CN104898587B - 基于并行弥漫式智能搜索算法的工业过程建模系统与方法 - Google Patents
基于并行弥漫式智能搜索算法的工业过程建模系统与方法 Download PDFInfo
- Publication number
- CN104898587B CN104898587B CN201510123001.XA CN201510123001A CN104898587B CN 104898587 B CN104898587 B CN 104898587B CN 201510123001 A CN201510123001 A CN 201510123001A CN 104898587 B CN104898587 B CN 104898587B
- Authority
- CN
- China
- Prior art keywords
- industrial process
- module
- test
- function
- signal
- 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.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Feedback Control In General (AREA)
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
Abstract
本发明公开了一种基于并行弥漫式智能搜索算法的工业过程建模系统与方法,属于工业辨识领域。该系统包括:测试信号模块,响应信号采集模块,工业过程模型结构选择模块,开环测试与闭环测试选择模块,传递函数计算模块,衰减因子计算模块,工业过程模型参数计算模块,工业过程模型显示模块。本发明提出的辨识方法可以采用任意信号作为测试激励信号,使得辨识过程中输入信号不再局限于阶跃信号一种情况,任意能使系统产生输出并最终收敛稳定且在s域二阶可导的连续信号都可以用作系统辨识测试激励信号,在一定程度上简化了辨识复杂度,同时增加了具有特殊要求的实际工业过程的模型辨识可行性。
Description
技术领域
本发明公开了一种传递函数下基于智能搜索算法的任意测试信号系统辨识方法,属于工业过程模型辨识领域。
背景技术
在工业过程中自动控制的目的在于使得工业过程快速准确地跟踪给定工艺点的变化,同时对各种干扰引起的被控参数偏差进行有效的校正,使得被控参数始终以较高的精度达到期望值。很多控制器的设计(也就是控制器形式和参数的选择)是要依赖于被控过程的数学模型(也就是用于描述实际工业过程的数学表达式)的。比如:PID控制方法的实施,主要包括两大步骤:第一步是获取能够描述被控对象(某个实际工业过程)的数学模型(数学表达式),第二步是在此基础上,以数学模型为依据设计控制器,包括根据数学模型反映出的工业过程的特征参数选取适合的PID控制形式和计算PID控制器参数。如果被控工业过程对象模型建立的准确,则控制器设计也能准确控制效果良好;反之如果对象模型建立的不够准确,则控制器设计也会不准确,严重时影响控制效果。可以说控制方法在工业过程中能否成功实施,在很大程度上取决于工业过程模型的建立是否准确匹配,过程模型的准确获取对于各类控制方法的成功实施具有非常重要的意义。
建立工业过程的模型,就是确定出一个能够代表系统特性的数学模型(数学表达式)。主要有机理建模和系统辨识两大类方法,其中机理建模就是在理论分析的基础上,依据工业设备的结构和工作过程中存在的各种能量传递和守恒关系建立方程组,解出待定参数从而建立数学模型。由于实际工业过程往往设备结构和能量传递关系非常复杂,采用机理建模时理论分析和计算工作量都很大,加之理论分析和实际工业环境之间大多存在差异,采用该方法建立的模型并不能完全准确的代表实际工业过程。在工业现场一般采用系统辨识的方法获取对象数学模型。系统辨识是依据系统工作过程中的实际输入信号和相应的输出信号数据作为建模的依据得到数学模型,并不需要了解对象构造和能量守恒关系,这大大减少了建模的工作量,在工业实践中被广泛采用。
工业系统辨识技术发展到现在,有方法很多,但工程中较多采取开环阶跃测试法,即在工业过程开环的条件下(不带控制器),对系统输入施加一个阶跃信号,然后观察其输出端的阶跃响应,在此基础上通过数学推导得到过程的数学模型。开环阶跃测试法的优点是,操作方法简便,在工业现场容易实施。然而,开环阶跃测试法具有明显的不足之处,包括:首先,阶跃测试法测试时间较长,系统运行情况以及条件的变化会在所难免地使测试结果产生误差;另外,在开环条件下进行测试,现场系统不带控制器工作,输出误差较大时无法及时校正,被控参数偏离工艺点设定值较大时会严重影响产品质量,并且存在生产安全隐患,所以很多工业现场是不允许采用开环的方式进行模型辨识的;最后,阶跃测试法要求输入信号必须是阶跃信号,这极大的限制了测试条件,当某些工业过程不允许施加阶跃测试信号时则无法采用该方法进行系统模型辨识。
在建立数学模型的过程中需要辨识代表系统特征的一些重要参数,也就是模型参数。现在有一些使用优化算法的方法得到模型参数,比如采用遗传算法、粒子群算法等,但由于这些优化算法自身的问题(比如:粒子群算法具有早熟的缺陷,其优化得到的有可能是局部最优解而非全局最优解,也就是实际待辨识参数)造成得到的模型参数不准确从而模型不准确。
发明内容
本发明提出一种适用于任意输入输出数据的新型工业过程系统模型辨识新方法。在系统辨识的过程中,利用一种并行弥漫式智能搜索新算法良好的搜索能力和快速收敛特性,寻找到能使辨识效果最优的衰减因子值,从而提高了辨识方法的精度和稳定性。适用于现场进行开环系统模型辨识和闭环系统模型辨识两种需求。具体辨识原理如下:
1、工业过程开环系统辨识
给一个工业系统施加激励输入信号r(t)时,会在系统输出端引起相应的输出响应y(t),如果输出响应能够在时间趋于无穷大时收敛,也就是说待辨识系统是具有稳定性的,那么y(t)的傅里叶变换是存在的,可以用式(1)来表示。
对于s>0,如果t>tn时,y(t)e-st=0,那么式(1)中t>tn之后的信号就不需要参与积分了,此时表达式可以近似表示为式(2):
系统开环传递函数G(s)表示为式(3),此时的G(s)就是待建模的工业过程对象的传递函数。
将s=α+jω代入G(s)表达式(3),可以得到式(4):
对式(3)在S域内进行求导,可以分别得到对象传递函数G(s)关于s的一阶导数G(1)(s)和二阶导数G(2)(s)。通过选择合适的s=α(定义α为衰减因子),就可以得到对象传递函数G(s)的值,进一步可以求得G(1)(s)和G(2)(s)。然后利用G(s)、G(1)(s)和G(2)(s)形成联立方程组,就可以求解出其中的待辨识未知模型参数。
下面以一阶工业过程对象(如:液位控制过程)为例,说明如何利用开环传递函数求解过程模型参数。
假设一阶过程对象的模型为其中开环放大倍数kp、一阶惯性环节时间常数Tp和纯滞后环节滞后时间θ为对象模型中的未知参数。对模型两边取对数可以得到式(5):
lnG(s)=lnkp-ln(Tps+1)-θs (5)
对式(5)两边关于s分别求导,可以得到式(6):
由式6可以得到G(s)、G(1)(s)与未知参数之间的关系,同时当s=α值已知时,G(s)、G(1)(s)的值可以求出,因此,选择合适的衰减因子α的值就可以快速准确的计算出待辨识参数值。对于工业中二阶对象及高阶复杂对象,其思想是一样的,可以得到传递函数G(s)与模型未知参数之间的关系,然后利用衰减因子α值可精确计算出待辨识参数值。
2、工业过程闭环系统辨识
系统进行闭环辨识时,由于反馈机制使得系统输入数据与系统输出之间存在线性相关,传统常规的辨识方法不能直接对其进行辨识。本发明采用基于频率响应的辨识方法,该方法只需要知道输入输出数据,对于对象的先验知识无特殊要求,通过频率响应算出传递函数值,根据传递函数值与未知参数之间的数学关系,能够快速准确得到对象模型参数的估计值。
对于闭环辨识,需要求导出系统的闭环传递函数T(s)、一阶导数T(1)(s)和二阶导数T(2)(s),然后利用合适的衰减因子α值可精确计算出待辨识参数值。
闭环系统传递函数可以用式(7)表示:
对式(7)两边关于s分别求导,可以得到式(8):
对式(8)两边关于s分别求导,可以得到式(9):
假设控制器为PID控制器,其传递函数表达式C(s)为式(10):
对式(10)两边关于s分别求导,得到其一阶导数C(1)(s)表达式为式(11):
对式(11)两边关于s分别求导,可以得到其二阶导数C(2)(S)表达式为(12):
假设系统为单闭环负反馈系统,可以得到系统闭环传递函数T(s)与对象传递函数G(s)之间的关系式(13):
通过式(13),可以换算得到对象传递函数G(s)与系统闭环传递函数T(s)之间的关系式(14):
对式(14)两边关于s分别求导,可以得到其一阶导数G(1)(S)表达式为式(15)
对式(15)两边关于s分别求导,可以得到其二阶导数G(2)(S)表达式为式(16):
由于闭环传递函数T(s)、一阶导数T(1)(s)和二阶导数T(2)(s)和控制器传递函数C(s)、一阶导数C(1)(S)和二阶导数C(2)(S)的值均已经分别在前面求解,于是对象传递函数G(s)、一阶导数G(1)(S)和二阶导数G(2)(S)的值也可以得到,然后根据推导出的G(s)、G(1)(S)和G(2)(S)与模型未知参数之间的关系,选择合适的衰减因子α的值就可以快速准确的计算出待辨识参数了。
本发明所提出的辨识方法相对现有技术有以下几点优势:
1、可以采用任意信号作为测试激励信号,比如:阶跃信号、脉冲信号、指数衰减信号、复合信号或者任意能使系统产生输出并最终收敛稳定且在s域二阶可导的连续信号都可以用作系统辨识测试激励信号,使得辨识过程中输入信号不再局限于阶跃信号一种情况,简化了辨识复杂度,同时增加了现场辨识的可行性。
2、该辨识方法既可以应用于开环辨识,也可以应用于闭环辨识中,均可以取得很好的辨识效果。可以根据现场的实际情况选择开环辨识或者闭环辨识方式。
3、采用一种并行弥漫式智能搜索算法获得模型参数,提高了模型参数的准确性。
通过该辨识系统和方法所得到的实际工业过程系统模型可作为各类控制器的设计依据,如:模型预报控制器、常规PID控制器和先进过程控制器。相对采用其他辨识方法获得的数学模型为依据设计的控制器,该方法获得的数学模型设计出的控制器控制效果更好,控制过程具有更高的稳定性、快速性和准确性。
本发明所要解决的技术问题是提供一种传递函数下基于智能搜索的任意信号系统辨识系统及方法,以实现开环或者闭环条件下,采用任意输入信号进行系统模型辨识,简化了辨识复杂度,同时增加了辨识可行性。
为实现上述目的,本发明提供以下技术方案:
一种基于并行弥漫式智能搜索算法的工业过程建模系统,包括:
测试信号模块,用于产生辨识系统所用的测试激励信号,并将所产生测试激励信号施加在待辨识工业过程中;
响应信号采集模块,用于采集工业过程对所施加测试激励信号产生的响应信号,并将采集到的响应信号传输到所述的传递函数计算模块;
工业过程模型结构选择模块,用于设置待测试工业过程的模型结构,由人工完成选择,并将选择结构信息传输到所述的传递函数计算模块;
开环测试与闭环测试选择模块,用于设置测试系统为开环系统还是闭环系统,由人工完成选择,并将选择结构信息传输到所述的传递函数计算模块;
传递函数计算模块,用于计算传递函数,根据系统输入输出关系,待测试工业过程的模型结构和开环/闭环形式,计算得到系统开环传递函数G或者闭环传递函数T,以及传递函数在S域的一次导函数与二次导函数,并经计算结果传输到所述的衰减因子计算模块;
衰减因子计算模块,用于计算最优的衰减因子值,利用一种改进的并行弥漫式智能搜索算法良好的搜索能力和快速收敛特性进行衰减因子的寻优,得到能使辨识效果最优的衰减因子值,根据衰减因子值可以进一步计算获得过程传递函数,并将计算结果传输到所述的工业过程模型参数计算模块;
工业过程模型参数计算模块,用于计算过程模型的未知结构参数,利用传递函数与模型结构参数之间的数学关系计算获得模型结构参数,并将计算结果传输到所述的工业过程模型显示模块;
工业过程模型显示模块,用于计算工业过程模型,将模型结构参数代入工业过程模型结构中,得到工业过程模型。
本发明还提供一种基于并行弥漫式智能搜索算法的工业过程建模方法,包括:
步骤S100,产生辨识系统所用的测试激励信号,并将所产生的测试激励信号施加在待辨识工业过程中。
优选的有,上述方法中,所述的测试激励信号:可以为阶跃函数、脉冲函数、衰减指数、复合函数或者任意能使系统产生输出并最终收敛稳定且在s域二阶可导的连续信号都可以用作系统辨识输入信号。
步骤S200,采集工业过程对所施加的测试激励信号产生的响应信号、待测试工业过程的模型结构以及测试系统的开环闭环形式;
优选的有,上述方法中,所述待测试工业过程的模型结构:
模型结构可以为一阶模型、二阶模型和高阶模型。
优选的有,上述方法中,所述测试系统的开环闭环形式:
测试形式包括开环测试方式和闭环测试方式。
步骤S300,根据系统输入输出关系,待测试工业过程的模型结构和系统开环/闭环形式,计算得到系统开环传递函数G或者闭环传递函数T,以及传递函数在S域的一次导函数与二次导函数;
优选的有,上述方法中,所述传递函数形式可以是开环传递函数G或者闭环传递函数T。
步骤S400,计算待辨识工业过程模型的未知结构参数和系统开环传递函数G或者闭环传递函数T之间的数学关系;
步骤S500,利用一种改进的并行弥漫式智能搜索算法良好的搜索能力和快速收敛特性进行衰减因子的寻优,得到能使辨识效果最优的衰减因子值;
优选的有,上述方法中,所述衰减因子值寻优方法:
所述衰减因子值寻优方法为一种并行弥漫式智能搜索算法。
优选的有,上述方法中,所述衰减因子值寻优方法,还包括:
在搜索空间产生N个初始位置作为衰减因子的初始搜索位置;
在N个搜索位置分别设置搜索初值和搜索范围;
所述设置搜索初值和搜索范围为设置在搜索位置附近完成搜索产生搜索结果的数量和搜索范围的大小。
分别在N个搜索位置完成一次智能搜索;
优选的有,上述方法中,所述完成一次智能搜索为在搜索位置附近搜索范围内完成一次位移操作,产生设置数量的搜索结果。
分别计算在N个搜索位置得到的搜索结果的适应值是指:判断是否找到最优结果,找到则将此次智能搜索的结果作为最佳衰减因子值;未找到则在搜索空间重新选择N个位置作为衰减因子的搜索位置重新搜索。
优选的有,上述方法中,所述重新选择N个搜索位置是指:保留上一次适应值最好的一个位置,根据选择策略再选择其他的(N-1)个位置,作为下一次搜索的位置。
步骤S600,将步骤S500计算出的衰减因子值带入过程传递函数,计算获得过程传递函数;
步骤S700,利用传递函数与模型结构参数之间的数学关系计算获得工业过程模型的未知结构参数;
步骤S800,将步骤S700计算出的结构参数代入工业过程模型结构中,得到工业过程模型。
与现有技术相比,本发明具有以下优点:本发明提出的辨识方法可以采用任意信号作为测试激励信号,使得辨识过程中输入信号不再局限于阶跃信号一种情况,任意能使系统产生输出并最终收敛稳定且在s域二阶可导的的连续信号都可以用作系统辨识测试激励信号,在一定程度上简化了辨识复杂度,同时增加了辨识可行性。该辨识方法可以应用于开环和闭环辨识中,均可以取得很好的辨识效果。所得到的系统模型可用于模型预报控制器、常规PID控制器和先进过程控制器中。
附图说明
图1为工业过程模型辨识系统结构图。
图2为工业过程模型辨识方法流程图。
图3为最佳衰减因子计算流程图。
图4为实施例1中某石化公司炼油厂常减压蒸馏装置的初馏塔底液位控制回路进行开环模型辨识的结果。
图5为实施例1中不同的输入信号下某石化公司炼油厂常减压蒸馏装置的初馏塔底液位控制回路进行开环模型辨识的结果。
图6为实施例2中不同的输入信号下某石化公司炼油厂的连续重整装置汽提塔塔顶回流和缓冲罐的串级控制回路的闭环对象辨识结果。
图7-1为实施例3中某石化公司炼油厂常减压蒸馏装置电脱盐系统的罐液位控制回路未采用本发明方法的控制效果图。
图7-2为实施例3中某石化公司炼油厂常减压蒸馏装置电脱盐系统的罐液位控制回路应用本发明方法后的控制效果图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不局限于本发明。
如图1所示,作为一种可实施方式,本发明实施例的一种基于并行弥漫式智能搜索算法的工业过程建模系统,包括:测试信号模块1,响应信号采集模块2,工业过程模型结构选择模块3,开环测试与闭环测试选择模块4,传递函数计算模块5,衰减因子计算模块6,工业过程模型参数计算模块7,工业过程模型显示模块8,其中:
所述测试信号模块1,用于产生辨识系统所用的测试激励信号,并将所产生的测试激励信号施加在待辨识工业过程中;
所述响应信号采集模块2,用于采集工业过程对所施加的测试激励信号产生的响应信号,并将采集到的响应信号传输到所述的传递函数计算模块;
所述工业过程模型结构选择模块3,用于设置待测试工业过程的模型结构,由人工完成选择,并将选择结构信息传输到所述的传递函数计算模块;
所述开环测试与闭环测试选择模块4,用于设置测试系统为开环系统还是闭环系统,由人工完成选择,并将选择结构信息传输到所述的传递函数计算模块;
所述传递函数计算模块5,用于计算传递函数,根据系统输入输出关系,待测试工业过程的模型结构和开环/闭环形式,计算得到系统开环传递函数G或者闭环传递函数T,以及传递函数在S域的一次导函数与二次导函数,并将计算结果传输到所述的衰减因子计算模块;
所述衰减因子计算模块6,用于计算最优的衰减因子值,利用一种改进的并行弥漫式智能搜索算法良好的搜索能力和快速收敛特性进行衰减因子的寻优,得到能使辨识效果最优的衰减因子值,根据衰减因子值可以进一步计算获得过程传递函数,并将计算结果传输到所述的工业过程模型参数计算模块;
所述工业过程模型参数计算模块7,用于计算过程模型的未知结构参数,利用传递函数与模型结构参数之间的数学关系计算获得模型结构参数,并将计算结果传输到所述的工业过程模型显示模块;
所述过程模型显示模块8,用于计算工业过程模型,将模型结构参数代入工业过程模型结构中,得到工业过程模型。
相应地,本发明实施例提供一种基于并行弥漫式智能搜索算法的工业过程建模方法,如图2所示,包括如下步骤:
步骤S100,产生辨识系统所用的测试激励信号,并将所产生的测试激励信号施加在待辨识工业过程中;
在步骤S100中,作为一种可实施方式,所述测试激励信号可以为阶跃函数r(t)=1、脉冲函数r(t)=1/δ(t)、衰减指数r(t)=e-at、复合函数r(t)=te-at或者任意能使系统产生输出并最终收敛稳定且在s域二阶可导的连续信号r(t)都可以用作系统辨识输入信号。
步骤S200,采集工业过程对所施加的测试激励信号产生的响应信号、待测试工业过程的模型结构以及测试系统的开环闭环形式;
在步骤S200中,作为一种可实施方式,系统可以选择开环测试,作为另一种可实施方式,较佳地,如果生产环境对干扰要求严格,则采用闭环测试方式,由于有控制器存在,保证了辨识信号对生产的影响最小。
步骤S300,根据系统输入输出关系,待测试工业过程的模型结构和开环/闭环形式,计算得到系统开环传递函数G或者闭环传递函数T,以及传递函数在S域的一次导函数与二次导函数;
在步骤S300中,作为一种可实施方式,系统选择开环测试时,根据系统输入输出关系计算得到系统开环传递函数G,以及传递函数在S域的一次导函数与二次导函数,具体关系如下:
激励信号为阶跃函数r(t)=1时,
开环传递函数G为:
开环传递函数G在S域的一次导函数为:
开环传递函数G在S域的二次导函数为:
激励信号为脉冲函数r(t)=1/δ(t)时,
开环传递函数G为:
开环传递函数G在S域的一次导函数为:
开环传递函数G在S域的二次导函数为:
激励信号为衰减指数r(t)=e-at时,
开环传递函数G为:
开环传递函数G在S域的一次导函数为:
开环传递函数G在S域的二次导函数为:
激励信号为复合函数r(t)=te-at时,
开环传递函数G为:
开环传递函数G在S域的一次导函数为:
开环传递函数G在S域的二次导函数为:
激励信号为任意连续信号r(t)时,
开环传递函数G为:
开环传递函数G在S域的一次导函数为:
开环传递函数G在S域的二次导函数为:
其中,Q=-RR(2)+2(R(1))2+2R(1)Rt+R2t2
作为另一种可实施方式,系统选择闭环测试时,根据系统输入输出关系计算得到系统闭环传递函数T,以及传递函数在S域的一次导函数T(1)(S)与二次导函数T(2)(S)。
步骤S400,计算待辨识工业过程模型的未知结构参数和系统开环传递函数G或者闭环传递函数T之间的数学关系;
步骤S500,利用一种改进的并行弥漫式智能搜索算法良好的搜索能力和快速收敛特性进行衰减因子的寻优,得到能使辨识效果最优的衰减因子值;
在步骤S500中,所述一种改进的并行弥漫式智能搜索算法,如图3所示,还包括如下步骤:
步骤S510,在搜索空间产生N个初始位置作为衰减因子的初始搜索位置;
步骤S520,在N个搜索位置分别设置搜索初值和搜索范围;
步骤S530,分别在N个搜索位置完成一次智能搜索;
步骤S540,分别计算在N个搜索位置得到的搜索结果的适应值;
步骤S550,判断是否找到最优结果,找到则转向步骤S560,未找到则转向步骤S570;
步骤S560,将此次智能搜索的结果作为最佳衰减因子值,并将结果传递到步骤S600;
步骤S570,在搜索空间重新选择N个位置作为衰减因子的搜索位置,然后转向步骤S520。
步骤S600,将所述步骤S500计算出的衰减因子值带入过程传递函数,计算获得过程传递函数;
步骤S700,利用传递函数与模型结构参数之间的数学关系计算获得工业过程模型的未知结构参数;
步骤S800,将所述步骤S700计算出的结构参数代入工业过程模型结构中,得到工业过程模型。
下面采用具体实施例进一步说明本发明的有益效果。
实施例1,针对某石化公司炼油厂常减压蒸馏装置的初馏塔底液位控制回路进行开环模型辨识,该液位过程对象的真实开环模型(传递函数)为
采用开环辨识方式,对其施加单位阶跃信号,不同的衰减因子a对应的开环阶跃响应结果如图4所示。在图4中,曲线“1”表示初馏塔底液位系统的真实输出,曲线“2”(a=0.05时估计输出)、曲线“4”(a=1时估计输出)和曲线“5”(a=4时估计输出)分别是采用其他方法得到的衰减因子a值基础上得到的模型对象的估计输出,而曲线“3”是采用本发明的并行智能搜索算法得到衰减因子a=0.1043时的模型对象的估计输出。可以看出:采用本发明提出的基于并行弥漫式智能搜索的辨识新方法,得到的辨识结果非常接近真实的参数值。说明本发明的方法可以更有效、快速、准确的得到辨识结果。
在此基础上进一步地,采用任意输入信号对所述某石化公司炼油厂常减压蒸馏装置的初馏塔底液位控制回路过程对象进行辨识,使得输入信号不再局限于常规系统辨识常采用的阶跃信号,而是扩展到所有能使系统产生输出最终收敛的信号,估计对象的辨识结果见图5。图5中的四条曲线分别为阶跃信号、脉冲信号、指数衰减信号和复合信号作为输入测试信号情况下的辨识结果。在图5中,“1”是在阶跃测试信号下估计输出与真实输出对比曲线,“2”是在脉冲测试信号下估计输出与真实输出对比曲线,“3”是在指数衰减函数测试信号下估计输出与真实输出对比曲线,“4”是在复合函数测试信号下估计输出与真实输出对比曲线。每种测试信号下的辨识输出都非常接近真实模型输出。由此可见,在合适的衰减因子a值下,上述各种输入信号同样可以得到很好的辨识结果,验证了采用任意输入信号进行模型开环辨识的可行性。
实施例2,针对某石化公司炼油厂的连续重整装置汽提塔塔顶回流和缓冲罐的串级控制回路进行闭环模型辨识,该串级控制回路过程对象的真实模型(传递函数)为:
采用闭环辨识方式,首先采用本专利提出的智能搜索方法得到当a=0.83907时,系统频率辨识达到最优结果。然后采用任意输入信号对所述连续重整装置汽提塔塔顶回流和缓冲罐的串级控制回路过程对象进行闭环辨识,使得输入信号不再局限于常规系统辨识常采用的阶跃信号,而是扩展到所有能使系统产生输出最终收敛的信号,估计对象的辨识结果见图6。图6中“1”是在阶跃测试信号下估计输出与真实输出对比曲线,“2”是在脉冲测试信号下估计输出与真实输出对比曲线,“3”是在指数衰减函数测试信号下估计输出与真实输出对比曲线,“4”是在复合函数测试信号下估计输出与真实输出对比曲线。每种测试信号下的辨识输出都非常接近真实模型输出。由此可见,在合适的衰减因子a值下,上述各种输入信号同样可以得到很好的辨识结果,验证了采用任意输入信号进行模型闭环辨识的可行性。
通过实施例1和2可以看出,本发明提出的辨识方法可以采用任意信号作为测试激励信号,使得辨识过程中输入信号不再局限于阶跃信号一种情况,任意能使系统产生输出并最终收敛稳定且在s域二阶可导的的连续信号都可以用作系统辨识测试激励信号,在一定程度上简化了辨识复杂度,同时增加了辨识可行性。该辨识方法可以应用于开环和闭环辨识中,均可以取得很好的辨识效果。
实施例3,某石化公司炼油厂常减压蒸馏装置电脱盐系统的罐液位控制回路,未采用本发明方法的控制效果如图7-1所示;采用本发明方法后的控制效果进行模型辨识及PID控制器设计的情况如图7-2所示。由图7-1可以看出,未采用本发明方法,采用其他方法对电脱盐系统的罐液位进行模型辨识,并根据所辨识出的液位对象模型设计PID控制器。由于所辨识出的液位对象模型不准确,所以依据该系统模型设计的PID控制器也是不准确的;将该不准确的PID控制器作用于被控液位过程时,系统控制效果不好,系统呈现不稳定的特性,相应波动剧烈误差大,很难跟踪给定值的变化和抑制干扰引起的偏差,造成产品质量下降、产品收率减少,给企业带来很大的经济损失。由图7-2可以看出,采用本发明的方法对电脱盐系统的罐液位进行模型辨识,并根据所辨识出的液位对象模型设计PID控制器。由于所辨识出的液位对象模型与实际液位系统严格一直非常准确,所以依据该系统模型设计的PID控制器也是准确的;将该准确的PID控制器作用于被控液位过程时,控制过程表现平稳、快速、准确,能够很好地跟踪给定值的变化和抑制干扰引起的偏差,控制效果得到明显改善,产品质量和收率大幅提高。
以上透过实施例对本发明进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。同时,本领域一般技术人员,依据本发明的思想,在具体实施方式及应用范围上所做出的改变,应包含在本发明的保护范围之内。
Claims (10)
1.一种基于并行弥漫式智能搜索算法的工业过程建模系统,其特征在于,包括测试信号模块,响应信号采集模块,工业过程模型结构选择模块,开环测试与闭环测试选择模块,传递函数计算模块,衰减因子计算模块,工业过程模型参数计算模块,工业过程模型显示模块,其中:
所述测试信号模块,用于产生辨识系统所用的测试激励信号,并将所产生的测试激励信号施加在待辨识工业过程中;
所述响应信号采集模块,用于采集工业过程对所施加的测试激励信号产生的响应信号,并将采集到的响应信号传输到所述的传递函数计算模块;
所述工业过程模型结构选择模块,用于设置待测试工业过程的模型结构,由人工完成选择,并将选择结构信息传输到所述的传递函数计算模块;
所述开环测试与闭环测试选择模块,用于设置测试系统为开环系统还是闭环系统,由人工完成选择,并将选择结构信息传输到所述的传递函数计算模块;
所述传递函数计算模块,用于计算传递函数,根据系统输入输出关系,待测试工业过程的模型结构和开环/闭环形式,计算得到系统开环传递函数G或者闭环传递函数T,以及传递函数在S域的一次导函数与二次导函数,并将计算结果传输到所述的衰减因子计算模块;
所述衰减因子计算模块,用于计算最优的衰减因子值,利用一种改进的并行弥漫式智能搜索算法进行衰减因子的寻优,得到能使辨识效果最优的衰减因子值,根据衰减因子值可以进一步计算获得过程传递函数,并将计算结果传输到所述的工业过程模型参数计算模块;
所述工业过程模型参数计算模块,用于计算过程模型的未知结构参数,利用传递函数与模型结构参数之间的数学关系计算获得模型结构参数,并将计算结果传输到所述的工业过程模型显示模块;
所述工业过程模型显示模块,用于计算工业过程模型,将模型结构参数代入工业过程模型结构中,得到工业过程模型。
2.一种基于并行弥漫式智能搜索算法的工业过程建模方法,其特征在于,包括如下步骤:
步骤S100,产生辨识系统所用的测试激励信号,并将所产生的测试激励信号施加在待辨识工业过程中;
步骤S200,采集工业过程对所施加测试激励信号产生的响应信号、待测试工业过程的模型结构以及测试系统的开环闭环形式;
步骤S300,根据系统输入输出关系,待测试工业过程的模型结构和开环/闭环形式,计算得到系统开环传递函数G或者闭环传递函数T,以及传递函数在S域的一次导函数与二次导函数;
步骤S400,计算待辨识工业过程模型的未知结构参数和系统开环传递函数G或者闭环传递函数T之间的数学关系;
步骤S500,利用一种改进的并行弥漫式智能搜索算法进行衰减因子的寻优,得到能使辨识效果最优的衰减因子值;
步骤S600,将所述步骤S500计算出的衰减因子值带入过程传递函数,计算获得过程传递函数;
步骤S700,利用传递函数与模型结构参数之间的数学关系计算获得工业过程模型的未知结构参数;
步骤S800,将所述步骤S700计算出的结构参数代入工业过程模型结构中,得到工业过程模型。
3.根据权利要求2所述的一种基于并行弥漫式智能搜索算法的工业过程建模方法,其特征在于,所述步骤S100中:
所述测试激励信号为阶跃函数、脉冲函数、衰减指数、复合函数或者任意能使系统产生输出并最终收敛稳定且在s域二阶可导的连续信号都可以用作系统辨识输入信号。
4.根据权利要求2所述的一种基于并行弥漫式智能搜索算法的工业过程建模方法,其特征在于,所述步骤S200中:
所述测试系统可以是开环形式或者闭环形式。
5.根据权利要求2所述的一种基于并行弥漫式智能搜索算法的工业过程建模方法,其特征在于,所述步骤S300中:
所述传递函数可以是开环传递函数G或者闭环传递函数T。
6.根据权利要求2所述的一种基于并行弥漫式智能搜索算法的工业过程建模方法,其特征在于,所述步骤S500中:
所述衰减因子值寻优方法为一种并行弥漫式智能搜索算法。
7.根据权利要求2所述的一种基于并行弥漫式智能搜索算法的工业过程建模方法,其特征在于,所述步骤S500中,还包括如下步骤:
步骤S510,在搜索空间产生N个初始位置作为衰减因子的初始搜索位置;
步骤S520,在N个搜索位置分别设置搜索初值和搜索范围;
步骤S530,分别在N个搜索位置完成一次智能搜索;
步骤S540,分别计算在N个搜索位置得到的搜索结果的适应值;
步骤S550,判断是否找到最优结果,找到则转向步骤S560,未找到则转向步骤S570;
步骤S560,将此次智能搜索的结果作为最佳衰减因子值,并将结果传递到步骤S600;
步骤S570,在搜索空间重新选择N个位置作为衰减因子的搜索位置,然后转向步 骤S520。
8.根据权利要求7所述的一种基于并行弥漫式智能搜索算法的工业过程建模方法,其特征在于,所述步骤S520中:
所述设置搜索初值和搜索范围为设置在搜索位置附近完成搜索产生搜索结果的数量和搜索范围的大小。
9.根据权利要求7所述的一种基于并行弥漫式智能搜索算法的工业过程建模方法,其特征在于,所述步骤S530中:
所述完成一次智能搜索为在搜索位置附近搜索范围内完成一次位移操作,产生步骤S530中设置数量的搜索结果。
10.根据权利要求7所述的一种基于并行弥漫式智能搜索算法的工业过程建模方法,其特征在于,所述步骤S570中:
所述重新选择N个搜索位置为保留上一次适应值最好的一个位置,根据选择策略再选择其他的(N-1)个位置,作为下一次搜索的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510123001.XA CN104898587B (zh) | 2015-03-19 | 2015-03-19 | 基于并行弥漫式智能搜索算法的工业过程建模系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510123001.XA CN104898587B (zh) | 2015-03-19 | 2015-03-19 | 基于并行弥漫式智能搜索算法的工业过程建模系统与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104898587A CN104898587A (zh) | 2015-09-09 |
CN104898587B true CN104898587B (zh) | 2018-02-09 |
Family
ID=54031300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510123001.XA Active CN104898587B (zh) | 2015-03-19 | 2015-03-19 | 基于并行弥漫式智能搜索算法的工业过程建模系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104898587B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106950822B (zh) * | 2017-03-22 | 2019-11-15 | 北京化工大学 | 复杂重尾噪声影响下多变量Hammerstein模型的辨识方法 |
CN107102555B (zh) * | 2017-06-22 | 2020-05-19 | 北京化工大学 | 一种镇定一阶惯性加纯滞后系统的线性自抗扰控制器设计方法 |
CN112198789A (zh) * | 2020-09-11 | 2021-01-08 | 匙慧(北京)科技有限公司 | 闭环系统中的对象辨识方法、电子设备和计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07261805A (ja) * | 1994-03-18 | 1995-10-13 | Mitsubishi Heavy Ind Ltd | 比例積分微分制御パラメータ自動調整装置 |
CN101968628A (zh) * | 2010-09-08 | 2011-02-09 | 华北电力大学 | 时变时滞不确定系统的饱和自调整控制器 |
CN102890446A (zh) * | 2012-10-08 | 2013-01-23 | 北京化工大学 | 一种非方时滞系统的imc-pid控制器的设计方法 |
CN103631139A (zh) * | 2013-11-19 | 2014-03-12 | 聊城大学 | 不稳定时滞过程抗干扰pid控制器及其设计方法 |
-
2015
- 2015-03-19 CN CN201510123001.XA patent/CN104898587B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07261805A (ja) * | 1994-03-18 | 1995-10-13 | Mitsubishi Heavy Ind Ltd | 比例積分微分制御パラメータ自動調整装置 |
CN101968628A (zh) * | 2010-09-08 | 2011-02-09 | 华北电力大学 | 时变时滞不确定系统的饱和自调整控制器 |
CN102890446A (zh) * | 2012-10-08 | 2013-01-23 | 北京化工大学 | 一种非方时滞系统的imc-pid控制器的设计方法 |
CN103631139A (zh) * | 2013-11-19 | 2014-03-12 | 聊城大学 | 不稳定时滞过程抗干扰pid控制器及其设计方法 |
Non-Patent Citations (3)
Title |
---|
基于奇异值分解的内模控制方法及在非方系统中的应用;靳其兵等;《自动化学报》;20110331;第37卷(第3期);第354-359页 * |
基于混合PSO-SQP算法同时实现多变量的结构和参数辨识;靳其兵等;《控制与决策》;20110930;第26卷(第9期);第1373-1376页,第1381页 * |
烟花爆炸优化算法;曹炬等;《计算机工程与科学》;20110131;第33卷(第1期);第138-142页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104898587A (zh) | 2015-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108254741A (zh) | 基于循环神经网络的目标航迹预测方法 | |
CN108692734A (zh) | 一种路径规划方法和装置 | |
CN102340811B (zh) | 无线传感器网络故障诊断方法 | |
CN102540882B (zh) | 一种基于最小参数学习法的飞行器航迹倾角控制方法 | |
CN104765368B (zh) | 一种基于模糊自适应算法的无人艇航向航速协同控制方法 | |
CN106022380A (zh) | 基于深度学习的个体身份识别方法 | |
CN105547325B (zh) | 一种基于k均值聚类的光纤惯组温度模型系数确定方法 | |
CN104898587B (zh) | 基于并行弥漫式智能搜索算法的工业过程建模系统与方法 | |
CN110110419A (zh) | 一种基于多目标学习的tbm掘进参数预测方法 | |
CN103927451B (zh) | 一种空间机器人系统参数在轨辨识方法 | |
CN107944386B (zh) | 基于卷积神经网络的视觉场景识别方法 | |
CN108121215B (zh) | 基于全回路重构仿真的工业控制回路性能评价方法及装置 | |
CN105739310A (zh) | 一种基于多模型的伺服系统自适应控制系统 | |
CN110531612A (zh) | 一种分数阶pid控制器的参数整定方法 | |
CN107153869A (zh) | 一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法 | |
CN109143872A (zh) | 一种基于事件触发gdhp的连续搅拌反应釜过程控制方法 | |
CN106054840A (zh) | 一种全流程产品质量在线管控系统 | |
CN104050368A (zh) | 系统误差下基于误差补偿的群航迹精细关联算法 | |
CN103942444B (zh) | 一种基于dtw的平权1‑范数多传感器不等长序列相似度度量方法 | |
CN109919302A (zh) | 一种神经网络训练方法及装置 | |
CN111144001A (zh) | 一种基于bp神经网络的矿山井筒工程tbm控制方法 | |
CN108628288A (zh) | 一种用于一阶时滞组合积分控制系统的性能评价方法 | |
CN106896812B (zh) | 一种存在测量不确定性下的反馈路径规划方法 | |
CN110110475B (zh) | 基于在线学习渐消因子的扩展卡尔曼滤波方法 | |
CN116561681A (zh) | 一种基于数字孪生的融合型故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |