CN112965365A - Pid控制回路的模型辨识方法、装置、系统及存储介质 - Google Patents
Pid控制回路的模型辨识方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN112965365A CN112965365A CN202110201535.5A CN202110201535A CN112965365A CN 112965365 A CN112965365 A CN 112965365A CN 202110201535 A CN202110201535 A CN 202110201535A CN 112965365 A CN112965365 A CN 112965365A
- Authority
- CN
- China
- Prior art keywords
- model
- new
- pid control
- control loop
- fir
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 103
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000008569 process Effects 0.000 claims description 59
- 238000004088 simulation Methods 0.000 claims description 38
- 238000005259 measurement Methods 0.000 claims description 27
- 230000004044 response Effects 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 230000006641 stabilisation Effects 0.000 claims description 8
- 238000011105 stabilization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- 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.
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种PID控制回路的模型辨识方法、装置、系统及计算机可读存储介质，通过对获取到的PID控制回路的数据信息进行辨识得到TF模型；基于预设倍数值对该TF模型的模型参数进行扩展得到包括该模型参数在内的多组新的TF模型参数，每组新的TF模型参数对应一个新的TF模型，从这些新的TF模型中选择出匹配度最高的TF模型作为当前最优TF模型，判断当前最优TF模型是否满足预设条件，若是，则将该当前最优TF模型作为最终的最优TF模型；若否，则基于该当前最优TF模型再扩展出多个新的TF模型后继续寻找当前最优TF模型，直至找到最终的最优TF模型；本发明有利于提高PID控制回路自动化的工作效率和稳定性。
Description
技术领域
本发明实施例涉及自动化技术领域，特别是涉及一种PID控制回路的模型辨识方法、装置、系统及计算机可读存储介质。
背景技术
自动化领域中PID(proportion integral differential，比例、积分、微分)控制器技术是控制系统技术中最成熟、应用最广泛的一种技术。PID控制器按比例、积分、微分三个环节进行控制，容易实现、鲁棒性强，无需控制对象的模型信息即可有效控制。随着工业生产需求的增加和自动化领域的快速发展，人们对PID控制回路有了更高的功能需求，PID控制回路自动整定、性能评估等技术应用越来越广泛。模型辨识一直是自动化领域亟待解决的难点，针对PID回路辨识出相对准确的模型信息能够为回路自动整定、性能评估等技术提供参数支持。由于工业现场数据干扰多、噪声大，采集数据激励不充分，使得直接采用最小二乘法辨识得到的模型参数难以达到理论上的效果，辨识出的模型往往准确度差，难以为PID控制器的参数整定、PID控制回路的性能评估提供准确的参数支持，导致工业PID控制回路自动化的工作效率低、稳定性差。
鉴于此，如何提供一种解决上述技术问题的PID控制回路的模型辨识方法、装置、系统及计算机可读存储介质成为目前本领域技术人员需要解决的问题。
发明内容
本发明实施例的目的是提供一种PID控制回路的模型辨识方法、装置、系统及计算机可读存储介质，在使用过程中最终辨识出的TF模型更加准确，能够为PID控制回路的控制器整定和性能评估提供更加精确的参数支持，有利于提高PID控制回路自动化的工作效率和稳定性。
为解决上述技术问题，本发明实施例提供了一种PID控制回路的模型辨识方法，包括：
对获取到的PID控制回路的数据信息进行辨识，得到传递函数TF模型；所述数据信息包括PID控制回路的各个历史控制器输出值和各个历史过程测量值；
依据预设倍数值对所述TF模型的模型参数进行扩展，得到包括所述模型参数在内的多组新的TF模型参数，每组所述新的TF模型参数对应一个新的TF模型；
根据每个所述新的TF模型各自对应的匹配度，选择出匹配度最高的TF模型作为当前最优TF模型；所述匹配度为依据所述新的TF模型的模型参数、各个所述历史控制器输出值和各个所述过程测量值得到；
判断所述当前最优TF模型是否满足预设条件，若是，则将所述当前最优TF模型作为最终的最优TF模型，以便基于所述最优TF模型对所述PID控制回路进行参数整定和/或性能评估；否则，将所述当前最优TF模型作为所述TF模型，并返回执行所述依据预设倍数值对TF模型的模型参数进行扩展的步骤。
可选的，所述对获取到的PID控制回路的数据信息进行辨识，得到传递函数TF模型的过程为：
获取PID控制回路的数据信息；
对所述数据信息进行最小二乘辨识，得到有限冲激响应FIR模型；
对所述FIR模型进行拟合得到TF模型。
可选的，所述数据信息还包括采用时间和回路类型；
则，对所述数据信息进行最小二乘辨识，得到FIR有限冲激响应模型的过程为：
对各个所述历史控制器输出值和各个所述历史过程测量值进行预处理；
采用最小二乘法对预处理后的各个历史控制器输出值、各个历史过程测量值进行计算，得到FIR模型序列；
依据所述回路类型及预先建立的回路类型与开环稳定时间对应关系，确定出与所述回路类型对应的开环稳定时间；
将所述开环稳定时间与所述采样时间的比值作为FIR模型长度；
依据所述FIR模型序列和所述FIR模型长度得到FIR模型。
可选的，所述依据预设倍数值对所述TF模型的模型参数进行扩展，得到包括所述模型参数在内的多组新的TF模型参数，每组所述新的模型参数对应一个新的TF模型的过程为：
获取所述TF模型的模型参数，所述模型参数包括模型增益、模型时滞、时间常数和模型阶次；
预先针对所述模型参数中的每个所述模型参数分别设置多个倍数值，其中，所述模型阶次的各个倍数值均为1；
依据与所述模型增益对应的多个倍数值对所述模型增益进行扩展，得到多个新的模型增益；
依据与所述模型时滞对应的多个倍数值对所述模型时滞进行扩展，得到多个新的模型时滞；
依据与所述时间常数对应的多个倍数值对所述时间常数进行扩展，得到多个新的时间常数；
将所述模型阶次作为新的模型阶次，并对所述多个新的模型增益、所述多个新的模型时滞以及所述多个新的时间常数进行排列组合，得到多组新的模型参数；
依据每组所述新的模型参数得到，与每组所述模型参数分别对应的新的TF模型。
可选的，所述根据每个所述新的TF模型各自的匹配度，选择出匹配度最高的TF模型作为当前最优TF模型的过程为：
依据每个所述新的TF模型，得到与每个所述新的TF模型对应的、新的FIR模型序列；
针对每个所述新的FIR模型序列，依据所述新的FIR模型序列及所述历史控制器输出值，计算出与每个所述历史控制器输出值各自对应的输出仿真值；
获取与每个所述历史控制器输出值各自对应的历史过程测量值，并将每个所述输出仿真值与对应的历史过程测量值做差，得到与所述新的FIR模型序列对应的仿真误差序列；
依据所述仿真误差序列及匹配度计算关系式，计算出对应的新的TF模型的匹配度，以得到与每个所述新的TF模型对应的匹配度；其中：
所述匹配度计算关系式为：
可选的，所述判断所述当前最优TF模型是否满足预设条件的过程为：
判断所述当前最优TF模型与上一次选择出的当前最优TF模型是否相同，若相同，则满足预设条件；
或者，判断当前对TF模型扩展的次数是否达到预设次数，若是，则满足预设条件。
本发明实施例还相应的提供了一种PID控制回路的模型辨识装置，包括：
辨识模块，用于对获取到的PID控制回路的数据信息进行辨识，得到传递函数TF模型；所述数据信息包括PID控制回路的各个历史控制器输出值和各个历史过程测量值；
扩展模块，用于依据预设倍数值对所述TF模型的模型参数进行扩展，得到包括所述模型参数在内的多组新的TF模型参数，每组所述新的TF模型参数对应一个新的TF模型；
分析模块，用于根据每个所述新的TF模型各自对应的匹配度，选择出匹配度最高的TF模型作为当前最优TF模型；所述匹配度为依据所述新的TF模型的模型参数、各个所述历史控制器输出值和各个所述过程测量值得到；
判断模块，用于判断所述当前最优TF模型是否满足预设条件，若是，则触发确定模块；否则，触发更新模块；
所述确定模块，用于将所述当前最优TF模型作为最终的最优TF模型，以便基于所述最优TF模型对所述PID控制回路进行参数整定和/或性能评估；
所述更新模块，用于将所述当前最优TF模型作为所述TF模型，并触发扩展模块。
可选的，所述辨识模块包括：
获取单元，用于获取PID控制回路的数据信息；
辨识单元，用于对所述数据信息进行最小二乘辨识，得到FIR有限冲激响应模型；
拟合单元，用于对所述FIR模型进行拟合得到TF模型。
本发明实施例还提供了一种PID控制回路的模型辨识系统，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述所述PID控制回路的模型辨识方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述PID控制回路的模型辨识方法的步骤。
本发明实施例提供了一种PID控制回路的模型辨识方法、装置、系统及计算机可读存储介质，该方法先通过对获取到的PID控制回路的数据信息进行辨识，得到传递函数TF模型，其中，数据信息包括PID控制回路的各个历史控制器输出值和历史过程测量值；然后再基于预设倍数值对该TF模型的模型参数进行扩展，得到包括该模型参数在内的多组新的TF模型参数，每组新的TF模型参数对应一个新的TF模型，并从这些新的TF模型中选择出匹配度最高的TF模型作为当前最优TF模型，然后再进一步判断当前最优TF模型是否满足预设条件，若满足，则将该当前最优TF模型作为最终的最优TF模型，以便基于该最优TF模型对PID控制回路进行参数整定和性能评估；若不满足，则再基于该当前最优TF模型进一步扩展出多个新的TF模型后继续寻找当前最优TF模型，直至满足预设条件后找到最优TF模型；本发明通过对TF模型进行校准可以使最终辨识出的TF模型更加准确，能够为PID控制回路的控制器整定和性能评估提供更加精确的参数支持，有利于提高PID控制回路自动化的工作效率和稳定性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种PID控制回路的模型辨识方法的流程示意图；
图2为本发明实施例提供的一种FIR模型拟合成TF模型的示意图；
图3为本发明实施例提供的一种PV仿真效果图；
图4为本发明实施例提供的一种PID控制回路的模型辨识装置的结构示意图。
具体实施方式
本发明实施例提供了一种PID控制回路的模型辨识方法、装置、系统及计算机可读存储介质，在使用过程中最终辨识出的TF模型更加准确，能够为PID控制回路的控制器整定和性能评估提供更加精确的参数支持，有利于提高PID控制回路自动化的工作效率和稳定性。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参照图1，图1为本发明实施例提供的一种PID控制回路的模型辨识方法的流程示意图。该方法包括：
S110：对获取到的PID控制回路的数据信息进行辨识，得到传递函数TF模型；数据信息包括PID控制回路的各个历史控制器输出值和各个历史过程测量值；
需要说明的是，在工业现场通过对PID控制器输出的OP生成数据激励信号，获得动态的OP和PV数据，可以采用PC(personal computer，个人计算机)端通过与分散控制系统DCS连接的数据传输标准OPC接口获取现场PID回路的数据信息，主要包括OP/PV历史数据，具体为PID控制回路的各个历史控制器输出值OP(也即PID控制回路的各个历史输入值)、各个历史过程测量值PV，还可以包括PID控制回路的设定值SP、采用时间Ts和回路类型。例如化工工业制造中的ID控制回路中的历史控制器输出值OP可以为回路某个阀门的阀门开度，历史过程测量值PV可以是某个测量点的流量、温度、压强、液位等，各个历史控制器输出值OP和各个历史过程测量值也即参数随时间变化记录下来的时间序列。
其中，在获取PID控制回路的数据信息后，对数据信息进行最小二乘辨识，得到FIR有限冲激响应模型，然后再对FIR模型进行拟合得到TF模型。
S120：依据预设倍数值对TF模型的模型参数进行扩展，得到包括模型参数在内的多组新的TF模型参数，每组新的TF模型参数对应一个新的TF模型；
具体的，可以根据TF模型的参数类型预先设置好与每个参数类型预设倍数值，然后在得到TF模型后，可以以TF模型为中心扩展出多个新的TF模型，具体可以根据与每个参数类型各自对应的预设倍数值对TF模型的模型参数进行扩展，从而可以得到包括当前这一组TF模型参数在内的多组新的TF模型参数，进而得到与每组新的TF模型参数对应的新的TF模型。
S130：根据每个新的TF模型各自对应的匹配度，选择出匹配度最高的TF模型作为当前最优TF模型；匹配度为依据新的TF模型的模型参数、各个历史控制器输出值和各个过程测量值得到；
具体的，在得到多个新的TF模型后，可以根据每个新的TF模型的模型参数、各个历史控制器输出值和各个历史过程测量值，计算出每个新的TF模型的匹配度，然后将匹配度最高的这个新的TF模型作为当前最优TF模型。
S140：判断当前最优TF模型是否满足预设条件，若是，则进入S150；否则，进入S160；
S150：将当前最优TF模型作为最终的最优TF模型，以便基于最优TF模型对PID控制回路进行参数整定和/或性能评估；
S160：将当前最优TF模型作为TF模型，并返回执行依据预预设倍数值对TF模型的模型参数进行扩展的步骤。
需要说明的是，在得到当前最优模型后，判断当前最优模型是否满足预设条件，具体可以判断当前最优模型与上一次选择出的当前最优模型是否相同，若是，则将当前最优TF模型作为最终的最优TF模型；或者，判断当前对TF模型扩展的次数是否达到预设次数(如3次)，当达到预设次数时，则将当前最优TF模型作为最终的最优TF模型。
若当前最优模型不满足预设条件，则再以当前最优TF模型为中心扩展出多个新的TF模型，具体也是依据预设倍数值对当前最优TF模型的模型参数进行扩展，得到包括该模型参数在内的多组新的TF模型参数，及多个新的TF模型，然后再从这些新的TF模型中选择出匹配度最高的一个新的TF模型作为本轮的当前最优TF模型，然后进一步判断是否满足预设条件，满足时确定将该当前最优TF模型作为最终的最优TF模型，否则，进行下一轮寻优，直至满足预设条件后，确定出最终的最优TF模型为止。
进一步的，上述S110中对获取到的PID控制回路的数据信息进行辨识，得到传递函数TF模型的过程，具体可以为：
获取PID控制回路的数据信息；
对数据信息进行最小二乘辨识，得到有限冲激响应FIR模型；
对FIR模型进行拟合得到TF模型。
需要说明的是，所获取的PID控制回路的数据信息具体可以包括各个历史控制器输出值OP、各个历史过程测量值PV、采用时间Ts和回路类型，还可以包括PID控制回路的设定值SP。
其中，上述对数据信息进行最小二乘辨识，得到FIR有限冲激响应模型的过程，具体可以为：
对各个历史控制器输出值OP和各个历史过程测量值PV进行预处理；具体的，可以对各个历史控制器输出值OP和各个历史过程测量值PV进行滤波和平滑处理，使处理后的各个历史控制器输出值OP和各个历史过程测量值PV更加准确。
采用最小二乘法对预处理后的各个历史控制器输出值OP、各个历史过程测量值PV进行计算，得到FIR模型序列；具体的，采用最小二乘法辨识关系式对各个历史控制器输出值OP、各个历史过程测量值PV进行计算，得到FIR模型序列，其中，最小二乘法辨识关系式为：
其中，
为FIR模型的似然估计(也即FIR模型序列)，X为输入矩阵，Y为输出矩阵，λ为平滑系数，I为单位矩阵，其中，将各个历史控制器输出值OP作为输入矩阵，将各个历史过程测量值PV作为输出矩阵。
其中，最小二乘法辨识关系式
是根据以下过程得到的：
针对输入OP\输出PV在t时刻有如下输入输出线性关系式：
y(t)＝u(t-1)θ1+u(t-2)θ2+…+u(t-n)θn+e(n)，其中，y(t)为t时刻的输出PV值，u(t-n)是t-n时刻的输入OP值，θn为FIR模型序列中的第n个元素，n为FIR模型长度，e(n)为与n值对应的系统误差。通过对上述输入输出线性关系式进行简化，得到：Y＝X·θ+E，其中，Y为PV序列，X为OP序列，θ为线性关系的解(也即FIR模型的响应序列)，E为系统误差。
采用最小二乘法形成优化问题求解：θ＝arg min||Y-X·θ||，求解该优化问题，也即获取最优估计值：
为了去除响应曲线的毛刺，增加平滑因子，从而得到最小二乘法辨识关系式
求解得出的线性回归参数可以视作该回路的脉冲响应模型，即FIR模型。
在得到FIR模型序列后，在进一步确定出FIR模型的长度，具体依据回路类型及预先建立的回路类型与开环稳定时间对应关系，确定出与回路类型对应的开环稳定时间；将开环稳定时间与采样时间的比值作为FIR模型长度；
具体的，可以根据回路类型通过专家库确定出该回路类型对应的开环稳定时间Tss，根据
即可得到FIR模型长度n。另外，开环稳定时间还可以根据用户输入的时间信息进行确定。
具体的，在得到FIR模型序列和FIR模型长度后，即可得到FIR模型。
另外，上述对FIR模型进行拟合得到TF模型的过程，具体可以为：
根据FIR模型序列拟合出TF模型的模型参数，TF模型的模型参数包括模型增益、模型时滞、时间常数和模型阶次，其中，拟合效果如图2所示，光滑曲线A为拟合后的TF模型的单位阶跃响应效果，非光滑曲线B为FIR模型的单位阶跃响应效果。具体可以根据PID控制回路的模式来采用不同的拟合方法拟合出TF模型的模型参数，其中，当设定值SP与过程测量值PV一致时，PID控制回路为手动模式，PID控制模块未启动，当设定值SP连续多个时间点不变动时，PID控制回路为自动模式。将FIR模型进行积分得到有限阶跃响应FSR模型，在手动模式下，TF模型的模型增益为FSR序列的最大值，自动模式下TF模型的模型增益为FSR序列最大值与最小值的差值；手动模式下和自动模式下，TR模型的模型时滞为FSR曲线第一次达到3％的TF模型的模型增益对应的时刻，TR模型的模型阶次n'可以根据关系式
得到，TR模型的时间常数T可以根据关系式
得到，其中，t1为FSR曲线第一次达到TF模型的模型增益的40％时对应的时刻，t2为FSR曲线第一次达到模型增益的80％时对应的时刻。
进一步的，上述S120中依据预设倍数值对TF模型的模型参数进行扩展，得到包括模型参数在内的多组新的TF模型参数，每组新的模型参数对应一个新的TF模型的过程，具体可以为：
获取TF模型的模型参数，模型参数包括模型增益、模型时滞、时间常数和模型阶次；其中，为了便于区分本发明实施例中将该TF模型称为原TF模型。
预先针对模型参数中的每个模型参数分别设置多个倍数值，其中，模型阶次的各个倍数值均为1；具体的，扩展的各组新的TF模型参数中的模型阶次均与原TF模型的模型阶次相同，也即，模型阶次的各个倍数值均为1，例如，针对模型增益的预设倍数值可以为0.5倍、0.8倍、0.9倍、0.95倍、0.975倍、1.0倍、1.05倍、1.1倍、1.25倍、1.5倍、2倍共11种倍数值，针对时间常数的易损坏倍数值可以为0.5倍、0.75倍、0.9倍、1.0倍、1.1倍、1.25倍、2倍共7种倍数值，模型时滞也可以根据实际需要设置多个倍数值(例如为0.5倍、0.8倍、1.0倍、1.25倍和2倍，共5种)。
依据与模型增益对应的多个倍数值对模型增益进行扩展，得到多个新的模型增益；具体的，如上述模型增益的倍数值包括上述11种，则将每个倍数值分别与原TF模型的模型增益相乘，即可得到11个新的模型增益。
依据与模型时滞对应的多个倍数值对模型时滞进行扩展，得到多个新的模型时滞；如模型时滞的倍数值包括5个具体数值，则将每个倍数值与原TF模型的模型时滞相乘，即可得到5个新的模型时滞。
依据与时间常数对应的多个倍数值对时间常数进行扩展，得到多个新的时间常数；例如，在时间常数包括上述7中倍数值是，将各个倍数值分别与原TF模型中的时间常数相乘即可得到7个新的时间常数。
将模型阶次作为新的模型阶次，并对多个新的模型增益、多个新的模型时滞以及多个新的时间常数进行排列组合，得到多组新的模型参数；依据每组新的模型参数得到，与每组模型参数分别对应的新的TF模型。
具体的，以一阶模型为例，不同模型增益(11种)、时间常数(7种)和模型时滞(5种)的排列组合得到共计384个新的模型参数，从而得到384种新的TF模型。其中，倍数值的选择应遵循近小远大，也即离原模型数越近的两个相邻倍数值之间的倍数间距越小，离原模型数据越远两个相邻倍数值之间的倍数间距越大，例如对于模型增益的各个预设倍数值，距离倍数值1距离近的0.95倍、0.975倍之间的倍数间距为0.025，距离倍数值远的0.5倍、0.8倍之间的倍数间距为0.3，这样既可以做到在原TF模型可靠的情况下进行细致调节，也可以在原TF模型偏差较大的情况下进行快速调节。
进一步的，上述S130中根据每个新的TF模型各自的匹配度，选择出匹配度最高的TF模型作为当前最优TF模型的过程，具体可以为：
依据每个新的TF模型，得到与每个新的TF模型对应的、新的FIR模型序列；
针对每个新的FIR模型序列，依据新的FIR模型序列及历史控制器输出值，计算出与每个历史控制器输出值各自对应的输出仿真值；
具体的，根据OP序列(也即各个历史控制器输出值)及新的FIR模型序列，通过计算关系式
计算出每个时刻的输出PV仿真值，其中，ysim(t)为t时刻的输出仿真值，u(t)为t时刻的输入值，ysim(0)为零时刻的输出PV仿真值初始值，
为FIR模型序列。
获取与每个历史控制器输出值各自对应的历史过程测量值，并将每个输出仿真值与对应的历史过程测量值做差，得到与新的FIR模型序列对应的仿真误差序列；其中，与每个历史控制器输出值分别对应的历史过程测量值也即每个输出PV真实值，将输出仿真值与对应的输出真实值相减，从而即可得到与新的FIR模型序列对应的仿真误差序列。
其中，零时刻输出仿真值初始值的计算方法如下：
以OP序列(也即各个历史控制器输出值)和与新的TF模型对应的新的FIR模型序列)计算出PV仿真序列后，PC仿真序列的第一个点是0点，此时根据PV真实值(也即各个历史过程测量值)的PV序列，将该PV仿真序列进行平移，使PV仿真序列的末端与该PV序列的末端重合，然后将PV仿真序列的第一个点对应的PV序列中的值作为零时刻输出仿真值初始值，从而得到与每个新的TF模型对应的零时刻输出仿真值初始值从而可以在计算整体偏差时，可以尽可能消除发生在数据采样时间之前的OP变动对采样数据产生的影响。其中，PV仿真效果如图3所示，其中，偏上方的曲线C为PV仿真值，偏下方的曲线D为PV真实值，两条曲线的末端重合。
依据仿真误差序列及匹配度计算关系式，计算出对应的新的TF模型的匹配度，以得到与每个新的TF模型对应的匹配度；其中：
匹配度计算关系式为：
可见，该方法先通过对获取到的PID控制回路的数据信息进行辨识，得到传递函数TF模型，其中，数据信息包括PID控制回路的各个历史控制器输出值和历史过程测量值；然后再基于预设倍数值对该TF模型的模型参数进行扩展，得到包括该模型参数在内的多组新的TF模型参数，每组新的TF模型参数对应一个新的TF模型，并从这些新的TF模型中选择出匹配度最高的TF模型作为当前最优TF模型，然后再进一步判断当前最优TF模型是否满足预设条件，若满足，则将该当前最优TF模型作为最终的最优TF模型，以便基于该最优TF模型对PID控制回路进行参数整定和性能评估；若不满足，则再基于该当前最优TF模型进一步扩展出多个新的TF模型后继续寻找当前最优TF模型，直至满足预设条件后找到最优TF模型；本发明通过对TF模型进行校准可以使最终辨识出的TF模型更加准确，能够为PID控制回路的控制器整定和性能评估提供更加精确的参数支持，有利于提高PID控制回路自动化的工作效率和稳定性。
在上述实施例的基础上，本发明实施例还相应的提供了一种PID控制回路的模型辨识装置，具体请参照图4。该装置包括：
辨识模块21，用于对获取到的PID控制回路的数据信息进行辨识，得到传递函数TF模型；数据信息包括PID控制回路的各个历史控制器输出值和各个历史过程测量值；
扩展模块22，用于依据预设倍数值对TF模型的模型参数进行扩展，得到包括模型参数在内的多组新的TF模型参数，每组新的TF模型参数对应一个新的TF模型；
分析模块23，用于根据每个新的TF模型各自对应的匹配度，选择出匹配度最高的TF模型作为当前最优TF模型；匹配度为依据新的TF模型的模型参数、各个历史控制器输出值和各个过程测量值得到；
判断模块24，用于判断当前最优TF模型是否满足预设条件，若是，则触发确定模块25；否则，触发更新模块26；
确定模块25，用于将当前最优TF模型作为最终的最优TF模型，以便基于最优TF模型对PID控制回路进行参数整定和/或性能评估；
更新模块26，用于将当前最优TF模型作为TF模型，并触发扩展模块22。
可选的，辨识模块21包括：
获取单元，用于获取PID控制回路的数据信息；
辨识单元，用于对数据信息进行最小二乘辨识，得到FIR有限冲激响应模型；
拟合单元，用于对FIR模型进行拟合得到TF模型。
需要说明的是，本发明实施例中所提供的PID控制回路的模型辨识装置具有与上述实施例中所提供的PID控制回路的模型辨识方法相同的有益效果，并且对于本实施例中所涉及到的PID控制回路的模型辨识方法的具体介绍请参照上述实施例，本申请在此不再赘述。
在上述实施例的基础上，本发明实施例还提供了一种PID控制回路的模型辨识系统，该系统包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如上述PID控制回路的模型辨识方法的步骤。
例如，本发明实施例中的处理器具体可以用于实现对获取到的PID控制回路的数据信息进行辨识，得到传递函数TF模型；数据信息包括PID控制回路的各个历史控制器输出值和各个历史过程测量值；依据预设倍数值对TF模型的模型参数进行扩展，得到包括模型参数在内的多组新的TF模型参数，每组新的TF模型参数对应一个新的TF模型；根据每个新的TF模型各自对应的匹配度，选择出匹配度最高的TF模型作为当前最优TF模型；匹配度为依据新的TF模型的模型参数、各个历史控制器输出值和各个过程测量值得到；判断当前最优TF模型是否满足预设条件，若是，则将当前最优TF模型作为最终的最优TF模型，以便基于最优TF模型对PID控制回路进行参数整定和/或性能评估；否则，将当前最优TF模型作为TF模型，并返回执行依据预设扩展规则对TF模型进行扩展的步骤。
在上述实施例的基础上，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述PID控制回路的模型辨识方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意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、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种PID控制回路的模型辨识方法，其特征在于，包括：
对获取到的PID控制回路的数据信息进行辨识，得到传递函数TF模型；所述数据信息包括PID控制回路的各个历史控制器输出值和各个历史过程测量值；
依据预设倍数值对所述TF模型的模型参数进行扩展，得到包括所述模型参数在内的多组新的TF模型参数，每组所述新的TF模型参数对应一个新的TF模型；
根据每个所述新的TF模型各自对应的匹配度，选择出匹配度最高的TF模型作为当前最优TF模型；所述匹配度为依据所述新的TF模型的模型参数、各个所述历史控制器输出值和各个所述过程测量值得到；
判断所述当前最优TF模型是否满足预设条件，若是，则将所述当前最优TF模型作为最终的最优TF模型，以便基于所述最优TF模型对所述PID控制回路进行参数整定和/或性能评估；否则，将所述当前最优TF模型作为所述TF模型，并返回执行所述依据预设倍数值对TF模型的模型参数进行扩展的步骤。
2.根据权利要求1所述的PID控制回路的模型辨识方法，其特征在于，所述对获取到的PID控制回路的数据信息进行辨识，得到传递函数TF模型的过程为：
获取PID控制回路的数据信息；
对所述数据信息进行最小二乘辨识，得到有限冲激响应FIR模型；
对所述FIR模型进行拟合得到TF模型。
3.根据权利要求2所述的PID控制回路的模型辨识方法，其特征在于，所述数据信息还包括采用时间和回路类型；
则，对所述数据信息进行最小二乘辨识，得到FIR有限冲激响应模型的过程为：
对各个所述历史控制器输出值和各个所述历史过程测量值进行预处理；
采用最小二乘法对预处理后的各个历史控制器输出值、各个历史过程测量值进行计算，得到FIR模型序列；
依据所述回路类型及预先建立的回路类型与开环稳定时间对应关系，确定出与所述回路类型对应的开环稳定时间；
将所述开环稳定时间与所述采样时间的比值作为FIR模型长度；
依据所述FIR模型序列和所述FIR模型长度得到FIR模型。
4.根据权利要求2所述的PID控制回路的模型辨识方法，其特征在于，所述依据预设倍数值对所述TF模型的模型参数进行扩展，得到包括所述模型参数在内的多组新的TF模型参数，每组所述新的模型参数对应一个新的TF模型的过程为：
获取所述TF模型的模型参数，所述模型参数包括模型增益、模型时滞、时间常数和模型阶次；
预先针对所述模型参数中的每个所述模型参数分别设置多个倍数值，其中，所述模型阶次的各个倍数值均为1；
依据与所述模型增益对应的多个倍数值对所述模型增益进行扩展，得到多个新的模型增益；
依据与所述模型时滞对应的多个倍数值对所述模型时滞进行扩展，得到多个新的模型时滞；
依据与所述时间常数对应的多个倍数值对所述时间常数进行扩展，得到多个新的时间常数；
将所述模型阶次作为新的模型阶次，并对所述多个新的模型增益、所述多个新的模型时滞以及所述多个新的时间常数进行排列组合，得到多组新的模型参数；
依据每组所述新的模型参数得到，与每组所述模型参数分别对应的新的TF模型。
5.根据权利要求1所述的PID控制回路的模型辨识方法，其特征在于，所述根据每个所述新的TF模型各自的匹配度，选择出匹配度最高的TF模型作为当前最优TF模型的过程为：
依据每个所述新的TF模型，得到与每个所述新的TF模型对应的、新的FIR模型序列；
针对每个所述新的FIR模型序列，依据所述新的FIR模型序列及所述历史控制器输出值，计算出与每个所述历史控制器输出值各自对应的输出仿真值；
获取与每个所述历史控制器输出值各自对应的历史过程测量值，并将每个所述输出仿真值与对应的历史过程测量值做差，得到与所述新的FIR模型序列对应的仿真误差序列；
依据所述仿真误差序列及匹配度计算关系式，计算出对应的新的TF模型的匹配度，以得到与每个所述新的TF模型对应的匹配度；其中：
所述匹配度计算关系式为：
6.根据权利要求1所述的PID控制回路的模型辨识方法，其特征在于，所述判断所述当前最优TF模型是否满足预设条件的过程为：
判断所述当前最优TF模型与上一次选择出的当前最优TF模型是否相同，若相同，则满足预设条件；
或者，判断当前对TF模型扩展的次数是否达到预设次数，若是，则满足预设条件。
7.一种PID控制回路的模型辨识装置，其特征在于，包括：
辨识模块，用于对获取到的PID控制回路的数据信息进行辨识，得到传递函数TF模型；所述数据信息包括PID控制回路的各个历史控制器输出值和各个历史过程测量值；
扩展模块，用于依据预设倍数值对所述TF模型的模型参数进行扩展，得到包括所述模型参数在内的多组新的TF模型参数，每组所述新的TF模型参数对应一个新的TF模型；
分析模块，用于根据每个所述新的TF模型各自对应的匹配度，选择出匹配度最高的TF模型作为当前最优TF模型；所述匹配度为依据所述新的TF模型的模型参数、各个所述历史控制器输出值和各个所述过程测量值得到；
判断模块，用于判断所述当前最优TF模型是否满足预设条件，若是，则触发确定模块；否则，触发更新模块；
所述确定模块，用于将所述当前最优TF模型作为最终的最优TF模型，以便基于所述最优TF模型对所述PID控制回路进行参数整定和/或性能评估；
所述更新模块，用于将所述当前最优TF模型作为所述TF模型，并触发所述扩展模块。
8.根据权利要求7所述的PID控制回路的模型辨识装置，其特征在于，所述辨识模块包括：
获取单元，用于获取PID控制回路的数据信息；
辨识单元，用于对所述数据信息进行最小二乘辨识，得到FIR有限冲激响应模型；
拟合单元，用于对所述FIR模型进行拟合得到TF模型。
9.一种PID控制回路的模型辨识系统，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述PID控制回路的模型辨识方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述PID控制回路的模型辨识方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110201535.5A CN112965365B (zh) | 2021-02-23 | 2021-02-23 | Pid控制回路的模型辨识方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110201535.5A CN112965365B (zh) | 2021-02-23 | 2021-02-23 | Pid控制回路的模型辨识方法、装置、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112965365A true CN112965365A (zh) | 2021-06-15 |
| CN112965365B CN112965365B (zh) | 2023-03-31 |
Family
ID=76285693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110201535.5A Active CN112965365B (zh) | 2021-02-23 | 2021-02-23 | Pid控制回路的模型辨识方法、装置、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112965365B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115933364A (zh) * | 2022-12-14 | 2023-04-07 | 浙江中智达科技有限公司 | 一种pid控制器参数优化方法、装置、设备、存储介质 |
Citations (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1165611A (ja) * | 1997-08-26 | 1999-03-09 | Ishikawajima Harima Heavy Ind Co Ltd | 制御パラメータの自動調整方法 |
| DE69426375D1 (de) * | 1993-07-27 | 2001-01-11 | Nippon Telegraph & Telephone | Verfahren und Vorrichtung zur adaptiven Schätzung einer Übertragungsfunktion eines unbekannten Systems |
| CN1340926A (zh) * | 2000-08-28 | 2002-03-20 | 朗迅科技公司 | 多发射和多接收天线cdma和tdma系统中的训练和同步序列 |
| EP1720080A1 (de) * | 2005-04-27 | 2006-11-08 | Etel S.A. | Verfahren zur Optimierung von Reglerparametern |
| CN101924533A (zh) * | 2010-07-19 | 2010-12-22 | 浙江工业大学 | 基于fir模型辨识的多变量时滞参数估计方法 |
| CN102620729A (zh) * | 2012-04-19 | 2012-08-01 | 北京航空航天大学 | 一种机抖激光陀螺惯性测量单元数字滤波器设计方法 |
| US20120310375A1 (en) * | 2011-06-02 | 2012-12-06 | Bao Liu | A nonlinear intelligent pulse-controller |
| CN103034123A (zh) * | 2012-12-11 | 2013-04-10 | 中国科学技术大学 | 基于动力学模型参数辨识的并联机器人控制方法 |
| CN103336437A (zh) * | 2013-07-19 | 2013-10-02 | 杭州电子科技大学 | 基于预测函数控制优化的非自衡对象控制方法 |
| CN103631140A (zh) * | 2013-12-09 | 2014-03-12 | 中南大学 | 基于性能评估的焦炉加热燃烧过程火道温度自动调节方法 |
| CN103997061A (zh) * | 2014-05-27 | 2014-08-20 | 东北电力大学 | 改善联网光伏逆变系统稳定裕量的参数优化调节方法 |
| 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 |
| CN105259756A (zh) * | 2015-10-20 | 2016-01-20 | 广东电网有限责任公司电力科学研究院 | 电厂控制回路模型辨识方法与系统 |
| CN106712055A (zh) * | 2015-11-12 | 2017-05-24 | 中国电力科学研究院 | 一种与低励限制功能相协调的电力系统稳定器配置方法 |
| CN106773676A (zh) * | 2016-11-30 | 2017-05-31 | 浙江中控软件技术有限公司 | 用于化工过程的激励信号的生成方法和装置 |
| CN106950826A (zh) * | 2017-01-22 | 2017-07-14 | 航天长征化学工程股份有限公司 | 一种基于蚁群算法的气化装置pid参数整定方法 |
| CN106991224A (zh) * | 2017-03-27 | 2017-07-28 | 蔡彤� | 一种芯片引线键合定位的建模方法及系统 |
| CN107271768A (zh) * | 2017-05-26 | 2017-10-20 | 东南大学 | 一种最小二乘拟合动态频率测量方法 |
| CN107310182A (zh) * | 2017-04-21 | 2017-11-03 | 马彦丽 | 榨汁机 |
| CN107479389A (zh) * | 2017-09-30 | 2017-12-15 | 东南大学 | 一种火电机组过热汽温预测模糊自适应pid控制方法 |
| CN107478111A (zh) * | 2017-08-02 | 2017-12-15 | 北京理工大学 | 导引头模型辨识系统及应用其的制导控制仿真系统 |
| CN108897212A (zh) * | 2018-10-16 | 2018-11-27 | 太原理工大学 | 基于高斯过程模型在pls框架中实现多变量pid控制策略 |
| CN109165722A (zh) * | 2018-07-09 | 2019-01-08 | 北京市商汤科技开发有限公司 | 模型扩展方法及装置、电子设备和存储介质 |
| CN109240078A (zh) * | 2018-10-29 | 2019-01-18 | 东南大学 | 一种燃料电池电压的模糊自适应pid控制方法 |
| CN109358609A (zh) * | 2018-12-06 | 2019-02-19 | 浙江中智达科技有限公司 | 一种模型预测控制器的调试方法及系统 |
| CN109828461A (zh) * | 2019-01-24 | 2019-05-31 | 东南大学 | 一种基于粒子群的热工多回路控制器闭环迭代整定系统及整定方法 |
| CN111290267A (zh) * | 2019-12-27 | 2020-06-16 | 国网河北省电力有限公司电力科学研究院 | 基于LabVIEW的火电模型辨识装置和辨识方法 |
| CN111786601A (zh) * | 2020-06-24 | 2020-10-16 | 佛山科学技术学院 | 一种永磁同步电机的分数阶模型辨识方法及装置 |
| CN112115590A (zh) * | 2020-08-27 | 2020-12-22 | 北京交通大学 | 一种基于最小二乘法设计虚拟动态扫频器的方法 |
| CN112286043A (zh) * | 2020-10-13 | 2021-01-29 | 国网浙江省电力有限公司电力科学研究院 | 基于被控对象阶跃响应特性数据的pid参数整定方法 |
-
2021
- 2021-02-23 CN CN202110201535.5A patent/CN112965365B/zh active Active
Patent Citations (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE69426375D1 (de) * | 1993-07-27 | 2001-01-11 | Nippon Telegraph & Telephone | Verfahren und Vorrichtung zur adaptiven Schätzung einer Übertragungsfunktion eines unbekannten Systems |
| JPH1165611A (ja) * | 1997-08-26 | 1999-03-09 | Ishikawajima Harima Heavy Ind Co Ltd | 制御パラメータの自動調整方法 |
| CN1340926A (zh) * | 2000-08-28 | 2002-03-20 | 朗迅科技公司 | 多发射和多接收天线cdma和tdma系统中的训练和同步序列 |
| EP1720080A1 (de) * | 2005-04-27 | 2006-11-08 | Etel S.A. | Verfahren zur Optimierung von Reglerparametern |
| CN101924533A (zh) * | 2010-07-19 | 2010-12-22 | 浙江工业大学 | 基于fir模型辨识的多变量时滞参数估计方法 |
| US20120310375A1 (en) * | 2011-06-02 | 2012-12-06 | Bao Liu | A nonlinear intelligent pulse-controller |
| CN102620729A (zh) * | 2012-04-19 | 2012-08-01 | 北京航空航天大学 | 一种机抖激光陀螺惯性测量单元数字滤波器设计方法 |
| CN103034123A (zh) * | 2012-12-11 | 2013-04-10 | 中国科学技术大学 | 基于动力学模型参数辨识的并联机器人控制方法 |
| CN103336437A (zh) * | 2013-07-19 | 2013-10-02 | 杭州电子科技大学 | 基于预测函数控制优化的非自衡对象控制方法 |
| CN103631140A (zh) * | 2013-12-09 | 2014-03-12 | 中南大学 | 基于性能评估的焦炉加热燃烧过程火道温度自动调节方法 |
| CN103997061A (zh) * | 2014-05-27 | 2014-08-20 | 东北电力大学 | 改善联网光伏逆变系统稳定裕量的参数优化调节方法 |
| 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 |
| CN105259756A (zh) * | 2015-10-20 | 2016-01-20 | 广东电网有限责任公司电力科学研究院 | 电厂控制回路模型辨识方法与系统 |
| CN106712055A (zh) * | 2015-11-12 | 2017-05-24 | 中国电力科学研究院 | 一种与低励限制功能相协调的电力系统稳定器配置方法 |
| CN106773676A (zh) * | 2016-11-30 | 2017-05-31 | 浙江中控软件技术有限公司 | 用于化工过程的激励信号的生成方法和装置 |
| CN106950826A (zh) * | 2017-01-22 | 2017-07-14 | 航天长征化学工程股份有限公司 | 一种基于蚁群算法的气化装置pid参数整定方法 |
| CN106991224A (zh) * | 2017-03-27 | 2017-07-28 | 蔡彤� | 一种芯片引线键合定位的建模方法及系统 |
| CN107310182A (zh) * | 2017-04-21 | 2017-11-03 | 马彦丽 | 榨汁机 |
| CN107271768A (zh) * | 2017-05-26 | 2017-10-20 | 东南大学 | 一种最小二乘拟合动态频率测量方法 |
| CN107478111A (zh) * | 2017-08-02 | 2017-12-15 | 北京理工大学 | 导引头模型辨识系统及应用其的制导控制仿真系统 |
| CN107479389A (zh) * | 2017-09-30 | 2017-12-15 | 东南大学 | 一种火电机组过热汽温预测模糊自适应pid控制方法 |
| CN109165722A (zh) * | 2018-07-09 | 2019-01-08 | 北京市商汤科技开发有限公司 | 模型扩展方法及装置、电子设备和存储介质 |
| CN108897212A (zh) * | 2018-10-16 | 2018-11-27 | 太原理工大学 | 基于高斯过程模型在pls框架中实现多变量pid控制策略 |
| CN109240078A (zh) * | 2018-10-29 | 2019-01-18 | 东南大学 | 一种燃料电池电压的模糊自适应pid控制方法 |
| CN109358609A (zh) * | 2018-12-06 | 2019-02-19 | 浙江中智达科技有限公司 | 一种模型预测控制器的调试方法及系统 |
| CN109828461A (zh) * | 2019-01-24 | 2019-05-31 | 东南大学 | 一种基于粒子群的热工多回路控制器闭环迭代整定系统及整定方法 |
| CN111290267A (zh) * | 2019-12-27 | 2020-06-16 | 国网河北省电力有限公司电力科学研究院 | 基于LabVIEW的火电模型辨识装置和辨识方法 |
| CN111786601A (zh) * | 2020-06-24 | 2020-10-16 | 佛山科学技术学院 | 一种永磁同步电机的分数阶模型辨识方法及装置 |
| CN112115590A (zh) * | 2020-08-27 | 2020-12-22 | 北京交通大学 | 一种基于最小二乘法设计虚拟动态扫频器的方法 |
| CN112286043A (zh) * | 2020-10-13 | 2021-01-29 | 国网浙江省电力有限公司电力科学研究院 | 基于被控对象阶跃响应特性数据的pid参数整定方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张登;蔡宛睿;谢成龙;刘培邦;刘纯;: "核电数字化控制系统PID参数自动寻优软件研制" * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115933364A (zh) * | 2022-12-14 | 2023-04-07 | 浙江中智达科技有限公司 | 一种pid控制器参数优化方法、装置、设备、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112965365B (zh) | 2023-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4722461B2 (ja) | モデルスイッチングおよび属性補間を用いた適応型多変数プロセスコントローラ | |
| US8295952B2 (en) | Apparatus and method for automated closed-loop identification of an industrial process in a process control system | |
| US8095227B2 (en) | Apparatuses, systems, and methods utilizing adaptive control | |
| CN112965365B (zh) | Pid控制回路的模型辨识方法、装置、系统及存储介质 | |
| CN111812967B (zh) | 基于稳定裕度和动态响应指标的pid控制参数整定方法 | |
| US10409232B2 (en) | Engineering tool and method for parameterizing a model-based predictive controller | |
| CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
| CN113360983B (zh) | 一种边坡可靠度分析与风险评估方法 | |
| CN113988723A (zh) | 一种基于用电数据异常分析的用户行为锁定方法和系统 | |
| CN108537249B (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
| Mårtensson et al. | How to make bias and variance errors insensitive to system and model complexity in identification | |
| US11463849B2 (en) | Data processing device, data analyzing device, data processing system and method for processing data | |
| JP2014110047A (ja) | 電子回路シミュレーションのための方法及び装置 | |
| Salvoldi et al. | Process noise covariance design in Kalman filtering via bounds optimization | |
| CN116819368A (zh) | 电池健康度的估计方法和装置 | |
| JP4417915B2 (ja) | 状態判定装置および状態判定方法 | |
| WO2012048734A1 (en) | Method for controlling an industrial process | |
| Zheng | Parametric identification of linear systems operating under feedback control | |
| RU2384872C2 (ru) | Способ автоматической оптимальной импульсной настройки системы управления | |
| CN117742790A (zh) | 一种pid控制器的参数整定方法、装置、设备和存储介质 | |
| CN111830833B (zh) | 基于模范系统的对象辨识及控制系统优化整定方法 | |
| CN113654715B (zh) | 水压传感器的温度补偿方法、装置、设备及存储介质 | |
| CN117495866B (zh) | 基于机器视觉的齿轮缺陷检测方法及系统 | |
| CN115545585B (zh) | 一种企业能耗准入退出参考标准的确定方法、装置及介质 | |
| Denisenko | Nonparametric model for PID controller autotuning |
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 |