CN111830833B - 基于模范系统的对象辨识及控制系统优化整定方法 - Google Patents

基于模范系统的对象辨识及控制系统优化整定方法 Download PDF

Info

Publication number
CN111830833B
CN111830833B CN202010758066.2A CN202010758066A CN111830833B CN 111830833 B CN111830833 B CN 111830833B CN 202010758066 A CN202010758066 A CN 202010758066A CN 111830833 B CN111830833 B CN 111830833B
Authority
CN
China
Prior art keywords
model
parameters
time delay
parameter
control system
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
CN202010758066.2A
Other languages
English (en)
Other versions
CN111830833A (zh
Inventor
邱育东
张文生
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.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
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 Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202010758066.2A priority Critical patent/CN111830833B/zh
Publication of CN111830833A publication Critical patent/CN111830833A/zh
Application granted granted Critical
Publication of CN111830833B publication Critical patent/CN111830833B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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

Landscapes

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

Abstract

本发明属于控制系统优化技术领域，具体涉及了一种基于模范系统的对象辨识及控制系统优化整定方法，旨在解决现有技术无法优化无时延受控对象且效率低的问题。本发明包括：构建有时延或无时延系统被控对象、控制器和滤波器以及模范系统模范滤波器和模范对象的数学模型；设置系统估计对象参数的初始值；将幅值R的跳跃信号作为测试输入，获取系统的测试输出和模范系统的测试输出，计算系统的对象参数的修正值以及系统特定评价指标；迭代进行系统估计对象参数的修正直至系统特定评价指标最优，获得有时延或无时延的对象辨识参数及优化整定后的控制系统。本发明对于有时延和无时延系统的优化整定过程快、算法稳定、可靠性及抗干扰能力高、现场应用便利。

Description

基于模范系统的对象辨识及控制系统优化整定方法
技术领域
本发明属于控制系统优化技术领域，具体涉及了一种基于模范系统的对象辨识及控制系统优化整定方法。
背景技术
当前工业过程控制中常用的控制系统优化方法基本分为三类：一类是操作人员凭经验逐一就具体对象对PID控制参数进行整定的方法，缺点是凭人的经验随意性大，无法确保优化结果；再一类是先对具体对象进行模型参数辨识，之后以某目标的寻优过程来确定调节控制参数，然而辨识算法一般较为复杂，且需逐一对具体对象进行反复搜索、迭代、逼近的寻优过程，使得在实施、维护中耗时费力，存在不易推广普及的限制；还有一类采用在线自适应调节控制器参数的各种算法，这些算法同样存在算法复杂，仅对某种对象适用、鲁棒性差，需高级技术人员实施、应用成本高等不利因素。
专利《基于模范系统的优化控制系统方法》[1]提出一种控制系统优化方法，针对工业过程中常见的对象类型，按指定的模范系统和需求目标的寻优过程获得优化参数，并建立模范系统优化的响应曲线为模板；通过在线地对特定的实际受控系统进行信号激励，参照上述模板逐步地解算(辨识)出受控对象的各参数，进而便捷地推算优化控制系统的PID控制与滤波参数，即可实现对该实际对象的优化控制。采用基于模范系统优化响应模板的控制参数在线整定方法，可用于维护控制系统长期在优化状态下运行。但此方法也存在以下不足：一是现有模范系统只针对有明显时延响应的受控对象，而不包括无时延对象；二是参数辨识方法和在线控制参数整定方法还是有些差异且需多次激励响应逐步地完成(每次仅获得一个参数)，即使在系统日常运行维护过程(此时通常是因为执行机构逐渐积累的磨损使参数发生偏移)中也需每次一个参数地逐步完成，因此对于在线的运行工况影响较大、维护效率受限。
总的来说，传统的控制系统优化方法算法复杂，仅对某种对象适用、鲁棒性差，需高级技术人员实施、应用成本高，而现有基于模范系统的控制系统优化方法只针对有明显时延响应的受控对象，并且每次仅获得一个参数，对于在线的运行工况影响较大、系统优化效率低。
以下文献是与本发明相关的技术背景资料：
[1]邱育东、张文生，基于模范系统的优化控制系统方法，2015.08.24，CN105182932B.
发明内容
为了解决现有技术中的上述问题，即现有技术无法进行无时延受控对象优化，并且优化效率低的问题，本发明提供了一种基于模范系统的对象辨识及控制系统优化整定方法，该方法包括：
步骤S10，构建有时延控制系统中被控对象Gp、滤波器Gf和控制器Gc以及模范系统中模范滤波器Gfo和模范对象Go的数学模型，并确定优化参数；构建无时延控制系统中被控对象Gp、滤波器Gf和控制器Gc以及模范系统中模范滤波器Gfo和模范对象Go的数学模型，并确定优化参数；
步骤S20，设置有时延或无时延系统的估计对象参数的初始值；
步骤S30，将幅值R的跳跃信号作为系统的测试输入，获取有时延或无时延控制系统的测试输出
Figure BDA0002612231000000021
和模范系统的测试输出
Figure BDA0002612231000000022
基于幅值R、有时延或无时延控制系统的测试输出
Figure BDA0002612231000000031
和模范系统的测试输出
Figure BDA0002612231000000032
计算有时延或无时延系统的对象参数的修正值；基于所述有时延或无时延控制系统的测试输出
Figure BDA0002612231000000033
和模范系统的测试输出
Figure BDA0002612231000000034
计算有时延或无时延系统的特定评价指标Sdyo；
步骤S40，若为首次测试，则跳转步骤S50；否则，判断所述特定评价指标Sdyo是否小于备份的特定评价指标Sdyo，若是则跳转步骤S50，否则跳转步骤S60；
步骤S50，备份本次测试中的估计对象参数及控制参数和特定评价指标，基于有时延或无时延系统的对象参数的修正值对当前估计对象参数进行修正，以修正的估计对象参数替换当前控制系统和模范系统中的估计对象参数，并跳转步骤S30；
步骤S60，将备份的参数替换当前系统的参数，获得有时延或无时延的对象辨识参数及优化整定后的控制系统。
在一些优选的实施例中，步骤S10中“构建有时延控制系统中被控对象Gp、滤波器Gf和控制器Gc以及模范系统中模范滤波器Gfo和模范对象Go的数学模型，并确定优化参数”，其方法为：
Figure BDA0002612231000000035
(K2≥0；K1＞0；K0≥0；τ＞0)
其中，S为拉氏算子；K0,K1,K2,τ为实际对象参数，K0为积分因子，K1为比例因子，K2为微分因子，τ为实际时延值；
Figure BDA0002612231000000036
其中，
Figure BDA0002612231000000037
为跟随参数，α1为优化跟随参数；
Figure BDA0002612231000000038
为抗干扰参数，α2为优化抗干扰参数；α1,α2为优化参数；
Figure BDA0002612231000000041
Figure BDA0002612231000000042
其中，
Figure BDA0002612231000000043
为控制器参数，
Figure BDA0002612231000000044
为比例系数，
Figure BDA0002612231000000045
为积分系数，
Figure BDA0002612231000000046
为微分系数，
Figure BDA0002612231000000047
为滤波系数，
Figure BDA0002612231000000048
为估计时延值；
Figure BDA0002612231000000049
为系统的估计对象参数，
Figure BDA00026122310000000410
为对象参数实际时延与估计时延的差值；
Figure BDA00026122310000000411
Figure BDA00026122310000000412
在一些优选的实施例中，步骤S10中“构建无时延控制系统中被控对象Gp、滤波器Gf和控制器Gc以及模范系统中模范滤波器Gfo和模范对象Go的数学模型，并确定优化参数”，其方法为：
Figure BDA00026122310000000413
其中，S为拉氏算子；K0,K1,K2为实际对象参数，K0为积分因子，K1为比例因子，K2为微分因子；
Figure BDA00026122310000000414
其中，
Figure BDA00026122310000000415
为跟随参数，α1为优化跟随参数；
Figure BDA00026122310000000416
为抗干扰参数，α2为优化抗干扰参数，To是优化响应时间常数；α1,α2,To为优化参数；
Figure BDA0002612231000000051
Figure BDA0002612231000000052
其中，
Figure BDA0002612231000000053
为控制器参数，
Figure BDA0002612231000000054
为比例系数，
Figure BDA0002612231000000055
为积分系数，
Figure BDA0002612231000000056
为微分系数，
Figure BDA0002612231000000057
为滤波系数；
Figure BDA0002612231000000058
为系统的估计对象参数；
Figure BDA0002612231000000059
Figure BDA00026122310000000510
在一些优选的实施例中，步骤S20中“设置有时延或无时延系统的估计对象参数的初始值”，其方法为：
若系统首次进行对象辨识及优化整定，则基于能使系统稳定的估算值设置有时延或无时延系统的估计对象参数的初始值；
若系统为维护阶段，则基于对象原有辨识值设置有时延或无时延系统的估计对象参数的初始值。
在一些优选的实施例中，所述有时延系统的对象参数的修正值，其计算方法为：
Figure BDA00026122310000000511
Figure BDA00026122310000000512
Figure BDA0002612231000000061
其中，dK0,dK1,dK2,Δ为实际对象参数K0,K1,K2,τ与估计对象参数
Figure BDA0002612231000000062
的偏差量；T大于有时延系统的稳定时间，为测试时间。
在一些优选的实施例中，所述无时延系统的对象参数的修正值，其计算方法为：
Figure BDA0002612231000000063
Figure BDA0002612231000000064
Figure BDA0002612231000000071
其中，dK0,dK1,dK2为实际对象参数K0,K1,K2与估计对象参数
Figure BDA0002612231000000072
的偏差量；T大于无时延系统的稳定时间，为测试时间。
在一些优选的实施例中，所述特定评价指标Sdyo，其计算方法为：
Figure BDA0002612231000000073
其中，
Figure BDA0002612231000000074
和
Figure BDA0002612231000000075
为有时延或无时延的控制系统的测试输出和模范系统的测试输出。
在一些优选的实施例中，步骤S50中“基于有时延系统的对象参数的修正值对当前估计对象参数进行修正”，其方法为：
Figure BDA0002612231000000076
在一些优选的实施例中，步骤S50中“基于无时延系统的对象参数的修正值对当前估计对象参数进行修正”，其方法为：
Figure BDA0002612231000000077
在一些优选的实施例中，步骤S10中“确定优化参数”还包括：
若控制需求未变化，则在更换受控对象之后或维护原控制系统时，沿用原有的优化参数；
若控制需求产生变化，则基于模范系统模型重新确定新的优化参数。
本发明的有益效果：
(1)本发明基于模范系统的对象辨识及控制系统优化整定方法，在《基于模范系统的优化控制系统方法》中的模型的基础上，增加针对无时滞对象的模范系统模型，扩大方法的适用范围；创立能在单次激励响应中同时解算修正受控对象三个对象参数(辨识过程)并调整换算控制与滤波器各参数(整定过程)的算法，增加系统响应与模范响应比对偏差的特定评价指标；重新设定统一的对象辨识和优化控制整定流程，建立特定评价指标的判别策略，实现快速逼近且同步地辨识出对象各参数和整定好优化控制所有参数；在日常系统维护中，同样用前述算法、操作流程、判别策略，可在线快捷地优化、修正控制系统存在的偏差。
(2)本发明基于模范系统的对象辨识及控制系统优化整定方法，其控制器形式等价于PID控制器，对于能用PID调节使受控系统稳定的对象都适用，并且在解算辨识对象参数时对测量的实际受控系统响应都进行了积分，可消除一定的噪声干扰，得到稳定可靠的结果，因此本发明方法更适用于有随机扰动的实际控制场合。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明基于模范系统的对象辨识及控制系统优化整定方法的辨识整定流程示意图；
图2是本发明基于模范系统的对象辨识及控制系统优化整定方法一种实施例的控制系统结构示意图；
图3是本发明基于模范系统的对象辨识及控制系统优化整定方法一种实施例的模范系统结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种基于模范系统的对象辨识及控制系统优化整定方法，本方法在基于模范系统的优化控制系统方法的模型的基础上，增加针对无时滞对象的模范系统模型，扩大方法的适用范围；创立能在单次激励响应中同时解算修正受控对象三个对象参数(辨识过程)并调整换算控制与滤波器各参数(整定过程)的算法，增加系统响应与模范响应比对偏差的特定评价指标；重新设定统一的对象辨识和优化控制整定流程，建立特定评价指标的判别策略，实现快速逼近且同步地辨识出对象各参数和整定好优化控制所有参数；在日常系统维护中，同样用前述算法、操作流程、判别策略，可在线快捷地优化、修正控制系统存在的偏差。
本发明的一种基于模范系统的对象辨识及控制系统优化整定方法，该方法包括：
步骤S10，构建有时延控制系统中被控对象Gp、滤波器Gf和控制器Gc以及模范系统中模范滤波器Gfo和模范对象Go的数学模型，并确定优化参数；构建无时延控制系统中被控对象Gp、滤波器Gf和控制器Gc以及模范系统中模范滤波器Gfo和模范对象Go的数学模型，并确定优化参数；
步骤S20，设置有时延或无时延系统的估计对象参数的初始值；
步骤S30，将幅值R的跳跃信号作为系统的测试输入，获取有时延或无时延控制系统的测试输出
Figure BDA0002612231000000101
和模范系统的测试输出
Figure BDA0002612231000000102
基于幅值R、有时延或无时延控制系统的测试输出
Figure BDA0002612231000000103
和模范系统的测试输出
Figure BDA0002612231000000104
计算有时延或无时延系统的对象参数的修正值；基于所述有时延或无时延控制系统的测试输出
Figure BDA0002612231000000105
和模范系统的测试输出
Figure BDA0002612231000000106
计算有时延或无时延系统的特定评价指标Sdyo；
步骤S40，若为首次测试，则跳转步骤S50；否则，判断所述特定评价指标Sdyo是否小于备份的特定评价指标Sdyo，若是则跳转步骤S50，否则跳转步骤S60；
步骤S50，备份本次测试中的估计对象参数及控制参数和特定评价指标，基于有时延或无时延系统的对象参数的修正值对当前估计对象参数进行修正，以修正的估计对象参数替换当前控制系统和模范系统中的估计对象参数，并跳转步骤S30；
步骤S60，将备份的参数替换当前系统的参数，获得有时延或无时延的对象辨识参数及优化整定后的控制系统。
为了更清晰地对本发明基于模范系统的对象辨识及控制系统优化整定方法进行说明，下面结合图1对本发明实施例中各步骤展开详述。
本发明第一实施例的基于模范系统的对象辨识及控制系统优化整定方法，包括步骤S10-步骤S60，各步骤详细描述如下：
步骤S10，构建有时延控制系统中被控对象Gp、滤波器Gf和控制器Gc以及模范系统中模范滤波器Gfo和模范对象Go的数学模型，并确定优化参数。
如图2和图3所示，分别为本发明基于模范系统的对象辨识及控制系统优化整定方法一种实施例的控制系统和模范系统结构示意图，其各部分的有时延数学模型如下：
控对象Gp的数学模型，如式(1)所示：
Figure BDA0002612231000000111
其中，S为拉氏算子；K0,K1,K2,τ为实际对象参数，K0为积分因子，K1为比例因子，K2为微分因子，τ为实际时延值。
滤波器Gf的数学模型，如式(2)所示：
Figure BDA0002612231000000112
其中，
Figure BDA0002612231000000113
为跟随参数，α1为优化跟随参数；
Figure BDA0002612231000000114
为抗干扰参数，α2为优化抗干扰参数；α1,α2为优化参数。
控制器Gc的数学模型，如式(3)所示：
Figure BDA0002612231000000121
Figure BDA0002612231000000122
其中，
Figure BDA0002612231000000123
为控制器参数，
Figure BDA0002612231000000124
为比例系数，
Figure BDA0002612231000000125
为积分系数，
Figure BDA0002612231000000126
为微分系数，
Figure BDA0002612231000000127
为滤波系数，
Figure BDA0002612231000000128
为估计时延值；
Figure BDA0002612231000000129
为系统的估计对象参数，
Figure BDA00026122310000001210
为对象参数实际时延与估计时延的差值。
模范滤波器Gfo的数学模型，如式(4)所示：
Figure BDA00026122310000001211
模范对象Go的数学模型，如式(5)所示：
Figure BDA00026122310000001212
根据控制需求，确定优化参数，在有时延系统中，优化参数为α1,α2。
步骤S10中“确定优化参数”还包括：
若控制需求未变化，则在更换受控对象之后或维护原控制系统时，沿用原有的优化参数；
若控制需求产生变化，则基于模范系统模型重新确定新的优化参数。
本发明一个实施例中，根据控制要求对有时延的模范系统响应的ITAE目标优化后可以确定优化参数α1＝0.00598,α2＝0.384。有多种方法对模范系统响应的需求目标优化后可确定优化参数，具体的不限，本发明在此不一一详述。
步骤S20，设置有时延系统的估计对象参数的初始值。
幅值R的跳跃信号是指初态和稳态的幅值差为R且跃升过程曲线不限的激励信号(跃升过程可以是阶跃信号、斜坡信号或正弦波上升段信号)。
若系统首次进行对象辨识及优化整定，则基于能使系统稳定的估算值设置有时延系统的估计对象参数的初始值；
若系统为维护阶段，则基于原有辨识值设置有时延系统的估计对象参数的初始值。
步骤S30，将幅值R的跳跃信号作为系统的测试输入，获取有时延控制系统的测试输出
Figure BDA0002612231000000134
和模范系统的测试输出
Figure BDA0002612231000000133
基于幅值R、有时延控制系统的测试输出
Figure BDA0002612231000000138
和模范系统的测试输出
Figure BDA0002612231000000135
计算有时延系统的对象参数的修正值；基于所述有时延控制系统的测试输出
Figure BDA0002612231000000136
和模范系统的测试输出
Figure BDA0002612231000000137
计算有时延系统的特定评价指标Sdyo。
有时延系统的对象参数的修正值，其计算方法如式(6)、式(7)和式(8)所示：
Figure BDA0002612231000000131
Figure BDA0002612231000000132
Figure BDA0002612231000000141
其中，dK0,dK1,dK2,Δ为实际对象参数K0,K1,K2,τ与估计对象参数
Figure BDA0002612231000000142
的偏差量；T大于有时延系统的稳定时间，为测试时间。
特定评价指标Sdyo，其计算方法如式(9)所示：
Figure BDA0002612231000000143
其中，
Figure BDA0002612231000000144
和
Figure BDA0002612231000000145
为有时延的控制系统的测试输出和模范系统的测试输出。
步骤S40，若为首次测试，则跳转步骤S50；否则，判断所述特定评价指标Sdyo是否小于备份的特定评价指标Sdyo，若是则跳转步骤S50，否则跳转步骤S60。
若系统为首次测试，备份中没有参数和特定评价指标，则跳转步骤S50进行参数备份和修正。
若系统不是首次测试，则判断此时获取的特定评价指标Sdyo是否小于备份的特定评价指标Sdyo，若是则跳转步骤S50进行参数备份和修正；若不是，则说明此时的参数为最优参数。
步骤S50，备份本次测试中的估计对象参数及控制参数和特定评价指标，基于有时延系统的对象参数的修正值对当前估计对象参数进行修正，以修正的估计对象参数替换当前控制系统和模范系统中的估计对象参数，并跳转步骤S30。
基于有时延系统的对象参数的修正值对当前估计对象参数进行修正，其方法如式(10)所示：
Figure BDA0002612231000000151
用K0,K1,K2,τ更新
Figure BDA0002612231000000152
并通过式(3)换算控制参数值
Figure BDA0002612231000000153
备份本次测试中的参数，包括：
有时延系统：备份对象参数
Figure BDA0002612231000000154
备份控制参数
Figure BDA0002612231000000155
与滤波参数
Figure BDA0002612231000000156
备份特定评价指标Sdyo；
步骤S60，将备份的参数
Figure BDA0002612231000000157
作为当前系统的对象辨识参数，将备份的参数
Figure BDA0002612231000000158
与
Figure BDA0002612231000000159
作为当前系统的整定参数，获得有时延的对象辨识参数及优化整定后的控制系统。
本发明第二实施例的基于模范系统的对象辨识及控制系统优化整定方法，包括步骤S10-步骤S60，各步骤详细描述如下：
步骤S10，构建无时延控制系统中被控对象Gp、滤波器Gf和控制器Gc以及模范系统中模范滤波器Gfo和模范对象Go的数学模型，并确定优化参数。
如图2和图3所示，分别为本发明基于模范系统的对象辨识及控制系统优化整定方法一种实施例的控制系统和模范系统结构示意图，其各部分的无时延数学模型如下：
被控对象Gp的数学模型，如式(11)所示：
Figure BDA0002612231000000161
其中，S为拉氏算子；K0,K1,K2为实际对象参数，K0为积分因子，K1为比例因子，K2为微分因子。
滤波器Gf的数学模型，如式(12)所示：
Figure BDA0002612231000000162
其中，
Figure BDA0002612231000000163
为跟随参数，α1为优化跟随参数；
Figure BDA0002612231000000164
为抗干扰参数，α2为待优化抗干扰参数，To是优化响应时间常数；α1,α2,To为优化参数。
控制器Gc的数学模型，如式(13)所示：
Figure BDA0002612231000000165
Figure BDA0002612231000000166
其中，
Figure BDA0002612231000000167
为控制器参数，
Figure BDA0002612231000000168
为比例系数，
Figure BDA0002612231000000169
为积分系数，
Figure BDA00026122310000001610
为微分系数，
Figure BDA00026122310000001611
为滤波系数；
Figure BDA00026122310000001612
为系统的估计对象参数。
模范滤波器Gfo的数学模型，如式(14)所示：
Figure BDA0002612231000000171
模范对象Go的数学模型，如式(15)所示：
Figure BDA0002612231000000172
根据控制需求，确定优化参数，在无时延系统中，优化参数为α1,α2和To。
步骤S10中“确定优化参数”还包括：
若控制需求未变化，则在更换受控对象之后或维护原控制系统时，沿用原有的优化参数；
若控制需求产生变化，则基于模范系统模型重新确定新的优化参数。
本发明一个实施例中，根据控制要求对无时延的模范系统响应的目标优化后可以确定优化参数α1＝0.5,α2＝1.0；响应时间常数To＝0.35。根据
Figure BDA0002612231000000173
分别计算获得跟随参数
Figure BDA0002612231000000174
抗干扰参数
Figure BDA0002612231000000175
有多种方法对模范系统响应的需求目标优化后可确定优化参数，具体的不限，本发明在此不一一详述；响应时间常数取值越小响应越快，但受采样周期和对象种类制约。
步骤S20，设置无时延系统的估计对象参数的初始值。
幅值R的跳跃信号是指初态和稳态的幅值差为R且跃升过程曲线不限的激励信号(跃升过程可以是阶跃信号、斜坡信号或正弦波上升段信号)。
若系统首次进行对象辨识及优化整定，则基于能使系统稳定的估算值设置无时延系统的估计对象参数的初始值；
若系统为维护阶段，则基于原有辨识值设置无时延系统的估计对象参数的初始值。
步骤S30，将幅值R的跳跃信号作为系统的测试输入，获取无时延控制系统的测试输出
Figure BDA0002612231000000187
和模范系统的测试输出
Figure BDA0002612231000000188
基于幅值R、无时延控制系统的测试输出
Figure BDA0002612231000000189
和模范系统的测试输出
Figure BDA00026122310000001811
计算无时延系统的对象参数的修正值；基于所述无时延控制系统的测试输出
Figure BDA00026122310000001810
和模范系统的测试输出
Figure BDA00026122310000001812
计算无时延系统的特定评价指标Sdyo。
无时延系统的对象参数的修正值，其计算方法如式(16)、式(17)和式(18)所示：
Figure BDA0002612231000000181
Figure BDA0002612231000000182
Figure BDA0002612231000000183
其中，dK0,dK1,dK2为实际对象参数K0,K1,K2与估计对象参数
Figure BDA0002612231000000184
的偏差量；T大于无时延系统的稳定时间，为测试时间。
特定评价指标Sdyo，其计算方法与第一实施例的有时延系统中评价指标Sdyo的式(9)的计算公式一致，其中，式中的
Figure BDA0002612231000000185
和
Figure BDA0002612231000000186
为无时延的控制系统的测试输出和模范系统的测试输出。
步骤S40，若为首次测试，则跳转步骤S50；否则，判断所述特定评价指标Sdyo是否小于备份的特定评价指标Sdyo，若是则跳转步骤S50，否则跳转步骤S60。
若系统为首次测试，备份中没有参数和特定评价指标，则跳转步骤S50进行参数备份和修正。
若系统不是首次测试，则判断此时获取的特定评价指标Sdyo是否小于备份的特定评价指标Sdyo，若是则跳转步骤S50进行参数备份和修正；若不是，则说明此时的参数为最优参数。
步骤S50，备份本次测试中的估计对象参数及控制参数和特定评价指标，基于无时延系统的对象参数的修正值对当前估计对象参数进行修正，以修正的估计对象参数替换当前控制系统和模范系统中的估计对象参数，并跳转步骤S30。
基于无时延系统的对象参数的修正值对当前估计对象参数进行修正，其方法如式(19)所示：
Figure BDA0002612231000000191
用K0,K1,K2更新
Figure BDA0002612231000000192
并通过式(12)换算控制参数值
Figure BDA0002612231000000193
备份本次测试中的参数，包括：
无时延系统：备份对象参数
Figure BDA0002612231000000194
备份控制参数
Figure BDA0002612231000000195
与滤波参数
Figure BDA0002612231000000196
备份特定评价指标Sdyo。
步骤S60，将备份的参数
Figure BDA0002612231000000197
作为当前系统的对象辨识参数及响应时间常数，将备份的参数
Figure BDA0002612231000000198
与
Figure BDA0002612231000000199
作为当前系统的整定参数，获得无时延的对象辨识参数及优化整定后的控制系统。
需要说明的是，上述实施例提供的基于模范系统的对象辨识及控制系统优化整定方法，仅以上述各步骤的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的步骤来完成，即将本发明实施例中的步骤再分解或者组合，例如，上述实施例的步骤可以合并为一个步骤，也可以进一步拆分成多个子步骤，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的步骤的名称，仅仅是为了区分各个步骤，不视为对本发明的不当限定。
本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于模范系统的对象辨识及控制系统优化整定方法。
本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于模范系统的对象辨识及控制系统优化整定方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (9)

1.一种基于模范系统的对象辨识及控制系统优化整定方法，其特征在于，该方法包括：
步骤S10，构建有时延控制系统中被控对象Gp、滤波器Gf和控制器Gc以及模范系统中模范滤波器Gfo和模范对象Go的数学模型，并确定优化参数；构建无时延控制系统中被控对象Gp、滤波器Gf和控制器Gc以及模范系统中模范滤波器Gfo和模范对象Go的数学模型，并确定优化参数；
步骤S20，分别设置有时延和无时延系统的估计对象参数的初始值；
步骤S30，将幅值R的跳跃信号作为系统的测试输入，分别获取有时延和无时延控制系统的测试输出
Figure FDA0003104688130000011
和模范系统的测试输出
Figure FDA0003104688130000012
基于幅值R、有时延和无时延控制系统的测试输出
Figure FDA0003104688130000013
和模范系统的测试输出
Figure FDA0003104688130000014
分别计算有时延和无时延系统的对象参数的修正值；基于所述有时延和无时延控制系统的测试输出
Figure FDA0003104688130000015
和模范系统的测试输出
Figure FDA0003104688130000016
分别计算有时延和无时延系统的特定评价指标Sdyo；
步骤S40，若为首次测试，则跳转步骤S50；否则，分别判断所述有时延和无时延系统的特定评价指标Sdyo是否小于对应的备份的特定评价指标Sdyo，若是则跳转步骤S50，否则跳转步骤S60；
步骤S50，备份本次测试中的估计对象参数及控制参数和特定评价指标，分别基于有时延和无时延系统的对象参数的修正值对当前估计对象参数进行修正，并分别以修正的估计对象参数替换对应的控制系统和模范系统中的估计对象参数，并跳转步骤S30；
步骤S60，分别将备份的参数替换对应的系统的参数，获得有时延和无时延的对象辨识参数及优化整定后的控制系统；
其中，所述特定评价指标Sdyo，其计算方法为：
Figure FDA0003104688130000021
其中，
Figure FDA0003104688130000022
和
Figure FDA0003104688130000023
在有时延系统中为有时延的控制系统的测试输出和有时延系统对应的模范系统的测试输出，在无时延系统中为无时延的控制系统的测试输出和无时延系统对应的模范系统的测试输出。
2.根据权利要求1所述的基于模范系统的对象辨识及控制系统优化整定方法，其特征在于，步骤S10中“构建有时延控制系统中被控对象Gp、滤波器Gf和控制器Gc以及模范系统中模范滤波器Gfo和模范对象Go的数学模型，并确定优化参数”，其方法为：
Figure FDA0003104688130000024
其中，S为拉氏算子；K0,K1,K2,τ为实际对象参数，K0为积分因子，K1为比例因子，K2为微分因子，τ为实际时延值；
Figure FDA0003104688130000025
其中，
Figure FDA0003104688130000026
为跟随参数，α1为优化跟随参数；
Figure FDA0003104688130000027
为抗干扰参数，α2为优化抗干扰参数；α1,α2为优化参数；
Figure FDA0003104688130000028
Figure FDA0003104688130000029
Figure FDA00031046881300000210
Figure FDA00031046881300000211
Figure FDA00031046881300000212
其中，
Figure FDA00031046881300000213
为控制器参数，
Figure FDA00031046881300000214
为比例系数，
Figure FDA00031046881300000215
为积分系数，
Figure FDA00031046881300000216
为微分系数，
Figure FDA0003104688130000031
为滤波系数，
Figure FDA0003104688130000032
为估计时延值；
Figure FDA0003104688130000033
为系统的估计对象参数，
Figure FDA0003104688130000034
为对象参数实际时延与估计时延的差值；
Figure FDA0003104688130000035
Figure FDA0003104688130000036
3.根据权利要求1所述的基于模范系统的对象辨识及控制系统优化整定方法，其特征在于，步骤S10中“构建无时延控制系统中被控对象Gp、滤波器Gf和控制器Gc以及模范系统中模范滤波器Gfo和模范对象Go的数学模型，并确定优化参数”，其方法为：
Figure FDA0003104688130000037
其中，S为拉氏算子；K0,K1,K2为实际对象参数，K0为积分因子，K1为比例因子，K2为微分因子；
Figure FDA0003104688130000038
其中，
Figure FDA0003104688130000039
为跟随参数，α1为优化跟随参数；
Figure FDA00031046881300000310
为抗干扰参数，α2为待优化抗干扰参数，To是优化响应时间常数；α1,α2,To为优化参数；
Figure FDA0003104688130000041
Figure FDA0003104688130000042
Figure FDA0003104688130000043
Figure FDA0003104688130000044
Figure FDA0003104688130000045
其中，
Figure FDA0003104688130000046
为控制器参数，
Figure FDA0003104688130000047
为比例系数，
Figure FDA0003104688130000048
为积分系数，
Figure FDA0003104688130000049
为微分系数，
Figure FDA00031046881300000410
为滤波系数；
Figure FDA00031046881300000411
为系统的估计对象参数；
Figure FDA00031046881300000412
Figure FDA00031046881300000413
4.根据权利要求1所述的基于模范系统的对象辨识及控制系统优化整定方法，其特征在于，步骤S20中“分别设置有时延和无时延系统的估计对象参数的初始值”，其方法为：
若系统首次进行对象辨识及优化整定，则基于能使系统稳定的估算值分别设置有时延和无时延系统的估计对象参数的初始值；
若系统为维护阶段，则基于对象原有辨识值分别设置有时延和无时延系统的估计对象参数的初始值。
5.根据权利要求2所述的基于模范系统的对象辨识及控制系统优化整定方法，其特征在于，所述有时延系统的对象参数的修正值，其计算方法为：
Figure FDA00031046881300000414
Figure FDA0003104688130000051
Figure FDA0003104688130000052
其中，dK0,dK1,dK2,Δ为实际对象参数K0,K1,K2,τ与估计对象参数
Figure FDA0003104688130000053
的偏差量；T大于有时延系统的稳定时间，为测试时间。
6.根据权利要求3所述的基于模范系统的对象辨识及控制系统优化整定方法，其特征在于，所述无时延系统的对象参数的修正值，其计算方法为：
Figure FDA0003104688130000054
Figure FDA0003104688130000061
Figure FDA0003104688130000062
其中，dK0,dK1,dK2为实际对象参数K0,K1,K2与估计对象参数
Figure FDA0003104688130000063
的偏差量；T大于无时延系统的稳定时间，为测试时间。
7.根据权利要求5所述的基于模范系统的对象辨识及控制系统优化整定方法，其特征在于，步骤S50中“基于有时延系统的对象参数的修正值对当前估计对象参数进行修正”，其方法为：
Figure FDA0003104688130000064
8.根据权利要求6所述的基于模范系统的对象辨识及控制系统优化整定方法，其特征在于，步骤S50中“基于无时延系统的对象参数的修正值对当前估计对象参数进行修正”，其方法为：
Figure FDA0003104688130000065
9.根据权利要求1所述的基于模范系统的对象辨识及控制系统优化整定方法，其特征在于，步骤S10中“确定优化参数”还包括：
若控制需求未变化，则在更换受控对象之后或维护原控制系统时，沿用原有的优化参数；
若控制需求产生变化，则基于模范系统模型重新确定新的优化参数。
CN202010758066.2A 2020-07-31 2020-07-31 基于模范系统的对象辨识及控制系统优化整定方法 Active CN111830833B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010758066.2A CN111830833B (zh) 2020-07-31 2020-07-31 基于模范系统的对象辨识及控制系统优化整定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010758066.2A CN111830833B (zh) 2020-07-31 2020-07-31 基于模范系统的对象辨识及控制系统优化整定方法

Publications (2)

Publication Number Publication Date
CN111830833A CN111830833A (zh) 2020-10-27
CN111830833B true CN111830833B (zh) 2021-09-10

Family

ID=72920679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010758066.2A Active CN111830833B (zh) 2020-07-31 2020-07-31 基于模范系统的对象辨识及控制系统优化整定方法

Country Status (1)

Country Link
CN (1) CN111830833B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339405A (zh) * 2008-08-13 2009-01-07 哈尔滨工程大学 一种数字pid控制方法
CN104834211A (zh) * 2015-04-29 2015-08-12 贵州电力试验研究院 火电厂控制系统内模pid控制器整定方法
CN105182932A (zh) * 2015-08-24 2015-12-23 中国科学院自动化研究所 基于模范系统的优化控制系统方法
CN108089436A (zh) * 2017-12-17 2018-05-29 北京世纪隆博科技有限责任公司 快速无超调智能控制器参数设计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106814615A (zh) * 2017-02-20 2017-06-09 海南大学 一种二自由度imc的tito‑ndcs网络时延的补偿方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339405A (zh) * 2008-08-13 2009-01-07 哈尔滨工程大学 一种数字pid控制方法
CN104834211A (zh) * 2015-04-29 2015-08-12 贵州电力试验研究院 火电厂控制系统内模pid控制器整定方法
CN105182932A (zh) * 2015-08-24 2015-12-23 中国科学院自动化研究所 基于模范系统的优化控制系统方法
CN108089436A (zh) * 2017-12-17 2018-05-29 北京世纪隆博科技有限责任公司 快速无超调智能控制器参数设计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Joint time delay, frequency and amplitude estimation using iterative prefiltering method;E. H. Sadi等;《2012 11th International Conference on Information Science, Signal Processing and their Applications (ISSPA)》;IEEE;20120924;第1289-1292页 *
时滞系统的PID稳定域及参数整定研究;杜琛鑫;《中国优秀硕士学位论文全文数据库 信息科技辑》;中国学术期刊（光盘版）电子杂志社;20200615(第06期);第1-68页 *
时滞系统的辨识与控制;张磊;《万方学位论文》;万方;20110215;第1-87页 *

Also Published As

Publication number Publication date
CN111830833A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN108132599B (zh) 一种基于迭代反馈整定的ude控制系统设计方法
US10331810B2 (en) Method for determining a model of an output quantity of a technical system
Srinivasan et al. Real-time optimization of batch processes by tracking the necessary conditions of optimality
KR20110133436A (ko) 센서 시스템
EP2884354A1 (en) Model-based predictive controller with steady-state model adaptation
CN117236084B (zh) 一种木工机械加工生产智能管理方法及系统
CN110850709B (zh) 用于pid参数的渐进式整定方法
CN111830833B (zh) 基于模范系统的对象辨识及控制系统优化整定方法
GB2400191A (en) Control system for quantity having characteristic frequency behaviour
WO2004090782A1 (en) Accurate linear parameter estimation with noisy inputs
US9046885B2 (en) Method for ascertaining functional parameters for a control unit
CN113433819B (zh) 一种系统辨识方法和计算机设备
CN113671833B (zh) 不确定重复控制系统协调设计方法及系统
CN115860450A (zh) 一种基于状态空间模型的预测控制方法、装置及介质
CN115130374A (zh) 一种工业精加工过程加工质量优化方法与系统
CN115047758A (zh) 一种基于Smith预估校正的时滞积分过程预测函数控制方法
CN113917959A (zh) 一种基于控制调节器的温度控制方法、装置及电子设备
CN112767128A (zh) 权重确定模型训练方法、风险预测方法及装置
CN112965365A (zh) Pid控制回路的模型辨识方法、装置、系统及存储介质
KR101572241B1 (ko) 강건한 제어 성능을 갖는 제어시스템
Welz et al. Combined on-line and run-to-run optimization of batch processes with terminal constraints
Tian et al. An optimal self-tuning PID controller considering parameter estimation uncertainty
US11726470B2 (en) Method and device for determining a measure of quality continuously
WO2023199588A1 (ja) 制御装置、制御方法及びプログラム
CN115599134A (zh) 存储器、吸收塔液位非线性控制方法、装置和设备

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