CN103760772A - 状态空间预测函数控制优化的批次过程pi-pd控制方法 - Google Patents
状态空间预测函数控制优化的批次过程pi-pd控制方法 Download PDFInfo
- Publication number
- CN103760772A CN103760772A CN201410029925.9A CN201410029925A CN103760772A CN 103760772 A CN103760772 A CN 103760772A CN 201410029925 A CN201410029925 A CN 201410029925A CN 103760772 A CN103760772 A CN 103760772A
- Authority
- CN
- China
- Prior art keywords
- moment
- batch process
- model
- matrix
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种状态空间预测函数控制优化的批次过程PI-PD控制方法。本发明方法首先基于间歇蒸馏塔内再沸器温度对象的实时运行数据建立再沸器内温度对象的状态空间模型,挖掘出基本的对象特性;然后依据状态空间预测函数控制的特性去整定相应PI-PD控制器的参数;最后对再沸器内的温度对象实施PI-PD控制。本发明将状态空间预测函数控制的性能赋给了PI-PD控制,有效地提高了传统控制方法的性能。
Description
技术领域
本发明属于自动化技术领域,涉及一种基于状态空间预测函数控制(SSPFC)优化的批次过程PI-PD控制方法。
背景技术
批次过程又叫做批量生产过程,是现代工业中的一种常用生产方式,被广泛应用于生物制药,药品生产以及精细化的化工过程中。近年来,随着对多品种,高质量的生产要求越来越高,批次过程越来越受到人们的重视。目前,批次过程中常见的控制方式仍为PID控制,但是当输入为阶跃信号时,批次过程的对象经常会产生较大的超调和振荡,这可能会降低批次生产的合格率。如果对于批次过程对象,先在内环加上PD控制,先抑制其超调,再在外环加上PI控制,将会得到更好的生产性能。状态空间预测函数制作为先进控制算法的一种,跟踪速度快,控制性能良好。如果能将状态空间预测函数控制和PI-PD技术结合,将能进一步提高批次生产过程生产产品的合格率。
发明内容
本发明的目的是针对现有PID控制的不足之处,提供一种基于状态空间预测函数控制优化的批次过程PI-PD控制方法,用来抑制批次过程中出现的超调,以便获得更好的实际控制性能。该方法通过结合状态空间预测函数控制和PI-PD控制,得到了一种带有状态空间预测函数控制性能的PI-PD控制方法。该方法不仅继承了状态空间预测函数控制的优良性能,同时形式简单并能满足实际工业过程的需要。
本发明方法首先基于间歇蒸馏塔内再沸器温度对象的实时运行数据建立再沸器内温度对象的状态空间模型,挖掘出基本的对象特性;然后依据状态空间预测函数控制的特性去整定相应PI-PD控制器的参数;最后对再沸器内的温度对象实施PI-PD控制。
本发明的技术方案是通过数据采集、辩识参数、建立状态空间模型、预测机理、优化等手段,确立了一种基于状态空间预测函数控制优化的PI-PD控制方法,利用该方法可有效抑制超调并提高系统的稳定性。
本发明方法的步骤包括:
步骤(1).建立被控对象的状态空间模型,具体方法是:
a.通过实时数据库,建立局部预测模型,具体方法是:建立批次过程的实时运行数据库,通过数据采集装置采集实时过程运行数据将采集的实时过程运行数据作为数据驱动的样本集合其中,表示第i组工艺参数的输入数据,y(i)表示第i组工艺参数的输出值,N表示采样总数;以该对象的实时过程运行数据集合为基础建立基于最小二乘法的离散差分方程形式的局部受控自回归滑动平均模型:
其中,yL(k)表示k时刻局部预测模型的工艺参数的输出值,θ表示通过辨识得到的模型参数的集合,表示局部预测模型的工艺参数的过去时刻的输入和输出数据的集合,u(k)表示k时刻工艺参数对应的控制变量,d+1为实际过程的时滞,Τ为矩阵的转置符号。
采用的辨识手段为:
b.利用a步骤中得到的系数,建立批次过程模型的微分方程,其形式为:
y(k)+Hy(k-1)=Fu(k-d-1)
其中,F,H为a步骤的辩识得到的参数,d为时滞项,y(k)表示批次过程的模型输出值,u(k-d-1)表示批次过程对象在k-d-1时刻的输出值。
c.选取状态变量,根据b步骤中的方程,建立批次过程的状态空间模型,形式如下:
其中,
C=(1 0 0 … 0)
其中,A为(d+1)×(d+1)阶矩阵,B为(d+1)×1阶矩阵,C为1×(d+1)阶矩阵。
步骤(2)设计批次过程对象的PI-PD控制器
a.取预测时域M=1,计算在状态空间预测函数控制下k时刻时第P步的预测输出值y(k+P):
x(k+P)=APx(k)+(AP-1+AP-2+…+1)Bu(k)
y(k+P)=C1x(k+P)
其中,
C1=[1,0,…,0]
M,P分别为控制时域和预测时域,M<P,C1为1×(d+1)阶矩阵,AP表示P个矩阵A相乘。
b.选取预测函数控制算法的参考轨迹ref(k+P)和目标函数J,形式如下:
ref(k+P)=βPyp(k)+(1-βP)c(k)
ess(k)=yp(k)-y(k)
minJ=(ref(k+P)-y(k+P)-ess(k))2
c.将过程对象的控制量u(k)进行变换:
u(k)=u(k-1)+Kp(k)(e(k)-e(k-1))+Ki(k)e(k)-Kf(k)(y(k)-y(k-1)
-Kd(y(k)-2y(k-1)+y(k-2))
=u(k-1)+Kp(k)(e(k)-e(k-1))+Ki(k)e(k)-Kf(k)(y(k)-y(k-1)
-Kd(y(k)-y(k-1))+Kd(y(k-1)-y(k-2))
e(k)=βyp(k-1)+(1-β)c(k-1)-y(k)
进一步化简为:
u(k)=u(k-1)+w(k)E(k)
其中,
w(:,k)=[Kp(k)+Ki(k),-Kp(k),-Kf(k)-Kd(k),Kd(k)]
E(k)=(e(k),e(k-1),y(k)-y(k-1),y(k-1)-y(k-2))Τ
Kp(k)、Ki(k)、Kf(k)、Kd(k)分别为k时刻PI-PD控制器外环的比例、外环的积分、内环的比例、内环的微分参数,e(k)为k时刻被控对象参考轨迹值与输出值之间的误差,Τ为矩阵的转置符号,w(k)为四行k列矩阵。
d.将u(k)代入到b步骤的目标函数,求解PI-PD控制器中的参数,可得
W=AP-1+AP-2+…+A+I
其中,I为(d+1)×(d+1)阶全1矩阵。
进一步,可以得到
Kp(k)=w(1,k)+w(2,k)
Ki(k)=-w(2,k)
Kf(k)=-w(3,k)-w(4,k)
Kd(k)=w(4,k)
e.得到PI-PD控制器的参数Kp(k)、Ki(k)、Kf(k)、Kd(k)以后构成控制量u(k),并作用于批次过程对象
u(k)=u(k-1)+Kp(k)(e(k)-e(k-1))+Ki(k)e(k)-Kf(k)(y(k)-y(k-1)
-Kd(y(k)-2y(k-1)+y(k-2))
=u(k-1)+w(k)E(k)
f.在下一时刻,依照a到d中的步骤继续求解PI-PD控制器新的参数Kp(k+1)、Ki(k+1)、Kf(k+1)、Kd(k+1),并作用于被控对象,依次循环。
本发明提出了一种基于状态空间预测函数控制优化的批次过程PI-PD控制方法,该方法将状态空间预测函数控制的性能赋给了PI-PD控制,有效地提高了传统控制方法的性能,同时也促进了先进控制方法的应用。
具体实施方式
以间歇蒸馏塔中再沸器内的温度对象控制为例:
间歇蒸馏塔中再沸器内的温度对象为一阶惯性加上纯滞后的过程,调节手段采用调节蒸汽阀阀门的开度。通过控制蒸汽的进入量进而对再沸器内的温度进行控制。
步骤(1).建立间歇蒸馏塔中再沸器内温度对象的状态空间模型,具体方法是:
a.建立再沸器内温度对象的实时数据库,通过实时数据库建立局部预测模型,具体方法是:通过数据采集装置采集再沸器内温度对象的实时运行数据,将采集到的实时过程运行数据作为数据驱动的样本集合其中,表示第i组蒸汽阀阀门的开度,y(i)表示第i组的实际温度输出值,N表示采样总数;以该对象的实时过程运行数据集合为基础建立基于最小二乘法的离散差分方程形式的局部受控自回归滑动平均模型:
其中,yL(k)表示k时刻再沸器内温度的实际输出值,θ表示通过辨识得到的模型参数的集合,表示局部预测模型的工艺参数的过去时刻的蒸汽阀阀门的开度和实际输出温度的集合,u(k)表示k时刻蒸汽阀阀门的开度,d+1为再沸器内温度变化过程中的时滞,Τ为矩阵的转置符号。
采用的辨识手段为:
b.利用a步骤中得到的系数,建立再沸器内温度对象的微分方程,其形式为:
y(k)+Hy(k-1)=Fu(k-d-1)
其中,F,H为通过模型转换得到的相关系数,d为时滞项,y(k)表示再沸器内温度的模型输出值,u(k-d-1)表示蒸汽阀阀门在在k-d-1时刻的开度。
c.选取状态变量,根据b步骤中的方程,建立再沸器内温度对象的状态空间模型,形式如下:
其中,
C=(1 0 0 … 0)
其中,A为(d+1)×(d+1)阶矩阵,B为(d+1)×1阶矩阵,C为1×(d+1)阶矩阵。
步骤(2)设计再沸器内温度对象的PI-PD控制器
a.取预测时域M=1,计算在状态空间预测函数控制下再沸器内的温度在k时刻时第P步的预测输出值y(k+P):
x(k+P)=APx(k)+(AP-1+AP-2+…+1)Bu(k)
y(k+P)=C1x(k+P)
其中,
C1=[1,0,…,0]
M,P分别为控制时域和预测时域,M<P,C1为1×(d+1)阶矩阵,AP表示P个矩阵A相乘。
b.选取再沸器内温度对象的参考轨迹ref(k+P)和目标函数J,形式如下:
ref(k+P)=βPyp(k)+(1-βP)c(k)
ess(k)=yp(k)-y(k)
minJ=(ref(k+P)-y(k+P)-ess(k))2
c.将k时刻蒸汽阀阀门的开度u(k)进行变换:
u(k)=u(k-1)+Kp(k)(e(k)-e(k-1))+Ki(k)e(k)-Kf(k)(y(k)-y(k-1)
-Kd(y(k)-2y(k-1)+y(k-2))
=u(k-1)+Kp(k)(e(k)-e(k-1))+Ki(k)e(k)-Kf(k)(y(k)-y(k-1)
-Kd(y(k)-y(k-1))+Kd(y(k-1)-y(k-2))
e(k)=βyp(k-1)+(1-β)c(k-1)-y(k)
进一步化简为:
u(k)=u(k-1)+w(k)E(k)
其中,
w(:,k)=[Kp(k)+Ki(k),-Kp(k),-Kf(k)-Kd(k),Kd(k)]
E(k)=(e(k),e(k-1),y(k)-y(k-1),y(k-1)-y(k-2))Τ
Kp(k)、Ki(k)、Kf(k)、Kd(k)分别为k时刻PI-PD控制器外环的比例、外环的积分、内环的比例、内环的微分参数,e(k)为k时刻再沸器内温度对象的参考轨迹值与输出值之间的误差,Τ为矩阵的转置符号,w(k)为四行k列矩阵。
d.将蒸汽阀阀门的开度u(k)代入到b步骤的目标函数,求解PI-PD控制器中的参数,可得
W=AP-1+AP-2+…+A+I
其中,I为(d+1)×(d+1)阶全1矩阵,W为(d+1)×(d+1)阶矩阵。
进一步,可以得到
Kp(k)=w(1,k)+w(2,k)
Ki(k)=-w(2,k)
Kf(k)=-w(3,k)-w(4,k)
Kd(k)=w(4,k)
e.得到PI-PD控制器的参数Kp(k)、Ki(k)、Kf(k)、Kd(k)以后构成控制量u(k),并作用于间歇蒸馏塔
u(k)=u(k-1)+Kp(k)(e(k)-e(k-1))+Ki(k)e(k)-Kf(k)(y(k)-y(k-1)
-Kd(y(k)-2y(k-1)+y(k-2))
=u(k-1)+w(k)E(k)
f.在下一时刻,依照a到d中的步骤继续求解PI-PD控制器新的参数Kp(k+1)、Ki(k+1)、Kf(k+1)、Kd(k+1),并作用于间歇蒸馏塔,依次循环。
Claims (1)
1.状态空间预测函数控制优化的批次过程PI-PD控制方法,其特征在于该方法的具体步骤是:
步骤(1).建立被控对象的状态空间模型,具体方法是:
1-a.通过实时数据库,建立局部预测模型,具体是:建立批次过程的实时运行数据库,通过数据采集装置采集实时过程运行数据将采集的实时过程运行数据作为数据驱动的样本集合其中,表示第i组工艺参数的输入数据,y(i)表示第i组工艺参数的输出值,N表示采样总数;以该对象的实时过程运行数据集合为基础建立基于最小二乘法的离散差分方程形式的局部受控自回归滑动平均模型:
其中,yL(k)表示k时刻局部预测模型的工艺参数的输出值,θ表示通过辨识得到的模型参数的集合,表示局部预测模型的工艺参数的过去时刻的输入和输出数据的集合,u(k)表示k时刻工艺参数对应的控制变量,d+1为实际过程的时滞,Τ为矩阵的转置符号;
采用的辨识手段为:
1-b.利用步骤1-a中得到的系数,建立批次过程模型的微分方程,其形式为:
y(k)+Hy(k-1)=Fu(k-d-1)
其中,F,H为a步骤的辩识得到的参数,d为时滞项,y(k)表示批次过程的模型输出值,u(k-d-1)表示批次过程对象在k-d-1时刻的输出值;
1-c.选取状态变量,根据步骤1-b中的方程,建立批次过程的状态空间模型,形式如下:
其中,
C=(1 0 0 … 0)
其中,A为(d+1)×(d+1)阶矩阵,B为(d+1)×1阶矩阵,C为1×(d+1)阶矩阵;
步骤(2)设计批次过程对象的PI-PD控制器,具体是:
2-a.取预测时域M=1,计算在状态空间预测函数控制下k时刻时第P步的预测输出值y(k+P):
x(k+P)=APx(k)+(AP-1+AP-2+…+1)Bu(k)
y(k+P)=C1x(k+P)
其中,
C1=[1,0,…,0]
M,P分别为控制时域和预测时域,M<P,C1为1×(d+1)阶矩阵,AP表示P个矩阵A相乘;
2-b.选取预测函数控制算法的参考轨迹ref(k+P)和目标函数J,形式如下:
ref(k+P)=βPyp(k)+(1-βP)c(k)
ess(k)=yp(k)-y(k)
minJ=(ref(k+P)-y(k+P)-ess(k))2
2-c.将过程对象的控制量u(k)进行变换:
u(k)=u(k-1)+Kp(k)(e(k)-e(k-1))+Ki(k)e(k)-Kf(k)(y(k)-y(k-1)
-Kd(y(k)-2y(k-1)+y(k-2))
=u(k-1)+Kp(k)(e(k)-e(k-1))+Ki(k)e(k)-Kf(k)(y(k)-y(k-1)
-Kd(y(k)-y(k-1))+Kd(y(k-1)-y(k-2))
e(k)=βyp(k-1)+(1-β)c(k-1)-y(k)
进一步化简为:
u(k)=u(k-1)+w(k)E(k)
其中,
w(:,k)=[Kp(k)+Ki(k),-Kp(k),-Kf(k)-Kd(k),Kd(k)]
E(k)=(e(k),e(k-1),y(k)-y(k-1),y(k-1)-y(k-2))T
Kp(k)、Ki(k)、Kf(k)、Kd(k)分别为k时刻PI-PD控制器外环的比例、外环的积分、内环的比例、内环的微分参数,e(k)为k时刻被控对象参考轨迹值与输出值之间的误差,Τ为矩阵的转置符号,w(k)为四行k列矩阵;
2-d.将u(k)代入到步骤2-b的目标函数,求解PI-PD控制器中的参数,可得
W=AP-1+AP-2+…+A+I
其中,I为(d+1)×(d+1)阶全1矩阵;
进一步,可以得到
Kp(k)=w(1,k)+w(2,k)
Ki(k)=-w(2,k)
Kf(k)=-w(3,k)-w(4,k)
Kd(k)=w(4,k)
2-e.得到PI-PD控制器的参数Kp(k)、Ki(k)、Kf(k)、Kd(k)以后构成控制量u(k),并作用于批次过程对象
u(k)=u(k-1)+Kp(k)(e(k)-e(k-1))+Ki(k)e(k)-Kf(k)(y(k)-y(k-1)
-Kd(y(k)-2y(k-1)+y(k-2))
=u(k-1)+w(k)E(k)
2-f.在下一时刻,依照步骤2-a到2-d继续求解PI-PD控制器新的参数Kp(k+1)、Ki(k+1)、Kf(k+1)、Kd(k+1),并作用于被控对象,依次循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410029925.9A CN103760772B (zh) | 2014-01-22 | 2014-01-22 | 状态空间预测函数控制优化的批次过程pi-pd控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410029925.9A CN103760772B (zh) | 2014-01-22 | 2014-01-22 | 状态空间预测函数控制优化的批次过程pi-pd控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103760772A true CN103760772A (zh) | 2014-04-30 |
CN103760772B CN103760772B (zh) | 2016-08-24 |
Family
ID=50528027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410029925.9A Active CN103760772B (zh) | 2014-01-22 | 2014-01-22 | 状态空间预测函数控制优化的批次过程pi-pd控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103760772B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156767A (zh) * | 2014-06-20 | 2014-11-19 | 杭州电子科技大学 | 遗传算法优化的批次过程的线性二次容错控制方法 |
CN105527836A (zh) * | 2015-12-23 | 2016-04-27 | 湘电风能有限公司 | 一种pid控制系统及风电场群功率控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004591A (zh) * | 2007-01-25 | 2007-07-25 | 上海交通大学 | 工业过程中非方系统的解耦控制方法 |
JP2009181392A (ja) * | 2008-01-31 | 2009-08-13 | Omron Corp | モデル予測制御方法およびモデル予測制御装置 |
CN201662724U (zh) * | 2010-04-09 | 2010-12-01 | 杭州电子科技大学 | 一种炼油分馏塔液位模糊控制装置 |
EP1866716B1 (en) * | 2005-04-04 | 2011-06-29 | Fisher-Rosemount Systems, Inc. | Diagnostics in industrial process control system |
CN102749844A (zh) * | 2011-04-20 | 2012-10-24 | 中国石油化工股份有限公司 | 非自衡系统的预测控制方法 |
-
2014
- 2014-01-22 CN CN201410029925.9A patent/CN103760772B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1866716B1 (en) * | 2005-04-04 | 2011-06-29 | Fisher-Rosemount Systems, Inc. | Diagnostics in industrial process control system |
CN101004591A (zh) * | 2007-01-25 | 2007-07-25 | 上海交通大学 | 工业过程中非方系统的解耦控制方法 |
JP2009181392A (ja) * | 2008-01-31 | 2009-08-13 | Omron Corp | モデル予測制御方法およびモデル予測制御装置 |
CN201662724U (zh) * | 2010-04-09 | 2010-12-01 | 杭州电子科技大学 | 一种炼油分馏塔液位模糊控制装置 |
CN102749844A (zh) * | 2011-04-20 | 2012-10-24 | 中国石油化工股份有限公司 | 非自衡系统的预测控制方法 |
Non-Patent Citations (1)
Title |
---|
张日东 等: "基于支持向量机的非线性系统预测控制", 《自动化学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156767A (zh) * | 2014-06-20 | 2014-11-19 | 杭州电子科技大学 | 遗传算法优化的批次过程的线性二次容错控制方法 |
CN104156767B (zh) * | 2014-06-20 | 2017-06-06 | 杭州电子科技大学 | 遗传算法优化的批次过程的线性二次容错控制方法 |
CN105527836A (zh) * | 2015-12-23 | 2016-04-27 | 湘电风能有限公司 | 一种pid控制系统及风电场群功率控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103760772B (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105388764B (zh) | 基于动态矩阵前馈预测的电液伺服pid控制方法及系统 | |
CN109839825B (zh) | 一种稀土萃取过程组分含量的预测控制方法及系统 | |
CN103760773A (zh) | 状态空间模型预测控制优化的批次过程pi-pd控制方法 | |
CN106292273A (zh) | 针对大滞后温度系统的滞后时间削弱的自抗扰控制方法 | |
CN109541940B (zh) | 基于2d模型多阶段间歇过程受限预测混杂容错控制方法 | |
CN104076831B (zh) | 基于广义预测控制优化的水箱液位控制方法 | |
CN105353619A (zh) | 一种批次注塑过程的滚动时域跟踪控制方法 | |
CN103197542A (zh) | 基于数据驱动的时滞系统pid控制器镇定方法 | |
CN105182755A (zh) | 一种工业加热炉系统的分数阶预测函数控制方法 | |
CN103760931A (zh) | 动态矩阵控制优化的油气水卧式三相分离器压力控制方法 | |
CN105807615A (zh) | 模糊前馈反馈控制器 | |
CN106483853A (zh) | 炼油加热炉炉膛压力的分数阶分布式动态矩阵控制方法 | |
CN107544255A (zh) | 一种批次过程的状态补偿模型控制方法 | |
CN114995155B (zh) | 一种高纯度精馏过程鲁棒解耦控制系统及控制方法 | |
CN110531614A (zh) | 新颖的无刷直流电机模糊神经网络pi控制器 | |
CN102323750B (zh) | 嵌入式非线性脉冲协同控制器 | |
CN109143853A (zh) | 一种石油炼化过程中分馏塔液位自适应控制方法 | |
CN106877769B (zh) | 一种伺服电机速度控制器增益参数自整定的方法 | |
CN103760772A (zh) | 状态空间预测函数控制优化的批次过程pi-pd控制方法 | |
CN101963785A (zh) | 精对苯二甲酸生产中氧化母液过滤过程的在线控制方法 | |
CN103324086B (zh) | 一种基于精确惩罚优化的间歇反应釜控制系统 | |
CN105652666B (zh) | 基于bp神经网络的大型模锻压机上横梁速度预测控制方法 | |
CN102873106B (zh) | 一种平整机延伸率快速精确控制方法 | |
CN104111605B (zh) | 单输入单输出非自衡生产过程的控制器及控制方法 | |
CN103412486A (zh) | 一种聚氯乙烯汽提过程智能控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Zhang Ridong Inventor after: Li Haisheng Inventor before: Zhang Ridong Inventor before: Li Haisheng Inventor before: Zou Hongbo Inventor before: Zheng Song Inventor before: Wu Feng |
|
COR | Change of bibliographic data | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |