CN107526297A - 基于连续调度的模型参数的自适应控制器 - Google Patents

基于连续调度的模型参数的自适应控制器 Download PDF

Info

Publication number
CN107526297A
CN107526297A CN201710957862.7A CN201710957862A CN107526297A CN 107526297 A CN107526297 A CN 107526297A CN 201710957862 A CN201710957862 A CN 201710957862A CN 107526297 A CN107526297 A CN 107526297A
Authority
CN
China
Prior art keywords
model parameter
parameter value
model
group
stored
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.)
Pending
Application number
CN201710957862.7A
Other languages
English (en)
Inventor
P·沃杰兹尼斯
T·L·布勒文斯
W·K·沃杰兹尼斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fisher Rosemount Systems Inc
Original Assignee
Fisher Rosemount Systems Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fisher Rosemount Systems Inc filed Critical Fisher Rosemount Systems Inc
Publication of CN107526297A publication Critical patent/CN107526297A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

自适应过程控制器执行连续调度的过程模型参数插值以确定用于为控制器整定形成控制器整定参数的特定的一组过程模型参数。更特别地，此处所描述的基于状态的自适应PID控制器使用新的技术来确定适当的过程模型，该适当的过程模型被用于在工厂的各种操作区域执行自适应整定，且特别地，使用过程模型参数确定技术，该技术在各种工厂操作区域或操作点允许连续调度的过程模型参数的更新。这个连续调度的过程模型参数的更新的方法的使用，在基于过程的操作区域或操作点的改变而实现的自适应整定程序期间，提供了在PID控制器中所使用的整定参数之间的平滑过渡，从而提供更好的总体控制。

Description

基于连续调度的模型参数的自适应控制器
本申请是申请日为2010年6月22日、申请号为201010211511.X、发明创造名称为“基于连续调度的模型参数的自适应控制器”的发明申请的分案申请。
技术领域
本发明一般涉及过程控制技术，且更特别地，涉及基于模型的自适应控制器，例如比例积分微分(PID)控制器，其使用连续调度的模型参数值以执行自适应整定，该连续调度的模型参数值从对在状态参数的不同值上的各种理想过程模型参数进行插值得出。
背景技术
本领域内已知在自动化系统就像例如大型制造工厂和化学精炼厂中，使用基于逻辑的控制器切换策略来实现自适应过程控制。基于逻辑的切换策略的示例性的讨论例如能在Morse,F.M.Pait和S.R.Weller的“Logic-Based Switching Strategies for Self-Adjusting Control,IEEE 33rd Conference on Decision and Control(Dec.1994)中找到。将基于逻辑的控制器切换策略归类为两种途径中的一种可能是有用处的，所述两种方法通常被识别为基于预先路由的控制器的方法和基于过程模型辨识器及参数化控制器的方法。
原则上，预先路由的控制器整定评估预定义的一组可能的控制器中所包含的可能的控制器。当控制器被识别为表现令人满意时，所述估计完成。预先路由的控制器整定系统相对地易于设计且对控制器结构的要求较少。但是，预先路由的控制器整定系统的优势被固有的关于整定时间的欠佳的性能掩盖了，因为从预定义的组中选择最佳的控制器需要的时间过长。
过程模型辨识器和参数化的控制器一般包括两个或多个参数依赖型子系统，所述子系统包括生成输出估计误差的辨识器和内部控制器。在操作中，基于适当定义的模型组的估计的控制信号被传送到正被控制的过程。基于辨识器的、参数化的控制器实施基于“循环切换”概念的控制器切换策略。循环切换可在为过程提供或不提供另外的激励信号的情况下被使用。
用于过程控制适应的循环切换方法的值得的讨论在K.S.Narendra和J.Balakrishnan的“Adaptive Control Using Multiple Models,”IEEE Transactions onAutomatic Control,Vol.42,No.2,pp.177-187(Feb.1997)中可以找到。文章公开了一种包括以多个参数和并行操作并具有与多个控制器参数相对应的模型参数的N个识别模型为特征的控制器的过程控制系统。在任何时间点，通过切换规则来选择单个模型和对应的参数化的控制器，且对应的控制输入被用于控制过程。识别模型可以是固定参数模型或可以是自适应参数模型，这取决于过程的要求、操作员的需求和任何其他适当的考虑因素。固定参数模型控制系统提供了一种简单而有效的措施，以保证至少一个模型的存在，所述至少一个模型特征在于参数足够接近未知过程的参数。
使用固定参数模型的基于循环切换的过程控制系统提供快速的适应速度，但需要在过程控制器中的相当多数量的模型的设计和存储。另外，固定模型仅仅能够精确地表示有限数量的过程环境或状态。为了渐近地改进过程准确性，必须使用自适应的模型。
实际上来说，由于合理的过程近似需要相当数量的模型，基于模型的切换策略造成了若干问题。例如，包括基于固定模型的自整定器(self-tuner)的简单的单输入单输出(SISO)系统可被合理地预期包括数百种固定模型，以实现令人满意的过程性能。因此，当系统变得更复杂，例如是多变量系统时，所需的定制的固定模型的数量就以指数方式增加，由此增加系统设定时间和系统存储需求。更有效的解决方法需要考虑指定的过程模型结构和控制器类型，并建议将简单的切换策略替换为更详尽的程序。
改进的用于Dahlin控制器的基于模型的方法已由Gendron在文章“Improving theRobustness of Dead-Time Compensators for Plants with Unknown of VaryingDelay,”Control Systems 90Conference(Helsinki 1990)中给出。文章公开了一种简单的一阶加纯滞后(first-order-plus-dead-time)过程模型以基于死区时间(dead time)变化提供过程适应。控制器不依靠简单的模型切换，而是使用基于以全异的死区时间为特征的一组模型的加权和的过程模型。该组中的每个模型生成过程输出的预测，且相应的权重被自动调整为预测误差的简单函数。基本的概念已被延伸为将过程增益和死区时间变化包括到Dahlin控制器构造中。
一般来说，用于设计自适应PID自适应控制器的普遍的方法包括直接方法和间接方法或基于辨识器的方法。如以上所讨论的，基于辨识器的方法对于使用切换策略的控制器系统是有效的，并且提供适当的开始位置，由该开始位置设计自适应的切换PID控制器。提供与递归最小二乘(RLS)估计器相耦合的基于辨识器的自适应的PID控制器是已知的，所述估计器跟踪模型参数的变化。与递归辨识器相关联的典型的问题包括难以选择初始参数、激励不足、过滤、参数饱和、缓慢的参数跟踪速度。因为这些变量的复杂性和与计算准确估计相关联的困难，在现有技术中众所周知已知的基于辨识器的自适应PID控制器的性能可通过简化过程模型来改进。
简化了的基于辨识器的自适应控制器的示例性说明被Astrom和Hagglund在“Industrial Adaptive Controllers Based on Frequency Response Techniques,”Automatica,Vol.27,No.4,pp.599-609(1991)中描述。主要地，该文公开了一种控制器，其被设计成在频域内执行过程模型适应，并响应于设定点的变化和自然干扰而整定。更具体地，通过将带通滤波器应用到过程输入和输出来选择整定频率，滤波器的频率由自动调谐器(按需的调谐器)限定。自动调谐器在自适应整定器操作之前使用继电振荡技术来限定临界振荡周期(ultimate period)并且使用简化的RLS估计器来为整定频率限定过程增益。自动调谐器能够跟踪过程增益的变化。但是，当遇到死区时间或时间常数的变化时，跟踪的点不再显示准确地估计临界增益和临界振荡周期所需的-π相位，且因此控制器整定变得不那么可靠。
另外，通过应用若干整定频率以及使用插值器来以-π的相位限制频率的方法来改进整定是已知的。可选地，可能应用单个整定频率并在每次整定周期后调整频率以跟踪相位-π。两个整定器模型都容许有后续的设定点变化和自然干扰，且可在控制器输出或在设定点输入上引入外部激励。尽管这样的自动调谐器不表现出对先前技术的大小和设置的限制，但是它们明显地更复杂。
另外，两个整定器模型使用仅识别两个参数即临界增益和临界振荡周期的基本自适应模型。包括这些简单的两参数自适应模型的整定器模型适合于Ziegler-Nichols整定或一些类似的修改，但是不适合优选内模控制(IMC)或Lambda整定的应用。虽然简单的RLS辨识器可被用于确定前馈控制的静态增益，但RLS辨识器方法不提供过程前馈动态，其为适当的前馈控制所需要的。另外，因为前馈信号为负载干扰，且扰动信号不能被引入到反馈路径中，所以所述方法受到激励不足的问题的困扰。
前馈适应的可选的解决方法被Bristol和Hansen在名称为“MultivariableAdaptive Feedforward Controller.”的第5,043,863号美国专利中公开。这个专利公开了被设计为包括负载干扰的基于微分方程的过程模型。过程模型基于测得的过程数据被周期性地更新，其中干扰以由投影法实现的控制关系和力矩关系为特征。一般地，所得解决方案非常复杂且需要显著的激励，与以上所描述的RLS辨识器方法大体相同。另外，所得结果仅适合于前馈控制且不可应用于带有反馈的自适应控制器。
发明内容
自适应控制器执行连续调度的过程模型参数插值以确定用于为控制器整定形成的控制器整定参数的特定的一组过程模型参数，从而弥补已知自适应控制方法的各种缺陷。具体地，此处所描述的自适应控制器能够提供通用的方案以用于反馈和前馈自适应PID控制整定，其在大范围过程操作点上工作良好。以下所公开的自适应反馈/前馈PID控制器所涉及的主要目标包括较短的适应时间、施加于PID整定规则的使用上的约束的最少化、设计的简化以及过程激励减少的适应的实现。
更特别地，此处所描述的基于状态的自适应PID控制器使用新的技术来确定恰当的过程模型，该过程模型被用于在工厂的各种操作区域执行自适应整定，且更特别地，使用过程模型参数确定技术，该技术在各种工厂操作区域或操作点允许连续调度的过程模型参数的更新。这个连续调度的过程模型参数的更新的方法的使用，在基于过程的操作区域或操作点的改变而实现的自适应整定程序(adaptive tuning procedure)期间，提供了在PID控制器中所使用的整定参数之间的平滑过渡，从而提供更好的总体控制。
一般地，此处所描述的基于状态的自适应PID控制器使用一组过程模型参数来确定一组控制器整定参数以用于控制过程。在操作期间，自适应控制器通过首先为过程建立预定义的一组过程模型来自适应地确定适当的一组过程模型参数，其中每个过程模型与由状态变量所限定的不同的过程操作区域或过程操作点相对应。然后自适应控制器在整定程序中使用这些预定义的过程模型来确定对于过程工厂中当前操作点或操作区域最适合的或最准确的特定的过程模型(即，特定的一组过程模型参数值)，并使用这些过程模型参数值来整定控制器。过程模型参数值可以基于由状态变量所限定的过程的当前操作点，以过程区域为基础来确定，或可以连续调度的基础来确定。
为了确定预定义的一组过程模型中的每个过程模型，自适应控制器周期性地执行适应例程(adaptation routine)，其确定在特定的过程操作点或区域也称为结位置上的过程模型的特定的一组过程模型参数。在一个例子中，特定的一个预先确定的过程模型可通过尝试模型的各种不同的预设的参数值来确定，以基于过程变量测量结果来确定哪组这样预先确定的过程模型参数提供过程的最好的模拟。更特别地，在适应例程期间，自适应控制器可将每个模型参数设定到从与模型参数相对应的一组预先确定的初始值中选出的各个值。然后单个模型的评估包括模型平方误差或范数(norm)的计算。所述范数可被分配到被评估的模型中所显示的每个参数。随着模型的重复评估的进行，为每个参数计算累加的范数。所累加的范数是在模型评估过程中分配给参数的所有范数的和。接下来，基于这些范数为每个模型参数计算自适应参数值。在一个例子中，自适应参数值可以是基于为参数所计算的范数分配给各个参数的初始值的加权平均。
以这种方式，对于状态变量的不同值可确定各种不同的过程模型，且这些过程模型可被存储。此后，被用于整定过程控制器的指定的过程模型可基于过程的当前操作点(例如，状态变量的当前值)，通过在不同的被存储的过程模型的过程模型参数值之间进行插值来确定。
自适应PID控制器的另一个实施方式包括用于整定过程控制器的系统。系统可通过硬件或软件或其任何希望的组合来实现。系统包括与过程通信地耦合且包括状态变量的模型组组件(model set component)，其限定了多个过程区域或多个过程操作点以及至少有一个过程模型与多个过程区域或点中的每个相关联的多个过程模型。每个过程模型包括多个模型参数，每个模型参数具有从被分配给各个参数的一组预先确定的初始值中选出的值。区域中的每个区域可包括为该区域所确定的一组标准参数值。误差发生器与模型组组件和过程输出通信地耦合。在一个例子中，误差发生器产生表示过程模型的输出和过程的输出之间的差别的模型误差信号。模型评估组件与误差发生器通信地耦合以用于计算与过程模型相对应的模型平方误差，以将模型平方误差归因于模型中所显示的参数值。参数插值器与模型评估组件通信地耦合以计算过程模型中所显示的参数的自适应过程参数值。控制器更新组件具有耦合到参数插值器的输出的输入和耦合到控制器的输出。适应周期一结束，控制器更新组件就将自适应控制器参数值更新到控制器。自适应控制器参数值可从计算出的自适应过程参数值得出。
应理解，根据个别的过程的需要，不是所有的过程参数都将在给定适应周期中受适应的影响。当有理由相信只有一个或至少不是全部的过程参数已改变时，有限的适应可能是希望的。例如，经验上的证据可能显示，在给定的时间段(例如在适应周期之间所经过的时间)内，在其余的参数可仍保持基本不变的同时，过程增益参数可能变化。在这种情况下，过程管理器可通过只使过程增益参数被适应的方式来启动有限的适应周期。然后过程控制器响应于被适应的过程增益参数而被更新。反馈/前馈控制器还可执行自适应控制器的方法，同上，通过该方法，为过程编制模型组，且通过确定对于每个模型唯一的模型平方误差来评估模型中的每个模型。基于每个预先确定的初始化参数值的加权和来计算自适应(例如，增益)参数值。初始化值由归一化的适应性因数来加权。通过计算自适应过程(例如，增益)参数，控制器被相应地更新或整定。
在一个实施方式中，在整定程序期间，自适应控制器首先基于状态变量的当前值来确定用于整定控制器的一组过程参数值。在这个过程期间，自适应控制器可使用状态变量来确定过程当前在哪个区域操作，并可基于先前在适应例程期间被确定为相关联于或可应用于那个区域的过程模型来获取一组模型参数。可选地，整定程序可使用连续调度的参数技术来确定可应用的过程模型参数，其中整定程序识别一组一个或多个先前确定的、被确定用于状态变量或用于在状态变量的当前值之上或之下的变量的过程模型或过程模型参数，并识别被确定用于在那些过程模型之间的点的插值函数。
附图说明
图1为包括使用区域性或连续过程模型参数调度以执行自适应整定的自适应控制器的示例性过程控制系统的原理框图。
图2为示出自适应用户接口应用和包括自适应控制器的一个或多个控制回路之间的交互的原理图。
图3为使用区域性或连续过程模型调度以执行自适应控制器整定的示例性自适应PID控制块的原理图。
图4为表明图1-3中的控制器中模型参数可能以区域为基础被确定的方式的图示。
图5为示出被存储在一组定义过程模型的结(knot)中的过程模型参数值和用于在连续调度的基础上确定过程模型的过程状态变量之间的关系的图示。
图6为被设定在一组定义被存储过程模型的结之间的一组状态变量子区域的图示。
图7为示出使用参数插值来将新适应的结合并到一组先前存储的结中的方式的图示。
图8为可被用于确定一组被存储的结之间的过程模型参数的插值函数的不同值的绘图。
图9为自适应反馈/前馈PID控制器的功能框图，其操作基于过程模型参数的插值。
图9A在图9的自适应反馈/前馈PID控制器中操作的模型组元件的功能框图。
图9B为自适应反馈/前馈PID控制器的实施方式的流程图。
图10为包括反馈和前馈回路两者的一阶加纯滞后过程模型的概念性绘图。
图11为以三个参数DT、Tc和Gain为特征的模型组的绘图，所述三个参数中的每个参数可假定为三个值中的一个值并描述进行模型扫描的推荐顺序。
图12为实现可通过自适应控制器例如图3的自适应控制器来实现的整定程序的示例例程或方法的流程图。
图13为确定一个或多个过程模型参数以用于图12的整定程序的示例例程或方法的流程图。
图14为执行适应程序以确定在特定的过程操作点的新的一组过程模型参数的示例例程或方法的流程图。
图15为更新定义用于在图12的整定例程中执行连续调度的模型参数选择的一组被存储过程模型参数值的一个或多个结的示例例程或方法的流程图。
具体实施方式
现参考图1，用于控制例如工业过程就像精炼厂、药品制造过程、发电站等的过程控制系统10，包括经由通信网络18连接到数据历史记录库14和一个或多个主工作站或计算机16(其可以是任何类型的个人计算机、工作站等，每个都具有显示器屏幕17)的过程控制器12。控制器12还经由输入/输出(I/O)卡28和29连接到现场设备20-27。通信网络18可以是，例如以太网通信网络或任何其他适当的或希望的通信网络，而数据历史记录库14可以是具有任何希望的类型的存储器和用于存储数据的任何希望的或已知的软件、硬件或固件的任何希望类型的数据收集单元。控制器12，以举例的方式说，可以是由艾默生过程管理出售的DeltaVTM控制器，控制器12使用与例如标准4-20ma设备和/或任何智能通信协议例如现场总线协议、协议等相关联的任何希望的硬件和软件，与现场设备20-27通信地连接。
现场设备20-27可以是在过程中执行物理功能和/或测量过程变量的任何类型的设备例如传感器、阀、传送器、定位器等，而I/O卡28和29可以是符合任何希望的通信或控制器协议的任何类型的I/O设备。在图1中所示出的实施方式中，现场设备20-23为通过模拟线路与I/O卡28通信的标准4-20ma设备，或者是通过组合的模拟和数字线路与I/O卡28通信的HART设备，而现场设备24-27为智能设备例如现场总线现场设备，其通过数字总线使用现场总线协议通信与I/O卡29通信。一般来说，现场总线协议是全数字的、串行的双向通信协议，其向将现场设备相互连接起来的双线回路或总线提供标准化的物理接口。现场总线协议实质上向过程中的现场设备提供局域网，其使得这些现场设备在遍及过程设施中所分布的位置上执行过程控制功能(使用根据现场总线协议定义的功能块)，并在执行这些过程控制功能的前后相互进行通信以实现总体的控制策略。当然，现场设备20-27可符合任何其他希望的标准或协议，包括任何有线的或无线的标准或协议，以及现有的或在将来开发的任何协议。
控制器12包括实现或执行一个或多个过程控制例程的处理器12a，其可包括存储在计算机可读存储器12b中的控制回路或控制回路的部分，并与设备20-27、主计算机16和数据历史记录库14进行通信，以用任何希望的方式控制过程。应注意到此处所描述的控制例程或元件的任何一个的部分可被不同控制器或其他设备中的诸如现场设备20-27中的一个或多个现场设备中的处理器实现或执行，如果希望如此的话。同样地，此处所描述的在过程控制系统10中所实现的控制例程或元件可呈现任何形式，包括软件、固件、硬件等。过程控制元件可以是过程控制系统的任何部分或局部，包括例如，存储在任何计算机可读介质上的例程、块或模块。控制例程可以是模块或控制程序的任何部分，例如子例程、子例程的部分(例如代码行)等，控制例程可以任何希望的软件格式，例如使用梯形逻辑、顺序功能图、功能块图或任何其他软件编程语言或设计范例来实现。同样地，控制例程可被硬编码到例如一个或多个EPROM、EEPROM、专用集成电路(ASICs)或任何其他硬件或固件元件中。更进一步地，控制例程可使用任何设计工具，包括图形设计工具或任何其他类型的软件/硬件/固件编程或设计工具来设计。因此，将会理解控制器12可配置为以任何希望的方式实现控制策略或控制例程。
在一个实施方式中，控制器12使用通常所谓的功能块来实现控制策略，其中每个功能块是总体控制例程的一部分(例如，子例程)并与其他功能块一起操作(经由被称为链接的通信)以实现过程控制系统10中的过程控制回路。功能块通常执行输入功能、控制功能或输出功能中的一个，输入功能是例如与发送器、传感器或其他过程参数测量设备相关联的输入功能，控制功能是例如与执行PID、模糊逻辑等控制的控制例程相关联的控制功能，输出功能是控制某设备例如阀的操作以在过程控制系统10中执行某物理功能。当然，混合的和其他类型的功能块也存在。功能块可存储到控制器12中并由控制器12执行，这通常是当这些功能块被用于、或关联到标准4-20ma设备和一些类型的智能现场设备例如HART和现场总线设备时的情况，或可被存储到现场设备本身中并由现场设备本身实现，这可能是有一些类型的现场总线设备的情况。虽然此处所提供的控制系统的描述使用功能块控制策略，但控制策略或控制回路或模块还可使用其他惯例例如梯形逻辑、顺序功能图等或使用任何其他所希望的编程语言或范例来实现或设计。
如图1的分解块30所示出的，控制器12可包括一定数量的控制回路32、34和36，其中控制回路36被示为包括自适应控制例程或块38。每个控制回路32、34和36通常被称为控制模块。控制回路32、34和36被示出为使用连接到恰当的模拟输入(AI)和模拟输出(AO)功能块的单输入/单输出PID控制块来执行单回路控制，这可与过程控制设备例如阀、与测量设备例如温度和压力传送器或与过程控制系统10中的任何其他设备相关联。在图1的示例系统中，自适应控制回路36包括自适应PID控制块38，该块38操作以基于测量信号例如表现所述过程中的被测量或被感测的参数的传感器信号自适应地确定并向典型的PID例程提供整定参数，以在控制回路36在线运行期间，在控制过程的时候，例如在使用阀和/或控制过程的物理参数的其他控制设备来控制过程的运行的时候，适应PID控制例程的运行。尽管控制回路32、34和36被示为执行PID控制，该PID控制具有与一个AI功能块通信地连接的输入和与一个AO功能块通信地连接的输出，但控制回路32、34和36可能包括不止单个的输入和单个的输出，且这些控制回路的输入和输出可被连接到任何其他所希望的功能块或控制元件，以接收其他类型的输入并提供其他类型的输出。另外，自适应控制块38可实现其他类型的控制策略，例如PI控制、PD控制、神经网络控制、模糊逻辑控制、模型预测性控制或任何类型的前馈/反馈控制技术。
应理解，图1中所示出的功能块例如PID功能块和自适应PID功能块38，其本身可被实现为一个或多个相互连接的功能块，可被控制器12执行，或可选地，可部分地或整体地置于任何其他适当的处理设备中并由任何其他适当的处理设备执行。所述处理设备例如是工作站16中的一个工作站、I/O设备28和29中的一个设备或甚至现场设备24-27中的一个现场设备。
如图1中所示出，工作站16中的一个工作站可包括被用于设计、控制、实现和/或查看自适应控制块38或控制回路36的一个或多个适应支持例程。例如，工作站16可包括如以下更加详细描述的那样使用户输入参数到自适应PID控制块38中的用户接口例程40，以开始、停止和控制自适应控制回路36或其块的功能，以为控制块38提供设定点和其他调整等。更进一步地，工作站16可包括如以下更加详细描述的那样执行各种适应功能的例程或块42，以执行连续的过程模型参数调度，作为自适应控制程序的部分。
如图2中更具体地示出的，用户可使用工作站16中的一个工作站的接口例程40将一个或多个自适应控制例程38A…38N设置、配置和下载到过程工厂中，且特别地，设置、配置和下载到控制器12中的一个或多个控制器中。例如，用户可使用例程40创建和下载多个不同的自适应PID控制例程或回路38A，38B，…38N，其可独立地在不同控制回路或模块中(在相同或不同的控制器中都可以)运行以实现自适应控制。虽然每个例程或回路38A-38N在图2中被示出为被存储和运行(执行)在相同的控制器12中，这些与其相关联的例程和回路可在分离的控制器12以及其他设备例如现场设备中(例如在现场总线现场设备中)执行或实现。
一般来说，在运行时间期间，每个自适应PID控制例程38A、38B等可实现模型切换技术以为在一组不同过程操作点或区域中的每个过程操作点或区域的一个或多个过程模型参数(例如，过程增益、过程死区时间、过程响应时间)确定一组值，从而为过程定义多个过程模型。确定过程模型参数所用于的过程操作点可被过程状态变量的特定值限定或与过程状态变量的特定值相关联，过程状态变量可以是，例如，输入变量、干扰变量、输出变量等。然后自适应PID控制块38将使用这些不同的过程模型以基于由自适应PID控制块38存储并实现的一个或多个整定规则来执行PID控制器整定。当然，这些整定规则可由用户在运行时间期间或在过程控制回路的配置期间选择，自适应PID控制器块38位于所述过程控制回路中(使用应用40)。
更具体地，在过程的操作期间，自适应PID控制块38收集过程数据(包括一个或多个过程输入、输出、干扰等)，并且周期性地或不时地对被存储数据执行适应程序以确定能应用于特定过程操作点或特定过程操作区域的过程模型。过程操作点或区域可由过程状态变量的值或值的范围限定或与过程状态变量的值或值的范围相关联。然后过程模型被存储在控制器12中的存储器中。经过一段时间后，一定数量的过程模型可被确定以用于过程状态变量的不同值。在一些情况下，单个的过程模型可被确定并存储以用于一组预定义的过程状态变量区域中的每一个。可选地，不同的过程模型可被确定并存储以用于在状态变量的全部可能的范围的预定义的过程状态变量值。又一情况下，最大数量的过程模型可被存储以用于不同过程状态变量值，且，当过程模型的最大数量已被确定时，先前存储的过程模型在新的过程模型被确定时可被筛选或排除。
在任何情况下，在整定程序期间，自适应PID控制块38确定恰当的过程模型(例如，对于过程模型的一组过程模型参数的恰当的一组值)来用以基于过程状态变量的当前值和所存储的一组过程模型来执行整定。所选的过程模型(以及，特别地，这个过程模型的过程模型参数值)被整定算法使用以确定一组控制器整定参数，该组参数然后被提供给控制例程并被控制例程使用，直到新的整定程序被执行。在自适应控制器实现区域性过程模型参数调度技术的情况下，自适应PID控制器确定可应用的过程模型参数值作为被存储以用于过程当前正在其中操作的特定的过程操作区域的模型参数值。过程操作区域可由例如状态变量值限定。在自适应控制器实现连续的过程模型参数调度技术的情况下，如被存储的插值函数那样，自适应PID控制器通过基于过程状态变量的当前值在一组被存储的过程模型的参数值之间插值的方式确定过程模型参数值。因此，在一些情况下，对于一组被识别的过程区域中的每个过程区域可确定独立的一组过程模型参数，而在其他情况下，在过程状态变量的全部范围或部分范围上可连续地确定过程模型参数。当过程改变操作状态时，连续调度的过程模型参数的使用有助于整定参数之间更平滑的过渡。
图3描述了可被用于实现此处所描述的自适应控制技术的详细的示例性自适应PID控制功能块38。图3的功能块38包括标为TRK VAL、TRK IN D、CAS IN(级联输入)、BKCALIN(回校准输入)、IN(过程变量输入)、FF VAL(前馈值输入)和ADAP STATE(自适应状态变量输入)的一组输入40。如所示出的，大部分的输入40被直接或间接地连接到PID算法块或例程42，而ADAP STATE输入被连接到自适应整定算法块或例程44，此处也称为自适应整定块44。PID算法块42在此处也被称为PID控制块，其可实现任何希望的PID控制技术，包括例如，反馈/前馈PID控制技术。PID控制块42使用各种输入40，以及由自适应整定块44形成的一组控制器整定参数以产生一组输出46。图3中所示出的输出46包括控制信号输出(OUT)和回校准输出(BKCAL OUT)。但是，如果希望的话，其他输入和输出也可被用于控制块38中。又进一步地，虽然PID控制块42在此处被示出和描述为实现PID控制例程，但替代地，这个块可实现其他类型的控制包括例如，PI控制、PD控制等。
一般来说，自适应整定块44周期性地或因由用户或其他非周期触发器启动而不时地确定一组控制器整定参数值以供块42使用，并将这些整定参数值在过程工厂的在线控制期间提供到块42。这些整定参数值可以是，例如，由块42中的反馈PID控制例程使用的控制器增益(K)、积分时间(Ti)和微分时间(Td)的值。当然，其他的整定参数也可被使用或者替代地，根据被控制块42实现的控制技术的类型而使用其他的整定参数。自适应整定块44包括一个或多个整定规则48，所述规则可以是，例如，被用户或配置工程师选择或配置以基于一组过程模型参数来确定整定被执行的方式。整定规则48可实现，例如，lambda整定、Ziegler-Nichols整定、IMC整定或任何其他以过程特性为基础的整定方法，以从估计或限定过程的当前状态的一组模型参数，确定一组控制器整定参数值。
如图3中示出，自适应整定块44包括用于存储各种数据的存储单元50，所述数据包括过程模型参数值，其可以，例如，依照以下所描述的适应技术来确定。更特别地，不同的模型参数值可被确定以用于过程的不同操作点或区域，且可被存储在存储器50中。此后，在整定程序期间，一组或多组的被存储模型参数值可连同状态变量的当前值一起使用，以确定在当前过程操作点最好地限定过程的特定的一组模型参数值。此被确定的一组模型参数值随即可被用于整定操作中以确定将被提供给控制器的一组控制器整定参数。存储器50还可存储用户可变数据，例如指出用户是否启用了控制块38的自适应整定能力的适应启用参数(adapt enable parameter)。
又如图3中所指出的，控制器块38可基于当前由自适应整定块44使用的过程模型，补偿输入到PID控制算法块42中并由PID控制算法块42使用的前馈变量值(FF VAL)，从而提供更好的前馈控制响应特性。特别地，前馈补偿块52和54可用来动态地补偿被PID控制块42使用的前馈信号以执行控制。分别被示出为死区时间(DT)补偿块和超前/滞后(L/L)补偿块的补偿块52和54可自动地实现前馈整定参数且特别地，可基于由自适应整定块44识别的过程模型来调整在PID控制块42中使用的动态补偿环节和前馈增益。一般来说，自适应整定块44使用过程状态输入变量(ADAPT STATE)启动整定或适应程序，且可使用这个变量来限制给定操作区域或操作点的参数调整的范围。
在一个实施方式中，当包含自适应PID控制块38的控制模块被下载到控制器12时，自适应控制块38中的趋向的参数将被自动地分配给历史记录库(例如，图1的历史记录库14)。当自适应整定参数为它们的缺省值时(即，如由配置工程师或操作员所设定的)，可观察到标准的PID特性。但是，当控制块38的自适应控制特征被启用(如存储器50中的适应启用参数所限定的)且当用户或配置工程师指定了到稳定状态的时间时，那么控制块38中所嵌入的自适应算法可在适应过程模型之后自动更新以改变PID控制器反馈整定参数，例如控制器增益、积分时间(也称为重设)和微分时间(也称为速率)参数，且可改变PID前馈控制器整定参数，例如增益、超前、滞后和死区时间参数，以基于为过程的当前操作区域或操作点在当前识别的过程模型，提供最好的控制响应。然而，在某些情况下，自适应PID实现可基于与过程的当前操作区域相关联的过程模型来设置PID反馈和前馈整定参数，在其他情况下，自适应PID实现可使得整定参数在连续的基础上，即，基于连续调度的过程模型参数，被确定。
但是，在所有情况下，对PID控制块42的调整将基于被识别的用于反馈路径和被选择的整定规则的过程模型。有限的一组整定规则48可被嵌入到自适应整定块44中，且在任何时间所使用的特定整定规则可由用户通过图2的自适应用户接口应用40来选择。
在一个实施方式中，对于前馈控制器增益、超前、滞后和死区时间整定参数的调整可基于在反馈和前馈路径中所识别的过程模型通过以下方式被自动地设定：
前馈超前＝反馈路径(OUT)中用于受控的参数变化的时间常数
前馈滞后＝前馈路径(FF VAL)中用于被测量的干扰变化的时间常数
前馈增益＝-(KL/KM)*修正因子
其中：
KL＝前馈路径中的负载干扰输入的过程增益
KM＝反馈路径中的操作输入的过程增益
修正因子＝值为0.5到1的常数。这个值例如可由用户设定。
前馈死区时间＝DT2–DT1
其中：
DT2＝前馈路径中的负载干扰变化的死区时间
DT1＝反馈路径中的操作输入变化的死区时间
在一个实施方式中，可由自适应整定块40进行的调整的量将受到限制。例如，初始值，即，最初启用适应时的值，的50％作为缺省限制可被用于PID整定和动态补偿参数。当自适应整定被禁用时，PID和前馈整定可自动地被重设为它们的用于缺省操作范围的典型的设置。如果用户希望调整适应限制，用户可使用适应用户接口应用40，通过为整定参数设置典型值，并限定与状态输入参数相关联的处理，来这样做。
在任何情况下，当被启用以执行自适应控制时，自适应整定块44确定一组模型参数值来用以基于过程的当前操作点或区域来执行整定，该操作点或区域可由状态输入变量(例如，图3的ADAP STATE输入)的值限定或表明。基于状态输入变量的当前值来确定一组模型参数的几种不同的常用方法将在下面参照图4-8被描述。但是，应理解，其他的方法可同时被使用或代替地被使用以确定描述过程的一组模型参数，且该组模型参数依照被选择的一组整定规则被用于确定PID控制块38的一组整定参数。
一般来说，被用于此处所描述的整定程序中的过程模型或过程模型参数可以在区域的基础上或在连续调度的基础上被确定。当在区域的基础上确定时，每个过程模型参数的过程模型参数值被确定以用于由过程状态变量值所限定的过程操作的特定区域，且每当过程在指定的区域中时，使用这些过程模型参数值。当过程特性，例如，增益、死区时间、响应时间等在整个特定区域保持相同时，和/或当各种过程区域和这些区域的边缘易于确定或指定时，用于给定过程区域的单个组的过程模型参数值的确定和使用是有用的。区域地确定的过程模型参数值的使用在图4中示出，其描述了沿着x轴的状态变量与沿着y轴的特定的过程模型参数值(在这种情况下为过程增益)关系的图示。在图4的图示中，五个不同的过程区域被相对于状态变量的值示出，这些区域被虚线分开。因此，如图4中所见，过程增益值(G)在与特定的过程区域相关联的所有的点(状态变量x的值)保持相同，但是区域与区域之间有变化。特别地，过程增益值在x1以下的状态变量的所有值上为G1，在x1和x2之间的状态变量的所有值上为G2，在x2和x3之间的状态变量的所有值上为G3，且在x3和x4之间的状态变量的所有值上为G4。在这种情况中，对于x4以上的值的过程增益值未被定义。另外，应理解，状态变量区域不需要有统一的长度。但是，从以下的讨论中应理解，对于特定过程区域所存储的过程参数的值可基于用于首先确定这个过程参数的恰当的值的自适应程序的不同运行而不时地变化。
遗憾的是，在很多情况下，过程特性(例如，过程增益、过程死区时间、过程响应时间等)会在状态变量的相对小的改变时迅速改变。实际上，在很多情况下，过程增益、死区时间、响应时间或其他过程特征的值可几乎连续地在过程状态变量的范围上改变或变化。在这些情况下，基于过程区域的自适应的使用，如图4中所示出的，不是非常有效。反而，使得过程模型参数值能在状态变量的全部可能的范围上连续地变化是有益的，这样，用于整定目的的恰当的过程模型也可基于过程状态变量的当前值而连续地变化。这个技术在此处被称为连续过程模型调度。在这些情况下，自适应控制器有能力获取用于过程的每个新的操作点的新的过程模型参数，这使得整定系统能响应于过程状态变量的值的更小或最小的变化，为PID控制器提供更好的或更准确的整定参数。
实现连续过程模型调度(从而在过程整定期间执行过程模型参数值的连续调度)的一个方法是在用于状态变量的有限组的值中的每个值确定一组过程模型参数值(即过程模型)，并基于状态变量的实际的或当前值在这些模型参数值之间插值。更特别地，如以下的更详细的描述，一定数量的不同的过程模型(每个具有单个值用于一组过程模型参数中的每个过程模型参数)能被单独地确定和存储，其中每个过程模型与状态变量的特定值相关联。如果需要，对于特定状态变量值的过程模型能够使用在下面参照图9-11所描述的模型适应程序来确定。
在任何情况下，为了本讨论，每个确定的过程模型可被称为状态变量空间内的“结”或已知点。图5描述了图示80，其对于单个模型参数示出了，为横跨状态变量空间的范围的五个不同状态变量值(沿着x轴所描绘出的)、对于该模型参数而确定的五个结(82、84、86、88、90)。应理解，对于其他模型参数，关于相同或不同状态变量值的相似的结可能存在但未在图5中示出。另外，与每个结上的模型参数相关联的上限和下限被示出为在模型参数值之上和之下的实心圆。上限被标为“a”值且下限被标为“b”值。因此，模型参数值在结86的上限和下限分别被标为86a和86b。一般来说，与结相关联的上限和下限限定了过程参数可在一个整定周期或横跨任何数量的周期改变成的最大值和最小值，以防止或减少整定周期与整定周期之间整定参数的大范围的变化的产生。如以上所提到的，在每个特定结上的模型参数的值(其中每个结位置与状态变量的特定值相关联)可由过程模型适应程序确定，且因此可基于不同模型适应程序的结果不时地改变。这个效果使得整定系统能够适应可能由过程中的变化的条件导致的过程改变，例如环境温度的变化、湿度变化、长时间使用的设备的老化等。另外，在结位置之间的状态变量值上的模型参数的值可由以下所详细描述的插值技术来确定。
使用以上所描述的结的概念，非线性模型特性定义可被实现或用在整定程序中，在整定程序中，过程的模型参数(例如，增益、死区时间、时间常数)非线性地根据所选的过程状态变量(其可以是过程输入、过程输出或计算的值)和对于预定义的结而存储的模型参数的值来确定。特别地，过程模型参数值可使用至少两个由直线(如图5中所示出)，或更一般地，由非线性曲线相连接的结来限定为线性或非线性的近似。一般来说，将状态变量范围的边缘连接到状态变量范围的每个末端的第一结的线应为水平的或平的，因为在这个区域没有已知信息。
重要地，在确定的结上的模型参数值可基于，例如，对于结的新的模型适应程序的结果而改变(例如，图5中的垂直移动)。这个效应在图5中由结86附近的箭头92示出。另外，在某些情况下，结的确定的位置可基于模型适应程序而改变(例如，图5中的水平移动)。更特别地，对于结被确定的状态变量的值可随时间推移改变或变化。这个效应在图5中由结84的箭头94示出。但是，当重新确定结时，希望限制结可(水平地或垂直地或两者)移动的量。例如，规则可被设立成结的模型参数值不能移动到其界限之外(如图5中所示)，或可选地，不能在单次的移动中移动到其邻近界限之外，以减少过程的操作期间模型参数值的波动。这个限制为帮助保证控制器整定的稳定性提供了保障。
一般来说，限定在结之间的初始的过程模型参数插值曲线可以是平的，例如，在为初始整定参数而计算的模型参数水平上。在这种情况下，用于单个确定的结的模型参数将在状态变量的区域上应用，直到更多的结被确定。在过程的操作期间，另外的结随后被确定且被存储以用于所述过程，且这些另外的结影响或改变在整定程序期间使用的模型参数的值。
更特别地，在整定例程的初始化中，可能(1)设定预定义数量的，例如，等距的结，并允许结的位置和模型参数值中的任一个或两者都在适应期间被更新，或者也可能(2)随着适应的进行创建结，直到某最大数量的结，且然后在那个点之后，在每次新的适应之后更新结位置和参数值。在这两种情况下，对于状态变量的特定值的特定过程模型参数，通过在关于当前过程状态变量值的被存储的邻近结的过程模型参数值之间插值来确定。
为防止控制器整定的频繁变化，任何两个相邻接的结之间的线或区域可被划分为若干个(例如，五个)相等的段(section)。当然，段数可根据，例如，两个相邻接的结之间的参数梯度(较高的梯度通常导致更多的段)、结之间的距离等来调整。这个概念在图6中示出，在图6中结82和84之间的空间被划分为五段，如虚线所示出的。这里，结82和84周围的缺省段是对称的且可以是双倍的大小(即，在两个方向上相对结的距离大小相等)，而其他段为相等间距。当这种类型的网格被使用时，新的控制器整定程序仅当状态变量改变得足够从一个子段达到另一个子段时才实现。这个约束实质上需要状态变量有大于最小变化的变化以启动新的控制器整定程序，其防止控制器基于结位置间插值函数的使用、响应于状态变量值的小改变或小变化而再整定。
如果需要，结段可在两个方向上延伸以完成插值曲线对自适应结果的更好的拟合。例如，在图6的第一结段和最后结段的模型参数值从结位置上至(或下至)状态变量界限时保持不变。当状态变量进入新的段或子段时，自适应控制器基于这个段或子段确定新的过程模型参数值，基于这些过程模型参数值确定新的控制器整定参数，并保持这些整定参数不变直到状态变量进入图6的下一个段或子段。
一般地，希望配置整定系统以使得结上的模型参数值在结中的至少一个结被标为被适应之前不被应用或用于整定例程中。在状态变量在两个结之间，且两个结中只有一个结被标为已被适应的情况下，被适应的结的值可被用于整定程序中。在状态参数在未被适应的结之间的情况下，在状态变量值的每侧的最近的被适应的结的值可在整定程序中被应用或使用。这个技术保证了当结中的一些或全部尚未接收到基于实际的适应程序的模型参数值时，最近的被适应的结的模型参数值被用于整定中。
重要地，特定的适应程序将使用在一定范围的状态变量上所获取到的数据。尽管这个范围可包括一个或多个结，将典型地收集与所述结不一致的状态变量值的数据。更特别地，在任何特定的适应程序中使用的过程变量测量值(输入、输出、干扰参数等)将被测量以用于或将被关联于状态变量的各种不同值。但是，任何特定适应程序的结果被看作是仅与一个状态变量点相关联。确定适应程序的结果所关联到的特定的状态变量点的一种方式是使用中间状态变量值，即，在适应程序期间所记录的或适应程序中使用的最高和最低状态变量值之间的中点。在这种情况中，特定结的状态参数值，如适应程序运行所形成的，可被确定为：
xs＝(max(si)–min(si))/2
其中：xs为与适应结果相关联的状态变量值；
si为在适应程序期间所使用的状态参数值。
当然，确定与特定的适应程序相关联的状态变量值的其他方式也可被使用，包括例如，状态变量值的平均值、状态变量值的中位值等。
如果需要，以下程序可被用于更新模型参数，作为适应程序的结果。
(1)如果在适应期间限定的适应状态参数在现有的结上或在现有的结附近，那么使用适应结果来更新所述结上的模型参数值。此后，使用插值函数来确定在邻近结之间的模型参数值，所述插值函数使用被更新的结参数值来应用。
(2)如果适应状态参数值在两个结之间，那么用新适应的模型参数值来更新最近的结上的模型参数值，且使用插值函数来更新或确定在所述结之间的状态变量值上的模型参数值。
(3)当应用可选的灵活的结位置方法时，每个适应程序限定结位置，且结上的模型参数值被存储直到被存储的结达到最大数量。在这之后，当新的适应程序发生时，新的适应程序限定新结，且现有组的结通过例如移除一个旧的结而被剪枝或筛选。被选的用于移除的结可基于任何数量的标准来选择，包括结上的模型质量，结上的模型被适应的时间(即，模型在结上的“寿命”)，以及结与其他结的临近程度(proximity)。在最后一种情况中，通常更希望删除具有较高结密度的区域中的结，而不是删除具有较低结密度的区域中的结。在由以上的可选项(2)和(3)限定的情况下，可希望定义一种函数，该函数移动结以改进结之间连接线对新的适应结果的拟合。
图7中示出了更新结位置或特定结位置上的过程模型参数值以及定义在结之间使用的插值函数的一个方法。在图7中，处于其他两个现有结位置x1和s2之间的新结位置xs的模型参数值ys被确定。在这种情况下，新的结信息可被用于更新或改变要被使用的插值函数以确定结位置x1和x2之间的模型参数值，和/或更新或改变结x1和x2的被存储的模型参数值。特别地，为了基于新的结结果ys更新在结x1和x2之间使用的插值函数并更新为结x1和x2存储的现有模型参数值y1和y2，新的结位置上的模型参数值ys和新的结位置上的模型参数的插值y(i)之间的差被确定。这个差随即可被用于确定可在结x1和x2之间使用的新的插值曲线以获得对于被适应的值的更好的拟合，以及改变在结x1和x2的被存储的y1和y2的值以便获得对于数据的更好的拟合。
这里的y(i)可使用线性插值曲线来确定，所述线性插值曲线定义了两个结点[x1,y1；x2,y2]之间的直线：
其中：
x1，x2-最近的结位置或可选结之间的段边缘的位置；
xs-新的适应状态变量值；
y1，y2-在结x1和x2上的模型参数值；
y(i)-在结x1和x2之间的被插值的参数值；以及
ys-结之间的被适应的模型参数值。
作为可选项，非线性插值反曲函数(non-linear interpolation sigmoidalfunction)可用来提供更好的拟合。
反曲函数的一般形式是：
其中a为限定函数形状的参数。对于a≤3的值，f(x)非常接近线性插值，而对于a＞3的值，反曲函数如图8中所示出显然为非线性的。对于结之间的插值模型参数值，反曲函数可表示为以下形式：
对于广泛的非线性度，处于3＜a＜20之间的值a调整得很好。
这里，
且被适应的值和插值之间的差为：
Δy＝ys-y(i)
使曲线与数据相拟合，即，确定a的最佳值以降低Δy，可通过解一组最小二乘线性或非线性拟合方程来进行。但是，对于过程控制器计算资源来说，在控制块中执行这个功能通常太复杂，因为其需要过多的时间和计算量。但是，使用一种或多种简化的技术来改进插值拟合是可能的。
在一个这样简化的方法中，可相继完成两个调整以获得更好的拟合。为了非线性拟合通过如以下方式改变插值函数的参数a来执行第一个调整：
anew＝max{a+sgn[Δy(xS-b)]*λ,3}
其中λ为可调整的滤波因子且0＜λ＜1，且最终：
anew＝min{anew,20}
在第一个调整之后，如果|Δy|≤Δymin则拟合生效，否则，执行第二个调整。在这个程序中，Δymin通常被试探性地设定为模型参数值的大约5-10％。如果第一个步骤不足够，则为了线性和非线性拟合执行第二个调整。在确定anew的值之后，邻接的结上的模型参数值可按如下方式被再计算：
可选地，插值可被应用于改变结上段的尺寸，对于线性的和非线性的适应两者均可。结位置上的段的尺寸的改变在这样的方向上完成，以使插值曲线更接近新的状态变量位置上的被适应的值。当然，确定新的插值函数和结位置值的其他方式也可被使用。
虽然图5-8示出了为特定过程模型参数，在本例中为过程增益而确定的一组结的存储和使用，应理解，为用来执行控制器整定的过程模型的每个其他过程模型参数也可以或将确定并存储类似的一组结。因此，例如，为在整定例程中使用的每个其他过程模型参数，例如过程死区时间和过程时间常数能够确定与图5-8中为过程增益模型参数所示出的结相类似的一组结(具有相关的模型参数值)。另外，虽然在相同结位置上(即，在相同的状态变量值上)可存储每个过程模型参数的过程模型参数值，每个不同过程模型参数的结可以可选地被单独地确定并存储，并可因此被确定以用于每个不同的过程模型参数的不同过程操作点。因此，过程增益结可被确定并存储在第一组过程操作点，而过程死区时间结可被确定并存储以用于不同组的过程操作点，而过程时间常数模型参数可被确定并存储以用于又一不同组的结位置。又进一步地，可在任何特定的时间为一个或多于一个的过程模型参数执行此处所描述的过程模型确定步骤。例如，可基于单组的过程数据为两个或多个过程模型参数确定新的过程模型参数值，且因此用于相同的过程操作点，或者一个过程模型参数的新值可根据或使用不同于另一个过程模型参数的数据而单独地被确定，允许这些不同过程模型参数的值在不同的结位置(即，在不同的过程操作点)被确定。
图9-11示出了可被用于快速确定一组模型参数的适应方法和系统，所述一组模型参数描述在如状态变量所限定的特定的过程操作点或操作区域的过程的操作。特别地，图9示出了用于控制过程110的示例性自适应反馈/前馈(FB/FC)PID控制器100。反馈/前馈(FB/FC)PID控制器的一般操作已被本领域技术人员所熟知。例如，见F.G.Shinskey的ProcessControl Systems：Application,Design and Tuning,第4版,McGraw-Hill,New York,1996。更特别地，图4中示出的自适应控制器100(其可由图3的控制块38部分地或全部地实现)包括PID控制器112和分离的前馈(FFC)控制器114，所述PID控制器112包括反馈(FBC)控制器。这两个元件可由图3的PID控制块42实现。
过程控制器100可参考以下项被方便地描述，即：FBC输入节点116、FBC输出节点118、过程输入节点120、过程输出节点122、前馈控制器(FFC)输入节点124和误差节点126。采用本领域技术人员所熟悉的方式，过程设定点信号SP被施加于FBC输入节点116的第一输入，其由数字116a表示。FBC输入节点116的输出116b耦合到PID控制器112的输入112a。PID控制器112的输出112b耦合到FBC输出节点118的第一输入118a。FBC输出节点118的输出118b耦合到过程输入节点120的第一输入120a。过程输入节点120的输出120b耦合到过程110的第一输入110a。过程110的输出110b耦合到过程输出节点122的输入122a。过程输出节点122的第一输出122a反馈到FBC输入节点116的第二输入116c。过程输出节点122的第二输出122c耦合到误差节点126的第一输入126a。图9还示出了到过程110的可被称为例如u(t)的输入信号以及过程110的可被称为y(t)的输出信号。严格地说，u(t)和y(t)是关联于过程而发生的物理现象的电学表示。另外，干扰信号d(t)出现在FFC输入节点124的输入124a上。干扰信号d(t)从FFC输入节点124的第一输出124b耦合到FFC114的输入114a，且从FFC输入节点124的第二输出124c被传送到过程110的第二输入110c。FFC114的输出114c耦合到FBC输出节点118的输入118c。干扰信号可以是例如图3的前馈信号(FF VAL)。
本领域普通技术人员将容易理解以上所描述的示例性反馈/前馈PID过程控制系统的形式和设计。图9中所示出的另外的功能性组件描述了示例性自适应反馈/前馈PID控制器，其可以在例如图3的自适应整定块44中实现。具体地，模型组部件128包括分别耦合到干扰信号d(t)和过程输入信号u(t)的信号输入128a和128b。模型组组件128的构成是一组代表过程110的数学模型。模型组组件128的输出128c耦合到误差节点126的输入126b。误差节点126的输出126c耦合到模型评估组件130的输入130a。模型评估组件130包括模拟器(未示出)，其可以是软件程序，其模拟如由模型组组件128所传递的过程参数值所限定的过程110。模型评估组件130还包括定中心例程(未示出)以通过定义数值偏移和基于所述数值偏移对用于下一次评估的模型再定中心，来计算和补偿参数评估偏移(parameter estimateoffset)。模型评估组件130的输出130b耦合到参数插值器组件132的输入132a和管理器组件134的输入134a。参数插值器132的输出132b耦合到模型组组件128的输入128d，且参数插值器132的输出132c耦合到控制器更新组件136的输入136a。控制器更新组件136具有耦合到FBC112的第二输入112c的第一输出136b，以及耦合到FFC114的输入114b的第二输出136c。以下是对组件128、130、132、134和136的操作和意义的深入描述。
在操作中，包括组件128、130、132、134和136的示例性自适应反馈/前馈PID控制器一般如以下所讨论地操作。自适应反馈/前馈PID控制系统由模型组128中的模型在数学上进行描述。模型组128中的每个单独的模型由预先确定的参数所限定，期望所述参数以有限的方式复制过程110。一般地，模型组128中的每个模型可由一定数量的参数m来限定，且每个参数可可被分配一定数量的值n。因此模型组128中的模型的总数等于N，其中N＝mn。在示例性的实施方式中，模型可以以参数死区时间(DT)、时间常数(Tc)和增益为特征。另外，在一个例子中，每个参数被假定为被分配有三个值中的一个值：死区时间＝DT+、DT、DT-；时间常数＝Tc+、Tc或Tc-；以及增益＝Gain+、Gain和Gain-。因此，能够在数学上近似过程110的模型的总数为N＝33＝27。每个模型将被个别地称为Modi，其中i＝1，…，27。
在模型评估扫描(此处也被称为适应程序)启动时或启动之前，参数插值器132为模型组组件128提供一组预先确定的初始化参数值。而且，如果三个参数DT、Tc和Gain被假定，且如果每个参数具有三个预先确定的初始化参数值，参数插值器132将为模型组组件128提供九个参数值。参数值可以任何已知的方式建立，且在控制器设计的判断下建立。一般地，在适应循环的开始，写入到模型组128的模型参数值是以最近的适应循环期间所计算的自适应参数值为基础的。响应于所述九个参数值，并在管理器134的控制下，模型组组件128总共构造27个模型，Modi，其中i＝1，…，27。管理器134在模型评估扫描期间相继地选择和激活模型Modi并将通过输入128b接收的过程输入u(t)施加到激活的模型Modi。然后所得到的激活的模型Modi的输出通过模型组输出128c被传输到误差发生器节点126。
图9A图示地示出了示例性模型组128，其包括状态变量Si，如以下更详细的描述，其可被配置为包括多个区域或可代表状态变量的特定值。状态变量Si，其中i＝1，…，n并且n表示定义的状态的数量，表示了所测量到的、描述与测得的过程输入-输出相关联的增益或动态的过程干扰。状态变量Si一般基于过程变量，所述过程变量除此之外可以是干扰信号d(t)中的变化、设定点SP、由激励发生器138产生的信号和/或任何其他过程输入或输出。状态变量Si可在在模型组128中运行的状态形成例程中被形成为过程变量d(t)、u(t)、y(t)、Y(t)、e(t)和SP中的一个或多个的函数。应注意到，只要状态形成例程可以访问感兴趣的被存储的或实时的过程变量，状态形成例程可在控制系统的任何组件或子组件中被执行。状态变量Si还可进一步被预先确定或包括用户定义的值，所述用户定义的值用于一般地描述模型Modi可能被分组到的范围或区域。
当被划分成多个区域时，由状态变量Si限定的区域可包括多个预先确定的初始模型参数值以表征所述区域的典型操作。在控制器设计程序期间，可建立被限定的区域以保证模型Modi在状态变量的整个范围内保持基本不变。在操作中，且在开始适应循环之前，当测得的过程干扰从第一状态(例如，S1)变到第二状态(例如，S2)时，与状态S1相关联的参数值可立即和与状态S2相关联的参数值互换。应用那些模型参数值来再整定PID控制器提升了特定区域内的PID控制器12和/或前馈控制器14的性能。
图9B示出了自适应反馈/前馈PID控制器的操作的示例性流程图。如以上所讨论的，在控制器的初始设置和设计期间，状态变量Si的范围可被限定，如块140中所示。总的状态范围可被考虑作为一个范围，过程变量或测得的干扰输入的变化可被预期在该范围内经历。而范围Si为过程模型被确定为基本不变或可预知的总范围的区域。由激励发生器138引起的干扰输入的变化，干扰信号d(t)和/或设定点SP随后被测量，如块142中所示。如块144中所示，过程变量中的被测量到的变化随后与当前范围Si相比较以确定干扰输入是否在被选区域中。如果干扰输入在被选区域中，过程继续测量干扰的变化。但是，如果干扰输入在新的范围Sj之内，那么状态Sj的初始参数值被反馈控制器112和/或前馈控制器114装载和使用，如块146中所示。
对于每个范围或状态Si的被限定的初始或典型的参数值可基于在所述范围中测量或计算的平均参数值，或者它们可由控制器设计者手动地输入。典型的参数值还可以进一步连同最大变化或delta值一起被用作参考值，以限制所计算的参数值在任何给定的适应循环中所经历的可允许的改变的量。以另一种方式来说，控制器设计者可定义最大改变值以限制响应于不规则的干扰信号所计算出的参数值的减少和/或增加。在实现带有状态Sj的初始参数的控制器后，适应循环可被执行，如块148中所示。如以下更加详细的描述，适应循环148通过确定响应于过程110的被测出的变化的自适应参数值来定制模型Modi。
再参考图9，由变量Y(t)标识的模型组组件128的输出信号和由变量y(t)标识的过程110的并行输出被传递到误差发生器节点126。误差发生器节点126的输出126c，误差信号e(t)，耦合到模型评估组件130的输入130a。误差信号e(t)为过程输出y(t)和模型Modi的输出Y(t)在时间t的差。采用以下所解释的方式，模型评估组件130计算与每个模型Modi相对应的模型平方误差并将模型平方误差分配给模型Modi中所表示的参数值。
模型评估器130的输出130b被传送到参数插值器132的输入132a。参数插值器132为模型Modi中所表示的参数计算自适应参数值。参数插值器132的输出132b耦合到模型组128，且参数插值器132的输出132c可耦合到控制器更新组件136的输入136a。输出136b被施加到PID控制器112且输出136c被施加到前馈控制器114。在适应循环完成时，控制器更新组件136将自适应参数值传送到PID控制器112和前馈控制器114。图9还示出了具有耦合到输入节点116的输入116d的输出138a的激励发生器组件138。激励发生器138包括耦合到过程输入节点120的输入120c的输出138b。
管理器组件134具有分别耦合到过程输入信号u(t)、过程输出信号y(t)和干扰信号d(t)的多个单独的信号输入134b、134c、134d。管理器组件134还包括耦合到模型评估组件130的输出130b的输入134a。管理器134包括耦合到参数插值器组件132的第一控制输出134e、耦合到模型评估组件130的第二控制输出134f以及耦合到控制器更新组件136的第三控制输出134g。除了执行其他功能外，管理器组件134还运行以检测过程输出y(t)的变化、来自PID控制器112的过程输入u(t)的变化以及干扰(前馈)输入d(t)的变化。当这些信号y(t)、u(t)和d(t)中的任何信号的幅度的变化超过预先确定的最小值或阈值水平时，管理器134启动适应循环。管理器134通信地连接到控制系统的各种元件128、130、132、136、138和124，如图9中的虚线所示，且因此能够确定运行在控制系统中的单个元件的状况。模型评估的示例性的实施方式可包括以下步骤：
(1)模型状态的识别和启动；
(2)模型启动和模型输出到当前过程输出的调整；
(3)基于u(t)和/或d(t)信号的说明的模型的增量更新以及
(4)模型平方误差或其他范数例如误差的绝对值的计算。
具体地，反馈/前馈PID控制器的适应的过程是基于插值技术在模型参数值上的应用的。在设备的这个示例性实施方式中，对于扫描中的每个模型的模型平方误差Ei(t)可由以下方程定义：
Ei(t)＝(y(t)—Yi(t))2 [方程1]
其中：
y(t)为在时间t的过程输出，
Yi(t)为模型Modi在时间t的输出，
Ei(t)为可归因于Modi的平方误差，以及
E(t)＝[E1(t),…,Ei(t),…,En(t)]为Modi的平方误差向量，其中在时间t时i＝1,…,N。
假设参数值表示在被评估的Modi中，则模型平方误差Ei(t)被分配给模型Modi的每个参数值。如果指定的参数值在被评估的模型中没有表示，则该参数值可被分配零值或空值。迭代地，Modi+1被评估，且计算被评估的模型的模型平方误差Ei+1(t)。计算得的模型平方误差被分配给Modi的每个参数值。随着在每个模型评估期间Ei(t)被计算，且被分配给各个模型中所表示的参数值，对于每个参数值保持累积的总的被分配的模型平方误差。过程评估迭代进行直到所有的模型，i＝1,…，N都被评估为止。每个模型Modi都被评估一次以及相应的模型平方误差Ei(t)被计算的完整的序列被称为模型扫描。作为这个评估的序列或模型扫描的结果，每个参数值分配了来自使用指定参数值的所有模型的平方误差的和。因此，作为每个模型扫描的结果，每个参数值，pkl，其中k＝1,…,m且l＝1,…,n，将被分配如下的范数：
其中：
Epkl(t)为作为扫描t的结果分配给参数值pkl的范数，
N为模型的总数，以及
如果参数值pkl被用于Modi中则Xkl＝1，而如果参数值pkl未被用于Modi中则Xkl＝0。
评估过程在下次扫描中被重复，且由在扫描期间被分配的平方误差Ei(t)的和得到的范数Epkl(t)与先前扫描期间计算出的范数值相组合。模型扫描的重复序列统称为适应循环，并在管理器134的控制下继续，例如，直到完成预先确定的扫描的次数，或直到发生对于过程输入的足够次的激励，无论哪种情况被先满足都可以。
这个程序的结果是，每个参数值pkl分配了在适应循环期间被确定的范数的累积值：
[方程3]
在适应循环的末尾，为每个参数值pkl计算总和的倒数：
[方程4]
由于Fkl是模型平方误差的和的倒数，变量Fkl可被直观地看作对参数值的拟合度(fitness)的测量。然后，对于每个参数pk，都计算出自适应参数值pk(a)，pk(a)为这个参数的所有值的加权平均：
pk(a)＝pk1*fk1+...+pkl*fkl+...+pkn*fkn，[方程5]
其中：
相对拟合度[方程6]
sumFK＝Fk1+...+Fkl+...+Fkn
[方程7]
因此，每个因数Fkl可被视为对应于各个参数值的归一化的拟合度。
如以上所计算的自适应参数值定义了新的模型组，具有在设计中待假定的中心参数值pk(a)，k＝1,…,m，以及在上界和下界之间的参数值的范围。变化的范围限定为+Δ％到-Δ％，且应由两个或多个另外的参数值表示。例如，如果适应循环产生自适应参数值pk(a)，那么就有必要为新的模型评估限定至少两个另外的假定值pk(a)[1+Δ％]和值pk(a)[1-Δ％]的参数。也就是说，每个参数为适应限定了上界和下界，以使得值pk(a)受边界值的限制。在模型被更新之后，也就是，适应循环的完成后，控制器更新可基于被更新的pk(a)，k＝1,…,m模型参数值而发生。当预先确定的最小激励水平被实现时，适应可被应用到整个模型或被限于模型的PID/反馈或前馈部分，例如，关联输入与输出的模型的部分。另外，当在控制系统中发现不充足的激励的故障时，外部激励可经由在管理器134的控制下运行的激励发生器138被注入到反馈回路中。
模型适应还可采用顺序方式实现，例如，可以是DT的单个参数值可被适应，同时其余的参数(例如，Tc和Gain)保持不变。采用这种方式，每个参数可被适应同时使其余的参数保持不变，所述其余的参数可能或可能未在先前的适应循环中被适应。顺序适应方法有益地提供了所希望的自适应参数值pk(a)的快速收敛。
图10示出了包括对于反馈和前馈控制回路的一阶加纯滞后过程模型的示例性自适应参数插值程序。对于这个特定的例子，假设为每个参数定义了三个值，且适应范围在一个循环中被预先确定为(+Δ％)到(-Δ％)。那么对于每个过程输入u(t)和干扰d(t)，都遇到图11中所描绘的模型组。在图11中：
DT为死区时间参数的中心值；
(DT-)为(DT-Δ％)；
(DT+)为(DT+Δ％)；
Tc为时间常数参数的中心值；
(Tc-)为(Tc-Δ％)；
(Tc+)为(Tc+Δ％)；
Gain为增益参数的中心值；
(Gain-)为(Gain-Δ％)；以及
(Gain+)为(Gain+Δ％)。
由图11的设置得到的切换组合的数量为3x 3x 3＝27。但是，如果图10的模型中的两个输入都被用于适应，切换组合的数量增加到272＝729。这些模型组合虽然数目相当大，但每个参数只需要三个值，这简化了模型计算。简化的模型计算被实现，因为控制器适应由参数估计驱动而不是由模型估计驱动。因此，有必要基于反馈回路中的九个参数值和前馈回路中的九个参数值来执行适应。因此，在此处所公开的适应程序中所评估的参数的数量与参数的数量成比例地变化，与在现有技术模型评估技术中所经历的成指数的变化形成对照。
可通过控制参数值被赋予模型的顺序来限制计算需求。例如，有记忆的参数例如死区时间可在无记忆的参数例如增益之前被赋予。因此，如图11中所示出的示例性顺序为死区时间(DT)、时间常数(Tc)，然后是增益。
在将每个模型输出与当前过程输出比较之后，可建立平方误差和的表格。在适应循环完成后，可计算每个参数的自适应参数值，如表1中所示。
一旦模型适应循环完成，且依照以上的表1建立了自适应参数值，控制器更新就通过控制器更新组件136的操作受到影响。基本上，控制器更新组件136将新计算的自适应过程参数值pk(a)映射到整定参数的更新值，所述整定参数表征PID控制器112和/或前馈控制器114。例如，过程参数DT、Tc和Gain可使用任何希望的或被选的整定规则被映射成控制器参数Reset、Rate和Gain。因为描述了完整的一阶加纯滞后过程模型，任何已知的整定规则可被应用，包括Lambda或NC整定。对于前馈路径，动态前馈控制器设计方程已被示为可用的：
[方程8]
其中：
Gff＝前馈控制器传递函数，
Kd＝前馈过程动态的静态增益，
Ku＝反馈过程动态的静态增益，
Kd/Ku＝前馈控制器增益，
Td＝前馈过程动态的时间常数(其被应用为前馈控制器滞后)，以及
Tu＝反馈过程动态的时间常数(其被应用为前馈控制器超前)。
总的来说，以上所描述的自适应反馈/前馈控制器代表了可扩展过程控制系统中的自整定技术的实质性的增强，这是通过确定限定过程模型的模型组(包括模型参数的特定值)来实现的，所述过程模型可应用于在特定过程操作状态或区域整定过程。
尽管以上所描述的模型参数适应方法是关于意图解释和说明本发明的特定的示例性实施方式来描述的，但是此处所公开的自适应反馈/前馈控制器不限于那些实施方式。各种修改、改进和增添可被本领域技术人员实现。例如，如以上所描述的，控制器适应的依据是用于构建处于控制下的过程的数学模型的参数的统计插值。尽管过程以三个参数DT、Tc和Gain为特征，且那些参数中的每个被分配三个值，所公开的自适应反馈/前馈控制器显然可延伸到其他、和/或不同数量的参数，每个参数可能包括有不同数量的被分配的值。另外，模型评估和参数插值被示出作为如模型组128、模型评估器130、管理器134、参数插值器134和控制器更新136所标识的单个组件。本领域技术人员应理解对于负责控制器实现和运行的组件来说单个组件的分离是可自由支配的。类似地，所公开的系统的功能易受到通过硬件或软件中任一种或硬件和软件两者的组合的实现影响。
因此，应理解，以上所描述的适应程序可被应用于在各种不同过程操作点整定PID控制器，所述过程操作点可由到控制器的状态变量输入来确定或限定。即，PID控制器可在过程的不同操作点被不同地整定，因为过程的模型(例如过程特性，例如死区时间、时间常数等)可在过程的不同操作点有所变化。一般来说，过程的操作点可通过一个或多个过程状态变量的值来限定或测量。当这个变量改变时，图3的适应单元44可识别变化并对于过程模型实现新的整定程序，以整定控制器算法块42，以提供与该过程操作点或区域相关的更好控制。
更特别地，在操作期间，图3的自适应整定块44可使用适应程序，例如以上所详细描述的适应程序，来为一组不同过程操作点或过程操作区域中的每个过程操作点或过程操作区域确定一组模型参数。在一些例子中，一定数量的不同过程区域中的每个过程区域可被定义为状态参数的值的范围，且对于每个这样的过程区域可确定一组过程模型参数值。可选地，对于一定数量的特定过程操作点中的每个操作点可确定不同组的模型参数值，并且这些过程模型参数可被存储在控制器38中作为模型组。
因此，应理解，通过在不同点(状态参数的值)进行过程测量并对于这些测量的结果执行模型参数适应程序，例如以上所描述的适应程序，以基于所收集的数据来确定最适用于所述过程操作区域或点的单组模型参数，特定的适应程序可确定最适用于特定过程操作区域或特定过程操作点的一组过程模型参数。当然，经过一段时间后，适应程序可基于新收集的数据被重新运行以为特定的过程操作区域或过程操作点确定新的一组模型参数值，且这些新的值可被用于更新或再整定控制器。如上所述，对于每个不同过程区域可存储单组的模型参数，且这些模型参数值可在过程的操作期间中的不同时间，例如当过程如状态参数的值所确定的从一个区域移到另一个区域时，被用于再整定控制器。可选地，一组模型参数可被存储以用于各种不同过程操作点，而不限定任何特定区域，且用在任何特定过程操作点的这组过程模型参数可使用例如插值来从被存储的组的模型参数确定。
图12-15示出了依照以上所描述的概念的可通过图1或图2的控制器12和/或通过图3的控制功能块38来实现，以执行整定程序和适应程序两者的示例程序。图12示出了整定程序或整定例程200，其可由图3的功能块38且特别地由图3的自适应整定块44来实现，以实现整定程序。在块202，例程200确定被传递到功能块38的自适应状态输入的状态变量是否有改变。如果状态变量没有改变或只有极小的改变，控制返回到块202以进行下一个执行循环。但是，如果块202检测到状态变量有改变，例如，改变超过某个极小量(这个限制防止实施过激的整定或响应于噪声的整定)，块204确定状态变量是否改变足够大以至于移到了不同的状态变量范围的区域或子区域。所述区域可以是与图4相关联的预先确定的区域，而子区域可以是与图6中所描绘的子区域相关联的子区域。在基于区域的模型参数确定系统中，块204可确定状态变量的改变是否导致状态变量从一个预先限定的状态变量的区域达到了状态变量的另一个区域，而在连续调度的模型确定系统中，块204确定状态变量是否有足够的移动以对确定新的模型参数进行授权。在两种情况中，如果块204确定状态变量没有足够于在区域或子区域之间移动的改变，那么控制返回到块202，以在控制器的下一个执行循环中执行。
但是，如果新检测的状态变量进入了新的区域或子区域，块206基于对于一组或多组的被存储的结先前确定并存储的模型参数，确定可应用于该区域、子区域或操作点的新的模型参数。确定对于过程的这样一组模型参数值的一个可能的方式将关于图13在以下被详细描述。在块206确定或获取了用于新的区域、子区域或操作点的一组模型参数值后，块208使用所确定的模型参数值和可应用的整定规则(例如如图3的块48中所存储的)来确定一个或多个新的控制器整定参数值，例如对于控制器增益参数、重设参数和速率参数的新值。当然，在任何特定的情况下确定的特定的控制器整定参数将依赖于所应用的整定规则。另外，如果前馈适应正被执行，块208可确定将被提供到图3的块52和54的对于死区时间和超前/滞后时间的动态补偿。如先前所述，块52和54基于被提供到控制器算法块(例如，被提供到图3的块42)的前馈输入信号来执行前馈控制。
在图12的块210，适应整定块44用新的控制器整定参数来更新PID控制器42，使用可应用的整定规则和所确定的一组模型参数值来确定所述参数，以用于反过来由当前状态变量值限定的当前过程操作区域、子区域或点。另外，如果合适，块210提供新的死区时间和超前/滞后时间给前馈回路(例如图3的块52和54)以同样执行前馈控制器适应。此后，控制返回图12的块202，在后面的控制器执行周循环重复整定程序。
确定对于当前操作区域、子区域或点的一组模型参数值的块206的一个可能的操作将关于图13被更加详细地描述。为了进行这个分析，块206可执行如图13中所示的例程220以基于状态变量的当前值来确定适当的一组模型参数。例程220包括块222，该块确定状态变量是否在被适应的结位置(当使用连续模型参数确定技术时)或状态变量是否在特定的操作区域。当状态变量在被适应的结上或在由被适应的结所限定的子区域中时，块224获取当前与被适应的结相关联的一个或多个模型参数值，并返回那些模型参数值作为将被用于确定控制器整定参数的模型参数值。
但是，如果块222确定状态变量不在被适应的结上或不在与特定的被适应的结相关联的子区域或段内，块226通过确定状态变量输入是否在与两个先前确定的被适应的结位置相关联的状态变量值之间的方式来确定状态变量是否在两个被适应的结之间。如果当前的状态变量值不在两个被适应的结之间，但是例如在被适应的结和状态变量范围的末端之间，或者因为当前仅存在有一个被适应的结，块228获取最近的被适应的结的模型参数值并用这些值作为特定区域、子区域或点的模型参数值。当然，如果因为还未对于过程执行适应程序而没有被适应的结被存储，或者如果没有被适应的结存在于特定的预定义的区域，则块228可确定应替代地使用当前组的控制器整定参数，且可返回那些参数或表明那些参数应被PID控制器42使用。这个操作防止了基于一组空的结或基于一组未被适应的结或基于不可应用于特定的预定义区域中的结的整定。
再参考图13，如果块226确定当前状态变量值在两个被适应的结之间，则块230对于这个区域使用先前确定的插值函数在与两个最接近的被适应的结(在状态变量值的任一侧的一个)相关联的模型参数之间插值，从而确定对于当前操作区域、子区域或点的模型参数的值。如以上所述，插值函数可以是线性的或非线性的插值函数。然后块230基于被适应的结之间的插值函数返回这些新的模型参数值作为用于图12的例程200的模型参数值。
现参考图14，例程300可在由图3的自适应PID控制器功能块38的自适应整定块44执行的过程控制活动的操作期间实现适应程序。例程300的块302为一组预先确定的过程变量存储各种测量结果，包括例如，对于一个或多个过程参数的各种过程输入数据、过程输出数据、干扰数据等，应理解这个数据将用于检测过程操作点的变化以及确定对于过程的不同结或不同区域的模型参数值。块304基于所收集的数据确定是否适合运行适应程序。一般地，当对于特定过程区域或点收集了足够的数据时适应程序可被运行以执行适应，且通常最好在运行适应程序之前等待直到过程达到稳定或稳恒状态的条件。但是，另外，当过程明显改变其操作点时，例如过程响应于例如设定点改变、过程干扰等，在各种预先确定的过程区域之间改变或明显地改变操作点时，适应程序可被运行。当然，可检查各种不同的标准以确定所收集的数据是否足够来运行适应程序。如以上所述，当所收集的数据表明经过特定时间段后一个或多个过程输出或过程输入的显著改变，或当数据表明过程已达到新的稳态操作点时，适应程序可被运行。
如果块304确定没有收集到足够的过程数据，或者过程操作点的改变不足以实现适应程序，则块306可确定是否适合启动过程打乱(Process upset)以便于能够收集运行适应程序必要的过程数据。块306可以，例如，确定从上一次适应程序运行起是否已过了足够长的时间段，或者过程处于稳定状态是否已达到足够长时间段以打乱过程。如果块306确定打乱过程以运行新的适应程序是不适时的或没有必要的，控制返回到继续收集过程数据的块302。或者，如果块306确定打乱过程以运行新的适应程序是适时的或有必要的，则块308使得控制器块42(图3)通过改变过程控制信号以启动正被监测的一个或多个过程变量的改变来启动过程打乱并收集必要的过程数据以运行适应程序。当然，在打乱过程以迫使正被监测的一个或多个过程参数改变的程序期间，数据被块302收集以执行适应程序。在过程打乱结束时，数据收集块304即可确定已经到实现适应程序的时间了。
当块304基于先前收集的数据确定运行新的适应程序是适合的时，块310执行过程模型适应以确定新结，即，与特定的结位置相关联的新的一组模型参数值。块310可实现以上关于图9-11所描述的模型参数适应程序，以确定最好地模拟在特定过程状态变量的过程的适当的一组过程模型参数。当然，其他的适应程序可被同样地或者替代地实现，以确定与状态变量的特定值相关联的过程模型参数值。
在块310执行适应程序之后，块312更新对于先前存储的结的被存储在自适应整定算法块44(图3)的结存储器中的结值，或者存储新结的值或存储先前未被适应的结的值，并表明这个结现在是被适应的结。此后，适应程序完成且控制返回到块302，以收集和存储更多的要用于运行新的或进一步的适应程序的过程变量数据。
图15示出了可在图3的自适应整定块44中运行以在适应程序中确定新的结值的软件例程350。这里，块352确定了限定与正被实现的适应程序相关联的结的位置的特定的状态变量值。如上所述，状态变量可以是与所收集的数据相关联的最高和最低状态变量之间的中点或平均值。但是，对于结的状态变量值可以其他适当的方式例如，作为用于所收集的数据中的所有状态变量值的平均值的方式、作为与所收集的数据相关联的状态变量值的中值的方式、或使用确定与各种不同状态变量值的数据的总集相关联的状态变量值的任何其他所希望的方法来确定。
接下来，根据结更新程序被配置的方式，控制可被提供到块354或块356。如果结要被存储在一组固定的或预先确定的结位置，那么这些结位置基于新的结值而更新。在这种情况下，块354确定新确定的结是否处于或非常接近于预先配置或预先确定的结位置中的一个位置。如果是，块358用新确定的一组模型参数值来更新结位置且可将结标记为被适应的。另一方面，如果新确定的结不在预先确定的或固定的结位置中的一个位置，那么块360基于新确定的结值使用以上所描述的插值或更新程序来更新邻接的结位置(例如，在新确定的结的任一侧的预先确定的结)。
在两种情况下，当一个或多个结基于新的结值或使用新的结值已被更新时，块362可被用于确定将被用于确定那些结位置之间的结参数值的新的插值函数。当然，块362可使用以上所描述的插值方法确定新的插值函数，且可在结上对于与过程模型相关联的每个参数值都单独地或不同地这样做。即，块362可运行以确定对于存储在结中的模型的每个模型参数值不同的或有变化的插值函数。
另一方面，如果结在它们在各种不同的结位置上形成时被存储，那么块356将新确定的结值及其相关的模型参数值存储在结存储器中。此后，块364确定结存储器中是否已存储最大数量的结，如果没有，则向块362提供控制。但是，如果由于新结的存储，结的最大数量已被达到或超过，则块366可操作以筛选被存储的结从而将被存储的结的组减少到最大容许数量或小于最大容许数量。块366可执行任何希望的一组规则以基于新结的添加删除至少一个结。当然，结可基于结的寿命、结在特定位置或在特定位置附近的集中程度、结上的模型参数的被估计的有效性等来筛选。
不管怎样，在块366筛选被存储的一组结之后，块362确定现存组的结之间尤其是在现存的结和新增加的结之间或在接近于被去掉的结位置的结之间的一个或多个新的插值函数，并将这些新的插值函数存储在整定程序期间图3的自适应整定块44将使用的结存储器中。插值函数可通过存储要执行的插值的类型和/或必要的插值变量例如以上所描述的反曲插值变量的方式来存储。在新的插值函数已被块362确定之后，确定新结值的过程完成。
虽然以上所描述的方法在实际上是明确提出的，但应认识到很多其他的方法只表示出与以上所描述的本发明的实施方式之间的非实质性的偏差。因此，以下的权利要求被恰当地理解为包括落入本发明的真正精神和范围内的所有的修改、变型和改进及其实质上的等同形式。因此，本发明的其他实施方式尽管在此处未被特别描述，但仍被理解为在如以下的权利要求所限定的本发明的范围之内。

Claims (31)

1.一种用于控制过程的自适应控制器，包括：
控制器输入，其接收来自所述过程的过程变量输入信号；
控制器输出，其提供用于控制所述过程的过程控制信号；
控制块，其耦合在所述控制器输入和所述控制器输出之间，所述控制块使用所述输入信号和一组控制器整定参数通过实现过程控制计算来确定所述控制信号；以及
整定块，其在所述过程的操作期间使用以下参数来为新的过程操作点的所述一组控制器整定参数确定新的值：
(i)用于多个被存储的过程模型的一组被存储的过程模型参数值，每个被存储的过程模型表征所述过程在多个过程操作点中的一个过程操作点的操作；和
(ii)限定所述多个过程操作点的过程状态变量，所述过程状态变量的当前值限定新的过程操作点，；
所述整定块包括：
(i)模型适应例程，其为多个被存储的过程模型中的每个过程模型确定所述一组被存储的过程模型参数值，其中，所述过程状态变量的不同值与所述多个被存储的过程模型中的每个过程模型相关联；
(ii)模型参数确定例程，其使用插值函数参数和插值技术通过(a)基于所述过程状态变量的所述当前值识别所述被存储的过程模型中的第一和第二过程模型以及(b)在所述第一和所述第二过程模型的特定的过程模型参数的被存储的值之间进行插值来为所述过程在新的过程操作点的过程模型的特定的过程模型参数生成不包括在所述一组被存储的过程模型参数值中的新的值；以及
(iii)控制器整定参数例程，其从(a)所生成的特定过程模型参数的新的值和(b)被存储的整定规则来确定用于所述新的过程操作点的所述一组控制器整定参数。
2.如权利要求1所述的自适应控制器，其中所述插值技术为线性的或非线性的插值技术。
3.如权利要求1所述的自适应控制器，其中所述插值技术为线性的反曲插值技术。
4.如权利要求1所述的自适应控制器，其中所述插值技术为非线性的反曲插值技术。
5.如权利要求1所述的自适应控制器，其中所述模型适应例程通过确定用于指定的过程操作点的新的过程模型参数值并基于用于所述指定的过程操作点的所述新的过程模型参数值改变所述一组被存储的过程模型参数值来更新所述一组被存储的过程模型参数值。
6.如权利要求5所述的自适应控制器，其中所述模型适应例程存储插值函数参数以用于确定在与所述一组被存储的过程模型参数值相关联的所述不同过程操作点中的两个或多个过程操作点之间的过程操作点的过程模型参数值，且其中所述模型适应例程通过基于用于所述指定的过程操作点的所述新的过程模型参数值改变所述插值函数参数来确定所述一组被存储的过程模型参数值。
7.如权利要求5所述的自适应控制器，其中所述模型适应例程使用插值函数参数，以用于确定在与所述一组被存储的过程模型参数值相关联的所述不同过程操作点中的两个或多个过程操作点之间的过程操作点的过程模型参数值，且其中所述模型适应例程通过基于所述插值函数参数以及基于用于所述指定的过程操作点的所述新的过程模型参数值改变用于所述不同过程操作点的所述被存储的过程模型参数值中的一个或多个被存储的过程模型参数值来更新所述一组被存储的过程模型参数值。
8.如权利要求5所述的自适应控制器，其中所述模型适应例程，通过将用于所述指定的过程操作点的所述新的过程模型参数值存储为所述一组被存储的过程模型参数值中的一个被存储的过程模型参数值、并且如果所述一组被存储的过程模型参数中的过程模型参数值的数量达到阈值则筛选所述一组被存储的过程模型参数值的方式，来基于用于所述指定的过程操作点的所述新的过程模型参数值更新所述一组被存储的过程模型参数值。
9.如权利要求5所述的自适应控制器，其中所述模型适应例程，通过基于在所述指定的过程操作点的所述新的过程模型参数值改变所述一组被存储的过程模型参数值中的两个或多个被存储的过程模型参数值而不改变它们的相关的过程操作点，来基于用于所述指定的过程操作点的所述新的过程模型参数值改变所述一组被存储的过程模型参数。
10.如权利要求9所述的自适应控制器，其中所述模型适应例程使用插值技术和在所述指定的过程操作点的所述新的过程模型参数值来改变所述一组被存储的过程模型参数值中的所述两个或多个被存储的过程模型参数值。
11.如权利要求9所述的自适应控制器，其中所述模型适应例程基于在所述指定的过程操作点的所述新的过程模型参数值使用线性插值技术来改变所述一组被存储的过程模型参数值中的所述两个或多个被存储的过程模型参数值。
12.如权利要求9所述的自适应控制器，其中所述模型适应例程基于在所述指定的过程操作点的所述新的过程模型参数值使用非线性插值技术来改变所述一组被存储的过程模型参数值中的所述两个或多个被存储的过程模型参数值。
13.如权利要求1所述的自适应控制器，其中所述控制块实现前馈/反馈控制器技术。
14.如权利要求1所述的自适应控制器，其中所述一组控制器整定参数包括前馈整定参数和反馈整定参数。
15.如权利要求1所述的自适应控制器，其中所述特定的过程模型参数包括过程增益、死区时间或时间常数。
16.如权利要求1所述的自适应控制器，其中所述控制块实现比例、积分、微分控制器技术。
17.一种自适应地整定用于控制过程的过程控制器的方法，所述方法包括：
存储在所述过程的操作期间表征所述过程的操作的多组模型参数值，所述多组模型参数值中的每个模型参数值表征在不同过程操作点的所述过程的所述操作，所述不同过程操作点中的每个过程操作点与限定多个过程操作点的不同的过程状态变量的值相关联；
在所述过程的所述操作期间收集过程数据，并基于所收集的过程数据执行模型表征程序以确定用于一个或多个过程操作点的一组新的模型参数值；
用所述一组新的模型参数值更新所述被存储的一组模型参数值；以及
使用所述被存储的一组模型参数值来整定所述过程控制器，包括：
使用插值技术在基于所述过程状态变量的当前值所识别的第一和第二过程模型的所述一组被存储的过程模型参数值中的两个或者多个过程模型参数值之间进行插值来确定用于由所述过程状态变量的当前值所限定的当前过程操作点的当前模型参数值；
使用所确定的当前模型参数值和基于过程模型的整定规则来确定一组控制器整定参数值；以及
用所确定的一组控制器整定参数值更新所述过程控制器。
18.如权利要求17所述的自适应地整定过程控制器的方法，其中所述插值函数与线性插值技术相关联。
19.如权利要求17所述的自适应地整定过程控制器的方法，其中所述插值函数与非线性插值技术相关联。
20.如权利要求17所述的自适应地整定过程控制器的方法，其中更新所述被存储的一组模型参数值的步骤包括确定用于指定的过程操作点的新的模型参数值以及基于用于所述指定的过程操作点的所述新的模型参数值来改变所述被存储的一组模型参数值。
21.如权利要求20所述的自适应地整定过程控制器的方法，包括存储插值函数以用于确定在与所述被存储的一组模型参数值相关联的所述不同过程操作点中的两个或多个过程操作点之间的过程操作点的模型参数值，并且包括通过基于用于所述指定的过程操作点的所述新的过程模型参数值改变所述插值函数来更新所述被存储的一组模型参数值。
22.如权利要求20所述的自适应地整定过程控制器的方法，包括存储插值函数以用于确定在与所述被存储的一组模型参数值相关联的所述不同过程操作点中的两个或多个过程操作点之间的过程操作点的过程模型参数值，并且包括通过基于所述插值函数并基于用于所述指定的过程操作点的所述新的过程模型参数值改变用于所述不同过程操作点的被存储的模型参数值中的一个或多个被存储的模型参数值来更新所述被存储的一组模型参数值。
23.如权利要求20所述的自适应地整定过程控制器的方法，其中用所述新的模型参数值更新所述被存储的一组模型参数值的步骤包括将用于所述指定的过程操作点的所述新的模型参数值存储为所述被存储的一组模型参数值中的一个模型参数值，且如果所述被存储的一组模型参数值中的模型参数值的数量达到阈值，则筛选所述被存储的一组模型参数值。
24.如权利要求20所述的自适应地整定过程控制器的方法，其中用所述新的模型参数值更新所述被存储的一组模型参数值的步骤包括基于在所述指定的过程操作点的所述新的模型参数值改变所述被存储的一组模型参数值中的两个或多个模型参数值而不改变它们的相关的过程操作点。
25.如权利要求24所述的自适应地整定过程控制器的方法，其中使用所确定的当前模型参数值和基于过程模型的整定规则来限定一组控制器整定参数值的步骤包括限定一组前馈和反馈控制器整定参数。
26.一种自适应过程控制器系统，用于在计算机处理器上实现以控制过程，包括：
计算机存储器；
过程控制器例程，其被存储在所述计算机存储器上且在所述计算机处理器上可执行以实现控制算法，所述控制算法基于来自所述过程的过程变量输入和一组控制器整定参数来确定用于控制所述过程的过程控制信号；以及
整定例程，其被存储在所述计算机存储器上且在所述计算机处理器上可执行以在所述过程的操作期间使用以下参数来为新的过程操作点的所述一组控制器整定参数确定新的值：(i)用于多个被存储的过程模型的一组被存储的过程模型参数值，每个被存储的过程模型表征所述过程在多个过程操作点中的一个过程操作点的操作；和(ii)限定所述多个过程操作点的过程状态变量，其中，所述过程状态变量的当前值限定新的过程操作点，；
所述整定例程包括：
(i)模型适应例程，其为多个被存储的过程模型中的每个过程模型确定所述一组被存储的过程模型参数值，其中，所述过程状态变量的不同值与所述多个被存储的过程模型中的每个过程模型相关联；
(ii)模型参数确定例程，其使用插值函数参数和插值技术通过(a)基于所述过程状态变量的所述当前值识别所述被存储的过程模型中的第一和第二过程模型以及(b)在所述第一和所述第二过程模型的特定的过程模型参数的被存储的值之间进行插值来为所述过程在新的过程操作点的过程模型的特定的过程模型参数生成不包括在所述一组被存储的过程模型参数值中的新的值；以及
(iii)控制器整定参数例程，其从(a)所生成的特定过程模型参数的新值和(b)被存储的整定规则来确定用于所述新的过程操作点的所述一组控制器整定参数。
27.如权利要求26所述的自适应过程控制器系统，其中所述模型适应例程，通过确定用于指定的过程操作点的新的过程模型参数值以及基于用于所述指定的过程操作点的所述新的过程模型参数值改变所述一组被存储的过程模型参数值，来更新所述一组被存储的过程模型参数值。
28.如权利要求27所述的自适应过程控制器系统，其中所述模型适应例程通过基于用于所述指定的过程操作点的所述新的过程模型参数值改变所述插值函数参数来更新所述一组被存储的过程模型参数值。
29.如权利要求27所述的自适应过程控制器系统，其中所述模型适应例程，通过将用于所述指定的过程操作点的所述新的过程模型参数值存储为所述一组被存储的过程模型参数值中的一个被存储的过程模型参数值并且如果所述一组被存储的过程模型参数值中的过程模型参数值的数量达到阈值则筛选所述一组被存储的过程模型参数值，来基于用于所述指定的过程操作点的所述新的过程模型参数值更新所述一组被存储的过程模型参数值。
30.如权利要求27所述的自适应过程控制器系统，其中所述模型适应例程，通过基于在所述指定的过程操作点的所述新的过程模型参数值改变所述一组被存储的过程模型参数值中的两个或多个被存储的过程模型参数值而不改变它们的相关的过程操作点，来基于用于所述指定的过程操作点的所述新的过程模型参数值改变所述一组被存储的过程模型参数值。
31.如权利要求27所述的自适应过程控制器系统，其中所述过程控制器例程实现前馈/反馈控制器技术。
CN201710957862.7A 2009-06-22 2010-06-22 基于连续调度的模型参数的自适应控制器 Pending CN107526297A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US12/489,106 US8280533B2 (en) 2000-06-20 2009-06-22 Continuously scheduled model parameter based adaptive controller
US12/489,106 2009-06-22
CN201010211511XA CN101930215A (zh) 2009-06-22 2010-06-22 基于连续调度的模型参数的自适应控制器

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201010211511XA Division CN101930215A (zh) 2009-06-22 2010-06-22 基于连续调度的模型参数的自适应控制器

Publications (1)

Publication Number Publication Date
CN107526297A true CN107526297A (zh) 2017-12-29

Family

ID=42340960

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201710957862.7A Pending CN107526297A (zh) 2009-06-22 2010-06-22 基于连续调度的模型参数的自适应控制器
CN201010211511XA Pending CN101930215A (zh) 2009-06-22 2010-06-22 基于连续调度的模型参数的自适应控制器

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201010211511XA Pending CN101930215A (zh) 2009-06-22 2010-06-22 基于连续调度的模型参数的自适应控制器

Country Status (5)

Country Link
US (1) US8280533B2 (zh)
EP (1) EP2267560B1 (zh)
JP (1) JP5697899B2 (zh)
CN (2) CN107526297A (zh)
GB (1) GB2471362B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108563118A (zh) * 2018-03-22 2018-09-21 北京工业大学 一种基于自适应模糊神经网络的溶解氧模型预测控制方法
CN108983703A (zh) * 2018-07-06 2018-12-11 清华大学 超精密运动系统前馈控制器参数整定方法
CN109507876A (zh) * 2019-01-25 2019-03-22 杭州电子科技大学 一种基于信度推理的电推船舶电机pid参数整定方法
CN113900455A (zh) * 2021-11-09 2022-01-07 北京七星华创流量计有限公司 半导体工艺设备及其质量流量控制器、流体流量控制方法
CN115453862A (zh) * 2022-11-09 2022-12-09 质子汽车科技有限公司 一种自适应控制系统及系统的参数调节方法
CN117348557A (zh) * 2023-10-30 2024-01-05 山东鲁抗机电工程有限公司 一种自动化控制系统及控制方法

Families Citing this family (71)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8280533B2 (en) * 2000-06-20 2012-10-02 Fisher-Rosemount Systems, Inc. Continuously scheduled model parameter based adaptive controller
US8036760B2 (en) * 2005-10-04 2011-10-11 Fisher-Rosemount Systems, Inc. Method and apparatus for intelligent control and monitoring in a process control system
US7444191B2 (en) 2005-10-04 2008-10-28 Fisher-Rosemount Systems, Inc. Process model identification in a process control system
US7738975B2 (en) 2005-10-04 2010-06-15 Fisher-Rosemount Systems, Inc. Analytical server integrated in a process control network
US7996096B2 (en) * 2008-02-29 2011-08-09 Fisher Controls International Llc Estimation of process control parameters over predefined travel segments
US8200347B2 (en) * 2009-01-22 2012-06-12 Mitsubishi Electric Research Laboratories, Inc. Method and apparatus for hybrid resetting states proportional-integral-derivative and lag controllers
JP5484932B2 (ja) * 2010-01-28 2014-05-07 アズビル株式会社 Ｐｉｄ調整支援装置および方法
US9447963B2 (en) 2010-08-16 2016-09-20 Emerson Process Management Power & Water Solutions, Inc. Dynamic tuning of dynamic matrix control of steam temperature
US9335042B2 (en) 2010-08-16 2016-05-10 Emerson Process Management Power & Water Solutions, Inc. Steam temperature control using dynamic matrix control
US9217565B2 (en) 2010-08-16 2015-12-22 Emerson Process Management Power & Water Solutions, Inc. Dynamic matrix control of steam temperature with prevention of saturated steam entry into superheater
US8996141B1 (en) * 2010-08-26 2015-03-31 Dunan Microstaq, Inc. Adaptive predictive functional controller
US9530109B2 (en) * 2010-09-28 2016-12-27 International Business Machines Corporation Iterative pattern generation algorithm for plate design problems
US20120095808A1 (en) * 2010-10-15 2012-04-19 Invensys Systems Inc. System and Method for Process Predictive Simulation
EP2469466A1 (en) * 2010-12-21 2012-06-27 ABB Inc. Remote management of industrial processes
US20120215326A1 (en) * 2011-02-17 2012-08-23 Invensys Systems Inc. Distributed Proportional/Integral/Derivative Tuning
US8710963B2 (en) 2011-03-14 2014-04-29 Infineon Technologies Ag Receiver and transmitter receiver system
US9058029B2 (en) * 2011-03-31 2015-06-16 Brad Radl System and method for creating a graphical control programming environment
US9355008B2 (en) * 2011-06-16 2016-05-31 Hewlett Packard Enterprise Development Lp Performance analyzer for self-tuning system controller
US9148709B2 (en) 2011-08-03 2015-09-29 Infineon Technologies Ag Sensor interface with variable control coefficients
US8994526B2 (en) 2011-08-18 2015-03-31 Infineon Technologies Ag Sensor interface making use of virtual resistor techniques
US9163828B2 (en) 2011-10-31 2015-10-20 Emerson Process Management Power & Water Solutions, Inc. Model-based load demand control
EP2807749B1 (en) * 2012-01-25 2016-09-14 Continental Automotive GmbH Improving efficiency and optimization of rf tuner reception through inter-car correlation
US8849520B2 (en) 2012-03-26 2014-09-30 Infineon Technologies Ag Sensor interface transceiver
CN102621883B (zh) * 2012-04-01 2013-12-11 广东电网公司电力科学研究院 Pid参数整定方法及pid参数整定系统
JP5660082B2 (ja) * 2012-07-03 2015-01-28 横河電機株式会社 プロセス制御装置及びシステム
CA2885374C (en) * 2012-09-30 2020-03-10 Google Inc. Automated presence detection and presence-related control within an intelligent controller
US8630741B1 (en) 2012-09-30 2014-01-14 Nest Labs, Inc. Automated presence detection and presence-related control within an intelligent controller
US8797199B1 (en) 2013-05-16 2014-08-05 Amazon Technologies, Inc. Continuous adaptive digital to analog control
US9292409B2 (en) 2013-06-03 2016-03-22 Infineon Technologies Ag Sensor interfaces
WO2014207494A1 (en) 2013-06-28 2014-12-31 Telefonaktiebolaget L M Ericsson (Publ) Methods and apparatuses for recovering data packet flow control against radio base station buffer run away
TWI476549B (zh) * 2013-07-15 2015-03-11 China Steel Corp 製程模型識別方法及裝置
US9910413B2 (en) * 2013-09-10 2018-03-06 General Electric Technology Gmbh Automatic tuning control system for air pollution control systems
US9507365B2 (en) 2014-06-24 2016-11-29 Woodward, Inc. Adaptive PID control system for industrial turbines
DE102014222508A1 (de) * 2014-11-04 2016-05-04 Wago Verwaltungsgesellschaft Mbh Modul für eine prozesstechnische Anlage und Verfahren zur Steuerung einer prozesstechnischen Anlage
DE102014225147A1 (de) * 2014-12-08 2016-06-09 Robert Bosch Gmbh Verfahren zur Identifikation einer Kennlinie
WO2016116896A1 (en) * 2015-01-24 2016-07-28 Abb Technology Ltd. A method for controlling a process plant using transition data
US10100679B2 (en) 2015-08-28 2018-10-16 General Electric Company Control system for managing steam turbine rotor stress and method of use
US10001764B2 (en) 2015-09-11 2018-06-19 Woodward, Inc. Adaptive multiple input multiple output PID control system for industrial turbines
TWI564683B (zh) * 2015-10-21 2017-01-01 財團法人工業技術研究院 未知pid控制器之參數調諧方法
CN105487375B (zh) * 2015-12-31 2018-06-22 中国船舶重工集团公司第七一九研究所 一种离散pid控制器参数整定方法
DE102016201077A1 (de) * 2016-01-26 2017-07-27 Wago Verwaltungsgesellschaft Mbh Modul für eine technische Anlage und Verfahren zur Steuerung einer technischen Anlage
EP3611581B1 (en) * 2016-05-25 2021-11-10 Siemens Aktiengesellschaft Industrial controller and method configured to control an industrial activity
AT518682A1 (de) * 2016-06-03 2017-12-15 Engel Austria Gmbh Regelvorrichtung zur Regelung wenigstens einer Regelgröße zumindest eines Temperierkreislaufs
US10557641B2 (en) * 2016-10-07 2020-02-11 Vertiv Corporation Adaptive PID control for chilled water CRAC units
US20180136617A1 (en) * 2016-11-11 2018-05-17 General Electric Company Systems and methods for continuously modeling industrial asset performance
CN106773647B (zh) * 2016-12-12 2020-07-21 英华达（上海）科技有限公司 一种比例积分微分控制方法、控制系统以及无人搬运车
CN106557023B (zh) * 2017-01-18 2019-10-11 武汉拓优智能股份有限公司 基于喷嘴挡板技术一键自整定方法
EP3360757B1 (en) 2017-02-10 2019-10-02 Volvo Car Corporation Steer torque manager for an advanced driver assistance system of a road vehicle
EP3375696B1 (en) * 2017-03-17 2019-11-20 Volvo Car Corporation Steer torque manager for an advanced driver assistance system of a road vehicle
EP3378733B1 (en) * 2017-03-20 2020-01-15 Volvo Car Corporation Apparatus and method for situation dependent wheel angle control (had or adas)
EP3378731B1 (en) 2017-03-20 2020-01-15 Volvo Car Corporation Apparatus and method for driver activity dependent (adas) wheel angle controller
US20180351816A1 (en) * 2017-06-02 2018-12-06 Yan Li Methods and apparatus for parameter tuning using a cloud service
EP3428756B1 (de) * 2017-07-10 2019-06-19 Siemens Aktiengesellschaft Integritätsüberwachung bei automatisierungssystemen
WO2019051077A1 (en) 2017-09-06 2019-03-14 Vertiv Corporation COOLING UNIT ENERGY OPTIMIZATION THROUGH INTELLIGENT CONTROL OF FOOD AIR TEMPERATURE SET POINT
CN107783423B (zh) * 2017-10-25 2020-03-27 珠海格力电器股份有限公司 基于机器学习的pid参数自整定方法及其装置
CN107870567B (zh) * 2017-12-17 2021-03-30 北京世纪隆博科技有限责任公司 一种比例微分超前广义智能内部模型集pid控制器设计方法
CN108427270A (zh) * 2018-03-26 2018-08-21 中电科芜湖通用航空产业技术研究院有限公司 动力系统的全局最优pid参数整定系统、方法及装置
CN109799699B (zh) * 2019-02-19 2022-06-07 阿波罗智能技术(北京)有限公司 自动驾驶系统控制参数处理方法、装置、设备、存储介质
US10976718B2 (en) 2019-03-06 2021-04-13 Honeywell Limited System and method for monitoring changes in process dynamic behavior by mapping parameters to a lower dimensional space
JP2020160659A (ja) * 2019-03-26 2020-10-01 アズビル株式会社 制御装置および制御方法
US11467543B2 (en) * 2019-09-20 2022-10-11 Fisher-Rosemount Systems, Inc. Process controller design with process approximation and lambda tuning
CN110687786B (zh) * 2019-10-08 2022-07-05 北京控制工程研究所 一种基于特征模型的自适应控制方法
US11177664B2 (en) 2019-11-01 2021-11-16 Caterpillar Inc. System and method for dynamic voltage regulation of an engine on a variable frequency bus
US11373056B2 (en) 2019-11-22 2022-06-28 International Business Machines Corporation Context driven model selection
TWI798812B (zh) * 2019-12-31 2023-04-11 鍾國誠 用於控制照明裝置的控制裝置及方法
TWI742502B (zh) * 2019-12-31 2021-10-11 鍾國誠 用於控制可變物理參數的控制裝置及方法
TWI734334B (zh) * 2019-12-31 2021-07-21 鍾國誠 控制目標裝置及用於控制可變物理參數的方法
TWI775592B (zh) * 2019-12-31 2022-08-21 鍾國誠 用於控制照明裝置的控制裝置及方法
TWI734335B (zh) * 2019-12-31 2021-07-21 鍾國誠 用於控制可變物理參數的控制裝置及方法
TWI741471B (zh) * 2019-12-31 2021-10-01 鍾國誠 控制目標裝置及用於控制可變物理參數的方法
CN112947648B (zh) * 2021-03-04 2021-11-23 江西理工大学 一种农业温室环境预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5293553A (en) * 1991-02-12 1994-03-08 General Motors Corporation Software air-flow meter for an internal combustion engine
CN1540461A (zh) * 2003-04-21 2004-10-27 费舍-柔斯芒特系统股份有限公司 基于状态的自适应反馈/前馈pid控制器
US6826521B1 (en) * 2000-04-06 2004-11-30 Abb Automation Inc. System and methodology and adaptive, linear model predictive control based on rigorous, nonlinear process model
WO2007019334A1 (en) * 2005-08-04 2007-02-15 Par Systems, Inc. Compensation for a fluid jet apparatus
CN101446803A (zh) * 2008-12-25 2009-06-03 重庆邮电大学 伺服跟踪系统控制器

Family Cites Families (54)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS59133605A (ja) 1983-01-20 1984-08-01 Toshiba Corp サンプル値ｐｉｄ制御装置
JPS6069702A (ja) 1983-09-26 1985-04-20 Toshiba Corp サンプル値プロセス制御装置
US5043863A (en) 1987-03-30 1991-08-27 The Foxboro Company Multivariable adaptive feedforward controller
JP2553675B2 (ja) 1988-11-18 1996-11-13 日本電気硝子株式会社 プロセスの制御方法
US5222196A (en) 1990-02-20 1993-06-22 International Business Machines Corporation Neural network shell for application programs
US5018215A (en) 1990-03-23 1991-05-21 Honeywell Inc. Knowledge and model based adaptive signal processor
US5406474A (en) * 1990-07-16 1995-04-11 The Foxboro Company Self-tuning controller
US5180896A (en) 1990-10-11 1993-01-19 University Of Florida System and method for in-line heating of medical fluid
US5159547A (en) 1990-10-16 1992-10-27 Rockwell International Corporation Self-monitoring tuner for feedback controller
JPH04252302A (ja) 1991-01-28 1992-09-08 Kawasaki Steel Corp 連続圧延機における制御モデルの同定方法及び連続圧延機の制御方法
US5335164A (en) 1991-07-31 1994-08-02 Universal Dynamics Limited Method and apparatus for adaptive control
WO1993012476A1 (en) 1991-12-18 1993-06-24 Honeywell Inc. A closed loop neural network automatic tuner
US5453925A (en) 1993-05-28 1995-09-26 Fisher Controls International, Inc. System and method for automatically tuning a process controller
US6330484B1 (en) 1993-08-11 2001-12-11 Fisher-Rosemount Systems, Inc. Method and apparatus for fuzzy logic control with automatic tuning
US6041320A (en) 1993-08-23 2000-03-21 Fisher Controls International, Inc. Multi-region fuzzy logic control system with auxiliary variables
US5408405A (en) 1993-09-20 1995-04-18 Texas Instruments Incorporated Multi-variable statistical process controller for discrete manufacturing
US5461559A (en) 1993-10-04 1995-10-24 The United States Of America As Represented By The Secretary Of The Air Force Hierarchical control system for molecular beam epitaxy
JPH07193333A (ja) * 1993-12-27 1995-07-28 Mitsubishi Chem Corp 半導体発光素子
US5587899A (en) 1994-06-10 1996-12-24 Fisher-Rosemount Systems, Inc. Method and apparatus for determining the ultimate gain and ultimate period of a controlled process
US5568378A (en) 1994-10-24 1996-10-22 Fisher-Rosemount Systems, Inc. Variable horizon predictor for controlling dead time dominant processes, multivariable interactive processes, and processes with time variant dynamics
US5748467A (en) 1995-02-21 1998-05-05 Fisher-Rosemont Systems, Inc. Method of adapting and applying control parameters in non-linear process controllers
US6249712B1 (en) 1995-09-26 2001-06-19 William J. N-O. Boiquaye Adaptive control process and system
US6879971B1 (en) 1995-12-22 2005-04-12 Pavilion Technologies, Inc. Automated method for building a model
ES2140223T3 (es) 1996-02-09 2000-02-16 Siemens Ag Procedimiento para la generacion de parametros de regulacion a partir de una señal de respuesta de un tramo de regulacion por medio de un ordenador.
JP3412384B2 (ja) 1996-03-13 2003-06-03 株式会社日立製作所 制御モデル構築支援装置
US5680866A (en) 1996-03-29 1997-10-28 Battelle Memorial Institute Artificial neural network cardiopulmonary modeling and diagnosis
US6128541A (en) 1997-10-15 2000-10-03 Fisher Controls International, Inc. Optimal auto-tuner for use in a process control network
US7043409B1 (en) 1998-12-03 2006-05-09 Siemens Aktiengesellschaft Method and device for designing a technical system
US6230062B1 (en) 1999-01-08 2001-05-08 Voyan Technology Adaptation to unmeasured variables
US6445962B1 (en) 1999-03-15 2002-09-03 Fisher Rosemount Systems, Inc. Auto-tuning in a distributed process control environment
US6445963B1 (en) * 1999-10-04 2002-09-03 Fisher Rosemount Systems, Inc. Integrated advanced control blocks in process control systems
US8280533B2 (en) * 2000-06-20 2012-10-02 Fisher-Rosemount Systems, Inc. Continuously scheduled model parameter based adaptive controller
US6577908B1 (en) 2000-06-20 2003-06-10 Fisher Rosemount Systems, Inc Adaptive feedback/feedforward PID controller
US20050065621A1 (en) 2000-06-20 2005-03-24 Danyang Liu Methods of designing optimal linear controllers
BR0112379A (pt) 2000-06-30 2003-04-29 Dow Chemical Co Controle de processo de matriz multivariável
JP2002259888A (ja) 2000-12-25 2002-09-13 Toshiba Corp シミュレーション制御プログラム、方法及び装置
US6970750B2 (en) * 2001-07-13 2005-11-29 Fisher-Rosemount Systems, Inc. Model-free adaptation of a process controller
US6901300B2 (en) * 2002-02-07 2005-05-31 Fisher-Rosemount Systems, Inc.. Adaptation of advanced process control blocks in response to variable process delay
US7451065B2 (en) 2002-03-11 2008-11-11 International Business Machines Corporation Method for constructing segmentation-based predictive models
US7200495B2 (en) 2002-04-11 2007-04-03 The Charles Stark Draper Laboratory Method and apparatus for analyzing spatial and temporal processes of interaction
US7756804B2 (en) 2002-05-10 2010-07-13 Oracle International Corporation Automated model building and evaluation for data mining system
DE102004058238B4 (de) 2003-12-03 2016-02-04 Fisher-Rosemount Systems, Inc. Adaptive, multivariable Prozesssteuerung, die Modellschaltung und Attribut-Interpolation nutzt
US7451004B2 (en) * 2005-09-30 2008-11-11 Fisher-Rosemount Systems, Inc. On-line adaptive model predictive control in a process control system
US7444191B2 (en) 2005-10-04 2008-10-28 Fisher-Rosemount Systems, Inc. Process model identification in a process control system
US7738975B2 (en) * 2005-10-04 2010-06-15 Fisher-Rosemount Systems, Inc. Analytical server integrated in a process control network
US8036760B2 (en) * 2005-10-04 2011-10-11 Fisher-Rosemount Systems, Inc. Method and apparatus for intelligent control and monitoring in a process control system
US7840287B2 (en) * 2006-04-13 2010-11-23 Fisher-Rosemount Systems, Inc. Robust process model identification in model based control techniques
US8046200B2 (en) * 2006-09-05 2011-10-25 Colorado State University Research Foundation Nonlinear function approximation over high-dimensional domains
WO2008040019A2 (en) 2006-09-28 2008-04-03 Fisher-Rosemount Systems, Inc. Abnormal situation prevention in a coker heater
US7877346B2 (en) 2007-06-06 2011-01-25 Affinova, Inc. Method and system for predicting personal preferences
US8065251B2 (en) * 2007-09-28 2011-11-22 Fisher-Rosemount Systems, Inc. Dynamic management of a process model repository for a process control system
DE112009005510A5 (de) 2008-01-31 2013-06-20 Fisher-Rosemount Systems, Inc. Robuster adaptiver modellprädiktiver Regler mit Abstimmung zum Ausgleich einer Modellfehlanpassung
EP2194756B1 (en) * 2008-12-02 2016-07-27 Whirlpool Corporation A method for controlling the induction heating system of a cooking appliance
US8319504B2 (en) * 2009-05-29 2012-11-27 Freescale Semiconductor, Inc. Tuner characterization methods and apparatus

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5293553A (en) * 1991-02-12 1994-03-08 General Motors Corporation Software air-flow meter for an internal combustion engine
US6826521B1 (en) * 2000-04-06 2004-11-30 Abb Automation Inc. System and methodology and adaptive, linear model predictive control based on rigorous, nonlinear process model
CN1540461A (zh) * 2003-04-21 2004-10-27 费舍-柔斯芒特系统股份有限公司 基于状态的自适应反馈/前馈pid控制器
WO2007019334A1 (en) * 2005-08-04 2007-02-15 Par Systems, Inc. Compensation for a fluid jet apparatus
CN101446803A (zh) * 2008-12-25 2009-06-03 重庆邮电大学 伺服跟踪系统控制器

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108563118A (zh) * 2018-03-22 2018-09-21 北京工业大学 一种基于自适应模糊神经网络的溶解氧模型预测控制方法
CN108563118B (zh) * 2018-03-22 2020-10-16 北京工业大学 一种基于自适应模糊神经网络的溶解氧模型预测控制方法
CN108983703A (zh) * 2018-07-06 2018-12-11 清华大学 超精密运动系统前馈控制器参数整定方法
CN109507876A (zh) * 2019-01-25 2019-03-22 杭州电子科技大学 一种基于信度推理的电推船舶电机pid参数整定方法
CN109507876B (zh) * 2019-01-25 2021-12-28 杭州电子科技大学 一种基于信度推理的电推船舶电机pid参数整定方法
CN113900455A (zh) * 2021-11-09 2022-01-07 北京七星华创流量计有限公司 半导体工艺设备及其质量流量控制器、流体流量控制方法
CN113900455B (zh) * 2021-11-09 2023-11-07 北京七星华创流量计有限公司 半导体工艺设备及其质量流量控制器、流体流量控制方法
CN115453862A (zh) * 2022-11-09 2022-12-09 质子汽车科技有限公司 一种自适应控制系统及系统的参数调节方法
CN115453862B (zh) * 2022-11-09 2023-02-28 质子汽车科技有限公司 一种自适应控制系统及系统的参数调节方法
CN117348557A (zh) * 2023-10-30 2024-01-05 山东鲁抗机电工程有限公司 一种自动化控制系统及控制方法
CN117348557B (zh) * 2023-10-30 2024-03-26 山东鲁抗机电工程有限公司 一种自动化控制系统及控制方法

Also Published As

Publication number Publication date
GB2471362A (en) 2010-12-29
GB201008321D0 (en) 2010-07-07
US8280533B2 (en) 2012-10-02
JP2011003186A (ja) 2011-01-06
JP5697899B2 (ja) 2015-04-08
US20090319060A1 (en) 2009-12-24
CN101930215A (zh) 2010-12-29
EP2267560B1 (en) 2018-04-04
GB2471362B (en) 2015-12-16
EP2267560A1 (en) 2010-12-29

Similar Documents

Publication Publication Date Title
CN107526297A (zh) 基于连续调度的模型参数的自适应控制器
CN101477333B (zh) 自适应控制器设计方法及过程控制器的调谐系统和方法
JP4542323B2 (ja) プロセス制御システムにおける統合型モデル予測制御および最適化
JP5016002B2 (ja) プロセス制御システムにおける統合型モデル予測制御および最適化
CN106575104B (zh) 使用无线过程信号的模型预测控制
CN101004589B (zh) 过程控制系统中的过程模型识别
CA2678820C (en) Two-stage model predictive control technique
US7881816B2 (en) Method for controlling an industrial automation device
Peterka Adaptive digital regulation of noisy systems
CN101533273B (zh) 过程控制系统的过程模型库的动态管理
US7856281B2 (en) On-line adaptive model predictive control in a process control system
JP5476418B2 (ja) バッチ特性推定のための装置及び方法
JP5830251B2 (ja) プロセスモデルの高速同定および生成
GB2351371A (en) Modifier function blocks in a process control system
Massimiliano Performance improvement of Smith predictor through automatic computation of dead time
Stoica et al. Application of robustified model predictive control to a production-inventory system
Joelianto et al. Compensation of delay time uncertainties on industrial control ethernet networks using LMI based robust H∞ PID controller
Penarrocha et al. Closed loop analysis of control systems under scarce measurements
Ochs et al. Application of an iterative identification for control scheme to a neutralization process
Gazdoš et al. Adaptive Control of Technological Processes Based on Dual Youla-Kucera Parametrization

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171229