CN108628270A - 一种基于plc远程监控终端的优化网络控制装置与方法 - Google Patents

Abstract

本发明提供一种基于PLC远程监控终端的优化网络控制装置与方法，可以实现对位于异地的装置设备的控制，并在远端对装备工况状态、运行信息进行可视显示。它包括由PLC和其控制的机加装备、用于测量电压、电流等信息的传感器组、传递信息的路由器和网络以及完成界面显示与控制操作的服务器。本发明在此基础上对因网络传输过程中产生的时延、丢包等现象对远程控制效果产生的影响采用Fuzzy‑Smith与改进型GPC相结合的优化策略进行抑制，并对多个控制对象采用同步误差控制补偿，有效的提升的远程控制效果。

Description

一种基于PLC远程监控终端的优化网络控制装置与方法

技术领域

本发明涉及工业现场采用PLC进行控制和信息采集所涉及的远程监控技术，尤其涉及一种基于PLC远程监控终端的优化网络控制装置与方法，属于装置设备的远程监控领域。

背景技术

远程监控是指本地计算机系统通过网络系统(特别是Internet)对远端的控制系统进行监测与控制,随着经济的全球化,生产过程已经不再局限于一国范围内,一个企业中的设备可能和异地企业的设备组成制造系统或由异地的企业来管理。现场总线系统接入Internet便可实现在异地通过Internet来监视生产过程,控制现场设备的运行状况,实现全球化制造。

基于PLC控制系统的远程监控技术，操作人员能够利用以太网对现场工作、生产设备进行远程的监视控制。工控生产企业通过建立远程监控系统，完成对设备的实时状态、生产过程远距离监控，从而满足日益发展的工业自动化生产需求，有效地保证了操作人员的安全以及提高了对工作设备的利用率。

发明内容

本发明的目的是为了提供一种基于PLC远程监控终端的优化网络控制装置与方法。

本发明的目的是这样实现的：一种基于PLC远程监控终端的优化网络控制装置，包括信息采集部分、信息处理部分、信息传输部分、信息接收部分，信息采集部分与信息处理部分位于车间现场，信息采集部分通过现场的设备装置采集信息并进行远程监控系统采集相应的缓变信息，通过数据压缩算法对缓变信息进行压缩，将压缩后的信息数据传输至远端服务器处；信息传输部分是由现场的有线传输与远程互联网传输进行实现；信息接收部分负责对系统中经由信息传输部分采集到的信息进行监测与可视化的呈现，并可对危险或故障状况进行报警，同时用户可对远程服务器进行访问实现对车间现场监控信息的查看；信息采集部分包括实现具体控制指令的PLC、采集诸模拟量数据的传感器组；信息传输部分包括建立局域网的交换机、连接互联网的路由器，信息处理部分是作为服务器的PC机。

一种基于PLC远程监控终端的优化网络控制方法，步骤如下：

第一步：NCS模型建立与τ的求解

具有时延的NCS的典型模型应由执行器、被控对象、传感器反馈控制器组成，其时延τ主要由两部分组成：执行时延τ_sc与传输时延τ_ca；

若系统内各部分时间同步，当相关算法在控制器运行时，τ_sc可以直接测出；而τ_ca是未发生的事件，只能进行预测和估算，从而时延τ_ca是上述多种类型的时延中最能影响系统稳定性的原因，对网络时延的预测可以分为3步：

(1)时延序列的预处理

对网络实测采集大量时延数据样本后，对样本进行去除奇异数据的预处理，通过鲁棒理论中位数是均值的概念对样本进行平滑估计；

1)由时延样本T(n)构造新的序列T₁(n)：从T(1)开始顺次选取5项的中位数组成T₁(n)，其中T₁(n)比T(n)少4项；

2)T₁(n)开始顺次选取3项的中位数组成T₂(n)；

3)由序列T₂(n)表示T₃(n)，构造汉宁平滑滤波器：

于是设定参数ε，若|T(n)-T³(n)|＞ε，则用一个内插值代替T(n)；

(2)时延自动回归AR建模：

对网络时延进行AR建模，

其中：p是AR模型阶数，加权系数a_ki，i＝1，2，3，…，p，ε_k是拟合残差，时延实际值τ_k对下一时刻的时延预测值y_k可以通过前p个时延值得到；

再设k时刻的加权系数Φ_k、此刻之前的时延值集合Γ_k，分别为Φ_k＝[a_k1,a_k2,…,a_kp]^T，Γ_k＝[τ_k-1,τ_k-2，…,τ_k-p]^T，可将模型改写为：

(3)模型参数确定

1)阶数p的确定

最终的预测误差FPE与AIC这两个准则是判定AR模型阶数的两个重要依据，FPE：确定阶数p，使值最小，其中，是线性预测误差的估计方差，N是观测值数目；AIC：确定阶数p，使值最小，其中，是线性预测误差的估计方差，N是观测值数目；

2)加权系数Φ_k的确定

在离线的状态下，通过改进型协方差法计算Φ_k的初始值；而在线状态下，以LMS算法求解，可得：

因Φ_k为二次函数，于是通过梯度法求Φ_k最小值，使最小均方算法收敛；

第二步：τ与0.5T大小判断，根据此步骤决策系统采用的算法，将时延值τ作为控制算法的输入量，当某一时刻τ<_0.5T时采用Fuzzy-Smith算法；当τ>0.5T时采用改进型GPC算法，T为采样周期；

第三步：根据第二步的判断，分别采用两种控制方式：

第一种：当τ<_0.5T，采用Fuzzy-Smith算法时的控制框图：

(1)系统初步建模：

已知D(s)为控制器函数，G_m(s)为预估器的传递函数，G_p(s)为被控对象函数，τ＝τ_m+τ_n，e^-τs为系统时延环节，当G_m(s)＝G_p(s)时系统闭环传递函数为：

可知系统的闭环传函整体推迟了τ_m，系统的时延对整个系统的影响得到抑制；

(2)添加模糊控制后的优化建模：

结合模糊规则表，与PID算法相结合，设ΔK的模糊子集为{NB,NM，NS,ZO,PS,PM,PB}，模糊控制器根据模糊控制规则对K_p、K_i、K_d参数在线进行调整；模糊控制的环节以被控对象输出测量值和初始输出之间的误差e＝y-y_m及其变化率e_c作为输入，并将二者设置为7个模糊子集：{NB,NM,NS,ZO,PS,PM,PB}，同时将Smith预估器模型增量变化量ΔK作为输出，则Fuzzy-Smith控制器的传递函数为：

G_m(s)＝G₀(s)(K₀+ΔK)

其中：G₀(s)为预估器初值，K₀为预估器开环增益初始值，ΔK为预估器开环增益修正值；

第二种：若τ>0.5T，即改进GPC算法时的控制框图：

首先，建立系统数学模型：

通过受控自回归滑动平均模型CARIMA对NCS进行建模：

A(z^-1)y(k)＝z^-τB(z^-1)u(k)+C(z^-1)ξ(k)

其中，y(k)为输出、u(k)为控制量及ξ(k)为白噪声，τ为预测时延，

因此，系统输出的预测模型：

Y＝Y_m+GΔU，

其中：Y_m＝[y_m(k+τ),…,y_m(k+τ)]^T，ΔU＝[Δu(k),…,Δu(k+N-τ)]^T，

Δu(k+i)＝u(k+i)-u(k+i-1)，i＝0,1,…,N-τ，其中N为预测长度，

其中：y_m(k+i)＝y(k+i),i≤0，

j＝1,2,…,N-τ+1，s＝min(j-1,n_a)，当j-1＞n_b时b_1,s＝0；

其次，GPC算法化简改进：

算法的目的是：使系统输出y(t+l)能够跟踪设定输入y_r(t+l)，设定指标函数J，使其最小，

其中τ_k最小的预测长度，p为最大的预测长度，N为长度，且M≤p，λ>0为系数，Δu位控制量增量，

对指标函数J进行优化：J＝E{(Y-Y_r)^Γ(Y-Y_r)+ΔUΓΔU}，

其中：Γ为控制加权矩阵，相应的控制增量向量为ΔU＝(G^TG+Γ)^-1G^T(Y_r-Y_m)，则预测输出为：Y＝Y_m+GΔU＝Y_m+G(G^TG+Τ)^-1G^T(Y_r-Y_m)，

此时控制输出为：u(k)＝u(k-1)+Δu(k)＝u(k-1)+[1,0,…,0](G^TG+Γ)^-1G^T(Y_r-Y_m)；

第四步：为带有误差补偿的多系统并联控制模型

在同步控制的系统当中，对于i控制对象t时刻的误差可以表示为：e_t＝y₁(t)-y_i(t)，当y_i(t)和y₁(t)完全同步时，e_t＝0；反馈控制器的输入为e_i，e_i＝r(t)k_i-y_i(t)，设f_i(t)是被控制对象i的补偿控制函数，实时同步误差补偿后反馈控制器的输入变为：

e_i＝r(t)·k_ii-y_i(t)+e_t·f_i(t)＝r(t)·k_i-y_i(t)+f_i(t)[y₁(t)-y_i(t)/k_i]

而存在一定的同步误差时的输入为：

其中：a的范围由系统精度确定。

与现有技术相比，本发明的有益效果是：本发明以远程控制技术为研究对象，主要通过西门子PLC和网际组态软件WebAccess实现远程异地工业现场的机械加工装备实时监控系统,设计出基于西门子S7-300型号实现控制命令的远程网络控制系统,最终通过WebAccess网际组态软件对系统内的信息数据进行交换、监测与控制，同时对控制优化算法，从而实现基于PLC远程网络优化控制装置的设计。该系统可以使操作人员不仅可以在异地及时发现并处理现场发生的故障，提高工作效率，还对目前远程控制系统中存在控制误差的现象实现的一定程度上的遏制。

附图说明

图1远程监控系统框架图；

图2存在时延状态的网络控制系统模型；

图3自适应补偿算法流程图；

图4基于Fuzzy-Smith补偿器系统结构图；

图5ΔK的模糊规则表；

图6同步误差的补偿控制框图；

图7是本发明的原理图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述。

本发明由信息采集、信息处理、信息传输与信息接收四部分组成，总体架构如图1所示。远程监控系统中的采集与处理部分位于车间现场，即装置设备群组所在处，其地理位置分布的特点具有异地多处的特点，如图1框架图中设备所在地所示，系统通过现场的设备装置采集相关信息，并对其进行一些如剔除干扰、信息分类、数据压缩等预处理，对于采集到的信息，一般无需传输全部采样数据，可以对其进行压缩后再进行传输，依次进行远程监控系统采集相应的缓变信息；通过数据压缩算法对缓变信息进行压缩；将压缩后的信息数据传输至远端服务器处，从而方便远程监控系统对系统信息的下步处理；而信息传输部分是由现场的有线传输与远程互联网传输进行实现，前者为一定空间区域内分别通过以太网组网以路由器进行联结的局域网，在将多地信息汇总后通过后者以以太网的介质进行远程传输；信息接收部分则是远程监控系统中远程服务器的所在，负责对系统中经由信息传输部分采集到的信息进行监测与可视化的呈现，并在必要的时候对危险或故障状况进行报警，同时用户也可以对远程服务器进行访问实现对车间现场监控信息的查看。

一种以机械加工装备为控制对象基于PLC的远程监控装置包括机械加工装备、实现具体控制指令的PLC(可编程逻辑控制器)、采集诸模拟量数据的传感器组、建立局域网的交换机、连接互联网的路由器、作为服务器的PC机。

用户在远端发布控制指令，该指令经由网络进行远程传输到达PLC处，进而控制机械加工装备实现预定操作。传感器组采集由上述动作产生的电流、电压、温度数据后在服务器PC中进行比对，而后再对误差动作进行纠正，以此类推，直到达到所要求的控制精度为止。由于本发明所采用的PLC为西门子S7-300系列，需要加装RS-485模块进行通信。服务器处的PC运行组态软件，装备状态和工况数据进行实时可视化显示。

服务器的PC作为PLC远程控制系统的重要组成部分，也是本机加装备远程控制装置的核心处理器。服务器支持多核CPU并行计算与Windows 7，稳定性好，计算速度快、兼容性强。它能够对所采集的数据进行实时的分析处理，其中包括奇异点剔除、数据比对等功能。同时服务器处的组态软件可以与远端的PLC进行通信，发出一系列控制指令并对相关操作实现可视化动画显示。

系统运行时，在服务器PC处实时运行对远程控制的优化算法，优化解决传统网络控制系统的时延问题。本发明中的算法将时延现象与丢包现象进行统一，把丢包现象看成为时延无限大的现象。于是通过时延τ与周期0.5T作对比分别，依据时延的大小，分别采用Fuzzy-Smith控制与改进型广义预测控制(GPC)对控制信息在网络传输中的时延对远程控制效果产生的影响进行抑，这可以对网络环境较差时的远程控制实现有效优化。

本发明优化解决传统网络控制系统的时延问题，是采用如下方法解决的：首先本发明需要建立NCS模型，求解时延τ；然后，通过时延τ与周期0.5T作对比；最后，依据比较结果，分别采用Fuzzy-Smith控制、改进型广义预测控制(GPC)对控制信息在网络传输中的时延对远程控制效果产生的影响进行抑，对网络环境较差时的远程控制实现有效优化。

第一步：NCS模型建立与τ的求解。结合图2，NCS模型如图所示。具有时延的NCS的典型模型应由执行器、被控对象、传感器反馈控制器组成。其时延τ主要由两部分组成：执行时延τ_sc与传输时延τ_ca。

若系统内各部分时间同步，当相关算法在控制器运行时，τ_sc可以直接测出。而τ_ca是未发生的事件，只能进行预测和估算，从而时延τ_ca是上述多种类型的时延中最能影响系统稳定性的原因。对网络时延的预测可以分为3步：时间序列预处理、时延自动回归建模、模型参数确定。具体步骤如下：

(1)时延序列的预处理目的是：对网络实测采集大量时延数据样本后，需对样本进行去除奇异数据的预处理，通过鲁棒理论中位数是均值的概念对样本进行平滑估计。

1)由时延样本T(n)构造新的序列T₁(n)：从T(1)开始顺次选取5项的中位数组成T₁(n)。其中T₁(n)比T(n)少4项；

2)T₁(n)开始顺次选取3项的中位数组成T₂(n)；

3)由序列T₂(n)表示T₃(n)，构造汉宁平滑滤波器：

于是设定参数ε，若|T(n)-T³(n)|＞ε，则用一个内插值代替T(n)

(2)时延自动回归(AR)建模：由于(1)中序列为平稳非白噪声序列，因此构造线性模型进行拟合，并提取序列信息。AR模型结构简单，模型参数计算量小，可以减小系统的计算时间，可以针对网络控制系统实现其预测性和实时性的要求，并且对于更复杂的ARMA模型，可以用高阶的AR模型进行逼近。对网络时延进行AR建模，ε_k＝τ_k-y_k。

其中：p是AR模型阶数，加权系数a_ki(i＝1，2，3，…，p)，ε_k是拟合残差，时延实际值τ_k对下一时刻的时延预测值y_k可以通过前p个时延值得到。与此同时，在该次预测结束后，也要根据拟合残差动态的调整相关参数，提高预测的准确性。

再设k时刻的加权系数Φ_k、此刻之前的时延值集合Γ_k，分别为Φ_k＝[a_k1,a_k2,…,a_kp]^T，Γ_k＝[τ_k-1,τ_k-2，…,τ_k-p]^T，可将模型改写为：

(3)模型参数确定

1)阶数p的确定

系统如果想要处于最优状态，模型阶数应当选择合适的数值，所以模型阶数p的选取在建模中较为重要。而通常来讲，最终的预测误差FPE与AIC这两个准则是判定AR模型阶数的两个重要依据。FPE：确定阶数p，使值最小，其中，是线性预测误差的估计方差，N是观测值数目。AIC：确定阶数p，使值最小，其中，是线性预测误差的估计方差，N是观测值数目。

2)加权系数Φ_k的确定

在模型中，加权系数Φ_k的值需要根据网络时延持续更新，因此算法的准确性和实时性都必须作为考虑范围，采用改进型的协方差与最小均方(LMS)结合的优化算法确定Φ_k：

改进型的协方差法作为一种经典算法，虽计算结果的准确性很好，但是因矩阵计算的复杂性，实时性较差；而LMS算法计算量较小，计算结果准确性也较好，但其收敛速度较慢。综上所述，将两种算法进行整合。在离线的状态下，通过改进型协方差法计算Φ_k的初始值；而在线状态下，以LMS算法求解。

于是可得

因Φ_k为二次函数，于是通过梯度法求Φ_k最小值，使最小均方算法收敛。

第二步：τ与0.5T大小判断，根据此步骤，可以决策系统采用的算法，具体操作如图2所示。将时延值τ作为控制算法的输入量，当某一时刻τ<_0.5T(T为采样周期)时采用Fuzzy-Smith算法；当τ>0.5T时采用改进型GPC算法。

第三步：根据第二步的判断，分别采用两种控制方式：

1.当τ<_0.5T，采用Fuzzy-Smith算法时的控制框图。

(1)系统初步建模：结合图4，基于Fuzzy-Smith补偿器系统结构图。Smith预估器是对于时延比较有效的控制器之一，当被控对象的模型已知时，可以借助它将延时环节移到闭环外并进行补偿从而减轻时延影响。D(s)为控制器函数，G_m(s)为预估器的传递函数，G_p(s)为被控对象函数，τ＝τ_m+τ_n，e^-τs为系统时延环节。

当G_m(s)＝G_p(s)时系统闭环传递函数为

可知系统的闭环传函整体推迟了τ_m，系统的时延对整个系统的影响得到抑制。应用Smith预估器的前提要求G_m(s)＝G_p(s)，但实际工程中难以精确对被控对象建模，同时若被控对象的传递函数中含有零点项时，因为系统内外存在扰动，系统将存在稳态误差。所以需要在Smith预估器的基础上模糊控制环节。一般工业中被控的对象最多表示成二阶的系统：

其中T₁、T₂为系统时间常数，K为系统开环增益。开环增益K对系统补偿效果影响较大，从而对其加入模糊环节来抑制被控对象不准确对时延补偿效果的影响。

(2)添加模糊控制后的优化建模：结合图5的模糊规则表，与PID算法相结合，设ΔK的模糊子集为{NB,NM，NS,ZO,PS,PM,PB}，模糊控制器根据模糊控制规则对K_p、K_i、K_d参数在线进行调整。模糊控制的环节以被控对象输出测量值和初始输出之间的误差e＝y-y_m及其变化率e_c作为输入，并将二者设置为7个模糊子集：{NB,NM,NS,ZO,PS,PM,PB}。同时将Smith预估器模型增量变化量ΔK作为输出，以降低预估器参数与实际参数不符时对补偿效果影响。Fuzzy-Smith控制器的传递函数为：

G_m(s)＝G₀(s)(K₀+ΔK)，其中：G₀(s)为预估器初值，K₀为预估器开环增益初始值，ΔK为预估器开环增益修正值。

2.若τ>0.5T，即改进GPC算法时的控制框图。

子第一步：建立系统数学模型。通过受控自回归滑动平均模型(CARIMA)对NCS进行建模：A(z^-1)y(k)＝z^-τB(z^-1)u(k)+C(z^-1)ξ(k)。其中，y(k)为输出、u(k)为控制量及ξ(k)为白噪声，τ为预测时延，

因此，系统输出的预测模型：Y＝Y_m+GΔU，其中：

Y_m＝[y_m(k+τ),…,y_m(k+τ)]^TΔU＝[Δu(k),…,Δu(k+N-τ)]^T

Δu(k+i)＝u(k+i)-u(k+i-1)，i＝0,1,…,N-τ，其中N为预测长度。

其中：

y_m(k+i)＝y(k+i),i≤0

其中s＝min(j-1,n_a)，当j-1＞n_b时b_1,s＝0。

子第二步：GPC算法化简改进：

算法的目的是：使系统输出y(t+l)能够跟踪设定输入y_r(t+l)，设定指标函数J，使其最小。

其中τ_k最小的预测长度，p为最大的预测长度，N为长度，且M≤p，λ>0为系数，Δu位控制量增量。

但采用Diophantine方法求解时，计算过于繁杂，影响实时性，于是对指标函数J进行优化：J＝E{(Y-Y_r)^Γ(Y-Y_r)+ΔUΓΔU}，其中：Γ为控制加权矩阵，相应的控制增量向量为ΔU＝(G^TG+Γ)^-1G^T(Y_r-Y_m)，则预测输出：Y＝Y_m+GΔU＝Y_m+G(G^TG+Τ)^-1G^T(Y_r-Y_m)，此时控制输出：u(k)＝u(k-1)+Δu(k)＝u(k-1)+[1,0,…,0](G^TG+Γ)^-1G^T(Y_r-Y_m)。经过对J的优化，可以降低计算量，从而保证实时性。

第四步：结合图6，为带有误差补偿的多系统并联控制模型。一般来说，对于存在多个被控对象的情况，其系统结构通常分为两类：独立并联控制结构、主从的控制结构，从而演化出两类不同的控制方式。其中独立并联控制方式结构简单，易于应用，但是不能满足同步控制的高性能的指标。主从并联同步控制中被控对象之间往往存在误差，所以要对误差进行补偿。

在同步控制的系统当中，对于i控制对象t时刻的误差可以表示为：e_t＝y₁(t)-y_i(t)，当y_i(t)和y₁(t)完全同步时，e_t＝0。反馈控制器的输入为e_i，e_i＝r(t)k_i-y_i(t)，设f_i(t)是被控制对象i的补偿控制函数，实时同步误差补偿后反馈控制器的输入变为：

e_i＝r(t)·k_ii-y_i(t)+e_t·f_i(t)＝r(t)·k_i-y_i(t)+f_i(t)[y₁(t)-y_i(t)/k_i]

在实际工程中，可以存在一定的同步误差，此时输入为：

其中a的范围由系统精度确定。

综上，本发明远程涉及了一种对机械加工装备经由互联网进行远程监控操作的系统，系统可以实现对位于异地的装置设备的控制，并在远端对装备工况状态、运行信息进行可视显示。它包括由PLC和其控制的机加装备、用于测量电压、电流等信息的传感器组、传递信息的路由器和网络以及完成界面显示与控制操作的服务器。本发明在此基础上对因网络传输过程中产生的时延、丢包等现象对远程控制效果产生的影响采用Fuzzy-Smith与改进型GPC相结合的优化策略进行抑制，并对多个控制对象采用同步误差控制补偿，有效的提升的远程控制效果。

Claims (2)

1.一种基于PLC远程监控终端的优化网络控制装置，其特征在于：包括信息采集部分、信息处理部分、信息传输部分、信息接收部分，信息采集部分与信息处理部分位于车间现场，信息采集部分通过现场的设备装置采集信息并进行远程监控系统采集相应的缓变信息，通过数据压缩算法对缓变信息进行压缩，将压缩后的信息数据传输至远端服务器处；信息传输部分是由现场的有线传输与远程互联网传输进行实现；信息接收部分负责对系统中经由信息传输部分采集到的信息进行监测与可视化的呈现，并可对危险或故障状况进行报警，同时用户可对远程服务器进行访问实现对车间现场监控信息的查看；信息采集部分包括实现具体控制指令的PLC、采集诸模拟量数据的传感器组；信息传输部分包括建立局域网的交换机、连接互联网的路由器，信息处理部分是作为服务器的PC机。

2.一种基于PLC远程监控终端的优化网络控制方法，其特征在于：步骤如下：

第一步：NCS模型建立与τ的求解

具有时延的NCS的典型模型应由执行器、被控对象、传感器反馈控制器组成，其时延τ主要由两部分组成：执行时延τ_sc与传输时延τ_ca；

若系统内各部分时间同步，当相关算法在控制器运行时，τ_sc可以直接测出；而τ_ca是未发生的事件，只能进行预测和估算，从而时延τ_ca是上述多种类型的时延中最能影响系统稳定性的原因，对网络时延的预测可以分为3步：

(1)时延序列的预处理

对网络实测采集大量时延数据样本后，对样本进行去除奇异数据的预处理，通过鲁棒理论中位数是均值的概念对样本进行平滑估计；

1)由时延样本T(n)构造新的序列T₁(n)：从T(1)开始顺次选取5项的中位数组成T₁(n)，其中T₁(n)比T(n)少4项；

2)T₁(n)开始顺次选取3项的中位数组成T₂(n)；

3)由序列T₂(n)表示T₃(n)，构造汉宁平滑滤波器：

于是设定参数ε，若|T(n)-T³(n)|＞ε，则用一个内插值代替T(n)；

(2)时延自动回归AR建模：

对网络时延进行AR建模，ε_k＝τ_k-y_k；

其中：p是AR模型阶数，加权系数a_ki，i＝1，2，3，…，p，ε_k是拟合残差，时延实际值τ_k对下一时刻的时延预测值y_k可以通过前p个时延值得到；

再设k时刻的加权系数Φ_k、此刻之前的时延值集合Γ_k，分别为Φ_k＝[a_k1,a_k2,…,a_kp]^T，Γ_k＝[τ_k-1,τ_k-2，…,τ_k-p]^T，可将模型改写为：

(3)模型参数确定

1)阶数p的确定

最终的预测误差FPE与AIC这两个准则是判定AR模型阶数的两个重要依据，FPE：确定阶数p，使值最小，其中，是线性预测误差的估计方差，N是观测值数目；AIC：确定阶数p，使值最小，其中，是线性预测误差的估计方差，N是观测值数目；

2)加权系数Φ_k的确定

在离线的状态下，通过改进型协方差法计算Φ_k的初始值；而在线状态下，以LMS算法求解，可得：

因Φ_k为二次函数，于是通过梯度法求Φ_k最小值，使最小均方算法收敛；

第二步：τ与0.5T大小判断，根据此步骤决策系统采用的算法，将时延值τ作为控制算法的输入量，当某一时刻τ<_0.5T时采用Fuzzy-Smith算法；当τ>0.5T时采用改进型GPC算法，T为采样周期；

第三步：根据第二步的判断，分别采用两种控制方式：

第一种：当τ<_0.5T，采用Fuzzy-Smith算法时的控制框图：

(1)系统初步建模：

已知D(s)为控制器函数，G_m(s)为预估器的传递函数，G_p(s)为被控对象函数，τ＝τ_m+τ_n，e^-τs为系统时延环节，当G_m(s)＝G_p(s)时系统闭环传递函数为：

可知系统的闭环传函整体推迟了τ_m，系统的时延对整个系统的影响得到抑制；

(2)添加模糊控制后的优化建模：

结合模糊规则表，与PID算法相结合，设ΔK的模糊子集为{NB,NM，NS,ZO,PS,PM,PB}，模糊控制器根据模糊控制规则对K_p、K_i、K_d参数在线进行调整；模糊控制的环节以被控对象输出测量值和初始输出之间的误差e＝y-y_m及其变化率e_c作为输入，并将二者设置为7个模糊子集：{NB,NM,NS,ZO,PS,PM,PB}，同时将Smith预估器模型增量变化量ΔK作为输出，则Fuzzy-Smith控制器的传递函数为：

G_m(s)＝G₀(s)(K₀+ΔK)

其中：G₀(s)为预估器初值，K₀为预估器开环增益初始值，ΔK为预估器开环增益修正值；

第二种：若τ>0.5T，即改进GPC算法时的控制框图：

首先，建立系统数学模型：

通过受控自回归滑动平均模型CARIMA对NCS进行建模：

A(z^-1)y(k)＝z^-τB(z^-1)u(k)+C(z^-1)ξ(k)

其中，y(k)为输出、u(k)为控制量及ξ(k)为白噪声，τ为预测时延，

因此，系统输出的预测模型：

Y＝Y_m+GΔU，

其中：Y_m＝[y_m(k+τ),…,y_m(k+τ)]^T，ΔU＝[Δu(k),…,Δu(k+N-τ)]^T，

Δu(k+i)＝u(k+i)-u(k+i-1)，i＝0,1,…,N-τ，其中N为预测长度，

其中：y_m(k+i)＝y(k+i),i≤0，j＝1,2,…,N-τ+1，s＝min(j-1,n_a)，当j-1＞n_b时b_1,s＝0；

其次，GPC算法化简改进：

算法的目的是：使系统输出y(t+l)能够跟踪设定输入y_r(t+l)，设定指标函数J，使其最小，

其中τ_k最小的预测长度，p为最大的预测长度，N为长度，且M≤p，λ>0为系数，Δu位控制量增量，

对指标函数J进行优化：J＝E{(Y-Y_r)^Γ(Y-Y_r)+ΔUΓΔU}，

其中：Γ为控制加权矩阵，相应的控制增量向量为ΔU＝(G^TG+Γ)^-1G^T(Y_r-Y_m)，则预测输出为：Y＝Y_m+GΔU＝Y_m+G(G^TG+Τ)^-1G^T(Y_r-Y_m)，

此时控制输出为：u(k)＝u(k-1)+Δu(k)＝u(k-1)+[1,0,…,0](G^TG+Γ)^-1G^T(Y_r-Y_m)；

第四步：为带有误差补偿的多系统并联控制模型

在同步控制的系统当中，对于i控制对象t时刻的误差可以表示为：e_t＝y₁(t)-y_i(t)，当y_i(t)和y₁(t)完全同步时，e_t＝0；反馈控制器的输入为e_i，e_i＝r(t)k_i-y_i(t)，设f_i(t)是被控制对象i的补偿控制函数，实时同步误差补偿后反馈控制器的输入变为：

e_i＝r(t)·k_ii-y_i(t)+e_t·f_i(t)＝r(t)·k_i-y_i(t)+f_i(t)[y₁(t)-y_i(t)/k_i]

而存在一定的同步误差时的输入为：

其中：a的范围由系统精度确定。