CN104932273A - 一种基于改进型Smith预估补偿器的变参数自适应控制方法 - Google Patents

Abstract

本发明公开一种基于改进型Smith预估补偿器的变参数自适应控制方法，包括以下步骤：根据所采集的工业过程中当前时刻k之前一段时间内的被调量的实际值历史数据和控制器的输出值历史数据，运用递推最小二乘法对Smith预估器中的被控对象的数学模型进行在线反馈修正，预估被调量在当前时刻k的变化；根据被调量在当前时刻k的变化以及被调量在当前时刻k的设定值和实际值，确定系统所处的状态，并依据预设的变参数规则，相应的增大或减小控制器参数和控制器增益，自适应调整控制器的输出以控制执行机构动作，其中，系统所处的状态是指系统趋于平稳还是趋于震荡发散；令k＝k+1，重复上述步骤，形成闭环循环操作，将被调量维持在一个较为稳定的范围内。

Description

一种基于改进型Smith预估补偿器的变参数自适应控制方法

技术领域

本发明涉及工业控制领域，具体而言，涉及一种基于改进型Smith预估补偿器的变参数自适应控制方法。

背景技术

大迟延、大惯性、模型时变是工业生产过程中普遍存在的现象，由于这种现象的存在，往往会导致调节作用不及时，控制效果需要很长一段时间才能够反映到系统的输出上，这就势必造成调节时间过长或引起过调，导致系统震荡。然而，工业生产过程中又需要将诸如工质的温度、压力、流量等参数长时间的控制在一个较为平稳的范围内，否则轻则对生产设备造成损害，重则威胁到生产安全甚至员工的生命安全。

现有技术中，工业上普遍采用的PID控制策略，图1为工业上普遍采用的PID控制策略的原理示意图；PID控制策略以其适应性强、鲁棒性强等特点，在大多数工业对象的控制中都能够得到较为满意的效果。但是，由于许多工业被控对象存在着大迟延、大惯性、模型时变等特性，因此用一组事先整定好的PID参数实施控制难以达到良好的控制效果，特别是当被控对象的数学模型变化超出一定的范围时，系统控制品质会明显降低，甚至发散。

因此，选取一种更加合理的控制策略，来克服工业生产过程中普遍存在的大迟延、大惯性、模型时变现象，将被控对象的运行参数控制在一个较为平稳的范围内，一直是工业控制领域中一个亟待解决的技术问题。

发明内容

本发明提供一种基于改进型Smith预估补偿器的变参数自适应控制方法，用以达到提高现有工业控制效果、使被控对象的运行参数更加平稳可靠、提高工业自动化程度、减少工人劳动强度、保证设备安全稳定运行的目的。

为达到上述目的，本发明提供了一种基于改进型Smith预估补偿器的变参数自适应控制方法，包括以下步骤：

根据所采集的工业过程中当前时刻k之前一段时间内的被调量的实际值历史数据和控制器的输出值历史数据，运用递推最小二乘法对Smith预估器中的被控对象的数学模型进行在线反馈修正，预估被调量在当前时刻k的变化；

根据被调量在当前时刻k的变化以及被调量在当前时刻k的设定值和实际值，确定系统所处的状态，并依据预设的变参数规则，相应的增大或减小控制器参数和控制器增益，自适应调整控制器的输出以控制执行机构动作，其中，系统所处的状态是指系统趋于平稳还是趋于震荡发散；

令k＝k+1，，重复上述步骤，形成闭环循环操作，将被调量维持在一个较为稳定的范围内。

进一步地，根据所采集的工业过程中当前时刻k之前一段时间内的被调量的实际值历史数据和控制器的输出值历史数据，运用递推最小二乘法对Smith预估器中的被控对象的数学模型进行在线反馈修正，预估被调量在当前时刻k的变化包括：

步骤1：采集当前时刻之前一段时间内的被调量的实际值历史数据Y_N＝[y(k-n-1),y(k-n),…,y(k-1)]和控制器的输出值历史数据U_N＝[u(k-n-1),u(k-n),…,u(k-1)]，其中Y_N和U_N均为一个按时间顺序排列的单行n+1列的数组，其中，假设k为当前时刻，k-1，…，k-n，k-n-1为一组间隔相同采样步长的采样时刻，n为自然数；

步骤2：选取被控对象的数学模型为：

A(z^-1)y(k)＝B(z^-1)u(k)+ε(k)

其中，A(z^-1)＝1+a₁z^-1+…+a_nz^-n，为首一多项式，

B(z^-1)＝b₀+b₁z^-1+…+b_nz^-n，

ε(k)为噪声模型，

一般情况下，工业被控对象的数学模型均可由一阶惯性环节加纯迟延来描述，经离散化后，将被控对象的数学模型简化为：

y(k)＝-a₁y(k-1)+b₁u(k-τ-1)+ε(k-1)

其中，τ为纯迟延时间，通过对历史数据进行分析后，给出一个τ的初始值τ₀；

步骤3：运用递推最小二乘法对-a₁和b₁进行参数估计，其中-a₁和b₁的初始值分别为a₀和b₀，待达到收敛条件后，输出-a₁的估计值和b₁的估计值若执行到设定的最大步数后仍未能达到收敛条件，则令和保持前一个计算结果不变；

步骤4：利用最小方差法、积分法或互相关函数法对迟延时间τ进行参数估计，计算得到τ的估计值τ^*，返回步骤3，同时用τ^*替代步骤2中的初始值τ₀，用于下一个周期的运算；

步骤5：由计算得到的参数估计值和τ^*修正被控对象的数学估计模型G^* _c(s)，并由此计算出当前时刻的最优参数估计y^*(k)和τ^*时刻之前的y^*(k-τ^*)；

步骤6：计算Δy^*(k)＝y^*(k)-y^*(k-τ^*)；

步骤7：采集被调量的实际值y(k)，由此计算y_L(k)＝y(k)+Δy^*(k)。

进一步地，根据所采集的工业过程中当前时刻k之前一段时间内的被调量的实际值历史数据和控制器的输出值历史数据，运用递推最小二乘法对Smith预估器中的被控对象的数学模型进行在线反馈修正，预估被调量在当前时刻k的变化包括：

步骤8：采集被调量的设定值r(k)，计算e(k)＝r(k)-y_L(k)；

步骤9：计算Δe(k)＝e(k)-e(k-1)，计算Δ²e(k)＝Δe(k)-Δe(k-1)；

步骤10：根据e(k)、Δe(k)和Δ²e(k)的大小进行分析，确定系统所处的状态，并依据设定的变参数规则，相应的增大或减小控制器参数T_v和控制器增益K_p，以自适应的调整控制器输出u(k)；

T_v和K_p的表达式记为：

T_v(k)＝T_v(k-1)+L·sign[|Δe(k)|-T_v(k-1)|Δ²e(k)|]

其中，L为控制器递增步长，c和均为常数；

步骤11：计算变参数自适应控制器的输出增量Δu(k+1)：

Δu(k)＝ξ·K_p(k)·[α₁e(k)+α₂T_v(k)Δe(k)+α₃T_v ²(k)Δ²e(k)]，

其中，α_n和ξ均为可自由配置的常数；

步骤12：计算变参数自适应控制器的输出：

u(k)＝u(k-1)+Δu(k)。

进一步地，利用最小方差法对迟延时间τ进行参数估计的数学表达式为：

Y_1×n＝[y(k-n),y(k-n+1),…,y(k)]^T

Y^* _1×n＝[y^*(k-n-j),y^*(k-n+1-j),...,y^*(k-j)]^T

F＝Y-Y^*

θ＝F^T·F

${\mathrm{\τ}}^{*}=\arg \underset{n_1\≤j\≤n_2}{min}\mathrm{\θ}$

其中，n₁和n₂分别为n所能取到的最小值和最大值，且n₁<n₂，j为能够令_θ取得最小值时的n的取值。

进一步地，利用积分法对迟延时间τ进行参数估计的数学表达式为：

Y_1×n＝[y(k-n),y(k-n+1),…,y(k)]^T

Y^* _1×n＝[y^*(k-n-j),y^*(k-n+1-j),...,y^*(k-j)]^T

F＝Y-Y^*

${\mathrm{\&tau;}}^{*}=\arg \underset{n_1\&le;j\&le;n_2}{min}\underset{j=n_1}{\overset{n_2}{\&Sigma;}}|F.|.$

进一步地，利用互相关函数法对迟延时间τ进行参数估计的数学表达式为：

Y_1×n＝[y(k-n),y(k-n+1),…,y(k)]^T

Y^* _1×n＝[y^*(k-n-j),y^*(k-n+1-j),...,y^*(k-j)]^T

F＝Y^*T·Y

${\mathrm{\&tau;}}^{*}=\arg \underset{n_1\&le;j\&le;n_2}{max}F.$

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为工业上普遍采用的PID控制策略的原理示意图；

图2为本发明一个实施例的基于改进型Smith预估补偿器的变参数自适应控制方法流程图；

图3为本发明中所涉及的控制策略的整体结构示意图；

图4为本发明一个实施例的改进型Smith预估补偿器的算法流程图；

图5为本发明一个实施例的变参数自适应控制器的算法流程图；

图6为本发明应用前的循环流化床锅炉主蒸汽压力控制效果图；

图7为本发明应用后的循环流化床锅炉主蒸汽压力控制效果对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图2为本发明一个实施例的基于改进型Smith预估补偿器的变参数自适应控制方法流程图；如图所示，该变参数自适应控制方法包括以下步骤：

S102，根据所采集的工业过程中当前时刻k之前一段时间内的被调量的实际值历史数据和控制器的输出值历史数据，运用递推最小二乘法对Smith预估器中的被控对象的数学模型进行在线反馈修正，预估被调量在当前时刻k的变化；

S104，根据被调量在当前时刻k的变化以及被调量在当前时刻k的设定值和实际值，确定系统所处的状态，并依据预设的变参数规则，相应的增大或减小控制器参数和控制器增益，自适应调整控制器的输出以控制执行机构动作，其中，系统所处的状态是指系统趋于平稳还是趋于震荡发散；

S106，令k＝k+1，，重复上述步骤，形成闭环循环操作，将被调量维持在一个较为稳定的范围内。

图3为本发明中所涉及的控制策略的整体结构示意图；图4为本发明一个实施例的改进型Smith预估补偿器的算法流程图；如图所示，根据所采集的工业过程中当前时刻k之前一段时间内的被调量的实际值历史数据和控制器的输出值历史数据，运用递推最小二乘法对Smith预估器中的被控对象的数学模型进行在线反馈修正，预估被调量在当前时刻k的变化包括：

步骤1：采集当前时刻之前一段时间内的被调量的实际值历史数据Y_N＝[y(k-n-1),y(k-n),…,y(k-1)]和控制器的输出值历史数据U_N＝[u(k-n-1),u(k-n),…,u(k-1)]，其中Y_N和U_N均为一个按时间顺序排列的单行n+1列的数组，其中，假设k为当前时刻，k-1，…，k-n，k-n-1为一组间隔相同采样步长的采样时刻，n为自然数；

步骤2：选取被控对象的数学模型为：

A(z^-1)y(k)＝B(z^-1)u(k)+ε(k)

其中，A(z^-1)＝1+a₁z^-1+…+a_nz^-n，为首一多项式，

B(z^-1)＝b₀+b₁z^-1+…+b_nz^-n，

ε(k)为噪声模型，

一般情况下，工业被控对象的数学模型均可由一阶惯性环节加纯迟延来描述，经离散化后，将被控对象的数学模型简化为：

y(k)＝-a₁y(k-1)+b₁u(k-τ-1)+ε(k-1)

其中，τ为纯迟延时间，通过对历史数据进行分析后，给出一个τ的初始值τ₀；

步骤3：运用递推最小二乘法对-a₁和b₁进行参数估计，其中-a₁和b₁的初始值分别为a₀和b₀，待达到收敛条件后，输出-a₁的估计值和b₁的估计值若执行到设定的最大步数后仍未能达到收敛条件，则令和保持前一个计算结果不变；

步骤4：利用最小方差法、积分法或互相关函数法对迟延时间τ进行参数估计，计算得到τ的估计值τ^*，返回步骤3，同时用τ^*替代步骤2中的初始值τ₀，用于下一个周期的运算；

步骤5：由计算得到的参数估计值和τ^*修正被控对象的数学估计模型G^* _c(s)，并由此计算出当前时刻的最优参数估计y^*(k)和τ^*时刻之前的y^*(k-τ^*)；

步骤6：计算Δy^*(k)＝y^*(k)-y^*(k-τ^*)；

步骤7：采集被调量的实际值y(k)，由此计算y_L(k)＝y(k)+Δy^*(k)。

图5为本发明一个实施例的变参数自适应控制器的算法流程图；如图所示，根据所采集的工业过程中当前时刻k之前一段时间内的被调量的实际值历史数据和控制器的输出值历史数据，运用递推最小二乘法对Smith预估器中的被控对象的数学模型进行在线反馈修正，预估被调量在当前时刻k的变化包括：

步骤8：采集被调量的设定值r(k)，计算e(k)＝r(k)-y_L(k)；

步骤9：计算Δe(k)＝e(k)-e(k-1)，计算Δ²e(k)＝Δe(k)-Δe(k-1)；

步骤10：根据e(k)、Δe(k)和Δ²e(k)的大小进行分析，确定系统所处的状态，并依据设定的变参数规则，相应的增大或减小控制器参数T_v和控制器增益K_p，以自适应的调整控制器输出u(k)；

T_v和K_p的表达式记为：

T_v(k)＝T_v(k-1)+L·sign[|Δe(k)|-T_v(k-1)|Δ²e(k)|]

其中，L为控制器递增步长，c和均为常数；

步骤11：计算变参数自适应控制器的输出增量Δu(k+1)：

Δu(k)＝ξ·K_p(k)·[α₁e(k)+α₂T_v(k)Δe(k)+α₃T_v ²(k)Δ²e(k)]，

其中，α_n和ξ均为可自由配置的常数；

步骤12：计算变参数自适应控制器的输出：

u(k)＝u(k-1)+Δu(k)。

如图所示，

其中，利用最小方差法对迟延时间τ进行参数估计的数学表达式为：

Y_1×n＝[y(k-n),y(k-n+1),…,y(k)]^T

Y^* _1×n＝[y^*(k-n-j),y^*(k-n+1-j),...,y^*(k-j)]^T

F＝Y-Y^*

θ＝F^T·F

${\mathrm{\&tau;}}^{*}=\arg \underset{n_1\&le;j\&le;n_2}{min}\mathrm{\&theta;}$

其中，n₁和n₂分别为n所能取到的最小值和最大值，且n₁<n₂，j为能够令_θ取得最小值时的n的取值。

其中，利用积分法对迟延时间τ进行参数估计的数学表达式为：

Y_1×n＝[y(k-n),y(k-n+1),…,y(k)]^T

Y^* _1×n＝[y^*(k-n-j),y^*(k-n+1-j),...,y^*(k-j)]^T

F＝Y-Y^*

${\mathrm{\&tau;}}^{*}=\arg \underset{n_1\&le;j\&le;n_2}{min}\underset{j=n_1}{\overset{n_2}{\&Sigma;}}|F.|.$

其中，利用互相关函数法对迟延时间τ进行参数估计的数学表达式为：

Y_1×n＝[y(k-n),y(k-n+1),…,y(k)]^T

Y^* _1×n＝[y^*(k-n-j),y^*(k-n+1-j),...,y^*(k-j)]^T

F＝Y^*T·Y

${\mathrm{\&tau;}}^{*}=\arg \underset{n_1\&le;j\&le;n_2}{max}F.$

以下为本发明一个优选的实施案例：

由于火电厂循环流化床锅炉主蒸汽压力控制的迟延时间可达2～10min，且煤质多变、热值多变，导致被控对象的数学模型时变、迟延时间多变，属于工业生产过程中难以实施自动控制的典型案例。因此，特以火电厂循环流化床锅炉主蒸汽压力控制为例，对本发明在工业控制领域的具体实施过程进行说明。

具体实施过程如下：

1.采集当前时刻之前一段时间(假设当前时刻为k)的主蒸汽压力实际值历史数据Y_N＝[y(k-n-1),y(k-n),…,y(k-1)]和控制器的输出值(总煤量)的历史数据U_N＝[u(k-n-1),u(k-n),…,u(k-1)]，其中Y_N和U_N均为一个按时间顺序排列的单行n+1列的数组；

2.选取主蒸汽压力的数学模型为：

${G^{*}}_c\left(s\right)=\frac{K}{Ts+1}{e}^{-\mathrm{\&tau;}s}$

经离散化之后，得到：

y(k)＝-a₁y(k-1)+b₁u(k-τ-1)+ε(k-1)

由于纯迟延时间τ未知，因此可通过对历史数据进行分析后，给出一个τ的初始值τ₀＝240s；

3.运用递推最小二乘法(RLS算法)对-a₁和b₁进行参数估计，同时利用最小方差法对迟延时间τ进行最优参数估计，待达到收敛条件或执行到最大步数后，输出和τ^*；

4.用τ^*替代第2步中的初始值τ₀，用于下一个周期的运算；

5.由计算得到的参数估计值和τ^*修正被控对象的数学估计模型G^* _c(s)，并由此计算出当前时刻的最优参数估计y^*(k)和τ^*时刻之前的y^*(k-τ^*)。

6.计算Δy^*(k)＝y^*(k)-y^*(k-τ^*)；

7.采集主蒸汽压力的实际值y(k)，由此计算y_L(k)＝y(k)+Δy^*(k)；

8.采集主蒸汽压力的设定值r(k)，计算e(k)＝r(k)-y_L(k)；

9.计算Δe(k)＝e(k)-e(k-1)，计算Δ²e(k)＝Δe(k)-Δe(k-1)；

10.根据e(k)、Δe(k)和Δ²e(k)的大小进行分析，确定系统所处的状态，并依据变参数的规则，相应的增大或减小控制器参数T_v和控制器增益K_p，以达到自适应的调整控制器输出u(k)大小的目的。

T_v和K_p的表达式记为：

T_v(k)＝T_v(k-1)+L·sign[|Δe(k)|-T_v(k-1)|Δ²e(k)|]

其中，L为控制器递增步长，c和均为常数；

11.计算变参数自适应控制器的输出增量Δu(k)：

Δu(k)＝ξ·K_p(k)·[α₁e(k)+α₂T_v(k)Δe(k)+α₃T_v ²(k)Δ²e(k)]，

其中，α_n和ξ均为可自由配置的常数；

12.计算变参数自适应控制器的输出：

u(k)＝u(k-1)+Δu(k)

13.控制器的输出即为计算出的总给煤量，依据这一值，控制给煤机变频器来对给煤量进行增减，以达到将锅炉的主蒸汽压力维持在一个较为稳定的范围内的目的。

本发明应用前后的循环流化床锅炉主蒸汽压力控制效果对比图见附图6和附图7。应用本发明后，锅炉的主蒸汽压力被控制得更加平稳，现场对主蒸汽压力的控制从原来的依靠司炉进行人为的手动操作改为由计算机进行自动控制，提高了电厂的自动化程度，减少了运行人员的劳动强度。

综上，本发明的上述实施例具有以下有益效果：

1.无需建立过程的数据模型：对数学模型的精度要求不高，只需在线监测过程的实际输出及期望输出便可实现过程的参数自整定控制。本发明发明计算工作量小、容易实现，为解决工业过程中不确定过程、时变系统的控制提供了良好的途径。

2.对过程参数的预先估计：本发明合理有效地利用工业过程中的历史数据，运用递推最小二乘法对Smith预估器中的被控对象的数学模型进行了在线反馈修正，准确预估主要参数在未来一段时间的变化，使得控制器提前动作，有效减小超调和过渡过程时间，克服工业过程大迟延、大惯性的难题，提高工业控制过程的稳定性。

3.控制参数的自整定：提出了一种变参数的自适应控制策略，在控制参数调配过程中，只需依据经验配好控制参数的初始值和上下限，控制参数具有自学习能力，依据本发明制定的规则在线修改控制参数，以达最优，克服了传统控制方法中控制器参数只能依靠人工进行修改的问题。

4.提高工业过程控制的鲁棒性：将改进型的Smith预估算法同变参数自适应控制策略联合起来，用于对具有大迟延、模型时变特性的工业被控对象，尤其是对循环流化床锅炉主蒸汽压力进行了合理的控制，取得了良好的控制效果；

5.应用范围广：本发明适用于电力、化工、冶金、炼油等具有大迟延、大惯性、模型时变特性的工业被控对象所进行的过程控制。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (6)

1.一种基于改进型Smith预估补偿器的变参数自适应控制方法，其特征在于，包括以下步骤：

根据所采集的工业过程中当前时刻k之前一段时间内的被调量的实际值历史数据和控制器的输出值历史数据，运用递推最小二乘法对Smith预估器中的被控对象的数学模型进行在线反馈修正，预估被调量在当前时刻k的变化；

根据被调量在当前时刻k的变化以及被调量在当前时刻k的设定值和实际值，确定系统所处的状态，并依据预设的变参数规则，相应的增大或减小控制器参数和控制器增益，自适应调整控制器的输出以控制执行机构动作，其中，系统所处的状态是指系统趋于平稳还是趋于震荡发散；

令k＝k+1，，重复上述步骤，形成闭环循环操作，将被调量维持在一个较为稳定的范围内。

2.根据权利要求1所述的变参数自适应控制方法，其特征在于，根据所采集的工业过程中当前时刻k之前一段时间内的被调量的实际值历史数据和控制器的输出值历史数据，运用递推最小二乘法对Smith预估器中的被控对象的数学模型进行在线反馈修正，预估被调量在当前时刻k的变化包括：

步骤1：采集当前时刻之前一段时间内的被调量的实际值历史数据Y_N＝[y(k-n-1),y(k-n),…,y(k-1)]和控制器的输出值历史数据U_N＝[u(k-n-1),u(k-n),…,u(k-1)]，其中Y_N和U_N均为一个按时间顺序排列的单行n+1列的数组，其中，假设k为当前时刻，k-1，…，k-n，k-n-1为一组间隔相同采样步长的采样时刻，n为自然数；

步骤2：选取被控对象的数学模型为：

A(z^-1)y(k)＝B(z^-1)u(k)+ε(k)

其中，A(z^-1)＝1+a₁z^-1+…+a_nz^-n，为首一多项式，

B(z^-1)＝b₀+b₁z^-1+…+b_nz^-n，

ε(k)为噪声模型，

一般情况下，工业被控对象的数学模型均可由一阶惯性环节加纯迟延来描述，经离散化后，将被控对象的数学模型简化为：

y(k)＝-a₁y(k-1)+b₁u(k-τ-1)+ε(k-1)

其中，τ为纯迟延时间，通过对历史数据进行分析后，给出一个τ的初始值τ₀；

步骤3：运用递推最小二乘法对-a₁和b₁进行参数估计，其中-a₁和b₁的初始值分别为a₀和b₀，待达到收敛条件后，输出-a₁的估计值和b₁的估计值若执行到设定的最大步数后仍未能达到收敛条件，则令和保持前一个计算结果不变；

步骤4：利用最小方差法、积分法或互相关函数法对迟延时间τ进行参数估计，计算得到τ的估计值τ^*，返回步骤3，同时用τ^*替代步骤2中的初始值τ₀，用于下一个周期的运算；

步骤5：由计算得到的参数估计值和τ^*修正被控对象的数学估计模型G^* _c(s)，并由此计算出当前时刻的最优参数估计y^*(k)和τ^*时刻之前的y^*(k-τ^*)；

步骤6：计算Δy^*(k)＝y^*(k)-y^*(k-τ^*)；

步骤7：采集被调量的实际值y(k)，由此计算y_L(k)＝y(k)+Δy^*(k)。

3.根据权利要求2所述的变参数自适应控制方法，其特征在于，根据所采集的工业过程中当前时刻k之前一段时间内的被调量的实际值历史数据和控制器的输出值历史数据，运用递推最小二乘法对Smith预估器中的被控对象的数学模型进行在线反馈修正，预估被调量在当前时刻k的变化包括：

步骤8：采集被调量的设定值r(k)，计算e(k)＝r(k)-y_L(k)；

步骤9：计算Δe(k)＝e(k)-e(k-1)，计算Δ²e(k)＝Δe(k)-Δe(k-1)；

步骤10：根据e(k)、Δe(k)和Δ²e(k)的大小进行分析，确定系统所处的状态，并依据设定的变参数规则，相应的增大或减小控制器参数T_v和控制器增益K_p，以自适应的调整控制器输出u(k)；

T_v和K_p的表达式记为：

T_v(k)＝T_v(k-1)+L·sign[|Δe(k)|-T_v(k-1)|Δ²e(k)|]

其中，L为控制器递增步长，c和均为常数；

步骤11：计算变参数自适应控制器的输出增量Δu(k+1)：

Δu(k)＝ξ·K_p(k)·[α₁e(k)+α₂T_v(k)Δe(k)+α₃T_v ²(k)Δ²e(k)]，

其中，α_n和ξ均为可自由配置的常数；

步骤12：计算变参数自适应控制器的输出：

u(k)＝u(k-1)+Δu(k)。

4.根据权利要求2所述的变参数自适应控制方法，其特征在于，利用最小方差法对迟延时间τ进行参数估计的数学表达式为：

Y_1×n＝[y(k-n),y(k-n+1),…,y(k)]^T

Y^* _1×n＝[y^*(k-n-j),y^*(k-n+1-j),...,y^*(k-j)]^T

F＝Y-Y^*

θ＝F^T·F

$\mathrm{\&tau;}*=\arg \underset{n_1\&le;j\&le;n_2}{\min }\mathrm{\&theta;}$

其中，n₁和n₂分别为n所能取到的最小值和最大值，且n₁<n₂，j为能够令θ取得最小值时的n的取值。

5.根据权利要求2所述的变参数自适应控制方法，其特征在于，利用积分法对迟延时间τ进行参数估计的数学表达式为：

Y_1×n＝[y(k-n),y(k-n+1),…,y(k)]^T

Y^* _1×n＝[y^*(k-n-j),y^*(k-n+1-j),...,y^*(k-j)]^T

F＝Y-Y^*

$\mathrm{\&tau;}*=\arg \underset{n_1\&le;j\&le;n_2}{\min }\underset{j=n_1}{\overset{n_2}{\&Sigma;}}|F.|.$

6.根据权利要求2所述的变参数自适应控制方法，其特征在于，利用互相关函数法对迟延时间τ进行参数估计的数学表达式为：

Y_1×n＝[y(k-n),y(k-n+1),…,y(k)]^T

Y^* _1×n＝[y^*(k-n-j),y^*(k-n+1-j),...,y^*(k-j)]^T

F＝Y^*T·Y

$\mathrm{\&tau;}*=\arg \underset{n_1\&le;j\&le;n_2}{\min }F.$