数的参数的可用的方法，而且存在没有以反复试验方式决定参数的其它选择的问题。

本发明的主要目的是容易地决定作为灰盒模型的模型结构的参数。

解决问题的手段

本发明构成如下以实现前述目的。

1)根据本发明的一种决定模型结构中的参数的方法是一种决定包含多个输入和多个输出的模型结构中的参数的方法，其中将输出端上的差反馈到输入端。根据该方法，基于在作为所述模型结构的目标的被模拟对象的输入改变时产生的输出改变来决定所述模型结构的参数。

所述参数指数字表示模型中的系数，而所述系数可以是与变量相乘的数值或者不与所述变量相乘的数值。

此外，所述输入指到所述模型结构的输入，而且更具体地，指被馈给到被模拟对象以控制诸如测量对象或受控对象的作为该模型结构的目标的被模拟对象的物理状态(例如，诸如温度、压力、流动率、速度、以及液位的各种物理量的状态)的输入。所述输入的示例是操作量。

进一步，所述输出指所述模型结构的输出，而且更具体地，指显示作为该模型结构的目标的被模拟对象的物理状态的输出。所述输出是检测到的所述被模拟对象的诸如温度、压力、流动率、速度、以及液位的各种物理量的输出。

输出端上的差指所述模型结构中的输出差，而且更具体地，指诸如温差、压力差、流动率差、速度差、以及液位差的各种物理量中的差。

另外，输出端上的差可以是各个输出组之间的差，其中每个组包含两个输出。作为获得差的另外的可能的方法，将多个输出划分为两组，并可以采用各个组之间的差。可以任意地获得输出端上的差。

进一步，输出端上的差可以是从输出直接获得的差、或者在将输出与系数相乘时获得的差。另外，可以经由诸如空闲时间元件的不同的元件获得所述差。

所述模型结构将输出端上的差反馈到输入端，例如这与热量传递依赖于温差的自然现象是一致的。因而，所述模型结构是所谓的灰盒模型，即是其中合并有物理信息和黑盒的块的模型。

被模拟对象指诸如测量对象或受控对象的所述模型结构的目标。

在被模拟对象的输入改变时产生的输出改变的示例包括：阶跃响应波形，即输入步进改变时的输出改变；以及极限环波形，即输入基于固定幅度周期性改变时的输出改变。

“基于在被模拟对象的输入改变时产生的输出改变来决定所述模型结构的参数”包括这样的情况：对被模拟对象进行系统识别，获得相关的模型结构之外的任何模型(例如，黑盒模型)的参数，并从所获得的参数决定相关的模型结构的参数。

根据本发明，可以基于在被模拟对象的输入改变时产生的输出改变来决定所述模型结构(即在传统上认为没有决定参数的任何方法的灰盒模型)的参数。

2)根据本发明的一种决定模型结构中的参数的方法是一种决定包含多个输入和多个输出的模型结构的参数的方法，其中将输出端上的差反馈到输入端。根据该方法，基于黑盒模型的参数来决定所述模型结构的参数。

所述黑盒模型指通过黑盒建模获得的模型。黑盒建模指其中完全不使用关于所述对象的任何物理信息或先前信息的建模方法。

根据本发明，可以决定所述模型结构(即在传统上认为没有决定参数的任何方法的灰盒模型)的参数。

根据本发明，可以使用所述黑盒模型的参数来决定作为灰盒模型的所述模型结构的参数，因而，不再需要像传统技术中一样以反复试验的方式来决定所述模型结构的参数。

3)在根据本发明的决定模型结构的参数的方法的一个实施例中，根据预定转换表达式，基于所述黑盒模型的参数来决定所述模型结构的参数。

本发明的发明人发现，存在预定转换表达式，通过其可以将所述黑盒模型的参数转换为所述灰盒模型的参数。

根据本优选实施例，可以根据所述预定转换表达式从所述黑盒模型的参数计算作为灰盒模型的所述模型结构的参数。

4)在根据本发明的决定模型结构的参数的方法的另一个实施例中，通过系统识别来获得所述黑盒模型的参数。

根据本优选实施例，通过系统识别来获得所述黑盒模型的参数，而且可以基于所获得的参数来决定所述模型结构的参数。

5)在根据本发明的决定模型结构的参数的方法的优选实施例中，所述模型结构提供有两个输入和两个输出，而且包括两个由一个输入和一个输出组成的模型元件、以及用于将所述模型元件的输出端上的差反馈到其输入端的一个或两个反馈元件，其中所述黑盒模型提供有两个输入和两个输出而且包括用于将一个输入反馈到另一个输出并将另一个输入反馈到余下的一个输出的干扰元件，

所述模型元件指用于对诸如受控对象或测量对象的假想对象进行建模所需的元件。以这样的方式使所述模型元件适应使得可以掌握诸如温度、压力、流动率、速度、以及液位的物理量作为其输出。当设想热处理板的温度控制、容器的压力控制、或液罐的液位控制时，所述模型元件将作为诸如温度、压力、或液位的物理量的输出馈给到诸如热流动(热量)、气流动、或液流动率的输入，而且包括诸如热容量、容器容积、或液罐截面积的容量元件。

因而，可以将包括所述容量元件的任何组件作为所述模型元件。设想通过固定到用金属形成且具有很大热容量的支撑结构的热处理板对晶片执行热处理，例如，可以将作为具有热容量的各个块的所述热处理板、晶片、支撑结构等等作为所述模型元件。当利用多个通道的加热器对所述热处理板进行温度控制时，可以将分配到各个通道的加热器的所述热处理板的部分作为所述模型元件。

于是，可以依靠诸如受控对象或待测对象的任何目标对象的性质和结构来定义所述模型元件。

所述输出指所述模型元件的输出，而且更具体地，指显示该模型元件的物理状态的输出，例如，诸如温度、压力、流动率、速度、以及液位的各种物理量。

输出端上的差指所述模型元件的输出端上的差，而且更具体地，指诸如温差、压力差、流动率差、速度差、以及液位差的各种物理量中的差。

根据本实施例，通过使用公知的提供有两个输入和两个输出且包括干扰元件的黑盒的参数，可以决定提供有两个输入和两个输出且包括两个由一个输入和一个输出组成的模型元件、以及用于将每个模型元件的输出端上的差反馈到其输入端的两个反馈元件的模型结构的参数。

6)在5)中的优选实施例中，所述模型结构中的两个模型元件的传递函数可以是一阶滞后系统，而且所述一个或两个反馈元件的传递函数可以是固定值。

根据本实施例，可以获得具有良好再现性的低阶模型结构，其可以容易地决定相关的模型结构的参数。

7)根据本发明的一种决定模型结构中的参数的方法是一种决定提供有多个输入和多个输出的模型结构的参数的方法，其中将输出端上的差反馈到输入端。所述模型结构包括多个具有一个输入和一个输出的模型元件、以及用于将所述模型元件的输出端上的差反馈到其输入端的反馈元件，其中所述模型元件和所述反馈元件包括阻抗组件，而且基于在作为所述模型结构的目标的被模拟对象的各个输入改变时多个输出的改变来决定所述模型元件和所述反馈元件的阻抗组件的参数。

所述阻抗元件可以是热阻。

在被模拟对象的各个输入改变时多个输出的改变可以是所述多个输出的改变，换句话说，在向被模拟对象馈给步进输入时产生的阶跃响应波形。

根据本发明，可以基于到被模拟对象的输入的输出(换句话说，被模拟对象的性质)来决定所述模型元件和所述反馈元件的阻抗组件的参数。

8)在根据本发明的决定模型结构的参数的方法的另一个优选实施例中，所述模型元件除所述阻抗组件之外可以包括容量组件。

所述容量组件可以是热容量。

根据本优选实施例，可以基于由用户设置的所述容量组件的数值来决定所述模型元件的参数。

9)在8)中的优选实施例中，可以基于在被模拟对象的各个输入改变时输出的改变来决定所述模型元件的容量组件的参数。

根据本优选实施例，不再需要用户设置所述容量组件的数值，而且可以基于被模拟对象的性质来决定所述模型元件的容量组件的参数。

10)在根据本发明的决定模型结构的参数的方法的另一个优选实施例中，基于在被模拟对象的各个输入步进改变时各个输出的改变来决定所述参数。

根据本优选实施例，可以基于与步进输入对应的响应波形相对容易地决定所述参数。

11)根据本发明的一种用于决定模型结构的参数的设备是一种用于决定提供有多个输入和多个输出的模型结构的参数的设备，其中将输出端上的差反馈到输入端。在该设备中，基于在作为所述模型结构的目标的被模拟对象的输入改变时产生的输出改变来决定所述模型结构的参数。

根据本发明，可以基于在被模拟对象的输入改变时产生的输出改变来决定所述模型结构(即在传统上认为没有决定参数的任何方法的灰盒模型)的参数。

12)根据本发明的一种用于决定模型结构的参数的设备是一种用于决定提供有多个输入和多个输出的模型结构的参数的设备，其中将输出端上的差反馈到输入端。在该设备中，基于黑盒模型的参数来决定所述模型结构的参数。

可以在用于决定所述参数的所述设备中设置和向其输入、或者可以利用用于决定所述参数的所述设备来获得所述黑盒模型的参数。

根据本发明，可以基于所述黑盒模型的参数来决定作为灰盒模型的所述模型结构的参数，这使得不再需要像传统技术中一样以反复试验的方式来决定所述模型结构的参数。

13)在根据本发明的用于决定模型结构的参数的设备的一个实施例中，根据预定转换表达式，基于所述黑盒模型的参数来决定所述模型结构的参数。

根据该实施例，可以根据所述预定转换表达式从所述黑盒模型的参数计算作为灰盒模型的所述模型结构的参数。

14)在根据本发明的用于决定模型结构的参数的设备的另一个实施例中，通过系统识别来获得所述黑盒模型的参数。

根据该优选实施例，通过系统识别来获得所述黑盒模型的参数，并使用所获得的参数来决定所述模型结构的参数。

15)在根据本发明的用于决定模型结构的参数的设备的优选实施例中，所述模型结构提供有两个输入和两个输出，而且包括两个分别具有一个输入和一个输出的模型元件、以及用于将所述模型元件的输出端上的差反馈到其输入端的一个或两个反馈元件，其中所述黑盒模型提供有两个输入和两个输出，而且包括用于分别将一个输入反馈到另一个输出并将另一个输入反馈到余下的一个输出的干扰元件，

根据本优选实施例，通过使用提供有两个输入和两个输出的包括干扰元件的传统黑盒模型的参数，可以决定提供有两个输入和两个输出且包括两个分别提供有一个输入和一个输出的模型元件、以及用于将模型元件的输出端上的差反馈到其输入端的两个反馈元件的模型结构的参数。

16)在6)中的优选实施例中，可以将所述模型结构中的两个模型元件的传递函数设置为一阶滞后系统，而且所述一个或两个反馈元件的传递函数可以是固定值。

根据本优选实施例，可以获得具有良好再现性的低阶模型结构，其可以容易地决定相关的模型结构的参数。

17)根据本发明的一种用于决定模型结构的参数的设备是一种用于决定提供有多个输入和多个输出的模型结构的参数的设备，其中将输出端上的差反馈到输入端。所述模型结构包括多个分别具有一个输入和一个输出的模型元件、以及用于将所述模型元件的输出端上的差反馈到其输入端的反馈元件，其中所述模型元件和所述反馈元件包括阻抗组件，而且基于在作为所述模型结构的目标的被模拟对象的各个输入改变时多个输出的改变来决定所述模型元件和所述反馈元件中的阻抗组件的参数。

根据本发明，可以基于到被模拟对象的输入的输出(换句话说，被模拟对象的性质)来决定所述模型元件和所述反馈元件的阻抗组件的参数。

18)在根据本发明的用于决定模型结构的参数的设备的另一个优选实施例中，所述模型元件除所述阻抗组件之外可以包括容量组件。

根据本优选实施例，例如可以使用由用户设置的所述容量组件的数值来决定所述模型元件的参数。

19)在18)中的优选实施例中，可以基于在被模拟对象的各个输入改变时各个输出的改变来决定所述模型元件的容量组件的参数。

根据本优选实施例，不再需要用户设置所述容量组件的数值，而且可以基于被模拟对象的性质来决定所述模型元件的容量组件的参数。

20)在根据本发明的用于决定模型结构的参数的设备的另一个优选实施例中，基于在被模拟对象的各个输入步进改变时各个输出的改变来决定所述参数。

根据本优选实施例，可以基于与步进输入对应的响应波形相对容易地决定所述参数。

21)根据本发明的一种控制设备是一种用于控制提供有多个输入和多个输出的模型结构的控制设备，其中将输出端上的差反馈到输入端，作为受控对象的模型。所述设备包括11)～20)中叙述的任何用于决定参数的设备，并使用用于决定参数的所述设备来决定所述模型结构的参数。

使用所述模型结构的控制示例包括诸如无干扰化控制、级联控制、模型预测控制、以及Smith补偿型控制的各种控制。

可以将用于决定参数的设备集成在所述控制设备中。

根据本发明，可以基于黑盒模型的参数来决定作为灰盒模型的所述模型结构的参数，而且可以使用由所述参数决定的模型结构来完成各种控制。

22)根据本发明的一种温度调节设备是一种用于控制提供有多个输入和多个输出的模型结构的温度的温度调节设备，其中将输出端上的差反馈到输入端，作为受控对象的模型。所述温度调节设备包括11)～20)中叙述的任何用于决定参数的设备，并使用用于决定参数的所述设备来决定所述模型结构的参数。

根据本发明，可以基于黑盒模型的参数来决定作为灰盒模型的所述模型结构的参数，而且可以使用由所述参数决定的模型结构来完成各种温度控制。

23)在根据本发明的温度调节设备的实施例中，所述温度调节设备包括多个用于基于来自受控对象的多个检测到的温度向受控对象分别输出多个操作量的温度控制单元、以及用于处理来自各个温度控制单元的操作量并将经处理的操作量输出到受控对象以使得可以消除或减少由各个温度控制单元的控制对其它温度控制单元控制造成的任何影响的无干扰化单元，其中所述无干扰化单元使用所述模型结构来实现无干扰化，而且所述模型结构将检测到的温度之间的差反馈到所述操作量端。

在所述无干扰化控制中，不需要决定所述模型结构的全部参数。因而，由于可以决定用于将输出端上的差反馈到输入端的反馈元件的参数，不需要执行例如诸如系统识别的复杂的处理。

根据本优选实施例，可以容易地设置所述模型结构的参数，而且可以实现具有高精确度的无干扰控制。

本发明的效果

根据本发明，可以基于在被模拟对象的输入改变时产生的输出改变来决定所述模型结构(即在传统上认为没有决定参数的任何方法的灰盒模型)的参数。

另外，可以使用黑盒模型的参数来决定作为灰盒模型的所述模型结构的参数，这使得不再需要像传统技术中一样以反复试验的方式来决定所述模型结构的参数。

此外，可以基于到被模拟对象的输入的输出(换句话说，被模拟对象的特性)来决定所述模型结构的各个元件的阻抗组件的参数。

附图说明

图1示出其中使用根据本发明的温度调节设备的温度控制系统的示意性构造；

图2是示出图1中所示的无干扰化单元8以及作为受控模型的模型结构1的框图；

图3是描述预定转换表达式的推导过程的图；

图4是根据本发明的另一个优选实施例的模型结构的框图；

图5是与稳定态对应的图4的框图；

图6是描述受控对象的图；

图7是接近图6的电等效电路；

图8是在图7中的热容量为C＝0的境况下的电等效电路；

图9是在输入步进输入P₁₁的境况下的电等效电路；

图10是在输入步进输入P₂₂的境况下的电等效电路；

图11是在输入步进输入P₃₃的境况下的电等效电路；

图12示出根据本发明的另一个优选实施例的温度控制系统的示意性构造；

图13是示出图12中所示的无干扰化单元8-1以及作为受控模型的模型结构1-1的框图；

图14示出描述热阻的测量的另一个优选实施例的图；

图15示出展示阶跃响应波形的最大倾斜的图；

图16示出用于描述各个通道的最大倾斜的测量的图；

图17示出用于描述基于极限环的最大倾斜的测量的图；

图18示出根据本发明的另一个优选实施例的温度控制系统的示意性构造；

图19是示出根据本发明的另一个优选实施例的模型结构的图；

图20示出传统示例中的无干扰控制的构造图；

图21是示出较早提出的模型结构的图。

引用符号说明

1、1-1              模型结构

5、5-1、5-2         温度调节设备

6                   受控对象

8、8-1              无干扰化单元

52、53、60₁～60_n    模型元件

50、51、61₁₂～61_(n-1)n  反馈元件

70、70-1、70-2          参数决定单元

具体实施方式

以下，参照附图详细描述本发明的优选实施例。

优选实施例1

图1示出用于执行无干扰控制的提供有根据本发明的温度调节设备5的温度控制系统的示意性构造。

根据本优选实施例的温度调节设备5使用在前述的专利文献1中提出的模型结构来执行无干扰控制，而且其中集成有用于决定所述模型结构的参数的参数决定单元70。参数决定单元70在决定所述参数时如下所述改变各个目标温度SP₁和SP₂。

温度调节设备5包括：两个PID控制单元7₁和7₂，用于基于来自受控对象6的两个检测到的温度y₁和y₂与各个目标温度SP₁和SP₂之间的差分别计算和输出操作量u_1′和u_2′；无干扰化单元8，用于使用所述模型结构对来自两个PID控制单元7₁和7₂的操作量u₁′和u₂′执行无干扰控制，并将经处理的操作量u₁和u₂输出到受控对象6；以及前述的参数决定单元70，用于设置无干扰化单元8中决定的参数。

两个PID控制单元7₁和7₂、参数决定单元70、以及无干扰化单元8等等例如由微计算机组成。

图2是示出无干扰化单元8以及模型结构1的框图。当将受控对象6建模为被建模对象时获得模型结构1。

根据本优选实施例的模型结构1是提供有两个输入(u₁和u₂)和两个输出(y₁和y₂)的热干扰系统的受控对象的热模型，而且是两个通道的模型结构。

可以采用与诸如热处理板或热处理炉的分别加热受控对象的两个加热器的输出对应的操作量作为输入u₁和u₂的示例。可以采用作为从分别检测受控对象6的温度的两个温度传感器检测得到的温度的控制量作为输出y₁和y₂的示例。

模型结构1是具有反馈结构类型的模型，其中在减法器2中计算两个输出y₁与y₂之间的差，并经由两个反馈元件50和51将其反馈到两个输入u₁和u₂，并分别经由减法器3和加法器4将其在改变极性使得彼此正或负反转之后反馈到它们。

此外，作为另一个优选实施例，共同的单个反馈元件可以等同于两个反馈元件50和51，该情况下获得图21中所示的模型结构。

本示例中，将分配给诸如热处理板或热处理炉的受控对象的两个加热器的部分(换句话说，与每个通道ch对应的受控元件)作为模型元件52和53。A₁₁和A₂₂是从输入u₁和u₂到输出y₁和y₂的模型元件52和53的传递函数。A₁₂和A₂₁是反馈元件50和51的传递函数。

模型结构1将作为模型元件52和53的输出的两个输出y₁与y₂之间的差(即，温差)经由与干扰程度等等对应的反馈元件50和51在改变极性使得彼此正或负反转之后，反馈到作为模型元件52和53的输入的两个输入u₁和u₂，换句话说，与热量对应的操作量。

模型结构1的框图示出依靠温差产生热量从一个通道ch传递到另一个通道ch的这样的热干扰的现象，而一个通道ch损失热量(负)，同时另一个通道得到热量(正)。相关的模型结构可以称为温差模型。

根据本优选实施例的模型结构1表示傅立叶定律，即在热系统的受控对象的干扰中存在两个彼此不同的温度时热量传递与温差成比例。

反馈元件50和51指示表示依赖于温差传递热量的量的比率。

本优选实施例中，将模型元件52和53的传递函数A₁₁和A₂₂作为一阶滞后系统，而将反馈元件50和51的传递函数A₁₂和A₂₁作为固定值。

更具体地，

A₁₁＝K₁/(1+T₁s)

A₁₂＝K₂

A₂₁＝K₃

A₂₂＝K₄/(1+T₄s)

前述表达式中，传递函数A₁₁和A₂₂的稳定增益为K₁和K₄，而时间常数为T₁和T₄，而且传递函数A₁₂和A₂₁的固定值为K₂和K₃。s表示拉普拉斯变换的算符。

如图2中所示，无干扰化单元8包括：减法器9，用于计算受控对象6的模型结构1的两个输出y₁与y₂之间的差；补偿元件50′和51′，分别向其馈给来自减法器9的输出；以及加法器10和减法器11，分别用于将补偿元件50′和51′的输出与输入的操作量u_1′和u_2′相加或相减。

补偿元件50′和51′分别与受控对象6的模型结构1的反馈元件50和51对应。补偿元件50′和51′的传递函数A′₁₂和A′₂₁等于反馈元件50和51的传递函数A₁₂和A₂₁，而且将补偿元件50′和51′的输出在与反馈元件50和51的各个输出反转正或负极性之后，反馈到输入的操作量u₁′和u₂′。借此，在无干扰化单元8中抵消受控对象6的干扰。

在所述无干扰控制中，只要决定了受控对象6的模型结构1的反馈元件50和51的传递函数A₁₂和A₂₁，不需要获得模型元件52和53的传递函数A₁₁和A₂₂。

接下来，描述决定模型结构1的参数的方法。

模型结构1将输出端上的差反馈到输入端，例如这符合热量根据温差传递的这样的自然现象。模型结构1是灰盒模型，其中合并有黑盒的块和物理信息。

传统上认为没有决定这样构造的灰盒模型中的参数的任何可用方法。然而，本发明的发明人发现了使用黑盒模型的参数来决定所述参数的方法。

本发明的发明人发现存在将黑盒模型的参数转换为灰盒模型的参数的预定表达式。

本优选实施例中，通过与黑盒模型的一样的系统识别来计算根据图20中所示的传统示例的模型的参数。接着，根据所述预定转换表达式，使用计算得到的参数来计算图2中所示的作为灰盒模型的模型结构1的参数。

在根据本优选实施例的决定所述参数的方法中，首先，借助ARX模型来对图21中所示的传统黑盒模型进行系统识别，并获得下面表达式1～4中所示的ARX模型(离散系统)。

数字表达式1

$P_{11}\left(q\right)=\frac{b_{\mathrm{AR}11}{q}^{-1}+b_{\mathrm{AR}12}{q}^{-2}}{1+a_{\mathrm{AR}11}{q}^{-1}+a_{\mathrm{AR}12}{q}^{-2}}$

数字表达式2

$P_{12}\left(q\right)=\frac{b_{\mathrm{AR}21}{q}^{-1}}{1+a_{\mathrm{AR}11}{q}^{-1}+a_{\mathrm{AR}12}{q}^{-2}}$

数字表达式3

$P_{21}\left(q\right)=\frac{b_{\mathrm{AR}31}{q}^{-1}}{1+a_{\mathrm{AR}11}{q}^{-1}+a_{\mathrm{AR}12}{q}^{-2}}$

数字表达式4

$P_{22}\left(q\right)=\frac{b_{\mathrm{AR}41}{q}^{-1}+b_{\mathrm{AR}42}{q}^{-2}}{1+a_{\mathrm{AR}11}{q}^{-1}+a_{\mathrm{AR}12}{q}^{-2}}$

根据在以拉普拉斯变换中的算符s的多项式表达式表示所述模型结构中的输出到输入的条件下的分子和分母的阶次来决定ARX模型的分子和分母的阶次。

进一步，q代表移动算符，a_AR11和a_AR12代表分母中的参数，而b_AR11、b_AR12、b_AR21、b_AR31、b_AR41和b_AR42分别代表分子中的参数。附加到各个符号的AR表示相关的符号是ARX模型的参数。

接下来，借助后向差分近似将获得的ARX模型(离散系统)转换为连续系统。从而，如数字表达式5～8中所示定义连续系统中的黑盒模型的传递函数P₁₁(s)、P₁₂(s)、P₂₁(s)、以及P₂₂(s)。

数字表达式5

$P_{11}\left(s\right)=K_{P_1}\frac{1+b_{P_{11}}s}{1+a_{P_{11}}s+a_{P_{12}}{s}^2}$

数字表达式6

$P_{12}\left(s\right)=K_{P_2}\frac{1}{1+a_{P_{11}}s+a_{P_{12}}{s}^2}$

数字表达式7

$P_{21}\left(s\right)=K_{P_3}\frac{1}{1+a_{P_{11}}s+a_{P_{12}}{s}^2}$

数字表达式8

$P_{22}\left(s\right)=K_{P_4}\frac{1+b_{P_{41}}s}{1+a_{P_{11}}s+a_{P_{12}}{s}^2}$

K_P1～K_P4、a_P11、a_P12、b_P11、和b_P41如下面数字表达式9～16中所示。

数字表达式9

$K_{P_1}=\frac{b_{\mathrm{AR}11}+b_{\mathrm{AR}12}}{1+a_{\mathrm{AR}11}+a_{\mathrm{AR}12}}$

数字表达式10

$K_{P_2}=\frac{b_{\mathrm{AR}21}}{1+a_{\mathrm{AR}11}+a_{\mathrm{AR}12}}$

数字表达式11

$K_{P_3}=\frac{b_{\mathrm{AR}31}}{1+a_{\mathrm{AR}11}+a_{\mathrm{AR}12}}$

数字表达式12

$K_{P_4}=\frac{b_{\mathrm{AR}41}+b_{\mathrm{AR}42}}{1+a_{\mathrm{AR}11}+a_{\mathrm{AR}12}}$

数字表达式13

$a_{P_{11}}=-\frac{(a_{\mathrm{AR}11}+a_{\mathrm{AR}12})\mathrm{\ΔT}}{1+a_{\mathrm{AR}11}+a_{\mathrm{AR}12}}$

数字表达式14

$a_{P_{12}}=\frac{a_{\mathrm{AR}12}\mathrm{\Δ}{T}^2}{1+a_{\mathrm{AR}11}+a_{\mathrm{AR}12}}$

数字表达式15

$b_{P_{11}}=-\frac{a_{\mathrm{AR}12}\mathrm{\ΔT}}{b_{\mathrm{AR}11}+b_{\mathrm{AR}12}}$

数字表达式16

$b_{P_{41}}=-\frac{a_{\mathrm{AR}42}\mathrm{\ΔT}}{b_{\mathrm{AR}41}+b_{\mathrm{AR}42}}$

另外，ΔT是采样时间。

在确定ARX模型的阶次后推导所述表达式的过程中，合并了传统的方法。其细节在东京电机大学出版部出版、Shuichi Adachi编著的“SystemIdentification for Control”的第6章Identification of Parametric Model的第89～93页中叙述。

接下来，根据基于转换为连续系统的图20中所示的传统黑盒模型的参数的预定转换表达式来决定图2中所示的模型结构1的参数。

本优选实施例中，使用数字表达式5～8中所示的参数K_P1～K_P4、b_P11、和b_P41以借助下面作为预定转换表达式的数字表达式17～22计算稳定增益K₁～K₄以及时间常数T₁和T₄，其为模型结构1的参数。

数字表达式17

$K_2=\frac{K_{P_2}}{K_{P_1}{K}_{P_4}-K_{P_2}{K}_{P_3}}$

数字表达式18

$K_3=\frac{K_{P_3}}{K_{P_1}{K}_{P_4}-K_{P_2}{K}_{P_3}}$

数字表达式19

$K_1=\frac{K_{P_1}{K}_{P_4}-K_{P_2}{K}_{P_3}}{K_{P_4}-K_{P_2}}$

数字表达式20

$K_4=\frac{K_{P_1}{K}_{P_4}-K_{P_2}{K}_{P_3}}{K_{P_1}-K_{P_3}}$

数字表达式21

$T_1=\frac{K_{P_4}}{K_{P_4}-K_{P_2}}{b}_{P_{41}}$

数字表达式22

$T_4=\frac{K_{P_1}}{K_{P_1}-K_{P_3}}{b}_{P_{11}}$

于是，决定了稳定增益K₁～K₄以及时间常数T₁和T₄，其为模型结构1的传递函数A₁₁、A₁₂、A₂₁、和A₂₂的参数。

因而，在本优选实施例中，以与传统技术类似的方式通过系统识别计算作为图20中所述的受控对象30的模型的黑盒模型的参数K_P1～K_P4、b_P11、和b_P41。进一步，使用这些参数K_P1～K_P4、b_P11、和b_P41以根据预定转换表达式17～22决定稳定增益K₁～K₄以及时间常数T₁、和T₄，其为模型结构1的参数。在这些参数中，使用作为反馈元件50和51的参数的稳定增益K₂和K₃以使得自动设置作为无干扰化单元8中的补偿元件50′和51′的传递函数A′₁₂和A′₂₁的参数的稳定增益K₂和K₃。借此，完成所述无干扰控制。

下面描述推导作为所述预定转换表达式的数字表达式17～22的过程。

图3是描述所述推导过程的图。图3中，所述模型结构示出为“A结构”，图20中所示的黑盒模型示出为“P结构”。

首先，从模型结构1和所述黑盒模型的两个定义推导得到从所述黑盒模型的各个元件的传递函数(P₁₁、P₁₂、P₂₁、和P₂₂)到模型结构1的元件50～53的传递函数(A₁₁、A₁₂、A₂₁、和A₂₂)的关系表达式P＝f(A)。

接下来，将所述模型结构的各个元件的传递函数(A₁₁、A₁₂、A₂₁、和A₂₂)的条件(即，根据本优选实施例将传递函数A₁₁和A₂₂设置为一阶滞后系统并将传递函数A₁₂和A₂₁设置为固定值的条件)代入关系表达式P＝f(A)以使得推导得到从所述黑盒模型的每个元件的参数(a，b)到模型结构1的每个元件的参数(K，T)的关系表达式a＝f(K，T)和b＝f(K，T)。

最后，计算从模型结构1的各个元件50～53中的参数(K，T)到所述黑盒模型的各个元件的参数(a，b)的关系以使得反转输入与输出之间的关系。接着，推导得到前述数字表达式17～22的预定转换表达式，其为K＝f(a，b)和T＝f(a，b)。

以下，更详细地描述所述推导过程。

首先，图20所示的黑盒模型的输入u₁和u₂与输出y₁和y₂的关系表达式如下：

y₁＝P₁₁u₁+P₁₂u₂

y₂＝P₂₁u₁+P₂₂u₂

同时，下面是图20中所示的模型结构1的输入u₁和u₂与输出y₁和y₂的关系表达式。

y₁＝{A₁₁(1+A₂₁A₂₂)/(1+A₁₁A₁₂+A₂₁A₂₂)}u₁

+{(A₁₁A₁₂A₂₂)/(1+A₁₁A₁₂+A₂₁A₂₂)}u₂

y₂＝{(A₁₁A₂₁A₂₂)/(1+A₁₁A₁₂+A₂₁A₂₂)}u₁

+{A₂₂(1+A₁₁A₁₂)/(1+A₁₁A₁₂+A₂₁A₂₂)}u₂

可以如下推导模型结构1的输入-输出关系表达式。

y₁＝A₁₁{u₁-A₁₂(y₁-y₂)}    ...(1)

y₂＝A₂₂{u₂+A₂₁(y₁-y₂)}    ...(2)

因而，从表达式(1)得到

u₁-A₁₂(y₁-y₂)＝y₁/A₁₁

y₁-y₂＝{u₁-(y₁/A₁₁)}/A₁₂

y₂＝y₁-{u₁-(y₁/A₁₁)}/A₁₂

＝y₁-(u₁/A₁₂)+y₁/(A₁₁A₁₂)

＝[1+{1/(A₁₁A₁₂)}]y₁-(u₁/A₁₂)

代入表达式(2)，得到

[1+{1/(A₁₁A₁₂)}]y₁-(u₁/A₁₂)

＝A₂₂[u₂+A₂₁{y₁-y₁+(u₁/A₁₂)-(y₁/(A₁₁A₁₂))}]

＝A₂₂[u₂+A₂₁{-(y₁/(A₁₁A₁₂))+(u₁/A₁₂)}]

＝-(A₂₂A₂₁y₁/A₁₁A₁₂)+(A₂₁A₂₂u₁/A₁₂)+(A₂₂u₂)

因而，

{1+(1/(A₁₁A₁₂))+(A₂₂A₂₁/A₁₁A₁₂)}y₁

＝((1/A₁₂)+(A₂₁A₂₂/A₁₂))u₁+A₂₂u₂

两边同时乘以(A₁₁A₁₂)，得到

(A₁₁A₁₂+1+A₂₂A₂₁)y₁＝(A₁₁+A₁₁A₂₁A₂₂)u₁+A₁₁A₂₁A₂₂u₂

(1+A₁₁A₁₂+A₂₁A₂₂)y₁＝A₁₁(1+A₂₁A₂₂)u₁+A₁₁A₁₂A₂₂u₂

因而，可以推导得到上述y₁的下列关系表达式。

y₁

＝{A₁₁(1+A₂₁A₂₂)/(1+A₁₁A₁₂+A₂₁A₂₂)}u₁

+{(A₁₁A₁₂A₂₂)/(1+A₁₁A₁₂+A₂₁A₂₂)}u₂

通过对y₂执行类似的计算，同样可以得到上述y₂的关系表达式。

通过比较基于这样获得的模型结构1的输入-输出关系表达式和所述黑盒模型的输入-输出关系表达式的相关的参数，可以得到下面的表达式。

P₁₁＝A₁₁(1+A₂₁A₂₂)/(1+A₁₁A₁₂+A₂₁A₂₂)

P₁₂＝A₁₁A₁₂A₂₂/(1+A₁₁A₁₂+A₂₁A₂₂)

P₂₁＝A₁₁A₂₁A₂₂/(1+A₁₁A₁₂+A₂₁A₂₂)

P₂₂＝A₂₂(1+A₁₁A₁₂)/(1+A₁₁A₁₂+A₂₁A₂₂)

接下来，将下列条件(即将传递函数A₁₁和A₂₂设置为一阶滞后系统并将传递函数A₁₂和A₂₁设置为固定值)代入这些表达式进行计算。

A₁₁＝K₁/(1+T₁s)

A₁₂＝K₂

A₂₁＝K₃

A₂₂＝K₄/(1+T₄s)

数字表达式23

$P_{11}=\frac{A_{11}(1+A_{21}{A}_{22})}{1+A_{11}{A}_{12}+A_{21}{A}_{22}}$

$=\frac{\frac{K_1}{1+T_{1}s}(1+\frac{K_3{K}_4}{1+T_{4}s})}{1+\frac{K_1{K}_2}{1+T_{1}s}+\frac{K_3{K}_4}{1+T_{4}s}}$

$=\frac{K_1(1+T_{4}s+K_3{K}_4)}{(1+T_{1}s)(1+T_{4}s)+K_1{K}_2(1+T_{4}s)+K_3{K}_4(1+T_{1}s)}$

$=\frac{K_1+K_1{T}_{4}s+K_1{K}_3{K}_4}{1+(T_1+T_4)s+T_1{T}_4{s}^2+K_1{K}_2+K_1{K}_2{T}_{4}s+K_3{K}_4+K_3{K}_4{T}_{1}s}$

$=\frac{K_1+K_1{K}_3{K}_4+K_1{T}_{4}s}{1+K_1{K}_2+K_3{K}_4+(T_1+T_4+K_1{K}_2{T}_4+K_3{K}_4{T}_1)s+T_1{T}_4{s}^2}$

$=\frac{b_{10}+b_{11}s}{a_{10}+a_{11}s+a_{12}{s}^2}$

其中，

b₁₀＝K₁+K₁K₃K₄

b₁₁＝K₁T₄

a₁₀＝1+K₁K₂+K₃K₄       ...(3)

a₁₁＝T₁+T₄+K₁K₂T₄+K₃K₄T₁

a₁₂＝T₁T₄

数字表达式24

$P_{12}=\frac{A_{11}{A}_{12}{A}_{22}}{1+A_{11}{A}_{12}+A_{21}{A}_{22}}$

$=\frac{\frac{K_1{K}_2{K}_4}{(1+T_{1}s)(1+T_{4}s)}}{1+\frac{K_1{K}_2}{1+T_{1}s}+\frac{K_3{K}_4}{1+T_{4}s}}$

$=\frac{K_1{K}_2{K}_4}{(1+T_{1}s)(1+T_{4}s)+K_1{K}_2(1+T_{4}s)+K_3{K}_4(1+T_{1}s)}$

$=\frac{K_1{K}_2{K}_4}{1+(T_1+T_4)s+T_1{T}_4{s}^2+K_1{K}_2+K_1{K}_2{T}_{4}s+K_3{K}_4+K_3{K}_4{T}_{1}s}$

$=\frac{K_1{K}_2{K}_4}{1+K_1{K}_2+K_3{K}_4+(T_1+T_4+K_1{K}_2{T}_4+K_3{K}_4{T}_1)s+T_1{T}_4{s}^2}$

$=\frac{b_{20}}{a_{20}+a_{21}s+a_{22}{s}^2}$

其中，

b₂₀＝K₁K₂K₄

a₂₀＝1+K₁K₂+K₃K₄

a₂₁＝T₁+T₄+K₁K₂T₄+K₃K₄T₁

a₂₂＝T₁T₄

类似地，

P₂₁＝b₃₀/(a₃₀+a₃₁s+a₃₂s²)

其中，

b₃₀＝K₁K₃K₄

a₃₀＝1+K₁K₂+K₃K₄

a₃₁＝T₁+T₄+K₁K₂T₄+K₃K₄T₁

a₃₂＝T₁T₄

类似地，

P₂₂＝(b₄₀+b₄₁s)/(a₄₀+a₄₁s+a₄₂s²)

其中，

b₄₀＝K₄+K₁K₂K₄

b₄₁＝K₄T₁

a₄₀＝1+K₁K₂+K₃K₄

a₄₁＝T₁+T₄+K₁K₂T₄+K₃K₄T₁

a₄₂＝T₁T₄

其中，计算模型结构1中的所述参数。

K₁＝b₁₀-b₃₀(＝K₁+K₁K₃K₄-K₁K₃K₄)    ...(4)

K₄＝b₄₀-b₂₀(＝K₄+K₁K₂K₄-K₁K₃K₄)    ...(5)

K₂＝b₂₀÷K₁÷K₄(＝K₁K₂K₄÷K₁÷K₄)  ...(6)

K₃＝b₃₀÷K₁÷K₄(＝K₁K₃K₄÷K₁÷K₄)  ...(7)

T₁＝b₄₁÷K₄(＝K₄T₁÷K₄)

T₄＝b₁₁÷K₁(＝K₁T₄÷K₁)

作为结果，从这些表达式得到K₂和K₃并决定A₁₂和A₂₁，可以设置反馈元件50和51的传递函数。

然而，在识别所述黑盒模型的参数时，不能获得所述参数，因为即便能够测量b₁₀/a₁₀也无法单独计算b₁₀和a₁₀。

因而，分析从可测量的值决定所述模型结构中的参数的方法。

P₁₁＝(b₁₀+b₁₁s)/(a₁₀+a₁₁s+a₁₂s²)

＝(b₁₀/a₁₀)·[{1+(b₁₁/b₁₀)s}/{1+(a₁₁/a₁₀)s+(a₁₂/a₁₀)s²}]

b₁₀/a₁₀＝K_P1

K_P1是可以作为稳定增益测量的值。

类似地，

P₁₂＝b₂₀/(a₂₀+a₂₁s+a₂₂s²)

＝(b₂₀/a₂₀)·[1/{1+(a₂₁/a₂₀)s+(a₂₂/a₂₀)s²}]

其中，从前述计算结果得到下列关系。

a₁₀＝a₂₀＝a₃₀＝a₄₀

a₁₁＝a₂₁＝a₃₁＝a₄₁

a₁₂＝a₂₂＝a₃₂＝a₄₂

将这些关系表达式代入，得到

P₁₂＝(b₂₀/a₁₀)·[1/{1+(a₁₁/a₁₀)s+(a₁₂/a₁₀)s²}]

b₂₀/a₁₀＝K_P2

类似地，

P₂₁＝b₃₀/(a₃₀+a₃₁s+a₃₂s²)

在代入前述关系表达式之后变为

P₂₁＝(b₃₀/a₁₀)·[1/{1+(a₁₁/a₁₀)s+(a₁₂/a₁₀)s²}]

b₃₀/a₁₀＝K_P3

类似地，

P₂₂＝(b₄₀+b₄₁s)/(a₄₀+a₄₁s+a₄₂s²)

在代入前述关系表达式之后变为

P₂₂＝(b₄₀/a₁₀)·[{1+(b₄₁/b₄₀)s}/{1+(a₁₁/a₁₀)s+(a₁₂/a₁₀)s²}]

b₄₀/a₁₀＝K_P4

容易使用可测量值K_P4～K_P4来表示b₁₀～b₄₀。

b₁₀＝a₁₀K_P1

b₂₀＝a₁₀K_P2

b₃₀＝a₁₀K_P3

b₄₀＝a₁₀K_P4

将这些代入表达式(4)～(7)，并最后示出用于使用所述可测量值来获得A₁₂和A₂₁的表达式。

K₁＝b₁₀-b₃₀

＝a₁₀K_P1-a₁₀K_P3

＝a₁₀(K_P1-K_P3)

K₄＝b₄₀-b₂₀

＝a₁₀K_P4-a₁₀K_P2

＝a₁₀(K_P4-K_P2)

K₂＝b₂₀÷(K₁·K₄)

＝a₁₀K_P2÷{a₁₀(K_P1-K_P3)·a₁₀(K_P4-K_P2)}

＝K_P2/{(K_P1-K_P3)(K_P4-K_P2)a₁₀}

K₃＝b₃₀÷(K₁·K₄)

＝a₁₀K_P3÷{a₁₀(K_P1-K_P3)·a₁₀(K_P4-K_P2)}

＝K_P3/{(K_P1-K_P3)(K_P4-K_P2)a₁₀}

为了消除a₁₀，将K₁、K₂、K₃、K₄的值代入表达式(3)使得形成a₁₀的表达式。

K₁·K₂＝{a₁₀(K_P1-K_P3)}×[K_P2/{(K_P1-K_P3)(K_P4-K_P2)a₁₀}]

＝K_P2/(K_P4-K_P2)

K₃·K₄＝[K_P3/{(K_P1-K_P3)(K_P4-K_P2)a₁₀}]×a₁₀(K_P4-K_P2)

＝K_P3/(K_P1-K_P3)

将前述表达式代入表达式(3)。

a₁₀＝1+K₁K₂+K₃K₄

＝1+{K_P2/(K_P4-K_P2)}+{K_P3/(K_P1-K_P3)}

＝[{(K_P4-K_P2)(K_P1-K_P3)+K_P2(K_P1-K_P3)+K_P3(K_P4-K_P2)}]/[(K_P4-K_P2)(K_P1

-K_P3)]

＝(K_P1K_P4-K_P2K_P3)/(K_P4-K_P2)(K_P1-K_P3)

将a₁₀的表达式代入K₂和K₃的表达式。

K₂＝{K_P2/(K_P1-K_P3)(K_P4-K_P2)}·{(K_P4-K_P2)(K_P1-K_P3)/(K_P1K_P4-

K_P2K_P3)}

＝K_P2/(K_P1K_P4-K_P2K_P3)

K₃＝{K_P3/(K_P1-K_P3)(K_P4-K_P2)}·{(K_P4-K_P2)(K_P1-K_P3)/(K_P1K_P4-

K_P2K_P3)}

＝K_P3/(K_P1K_P4-K_P2K_P3)

如上所述，可以推导得到作为预定转换表达式的数字表达式17和18。

通过以类似的方式获得关于K₁、K₄和T₁、T₄，可以推导得到作为预定转换表达式的数字表达式19～22。

在由如图1所示的构造组成的无干扰控制中，可以仅确定稳定增益K₂和K₃，其为图2中所示的补偿元件50′和51′的传递函数A′₁₂和A′₂₁的参数。可以如作为预定转换表达式的数字表达式17和18中所示从作为黑盒模型的参数的稳定增益K_P1～K_P4计算这些稳定增益K₂和K₃。

例如，可以使用下面的阶跃响应相对容易地获得这些稳定增益K_P1～K_P4。

更具体地，在图20中所示的传统黑盒模型中，将所述通道之一的输入u₁步进改变Δu₁，以便测量各个通道的输出y₁和y₂的改变量Δy₁和Δy₂。

借此，可以在下面表达式中计算黑盒模型的传递函数P₁₁和P₂₁的稳定增益K_P1和K_P3。

K_P1＝Δy₁/Δu₁

K_P3＝Δy₂/Δu₁

类似地，将另一个通道的输入u₂步进改变Δu₂，以便测量各个通道的输出y₁和y₂的改变量Δy₁和Δy₂。

结果，可以在下面表达式中计算图20所示黑盒模型的传递函数P₁₂和P₂₂的稳定增益K_P2和K_P4。

K_P2＝Δy₁/Δu₂

K_P4＝Δy₂/Δu₂

于是，可以基于对步进输入的输出改变而获得作为黑盒模型的参数的稳定增益K_P1～K_P4。基于作为预定转换表达式的数字表达式17和18，从这些稳定增益K_P1～K_P4计算稳定增益K₂和K₃，其为图2中所示的模型结构1中的补偿元件50′和51′的传递函数A′₁₂和A′₂₁的参数。从而，可以执行无干扰控制。

因而，根据本优选实施例，在图1中所示的参数决定单元70中，在利用无干扰化单元8的无干扰化开始之前，改变目标值SP₁和SP₂使得对受控对象6的操作量u₁和u₂步进改变，从而，分别测量受控对象6的输出y₁和y₂的改变。接着，如所述的从相关的阶跃响应获得稳定增益K_P1～K_P4，其为黑盒模型的参数。进一步，根据所述转换表达式，从稳定增益K_P1～K_P4计算稳定增益K₂和K₃，其为所述模型结构中的反馈元件50和51的传递函数A₁₂和A₂₁的参数。

将计算得到的稳定增益K₂和K₃设置为无干扰化单元8的补偿元件50′和51′的传递函数A′₁₂和A′₂₁的参数，并在其后由无干扰化单元8执行无干扰控制。

因而，根据本优选实施例，以与用于决定PID常数的传统自动调节类似的方式从阶跃响应获得黑盒模型的参数，而且进一步，决定模型结构1的参数。从而，可以自动执行无干扰控制。

在有必要决定作为模型结构1的全部参数的稳定增益K₁和K₄以及时间常数T₁和T₄的情况下，与无干扰控制中不同，例如，在模型预测控制等等中，借助如所述的作为传统方法的系统识别来计算黑盒模型的参数。例如，在图20中所示的黑盒模型中，步进改变所述通道之一的输入u₁，以便测量各个通道的输出y₁和y₂的改变。类似地，步进改变另一个通道的输入u₂，以便测量各个通道的输出y₁和y₂的改变。

接下来，基于所述通道之一的输入u₁的时间序列数据以及测量得到的输出y₁的时间序列数据借助最小二乘法等等得到传递函数P₁₁的参数K_P1和b_P11，并基于所述通道之一的输入u₁的时间序列数据以及测量得到的输出y₂的时间序列数据借助最小二乘法等等得到传递函数P₂₁的参数K_P3。

类似地，基于另一个通道的输入u₂的时间序列数据以及测量得到的输出y₁的时间序列数据借助最小二乘法等等得到传递函数P₁₂的参数K_P2，并基于另一个通道的输入u₂的时间序列数据以及测量得到的输出y₂的时间序列数据借助最小二乘法等等得到传递函数P₂₂的参数K_P4和b_P41。

进一步，使用参数K_P1～K_P4、b_P11、b_P41，根据数字表达式17～22中所示的预定转换表达式决定作为模型结构1的参数的稳定增益K₁-K₄以及时间常数T₁和T₄。

在系统识别中，本发明并不限于其中步进改变输入的阶跃响应波形，也可以应用极限环波形或M序列(series)的随机波形。

优选实施例2

前述优选实施例应用于具有两个输入和两个输出的模型结构。下面描述本发明的优选实施例2，其应用于具有N个输入和N个输出的模型结构(N是至少为二的自然数)。

本优选实施例中，图21中所示的模型结构应用于多个通道。如图4中所示，将多个(n个)模型元件60₁～60_n设置为其中使用稳定增益K₁～K_n和时间常数T₁～T_n的一阶滞后系统，并将多个(n-1个)反馈元件61₁₂～61_(n-1)n设置为其中使用阻抗θ₁₂～θ_(n-1)n的固定值。图4中，P₁～P_n表示输入，而T₁～T_n表示输出。

这里，首先，考虑稳定态属性在稳定态中获得参数。

倘若所述热系统的受控对象的传递函数G(s)是一阶滞后系统，其成为G(s)＝K/(1+Ts)

其中，K为稳定增益，T为时间常数，而s为拉普拉斯变换的算符。

在稳定态中，s＝0，因而，G(s)＝K。

可以借助固定值的热流(输入)P以及稳定温度(输出)T如下表示稳定增益K。

K＝T/P

同时，可以通过模拟欧姆定律利用热流P和温度T如下表示热阻θ。

θ＝T/P

因而，在稳定态下可以将稳定增益表示为K＝θ。

因而，仅仅关注于图4中所示的模型结构中的稳定态特性(s＝0)，当时间常数T₁～T_n消失的同时模型元件60₁～60_n可以用热阻θ₁～θ_n替换稳定增益K₁～K_n。如图5中所示，其变为包括多个(n个)包含一个输入和一个输出且分别具有热阻θ₁～θ_n的模型元件60₁～60_n、以及多个(n-1个)将模型元件60₁～60_n的输出差反馈到输入端且分别具有热阻θ₁₂～θ_(n-1)n的反馈元件61₁₂～61_(n-1)n的模型结构。

本优选实施例中，首先，如下获得作为图5中所示的模型结构的各个元件的参数的热阻θ₁～θ_n以及θ₁₂～θ_(n-1)n。

更具体地，倘若在将步进输入P₁₁输入到第一输入P₁时稳定态中测量得到的各个输出T₁～T_n的改变是T₁₁～T_1n，在将步进输入P₂₂输入到第二输入P₂时稳定态中测量得到的各个输出T₁～T_n的改变是T₂₁～T_2n，而且在将步进输入P_nn输入到第n输入P_n时稳定态中测量得到的各个输出T₁～T_n的改变是T_n1～T_nn，则可以在下面的数字表达式25和26中计算各个元件的热阻θ₁～θ_n以及θ₁₂～θ_(n-1)n。

另外，假定所述受控对象为热处理板，可以将用于加热该热处理板的加热器输出，例如，100W，设想为步进输入P₁₁～P_nn，而且可以将诸如与室温相比的温度改变的温度变化设想为作为稳定态中测量得到的各个输出T₁～T_n的改变的T₁₁～T_nn。

数字表达式25

$\left(\begin{array}{c}1/{\mathrm{\θ}}_1\\ 1/{\mathrm{\θ}}_2\\ .\\ .\\ .\\ 1/{\mathrm{\θ}}_n\end{array}\right)={\left(\begin{array}{cccc}{T}_{11}& T_{12}& ...& T_{1n}\\ T_{21}& T_{22}& ...& T_{2n}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ T_{n1}& T_{n2}& ...& T_{\mathrm{nn}}\end{array}\right)}^{-1}\left(\begin{array}{c}{P}_{11}\\ P_{22}\\ .\\ .\\ .\\ P_{\mathrm{nn}}\end{array}\right)$

数字表达式26

${\mathrm{\θ}}_{12}=\frac{T_{11}-T_{12}}{P_{11}-T_{11}/{\mathrm{\θ}}_1},{\mathrm{\θ}}_{23}=\frac{T_{12}-T_{13}}{P_{11}-T_{11}/{\mathrm{\θ}}_1-T_{12}/{\mathrm{\θ}}_2},$

$...,{\mathrm{\θ}}_{(n-1)n}=\frac{T_{1(n-1)}-T_{1n}}{P_{11}-T_{11}/{\mathrm{\θ}}_1-T_{12}/{\mathrm{\θ}}_2-...-T_{1(n-1)}/{\mathrm{\θ}}_{(n-1)}}$

下面说明为何可以在前述表达式中计算各个元件的热阻的理由。

所述受控对象最初是分布式参数系统。例如，假定经由多个通道对作为受控对象的热处理板进行温度控制，如图6中所示，作为受控对象62的热处理板的输入是经由热阻影响多个传感器的温度T₁～T_n的多个加热器的热量P₁～P_n。C表示热处理板的每部分的热容量。

所述分布式参数系统，当接近于集总参数系统时，可以示出作为图7中所示的电等效电路。

由于本优选实施例中在稳定态下获得所述参数，所以可以忽略热容量C。结果，可以获得图8中所示的电等效电路，其与图5中所示的模型结构等价。

假定其中仅处理稳定增益的数值的稳定状态，可以忽略来自时间参数中包含的热容量C的任何影响。

其中，在其为n＝3时，如图9中所示，当将步进输入P₁₁输入到第一输入P₁时观察稳定状态，得到下面结果，

Ps₁＝T₁₁/θ₁

Ps₂＝T₁₂/θ₂

Ps₃＝T₁₃/θ₃

因而，

P₁₁＝Ps₁+Ps₂+Ps₃

P₁₁＝T₁₁/θ₁+T₁₂/θ₂+T₁₃/θ₃  ...(8)

进一步，如图10中所示，当将步进输入P₂₂输入到第二输入P₂时，类似地得到下面结果，

P₂₂＝T₂₁/θ₁+T₂₂/θ₂+T₂₃/θ₃  ...(9)

进一步，如图11中所示，当将步进输入P₃₃输入到第三输入P₃时，类似地得到下面结果，

P₃₃＝T₃₁/θ₁+T₃₂/θ₂+T₃₃/θ₃  ...(10)

根据表达式(8)、(9)、以及(10)，

数字表达式27

$\left(\begin{array}{c}{P}_{11}\\ P_{22}\\ P_{33}\end{array}\right)=\left(\begin{array}{ccc}{T}_{11}& T_{12}& T_{13}\\ T_{21}& T_{22}& T_{23}\\ T_{31}& T_{32}& T_{33}\end{array}\right)\left(\begin{array}{c}1/{\mathrm{\θ}}_1\\ 1/{\mathrm{\θ}}_2\\ 1/{\mathrm{\θ}}_3\end{array}\right)$

因而，

数字表达式28

$\left(\begin{array}{c}1/{\mathrm{\θ}}_1\\ 1/{\mathrm{\θ}}_2\\ 1/{\mathrm{\θ}}_3\end{array}\right)={\left(\begin{array}{ccc}{T}_{11}& T_{12}& T_{13}\\ T_{21}& T_{22}& T_{23}\\ T_{31}& T_{32}& T_{33}\end{array}\right)}^{-1}\left(\begin{array}{c}{P}_{11}\\ P_{22}\\ P_{33}\end{array}\right)...\left(11\right)$

从前述表达式推导得到热阻θ₁～θ₃。

另外，从在将步进输入P₁₁输入到第一输入P₁时的数据确立下面的表达式。

T₁₁-T₁₂＝θ₁₂(P₁₁-Ps₁)

T₁₂-T₁₃＝θ₂₃(P₁₁-Ps₁-Ps₂)

因而，

θ₁₂＝(T₁₁-T₁₂)/(P₁₁-Ps₁)

θ₂₃＝(T₁₂-T₁₃)/(P₁₁-Ps₁-Ps₂)

当向其代入Ps₁＝T₁₁/θ₁、Ps₂＝T₁₂/θ₂、Ps₃＝T₁₃/θ₃时，

θ₁₂＝(T₁₁-T₁₂)/(P₁₁-T₁₁/θ₁)            ...(12)

θ₂₃＝(T₁₂-T₁₃)/(P₁₁-T₁₁/θ₁-T₁₂/θ₂)    ...(13)

当将表达式(11)、(12)、和(13)推广到点n时，可以得到最后的数字表达式25和26。

如上所述，可以从稳定态获得到作为图5中所示的模型结构的各个元件的参数的热阻θ₁～θ_n以及θ₁₂～θ_(n-1)n。

接下来，参照图4中所示的模型结构，用热容量C和热阻θ的乘积C·θ表示时间常数T。因而，可以利用热容量C₁～C_n以及热阻θ₁～θ_n如下表示图4中所述的模型元件60₁～60_n的时间常数T₁～T_n。

T₁～T_n＝C₁·θ₁～C_n·θ_n

当设想热处理板作为受控对象62的示例时，可以从其材料和尺寸获得热容量C。

因而，当用户设置固定热容量C₁～C_n时，可以从这样获得的热阻θ₁～θ_n和θ₁₂～θ_(n-1)n以及初步设置的热容量C₁～C_n决定图4中所示的模型结构中的模型元件60₁～60_n的参数以及反馈元件61₁₂～61_(n-1)n的参数。

更具体地，将作为所述一阶滞后系统的参数的稳定增益K₁～K_n决定为热阻θ₁～θ_n，将时间常数T₁～T_n决定为用户设置的热阻θ₁～θ_n和热容量C₁～C_n的乘积(C₁·θ₁～C_n·θ_n)，并从热阻θ₁₂～θ_(n-1)n决定反馈元件61₁₂～61_(n-1)n的固定值。

因而，同样在本优选实施例中，以与前述优选实施例类似的方式将模型元件60₁～60_n设置为一阶滞后系统，并将反馈元件61₁₂～61_(n-1)n设置为固定值。

图12是示出其中将本优选实施例应用于经由两个通道的无干扰控制的温度控制系统的构造的框图，其中对图中所示的与图1对应的每个部分赋予了相同的引用符号。

图13是图12中所示的无干扰化单元8-1以及受控对象6的模型结构1-1的框图，其中对图中所示的与图2对应的每个部分赋予了相同的引用符号。

在模型结构1-1中，将图4中所示的包含多个通道的模型结构应用于所述两个通道。无干扰化单元8-1包括：减法器9，用于计算受控对象6的模型结构的两个输出y₁与y₂之间的差；补偿元件61₁₂′，向其馈给减法器9的输出；以及加法器10和减法器11，用于将补偿元件61₁₂′的输出与输入的操作量u₁′和u₂′相加或相减。

补偿元件61₁₂′与模型结构1-1的反馈元件61₁₂对应。

补偿元件61₁₂′的传递函数等于反馈元件61₁₂的传递函数。将补偿元件61₁₂′的输出在与模型结构1-1的反馈元件61₁₂的输出反转正或负极性之后，反馈到输入的操作量u₁′和u₂′。

参数决定单元70-1在利用无干扰化单元8-1的无干扰化开始之前如下计算热阻θ₁、θ₂、以及θ₁₂。

更具体地，改变目标值SP₁以使得改变到受控对象6的所述通道之一的操作量直到100％步进，并接着测量受控对象6的输出改变。改变目标值SP₂以使得改变到受控对象6的另一个通道的操作量直到100％步进，并接着测量受控对象6的输出改变。

根据数字表达式25和26从相关的测量结果计算热阻θ₁、θ₂、以及θ₁₂，并设置作为无干扰化单元8-1的补偿元件61₁₂′的参数的热阻1/θ₁₂。之后，由无干扰化单元8-1执行无干扰控制。

此外，在有必要决定模型结构1-1的全部参数K₁(＝θ₁)、K₂(＝θ₂)、T₁(＝C₁·θ₁)、以及T₂(＝C₂·θ₂)的情况下，例如，在用模型预测控制代替无干扰化控制时，用户通过未示出的设置单元设置参数决定单元70-1中的固定热容量C₁和C₂。接着，可以基于计算得到的热阻θ₁和θ₂决定这些参数。

本优选实施例可以应用于使用至少三个通道的控制。

根据本优选实施例，通过步进输入获得热阻。作为本发明的不同的实施例，例如，在稳定态下关闭除一个输入之外的全部其它输入，并可以基于相关输入和输出获得热阻。

描述三个通道的情况，例如，如图14中所示，将除第一通道ch1之外的通道ch2和ch3的操作量u全部关闭，例如，如各个通道ch1～ch3的操作量u和温度y在稳定态下稳定的状态下图(a)中所示。接着，生成与图9等价的状态，而且第一通道ch1的操作量u与图9中所示的P₁₁对应，而各个通道的温度改变与T₁₁、T₁₂、T₁₃对应。因而，当关闭除相关通道之外的全部通道的操作量并在稳定态下针对每个通道测量温度时，可以以与前面描述类似的方式获得热阻。借此，可以将本优选实施例应用于其中由于热阻中的限制而造成难以使用步进输入的系统。虽然描述的是其中仅留下一个通道的简单示例，但是同样在其中留下多个通道的操作量并关闭剩余通道的操作量的情况下，当求解了方程时，仍然可以获得热阻。

优选实施例3

前述的优选实施例2中，需要用户设置热容量C以决定模型结构1-1中的全部参数，如在模型预测控制中一样，这很棘手。

所以，在本发明的该优选实施例中，不需要用户设置关于图4中所示的模型结构中的各个通道的时间常数T₁～T_n＝C₁·θ₁～C_n·θ_n的热容量C₁～C_n，从受控对象6的阶跃响应波形中的最大倾斜R得到所述参数。

在图15(b)中所示的受控对象的输出y对图15(a)中所示的步进输入u的响应波形中，在下面表达式中以稳定增益K和时间常数T表示最大倾斜R。

R＝K/T

其中，因为可以如上所述用热阻θ表示稳定增益K，进而可以用热容量C和热阻θ的乘积表示时间常数T，其变为

R＝K/T＝θ/C·θ＝1/C

从而，热容量C为C＝1/R。

因而，通过测量受控对象的阶跃响应波形的最大倾斜R，可以得到热容量C。

更具体地，针对每个通道输入步进操作量的100％，并从响应波形测量最大倾斜R以计算热容量C。

如图16(a)中所示，例如，向第一通道ch1步进输入操作量的100％。接着，如图16(b)中所示从第一通道ch1的响应波形测量第一通道的最大倾斜R₁。

其间不从其它通道ch2～chn接收影响，即，在其它通道的温度不变时持续一个时间段t，测量最大倾斜R₁。

之后，以类似的方式，依次向其余的通道ch2～chn输入步进操作量的100％，并从相关的响应波形测量最大倾斜R₂～R_n。

尽管通过如上所述测量各个通道ch1～chn的最大倾斜R₁～R_n，但是仍可以根据下面表达式计算各个通道ch1～chn的热容量C₁～C_n。

C₁～C_n＝1/R₁～1/R_n

因而，在本优选实施例中，以与优选实施例2类似的方式获得图4中所示的模型结构的热阻θ₁～θ_n和θ₁₂～θ_(n-1)n，同时可以由从所述阶跃响应模型的最大倾斜R₁～R_n获得的热容量C₁～C_n得到各个元件的参数。结果，无需如优选实施例2中一样由用户设置热容量C₁～C_n，就可以计算各个元件的参数。

另外，馈给所述步进输入，并测量相关的响应波形，换句话说，测量相对输入改变的输出改变。因而，可以利用测量结果使得可以以与优选实施例2类似的方式一起得到热阻θ₁～θ_n和θ₁₂～θ_(n-1)n。

也即，可以单独分开执行或同时执行用于获得热容量的测量、以及用于获得热阻的测量。

此外，在本优选实施例中，从所述阶跃响应波形获得最大倾斜R。作为另外的实施例，可以如图17中所示从极限环波形获得最大倾斜R。

如图17(a)中所示，例如，仅打开/关闭第一通道ch1的操作量u使得改变Δu，并在下面的表达式中从响应波形的倾斜的改变ΔR计算最大倾斜R。

R＝ΔR/Δu

图18是示出其中将本优选实施例应用于两个通道的无干扰控制的温度控制系统的构造的框图，其中对图中所示的与图12对应的每个部分赋予了相同的引用符号。

根据本优选实施例的参数决定单元70-2在利用无干扰化单元8-1开始无干扰控制之前通过依次改变目标值SP1和SP2使得步进改变受控对象6的操作量来测量受控对象6的输出改变，并根据数字表达式25和26计算热阻θ₁、θ₂、以及θ₁₂，同时测量各个通道的最大倾斜R₁和R₂以便计算各个通道的热容量C₁和C₂。结果，可以决定模型结构1-1的全部参数K₁(＝θ₁)、K₂(＝θ₂)、T₁(＝C₁·θ₁)、以及T₂(＝C₂·θ₂)。

本优选实施例中，参数决定单元70-2设置全部参数中作为无干扰化单元8-1的补偿元件61₁₂′的参数的热阻1/θ₁₂，随后由无干扰化单元8-1执行无干扰控制。

如刚刚所述的，通过改变对受控对象6的操作量以测量响应波形，可以通过测量热阻θ₁、θ₂、θ₁₂以及最大倾斜R₁和R₂来决定模型结构1-1的全部参数。结果，不再需要用户设置热阻，这使得能够自动决定全部参数。

另一优选实施例

例如，如图19值所示，作为根据另一个优选实施例的模型结构，可以将其构造为使得包含经校正值H₁～H_n-1，以在各个通道之间存在变化时校正它们之间的加热器容量的变化。

上述优选实施例中，将所述参数决定单元构成在所述设备中。然而，也可以独立地提供所述参数决定单元

工业实用性

本发明对于使用模型执行的各种测量和控制操作非常有用。

Claims (15)

1.一种使用受控对象的黑盒模型的参数来决定该受控对象的模型结构的参数的方法，其中

根据预定转换表达式，基于所述黑盒模型的参数来决定所述模型结构的参数，

所述模型结构提供有多个输入和多个输出，而且包括多个具有一个输入和一个输出的模型元件、以及用于将多个模型元件中的两个模型元件的输出之间的差反馈到所述两个模型元件的输入端的至少一个反馈元件，

所述模型结构的模型元件的传递函数为一阶滞后系统，而且

所述预定转换表达式包括用于从所述黑盒的参数计算所述一阶滞后系统的传递函数的稳定增益和时间常数的表达式。

2.如权利要求1所述的决定模型结构的参数的方法，其中

通过系统识别来获得所述黑盒模型的参数。

3.一种决定受控对象的模型结构的参数的方法，其中

所述模型结构包括多个输入和多个输出，而且将多个输出之间的差反馈到所述模型元件的输入端，

所述模型结构包括多个具有一个输入和一个输出的模型元件、以及用于分别将所述多个模型元件之间的输出差反馈到所述模型元件的输入端的反馈元件，

所述模型元件和所述反馈元件包括阻抗组件，而且

基于在作为所述模型结构的目标的被控制对象的各个输入改变时产生的多个输出的改变来决定所述模型元件和所述反馈元件的阻抗组件的参数。

4.如权利要求3所述的决定模型结构的参数的方法，其中

所述模型元件除所述阻抗组件之外还包括容量组件。

5.如权利要求4所述的决定模型结构的参数的方法，其中

基于在受控对象的各个输入改变时输出的改变来决定所述模型元件的容量组件的参数。

6.如权利要求3所述的决定模型结构的参数的方法，其中

基于在受控对象的各个输入步进改变时各个输出的改变来决定所述参数。

7.一种用于使用受控对象的黑盒模型的参数来决定该受控对象的模型结构的参数的设备，其中

根据预定转换表达式，基于所述黑盒模型的参数来决定所述模型结构的参数，

所述模型结构提供有多个输入和多个输出，而且包括多个具有一个输入和一个输出的模型元件、以及用于将所述多个模型元件中的两个模型元件之间的输出差反馈到所述两个模型元件的输入端的至少一个反馈元件，

所述模型结构的模型元件的传递函数为一阶滞后系统，而且

所述预定转换表达式包括用于从所述黑盒的参数计算所述一阶滞后系统的传递函数的稳定增益和时间常数的表达式。

8.如权利要求7所述的用于决定模型结构的参数的设备，其中

通过系统识别来获得所述黑盒模型的参数。

9.一种用于决定受控对象的模型结构的参数的设备，其中

所述模型结构包括多个输入和多个输出，而且将多个输出之间的输出差反馈到输入端，

所述模型结构包括多个具有一个输入和一个输出的模型元件、以及用于分别将所述多个模型元件之间的输出差反馈到各个模型元件的输入端的反馈元件，

所述模型元件和所述反馈元件包括阻抗组件，而且

基于在作为所述模型结构的目标的被控制对象的各个输入改变时产生的多个输出的改变来决定所述模型元件和所述反馈元件的阻抗组件的参数。

10.如权利要求9所述的用于决定模型结构的参数的设备，其中

所述模型元件除所述阻抗组件之外还包括容量组件。

11.如权利要求10所述的用于决定模型结构的参数的设备，其中

基于在受控对象的各个输入改变时产生的输出的改变来决定所述模型元件的容量组件的参数。

12.如权利要求9所述的用于决定模型结构的参数的设备，其中

基于在受控对象的各个输入步进改变时各个输出的改变来决定所述参数。

13.一种用于控制提供有多个输入和多个输出的模型结构的控制设备，其中将所述多个输出之间的输出差反馈到输入端，作为受控对象的模型，而且

所述设备包括如权利要求7-12所述的任何一个用于决定参数的设备，并使用用于决定参数的所述设备来决定所述模型结构的参数。

14.一种用于控制作为受控对象的模型的、提供有多个输入和多个输出的模型结构的温度的温度调节设备，其中将所述多个输出之间的差作为温差反馈到输入端，而且

所述温度调节设备包括如权利要求7-12所述的任何一个用于决定参数的设备，并使用用于决定参数的所述设备来决定所述模型结构的参数。

15.如权利要求14所述的温度调节设备，包括：

多个温度控制单元，用于基于来自受控对象的多个检测到的温度向受控对象输出操作量；以及

无干扰化单元，用于处理来自各个温度控制单元的操作量并将经处理的操作量输出到受控对象以使得可以消除或减少由各个温度控制单元的控制对其它温度控制单元的控制造成的影响，其中

所述无干扰化单元使用所述模型结构来实现无干扰化，而且所述模型结构将检测到的温度之间的差反馈到所述操作量端。

Images