CN107450310B - 一种连续过程模型的设定值激励闭环辨识方法 - Google Patents

Abstract

本发明涉及一种连续过程模型的设定值激励闭环辨识方法，包括：1)采用工业过程控制中的连续时间模型‑‑传递函数模型为被辨识过程模型；2)实施闭环辨识时采用设定值激励信号；3)设置设定值激励闭环辨识启动条件，自动监测被辨识过程输出的平稳度指标；4)自动采集被辨识过程输出的响应数据；5)对于多通道的被辨识过程模型，采用稳态动态数据多批次采集的联合优化辨识技术；6)采用了现代智能优化计算方法进行过程模型辨识计算，并采用机理建模与实验建模的融合辨识方法；7)对已采集的各通道数据进行辨识有效性评价分析；8)对已得到的过程模型进行准确性评估。与现有技术相比，本发明具有高效、实用等优点。

Description

一种连续过程模型的设定值激励闭环辨识方法

技术领域

本发明涉及控制科学与工程学科中的建模仿真技术，尤其是涉及一种连续过程模型的设定值激励闭环辨识方法。

背景技术

闭环辨识方法几乎与开环辨识方法同时提出，并且已经经过了多年的研究发展。闭环辨识方法被认为是更适合工程应用的方法，因为它可以在不中断生产的条件下实施，并且更容易保证生产安全。但是，闭环辨识方法在工程应用中的实践表明闭环辨识方法还远未成熟。许多工程实践问题悬而未决，致使闭环辨识方法的实际工程应用效果远远低于众多科技文献中报道的那样完美。诸如，离散时间方法问题、伪随机信号的施加问题、可测和不可测的扰动问题以及控制器的切换问题等等。这些问题的每一个单独来看都不算大，但组合起来就有可能形成闭环辨识方法工程应用上的大障碍。因此，除了进一步完善闭环辨识理论方法以外，精心设计和提炼集成一套闭环辨识方法工程应用的实用高效技术也是非常需要的。

辨识理论是从离散时间模型开始的。离散时间模型更容易用计算机来解算和处理。传统的辨识理论就是以离散时间模型和最小二乘优化算法为基础。但是，大部分真实的物理的或化学的过程都是连续时间的，即便用传统辨识获得被辨识过程的离散时间模型，也常需要转换成连续时间模型来用。这种离散模型到连续模型的转换必然存在转换误差。此外，最小二乘优化算法的应用也有严苛的条件，如被辨识系统的逆矩阵必须存在。因此，选用连续时间模型并且选用无严苛使用条件的现代智能优化算法进行辨识计算，应该是更先进的辨识决策。

过程模型辨识成功的关键之一是有效的激励信号施加。以往常采用的辨识激励信号是伪随机信号。但在实际应用中存在着激励强度不易把握的困难和需要较专业的技术人员参与的实施问题。因此需要开发更简单更便于实施的辨识激励信号。

闭环过程的输出量的变化实际上是多种过程输入变量变化影响的结果。以往的闭环辨识大多局限于考虑可控通道一项输入变量，至多加上一项随机扰动输入变量。这对于许多真实的被控过程模型辨识是远远不够的。因为，许多真实被控过程的某项输出除了受可控通道一项输入影响以外还受到多种扰动通道的输入的影响。这些扰动通道的输入可分为三类：可测扰动、不可测扰动和未知扰动。对于可测扰动通道模型，不但不应该忽略，而且还应该与可控通道模型一起建模。可测扰动通道对过程输出的影响经常占有较大的比例。所以，以往的闭环辨识忽略可测扰动通道，可能就是致使辨识误差偏大的主要原因之一。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种高效、实用的连续过程模型的设定值激励闭环辨识方法。

本发明的目的可以通过以下技术方案来实现：

一种连续过程模型的设定值激励闭环辨识方法，包括以下步骤：

1)采用工业过程控制中的连续时间模型--传递函数模型为被辨识过程模型，该被辨识过程模型为单回路闭环控制系统中的一个受控通道模型和多个可测扰动通道模型的集合模型；

2)实施闭环辨识时采用设定值激励信号；

3)设置设定值激励闭环辨识启动条件，自动监测被辨识过程输出的平稳度指标；

4)自动采集被辨识过程输出的响应数据，数据长度所折算的响应时间大于被辨识过程调整时间；

5)对于多通道的被辨识过程模型，采用稳态动态数据多批次采集的联合优化辨识技术；

6)采用了现代智能优化计算方法进行过程模型辨识计算，并采用机理建模与实验建模的融合辨识方法；

7)对已采集的各通道数据进行辨识有效性评价分析，被判定有效性差的数据将被丢弃；

8)对已得到的过程模型进行准确性评估。

所述的被辨识过程模型设计为：

Φ(s)＝[G₁(s) G₂(s) … G_n(s)] (1)

式中，Φ(s)是被辨识过程的传递函数模型向量；G_i(s)为第i输入的分支传递函数模型；

假设过程的输出变量Y(s)表示为

式中，U_i(s)是被辨识过程的第i输入，Y_i(s)是对于第i输入U_i(s)的响应分量，除Y₁(s)被约定为可控通道的响应分量外，其他Y_i(s)均是可测扰动通道的响应分量；假设G_i(s)的通用模型表达为

式中，K_i是G_i(s)的增益；τ_i是G_i(s)的迟延；q_i是G_i(s)的分子多项式的阶数；p_i是G_i(s)的分母多项式的阶数；{β_ik,k＝1,2,…,q_i}是G_i(s)的分子多项式的系数；

{α_ik,k＝1,2,…,p_i}是G_i(s)的分母多项式的系数。

所述的设定值激励信号选用方波信号、三角波信号或梯形波信号，所述的激励信号将叠加在原设定值上。

所述的激励信号的参数整定原则是：

1)使闭环控制系统的控制量响应足够大；2)使闭环控制系统的控制量响应不超过所允许的上下限值；3)设定值跳变幅度不超过安全运行允许值；4)使闭环控制系统的输出量响应不超过安全运行允许值。

所述的被辨识过程输出的平稳度指标采用被辨识过程的输出量平均变化速度，或者是预定一段时间内的最大变化幅度；

当所监测的平稳度指标不超过预设限值时，就认为被辨识过程达到了稳态区域，满足了设定值激励闭环辨识启动条件并启动自动采集被辨识过程输出响应数据和自动施加设定值激励信号。

所述的现代智能优化计算方法为粒子群PSO或微分进化DE智能优化算法。这些算法具有远比传统最小二乘算法优越的优化性能，不易陷入局部最优点；在应用现代智能优化计算方法进行过程模型辨识计算前，充分利用机理建模得到的模型参数来设置辨识的模型结构和参数优化搜索范围。

对于多通道的被辨识过程模型，单纯的动态数据采集和辨识计算已被证明有较大的辨识误差；因此，多通道过程模型的辨识将采用多批次的稳态动态数据采集和联合优化辨识计算方法；这也将是应对闭环辨识中多通道过程模型辨识不准问题的有效解决方案和关键技术。

对所采集的辨识数据进行辨识有效性评价分析是辨识试验调整的需要，也是在辨识计算前选用有效辨识试验数据的需要；所述的辨识有效性评价分析依据的是过程输入激励的强度是否引起足够的辨识响应数据变化。由于闭环控制系统的强负反馈作用，使得系统输出，即过程的输出量，基本保持不变，所以过程输入激励所引起的响应在过程的输出量上不易看出。因此，辨识有效性评价分析主要根据各过程输入激励所引起的控制量的变化量，可考虑相对于控制量满量程的百分比。

对已辨识得到的过程模型很有必要进行准确性评估。因为，复杂的辨识过程有很多不确定的因素存在，无法保证每次辨识得到的过程模型都可以放心的使用。针对闭环多通道过程模型的准确性评价目前尚无科学的统一方法。

所述的对已得到的过程模型进行准确性评估包括：

把同激励输入下的模型响应与实际过程响应数据相比对，其误差的平方和越小越好；

或者将所辨识得到的模型与已知的公认模型相比对，其差异越小越好。

已辨识过程模型的准确性评估结果将为用户选用已辨识过程模型提供重要的参考依据。

与现有技术相比，本发明精心设计和提炼集成一套闭环辨识方法应用的高效实用工程技术，包括：采用连续时间模型、考虑单回路闭环控制系统中的多通道集合模型、实施设定值激励信号、自动启动闭环辨识激励并采集过程辨识响应数据、采用稳态动态数据多批次采集的联合优化辨识技术、采用了现代智能优化计算方法、对辨识数据进行辨识有效性评价和对已得过程模型进行准确性评估。

具体实施方式

下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

针对某已知二输入一输出的被辨识过程，假设实际的可控通道模型为

假设实际的可测扰动通道模型为

通过闭环控制系统试验，可采集2组被辨识过程的稳态数据(对应于不同的过程输入)，可推算出

通过实施设定值激励闭环辨识试验，可采集1组动态的辨识数据600点数据：过程输出响应数据{y(k),k＝1,2,…,600}、控制量数据{u₁(k),k＝1,2,…,600}和可测扰动数据{u₂(k),k＝1,2,…,600}。

再利用粒子群(PSO)辨识程序辨识可控通道模型和可测扰动通道模型中的各时间常数，最后可得模型为

此外，实施设定值激励闭环辨识时采用的信号是梯形波信号，并用激励信号的参数整定原则整定了激励信号参数；采集辨识数据后进行了辨识有效性评价分析并认为有效；辨识出模型参数后进行了准确性评估，显见已得模型的准确性较高。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (3)

1.一种用于工业控制的连续过程模型的设定值激励闭环辨识方法，该方法用于建模仿真领域的工业过程控制，其特征在于，包括以下步骤：

1)采用工业过程控制中的连续时间模型--传递函数模型为被辨识过程模型，该被辨识过程模型为单回路闭环控制系统中的一个受控通道模型和多个可测扰动通道模型的集合模型；

2)实施闭环辨识时采用设定值激励信号；

3)设置设定值激励闭环辨识启动条件，自动监测被辨识过程输出的平稳度指标；

4)自动采集被辨识过程输出的响应数据，数据长度所折算的响应时间大于被辨识过程调整时间；

5)对于多通道的被辨识过程模型，采用稳态动态数据多批次采集的联合优化辨识技术；

6)采用了现代智能优化计算方法进行过程模型辨识计算，并采用机理建模与实验建模的融合辨识方法；

7)对已采集的各通道数据进行辨识有效性评价分析，被判定有效性差的数据将被丢弃；

8)对已得到的过程模型进行准确性评估；

所述的设定值激励信号选用方波信号、三角波信号或梯形波信号，所述的激励信号将叠加在原设定值上；

所述的被辨识过程输出的平稳度指标采用被辨识过程的输出量平均变化速度，或者是预定一段时间内的最大变化幅度；

当所监测的平稳度指标不超过预设限值时，就认为被辨识过程达到了稳态区域，满足了设定值激励闭环辨识启动条件并启动自动采集被辨识过程输出响应数据和自动施加设定值激励信号；

所述的现代智能优化计算方法为粒子群PSO或微分进化DE智能优化算法；

所述的辨识有效性评价分析依据的是过程输入激励的强度是否引起足够的辨识响应数据变化；

所述的对已得到的过程模型进行准确性评估包括：

把同激励输入下的模型响应与实际过程响应数据相比对，其误差的平方和越小越好；

或者将所辨识得到的模型与已知的公认模型相比对，其差异越小越好。

2.根据权利要求1所述的一种用于工业控制的连续过程模型的设定值激励闭环辨识方法，其特征在于，所述的被辨识过程模型设计为：

Φ(s)＝[G₁(s) G₂(s)…G_n(s)] (1)

式中，Φ(s)是被辨识过程的传递函数模型向量；G_i(s)为第i输入的分支传递函数模型；

假设过程的输出变量Y(s)表示为

式中，U_i(s)是被辨识过程的第i输入，Y_i(s)是对于第i输入U_i(s)的响应分量，除Y₁(s)被约定为可控通道的响应分量外，其他Y_i(s)均是可测扰动通道的响应分量；假设G_i(s)的通用模型表达为

式中，K_i是G_i(s)的增益；τ_i是G_i(s)的迟延；q_i是G_i(s)的分子多项式的阶数；p_i是G_i(s)的分母多项式的阶数；{β_ik,k＝1,2,…,q_i}是G_i(s)的分子多项式的系数；

{α_ik,k＝1,2,…,p_i}是G_i(s)的分母多项式的系数。

3.根据权利要求1所述的一种用于工业控制的连续过程模型的设定值激励闭环辨识方法，其特征在于，所述的激励信号的参数整定原则是：

1)使闭环控制系统的控制量响应足够大；2)使闭环控制系统的控制量响应不超过所允许的上下限值；3)设定值跳变幅度不超过安全运行允许值；4)使闭环控制系统的输出量响应不超过安全运行允许值。