CN110488888B - 一种基于自适应迭代学习的电阻加热炉温度控制方法 - Google Patents

一种基于自适应迭代学习的电阻加热炉温度控制方法 Download PDF

Info

Publication number
CN110488888B
CN110488888B CN201910595914.XA CN201910595914A CN110488888B CN 110488888 B CN110488888 B CN 110488888B CN 201910595914 A CN201910595914 A CN 201910595914A CN 110488888 B CN110488888 B CN 110488888B
Authority
CN
China
Prior art keywords
temperature
resistance furnace
iteration
control
learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910595914.XA
Other languages
English (en)
Other versions
CN110488888A (zh
Inventor
闫飞
冯帆
田建艳
阎高伟
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.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
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 Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN201910595914.XA priority Critical patent/CN110488888B/zh
Publication of CN110488888A publication Critical patent/CN110488888A/zh
Application granted granted Critical
Publication of CN110488888B publication Critical patent/CN110488888B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
    • F27D19/00—Arrangements of controlling devices
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
    • G05D23/22—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature the sensing element being a thermocouple
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
    • F27D19/00—Arrangements of controlling devices
    • F27D2019/0003—Monitoring the temperature or a characteristic of the charge and using it as a controlling value
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
    • F27D19/00—Arrangements of controlling devices
    • F27D2019/0028—Regulation
    • F27D2019/0034—Regulation through control of a heating quantity such as fuel, oxidant or intensity of current
    • F27D2019/0037—Quantity of electric current

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Feedback Control In General (AREA)
  • Control Of Temperature (AREA)
  • Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)

Abstract

本发明涉及一种基于自适应迭代学习的电阻加热炉温度控制方法，该方法应用于自动控制领域，该电阻加热炉温度控制方法包括以下步骤：1）将热电偶放置于将要研究的电阻炉内，将电阻炉、电子执行器件、热电偶视为一个广义对象；2）引入自适应迭代学习控制方案，尽可能使电阻炉内温度升温过程和保持恒温过程平稳高效，达到温度控制的目的；3）记录实时电阻炉内温度，并在升温过程和保持恒温过程通过步骤（2）进行电阻炉输入电压的自适应迭代学习调整。4）对获取的温度数据进行散点图绘制，绘制完成后判断自适应迭代学习温度控制是否满足设计要求，得到自适应迭代学习温度控制在电阻炉内温度升温过程和保持恒温过程的稳定性，高效性。

Description

一种基于自适应迭代学习的电阻加热炉温度控制方法
技术领域
本发明涉及自动控制领域，具体说是一种基于自适应迭代学习的电阻加热炉温度控制方法。
背景技术
工业加热炉中的电阻炉是工业热处理的常用对象，具有非线性、时变、大惯性大滞后、模型结构具有不确定性的特点。采用传统的PID控制方法需要对对象进行模型识别，控制质量与识别精度直接有关。采用如迭代学习控制的智能控制方法，通过依靠控制经验，设计迭代学习律、专家知识库或者反复学习得到较为理想的控制效果。但是传统的迭代学习温度控制方案依旧需要对模型结构进行识别，实际控制效率与控制质量非常依赖与精确的模型识别，使用自适应迭代学习温度控制方案可以降低迭代学习温度控制方案对于精确模型识别的依赖，只在理论证明和仿真实验阶段需要模型识别的帮助，在实际应用中可以不进行模型识别，研究电阻炉温度自适应迭代学习控制有理论和实际意义。
发明内容
本发明的目的在于改善目前电阻炉温度控制方案的效果和质量依赖于精确模型识别的现状，并且提升电阻炉温度控制方案控制效率与控制质量稳定性，提出一种自适应迭代学习的电阻加热炉温度控制方法，降低电阻加热炉温度控制对于电阻炉精确模型识别的要求，提高控制效率与控制质量。
为实现上述目的，本发明所提供的技术方案为：一种自适应迭代学习的电阻加热炉温度控制方法，包括以下步骤：
一、将热电偶放置于将要研究的电阻炉内，并将热电偶与电阻炉控制仪表连接，并将电阻炉、电子执行器件、热电偶视为一个广义对象；
二、在步骤一的基础上，根据实际要求和控制精度确定时间间隔Δt，总结所有时间点并建立时间节点集合，表示为：T＝{t0，t1，…tj…}，其中tj＝tj-1+Δt；
三、计算电阻炉在各个时间点的期望温度，各个时间节点的期望温度的集合表示为： y(t)＝{y(t0)，y(t1)，…，y(tj)，…}；其中y(tj)表示tj时刻的期望温度；
四、采集电阻炉在各个时间点的温度，各个时间点处实际测量温度的集合表示为：x(t)＝{x(t0)，x(t1)，…，x(tj)，…}，其中x(tj)表示tj时刻测量的温度；
五、对步骤四的测量温度x(t)和步骤三的期望温度y(t)进行处理，得到误差e(t)，表达式为：e(t)＝y(t)-x(t)；
六、在步骤五的基础上，对电阻炉的炉内温度控制进行迭代调整，且所述迭代调整采用自适应迭代学习控制法，其第1次迭代的控制律表示为：
Figure BDA0002117639250000021
x1(t)为各个时间点处第1次实际测量温度的集合，e1(t)为得到的第1次误差，第1次迭代的自适应参数学习律表示为：
Figure BDA0002117639250000022
其中
Figure BDA0002117639250000023
为系统参数的估计值，K，q 为学习增益，
Figure BDA0002117639250000024
七、在步骤六的基础上，将第1次迭代的结果u1(t)代入电阻炉控制仪表，控制仪表根据第1次迭代结果控制电阻炉加热功率，然后进行各个时间点处第2次实际温度测量，重复步骤四至步骤六，对电阻炉的炉内温度控制进行迭代调整，如此依次进行则第k次迭代的控制律表示为：
Figure BDA0002117639250000025
xk(t)为各个时间点处第k次实际测量温度的集合，ek(t)得到的第k次误差；第k次迭代的自适应参数学习律表示为：
Figure BDA0002117639250000026
Figure BDA0002117639250000027
其中
Figure BDA0002117639250000028
为系统参数的估计值，K，q为学习增益；再将第k次迭代的结果uk(t)代入电阻炉控制仪表，控制仪表根据第k次迭代结果控制电阻炉加热功率；
八、在每一次迭代后，将得到的x(t)绘制成曲线图，与期望温度曲线比较，综合迭代次数和误差曲线，当误差达到要求的范围时停止迭代。
本发明所使用自适应迭代学习控制方法，可以简化实际应用过程中对模型识别的过程，通过自适应参数学习律计算所需参数。
附图说明
图1为本发明流程总图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本发明实例所描述的一种自适应迭代学习的电阻加热炉温度控制方法，基本思路依据电阻炉具有非线性、时变、大惯性大滞后、模型结构具有不确定性的特点，提出一种自适应迭代学习的电阻加热炉温度控制方法，降低电阻炉迭代学习温度控制方案对于精确模型识别的依赖性，并且提高控制效率与控制质量，将控制后的温度曲线与期望温度曲线进行对比验证该控制方法的可行性。其情况如下：
一、将热电偶放置于将要研究的电阻炉内，并将热电偶与电阻炉控制仪表连接，并将电阻炉、电子执行器件、热电偶视为一个广义对象，此广义对象的特性主要由电阻炉对象本身特性决定；
电阻炉不完全特性可以用典型近似一阶惯性环节加滞后模型表示；
对电阻炉进行模型识别，可用于证明控制方式的收敛性；
二、在步骤一的基础上，根据实际要求和控制精度确定时间间隔Δt，总结所有时间点并建立时间节点集合，表示为：
T＝{t0，t1，…tj…}，其中tj＝tj-1+Δt；
三、计算电阻炉在各个时间点的期望温度，各个时间节点的期望温度的集合表示为：
y(t)＝{y(t0)，y(t1)，…，y(tj)，…}；其中y(tj)表示tj时刻的期望温度；
四、在步骤二的基础上，采集电阻炉在各个时间点的温度，各个时间点处实际测量温度的集合表示为：
x(t)＝{x(t0)，x(t1)，…，x(tj)，…}，其中x(tj)表示tj时刻测量的温度；
五、对步骤四的测量温度x(t)和步骤三的期望温度y(t)进行处理，得到误差e(t)，表达式为：
e(t)＝x(t)-y(t)；
六、利用电阻炉内温度变化的特性，考虑执行器故障，速度延迟，参数不确定及控制输入约束等因素，在步骤五的基础上，对电阻炉的炉内温度控制进行迭代调整，且所述迭代调整采用自适应迭代学习控制法，其第1次迭代的控制律表示为：
Figure BDA0002117639250000031
x1(t)为各个时间点处第1次实际测量温度的集合，设x1(t)为0，e1(t)为得到的第1次误差；
第1次迭代的自适应参数学习律表示为：
Figure BDA0002117639250000032
其中
Figure BDA0002117639250000033
为系统参数的估计值，K，q为学习增益，具体增益基于对电阻炉的先验认识，
Figure BDA0002117639250000034
七、在步骤六的基础上，将第1次迭代的结果代入电阻炉控制仪表，控制仪表根据第1 次迭代结果控制电阻炉加热功率，然后进行各个时间点处第2次实际温度测量，重复步骤四至步骤六，对电阻炉的炉内温度控制进行迭代调整，其第k次迭代的控制律表示为：
Figure BDA0002117639250000035
第k次迭代的自适应参数学习律表示为：
Figure BDA0002117639250000036
其中
Figure BDA0002117639250000037
为系统参数的估计值，K，q为学习增益；
再将第k次迭代的结果uk(t)代入电阻炉控制仪表，控制仪表根据第k次迭代结果控制电阻炉加热功率；
八、在每一次迭代后，将迭代的结果代入电阻炉控制仪表，控制仪表根据第1次迭代结果控制电阻炉加热功率，将得到的x(t)绘制成曲线图，与期望温度曲线比较，综合迭代次数和误差曲线，得到最优的迭代结果。
本发明所使用自适应迭代学习控制方法，可以简化实际应用过程中对模型识别的过程，通过自适应参数学习律计算所需参数。
综上所述，本发明将自适应迭代学习应用于电阻炉温度控制，克服传统控制方法需要对对象进行模型识别的缺点，并能有效的提高控制效率和控制质量。从技术手段上具有较高的可行性。

Claims (1)

1.一种基于自适应迭代学习的电阻加热炉温度控制方法，其特征在于，包括以下步骤:
一、将热电偶放置于将要研究的电阻炉内，并将热电偶与电阻炉控制仪表连接；
二、在步骤一的基础上，根据实际要求和控制精度确定时间间隔Δt，总结所有时间点并建立时间节点集合，表示为：T＝{t0,t1,…tj…}，其中tj＝tj-1+Δt；
三、计算电阻炉在各个时间点的期望温度，各个时间节点的期望温度的集合表示为：y(t)＝{y(t0),y(t1),…,y(tj),…}；其中y(tj)表示tj时刻的期望温度；
四、采集电阻炉在各个时间点的温度，各个时间点处实际测量温度的集合表示为：x(t)＝{x(t0),x(t1),…,x(tj),…}，其中x(tj)表示tj时刻测量的温度；
五、对步骤四的测量温度x(t)和步骤三的期望温度y(t)进行处理，得到误差e(t)，表达式为：e(t)＝y(t)-x(t)；
六、在步骤五的基础上，对电阻炉的炉内温度控制进行迭代调整，且所述迭代调整采用自适应迭代学习控制法，其第1次迭代的控制律表示为：
Figure FDA0002117639240000011
x1(t)为各个时间点处第1次实际测量温度的集合，e1(t)为得到的第1次误差，第1次迭代的自适应参数学习律表示为：
Figure FDA0002117639240000012
其中
Figure FDA0002117639240000013
为系统参数的估计值，K，q为学习增益，
Figure FDA0002117639240000014
七、在步骤六的基础上，将第1次迭代的结果u1(t)代入电阻炉控制仪表，控制仪表根据第1次迭代结果控制电阻炉加热功率，然后进行各个时间点处第2次实际温度测量，重复步骤四至步骤六，对电阻炉的炉内温度控制进行迭代调整，如此依次进行则第k次迭代的控制律表示为：
Figure FDA0002117639240000015
xk(t)为各个时间点处第k次实际测量温度的集合，ek(t)得到的第k次误差；第k次迭代的自适应参数学习律表示为：
Figure FDA0002117639240000016
Figure FDA0002117639240000017
其中
Figure FDA0002117639240000018
为系统参数的估计值，K，q为学习增益；再将第k次迭代的结果uk(t)代入电阻炉控制仪表，控制仪表根据第k次迭代结果控制电阻炉加热功率；
八、在每一次迭代后，将得到的x(t)绘制成曲线图，与期望温度曲线比较，综合迭代次数和误差曲线，当误差达到要求的范围时停止迭代。
CN201910595914.XA 2019-07-03 2019-07-03 一种基于自适应迭代学习的电阻加热炉温度控制方法 Active CN110488888B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910595914.XA CN110488888B (zh) 2019-07-03 2019-07-03 一种基于自适应迭代学习的电阻加热炉温度控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910595914.XA CN110488888B (zh) 2019-07-03 2019-07-03 一种基于自适应迭代学习的电阻加热炉温度控制方法

Publications (2)

Publication Number Publication Date
CN110488888A CN110488888A (zh) 2019-11-22
CN110488888B true CN110488888B (zh) 2020-11-27

Family

ID=68546536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910595914.XA Active CN110488888B (zh) 2019-07-03 2019-07-03 一种基于自适应迭代学习的电阻加热炉温度控制方法

Country Status (1)

Country Link
CN (1) CN110488888B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112327971B (zh) * 2020-10-27 2021-06-15 江南大学 金属棒温度分布系统的鲁棒启发式迭代学习控制方法
CN113819770A (zh) * 2021-09-13 2021-12-21 安徽首矿大昌金属材料有限公司 一种温升曲线可控电加热炉控制方法
CN114542251B (zh) * 2022-03-18 2023-01-20 潍柴动力股份有限公司 一种电加热催化剂载体电阻故障诊断方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122133A (zh) * 2011-01-21 2011-07-13 北京工业大学 自适应小波神经网络异常检测故障诊断分类系统及方法
CN104049534A (zh) * 2014-04-29 2014-09-17 河海大学常州校区 微陀螺仪的自适应迭代学习控制方法
CN105093926A (zh) * 2015-07-27 2015-11-25 浙江工业大学 一种迭代学习控制参考轨迹的优化匹配组合方法
CN105843037A (zh) * 2016-04-11 2016-08-10 中国科学院自动化研究所 基于q学习的智能楼宇温度控制方法
CN109188903A (zh) * 2018-08-20 2019-01-11 北京化工大学 基于记忆增强优化的cnn加热炉操作变量的软测量方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9768690B2 (en) * 2014-12-17 2017-09-19 Telefonaktiebolaget Lm Ericsson (Publ) Switched mode power supply output stage configuration

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122133A (zh) * 2011-01-21 2011-07-13 北京工业大学 自适应小波神经网络异常检测故障诊断分类系统及方法
CN104049534A (zh) * 2014-04-29 2014-09-17 河海大学常州校区 微陀螺仪的自适应迭代学习控制方法
CN105093926A (zh) * 2015-07-27 2015-11-25 浙江工业大学 一种迭代学习控制参考轨迹的优化匹配组合方法
CN105093926B (zh) * 2015-07-27 2018-05-04 浙江工业大学 一种迭代学习控制参考轨迹的优化匹配组合方法
CN105843037A (zh) * 2016-04-11 2016-08-10 中国科学院自动化研究所 基于q学习的智能楼宇温度控制方法
CN109188903A (zh) * 2018-08-20 2019-01-11 北京化工大学 基于记忆增强优化的cnn加热炉操作变量的软测量方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于自学习逻辑控制的温度控制研究;林鹏程;《中国优秀硕士学位论文》;20110314;全文 *
空调系统迭代学习控制的改进研究;王竣民;《中国优秀硕士学位论文》;20150520;全文 *

Also Published As

Publication number Publication date
CN110488888A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
CN110488888B (zh) 一种基于自适应迭代学习的电阻加热炉温度控制方法
Tsai et al. Multivariable self-tuning temperature control for plastic injection molding process
CN105334736B (zh) 一种分数阶模型预测控制的加热炉温度控制方法
CN105807632B (zh) 一种基于改进大林算法的加热炉温度控制器设计方法
JP2010281315A (ja) グロープラグの温度を制御する方法及びグロープラグ制御ユニット
CN103257658B (zh) 加料料罐温度控制方法及系统
CN107544255B (zh) 一种批次注塑过程的状态补偿模型控制方法
CN105911862B (zh) 一种电加热炉温度控制方法
CN108181812A (zh) 一种基于bp神经网络的阀门定位器pi参数整定方法
CN112327971A (zh) 金属棒温度分布系统的鲁棒启发式迭代学习控制方法
CN104898426A (zh) 基于梯度下降法和广义预测控制的室温回路控制方法
CN115543006A (zh) 基于神经网络的光伏模块最大功率点跟踪方法及系统
Chidrawar et al. Generalized predictive control and neural generalized predictive control
CN105974798A (zh) 电加热炉的多模型分数阶加权预测函数控制方法
EP1852757A1 (en) Model structure parameter decision method, parameter decision device, control device, and temperature adjustment device
Alkhafaji et al. A novel PID robotic for speed controller using optimization based tune technique
CN113534661B (zh) 基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法
RU2384872C2 (ru) Способ автоматической оптимальной импульсной настройки системы управления
RU2243584C2 (ru) Способ оптимальной автоматической настройки системы управления
Rahmat et al. iTCLab PID Control Tuning Using Deep Learning
Damri et al. Optimizing the PID controller for slow varying set point
CN111781821B (zh) SISO紧格式无模型控制器基于Attention机制循环神经网络的参数自整定方法
Dang et al. Accurate motion regeneration technique with robust control approach
CN103064286A (zh) 一种工业过程的控制方法与设备
Halder et al. Closed Loop Temperature Control System Design Using Conventional and Advanced Intelligent Controller

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
GR01 Patent grant
GR01 Patent grant