CN115981159A - 基于模型辅助和类史密斯预估的广义改进自抗扰控制方法 - Google Patents

基于模型辅助和类史密斯预估的广义改进自抗扰控制方法 Download PDF

Info

Publication number
CN115981159A
CN115981159A CN202310047775.3A CN202310047775A CN115981159A CN 115981159 A CN115981159 A CN 115981159A CN 202310047775 A CN202310047775 A CN 202310047775A CN 115981159 A CN115981159 A CN 115981159A
Authority
CN
China
Prior art keywords
industrial system
actual industrial
gamma
smith
calculation
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
CN202310047775.3A
Other languages
English (en)
Inventor
吴振龙
刘艳红
李晓媛
霍本岩
曹桂州
李炳楠
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.)
Zhengzhou University
Original Assignee
Zhengzhou University
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 Zhengzhou University filed Critical Zhengzhou University
Priority to CN202310047775.3A priority Critical patent/CN115981159A/zh
Publication of CN115981159A publication Critical patent/CN115981159A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Feedback Control In General (AREA)

Abstract

本发明提供了一种基于模型辅助和类史密斯预估的广义改进自抗扰控制方法，属于自动控制领域。包括下述步骤：将一类实际工业系统采用高阶惯性系统进行描述；基于高阶惯性系统的输入量和输出量设计类史密斯预估算法；将得到的类史密斯预估算法的输出量和高阶惯性系统的输入量设计基于模型辅助的扩张状态观测算法；将得到的扩张状态观测算法的输出量和系统设定值设计控制律；得到高阶惯性系统的新输入值，根据该值对被高阶惯性系统的输出进行调节与控制，该方法能够充分利用已知的模型信息，并保留了自抗扰控制结构简单和参数易整定的特点，使得闭环系统能够更好地兼顾跟踪能力与抗干扰能力，并且使得闭环系统具有较强的鲁棒性。

Description

基于模型辅助和类史密斯预估的广义改进自抗扰控制方法
技术领域
本发明涉及工业控制领域，尤其涉及一种基于模型辅助和类史密斯预估的广义改进自抗扰控制方法。
背景技术
自抗扰控制算法由于其具有较强的处理系统非线性、系统不确定性的能力，并具有结构简单、可靠性高等优点得到广泛的关注和应用。自抗扰控制算法尤其是一阶和二阶自抗扰控制算法在运动系统、热力系统、航天系统等得到广泛应用。
然而过程控制系统中存在的传热、流动过程，是典型的分布参数，一般通过采用高阶惯性系统进行描述
Figure BDA0004056316650000011
其中s、K、T和n分别表示微分算子、高阶惯性系统的增益、高阶惯性系统的时间常数、高阶惯性系统的阶次，且n≥2，Y(s)和U(s)分别为高阶惯性系统的输出和输入；以脱硝系统为例，上式中各参数的含义为:输出Y(s)是脱硝系统的氮氧化物浓度输出值，输入U(s)是脱硝系统的喷氨量，增益系数K是指高阶系统对输入值的放大倍数，输入值为1吨喷氨量对应脱硝系统的氮氧化物浓度变化量，时间常数T是指系统响应达到稳态值的63.2％时所需要的时间。
针对以上高阶惯性系统，已有标准自抗扰控制算法所图1示，其特征在于，包括以下步骤：
1)将一类被控的实际工业系统采用高阶惯性系统进行描述，数学表达式为：
Figure BDA0004056316650000021
其中Y(s)和U(s)分别表示实际工业系统的输出量和输入量，s、K、T和n分别表示微分算子、实际工业系统的增益、实际工业系统的时间常数、实际工业系统的阶次，且n≥2；y(Γ)和u(Γ)分别表示实际工业系统上一计算步序时的输出量和上一计算步序时的输入量；
2)针对步骤1)中实际工业系统的输入量和输出量设计n+1阶扩张状态观测算法：
Figure BDA0004056316650000022
其中，i表示第i个变量，且1≤i＜n和1≤j＜m-1；；z1(Γ+1)、z1(Γ)分别为在下一计算步序Γ+1、当前计算步序Γ时的实际工业系统输出量y(Γ+1)、y(Γ)的跟踪量；zi(Γ+1)、zi(Γ)分别为在下一计算步序Γ+1、当前计算步序Γ时的实际工业系统输出量i-1阶导数的跟踪值；zn(Γ+1)、zn(Γ)分别为在下一计算步序Γ+1、当前计算步序Γ时的实际工业系统输出量n-1阶导数的跟踪值；zn+1(Γ+1)、zn+1(Γ)分别为在下一计算步序Γ+1、当前计算步序Γ时的际工业系统所总扰动；h为采样步长；β1、βi、βn、βn+1和b0为计算系数；
3)将步骤2)中得到的扩张状态观测算法的输出量和实际工业系统的设定值设计控制律算法如下：
Figure BDA0004056316650000031
其中u(Γ+2)为控制率计算的实际工业系统在下两计算步序Γ+2的输入量，r(Γ+1)为实际工业系统在下一计算步序Γ+1的设定值，k1、k2、ki、km为计算系数；
4)将步骤3)得到的实际工业系统下两计算步序Γ+2的输入量u(Γ+2)送到执行器，调整执行器的开度，实现闭环系统的控制量调整，从而实现对实际工业系统的输出量调节，此时为标准自抗扰控制算法的实现。
标准自抗扰控制算法在控制高阶惯性系统
Figure BDA0004056316650000032
时存在着模型信息没有得到有效的利用，扩张状态观测器负担过大，估计精度不高等问题，且不能够十分理想地兼顾跟踪和抗干扰性能。
发明内容
本发明的目的是为了克服已有技术的不足之处，针对一类采用高阶惯性系统描述的实际工业系统提供了一种基于模型辅助和类史密斯预估的广义改进自抗扰控制方法，基于高阶惯性系统的输入量和输出量设计类史密斯预估算法；将得到的类史密斯预估算法的输出量和高阶惯性系统的输入量设计基于模型辅助的扩张状态观测算法；将得到的扩张状态观测算法的输出量和系统设定值设计控制律；得到高阶惯性系统的新输入值，根据该值对被高阶惯性系统的输出进行调节与控制，该方法能够充分利用已知的模型信息，并保留了自抗扰控制结构简单和参数易整定的特点，使得闭环系统能够更好地兼顾跟踪能力与抗干扰能力，并且使得闭环系统具有较强的鲁棒性，为在解决一类高阶惯性工业系统的控制问题提供有效的、可靠的控制策略支撑。
本发明第一方面提供一种基于模型辅助和类史密斯预估的广义改进自抗扰控制方法，包括以下步骤：
(1)将一类被控的实际工业系统采用高阶惯性系统进行描述，数学表达式为：
Figure BDA0004056316650000041
其中，Y(s)和U(s)分别表示实际工业系统的输出量和输入量，s、K、T和n分别表示微分算子、实际工业系统的增益、实际工业系统的时间常数、实际工业系统的阶次，n≥2，K的取值范围为[-105,0)和(0,105]，T的取值范围为(0,105]；
设y(Γ-1)和u(Γ-1)分别表示实际工业系统上一计算步序时的输出量和上一计算步序时的输入量；
(2)针对被控的实际工业系统，基于实际工业系统的输入量和输出量设计类史密斯预估算法：
yp(Γ)＝y1(Γ-1)-y2(Γ-1)+y(Γ-1)
yp(Γ)为在当前计算步序Γ时的类史密斯预估算法输出量；y1(Γ-1)为G1(s)在上一计算步序Γ-1时的输出量，y2(Γ-1)为G2(s)在上一计算步序Γ-1时的输出量，且G1(s)的输入量为在上一计算步序时的实际工业系统输入量u(Γ-1)，G2(s)的输入量为在上一计算步序Γ-1时的y1(Γ-1)；
G1(s)和G2(s)为类史密斯预估算法设计的计算表达式：
Figure BDA0004056316650000051
Figure BDA0004056316650000052
其中，k1和m分别为G1(s)的增益和阶次，1≤m＜n，T1为G1(s)和G2(s)的时间常数；kd1＝K和T1＝T；
(3)针对实际工业系统的输入量和类史密斯预估算法的输出量设计基于模型辅助的广义扩张状态观测算法：
Figure BDA0004056316650000053
其中，i和j分别表示第i个变量和第j个变量，且1≤i＜m-1和1≤j＜m-1；
Figure BDA0004056316650000054
表示组合运算，
Figure BDA0004056316650000055
表示在n个对象中取出m个对象的不同情况个数；
z1(Γ+1)、z1(Γ)分别为在下一计算步序Γ+1、当前计算步序Γ时的实际工业系统输出量y(Γ+1)、y(Γ)的跟踪量；zi(Γ+1)、zi(Γ)分别为在下一计算步序Γ+1、当前计算步序Γ时的实际工业系统输出量i-1阶导数的跟踪值；zm(Γ+1)、zm(Γ)分别为在下一计算步序Γ+1、当前计算步序Γ时的实际工业系统输出量m-1阶导数的跟踪值；zm+1(Γ+1)、zm+1(Γ)分别为在下一计算步序Γ+1、当前计算步序Γ时的际工业系统所受干扰的观测量；h为采样步长；h的取值范围为[0.001,100]；β1、βi、βm-1、βm、βm+1和b0为计算系数，其数值计算通过下式进行计算：
Figure BDA0004056316650000061
其中，ωo为基于模型辅助的广义扩张状态观测算法的带宽且ωo∈(0,1015]，ξ为可调参数且ξ∈(0,1015]；
(4)基于(3)中得到的扩张状态观测算法的输出量和实际工业系统的设定值设计广义控制律算法：
Figure BDA0004056316650000062
或者
Figure BDA0004056316650000063
Figure BDA0004056316650000071
其中，u(Γ+2)为广义控制律计算的实际工业系统在下两计算步序Γ+2的输入量，r(Γ+1)为实际工业系统在下一计算步序Γ+1的设定值，k1、k2、ki、km为计算系数，其数值计算通过下式进行计算：
Figure BDA0004056316650000072
其中，ωc为广义控制律算法的带宽且ωc∈(0,1015]；
(5)将(4)得到的实际工业系统下两计算步序Γ+2的输入量u(Γ+2)送到实际工业系统的执行器，调整执行器的开度，实现实际工业系统的控制量调整，从而实现对实际工业系统的输出量调节。
本发明第二方面提供一种基于模型辅助和类史密斯预估的广义改进自抗扰控制系统，包括被控的实际工业系统、用于运行类史密斯预估算法的第一控制器、用于运行基于模型辅助的广义扩张状态观测算法的第二控制器、用于运行广义控制律算法的第三控制器；
实际工业系统、第一控制器、第二控制器和第三控制器相互通信连接，用以实现所述的基于模型辅助和类史密斯预估的广义改进自抗扰控制方法。
本发明第三方面提供一种广义改进自抗扰控制装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令执行所述的基于模型辅助和类史密斯预估的广义改进自抗扰控制方法。
本发明第四方面提供一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的基于模型辅助和类史密斯预估的广义改进自抗扰控制方法。
本发明的特点及有益效果在于：
1、本发明提出了一种基于模型辅助和类史密斯预估的广义改进自抗扰控制方法，保留了已有改进自抗扰控制算法结构简单，易于整定的优势；
2、设计的基于模型信息的广义扩张状态观测算法能够充分利用已知的部分模型信息，提高扩张状态观测算法的带宽上限，从而提高扩张状态观测算法的估计精度，并减轻扩张状态观测算法的在线估计负担；
3、设计的广义控制律算法能够增强跟踪能力与抗干扰能力，并实现基于模型辅助和类史密斯预估的广义改进自抗扰控制的无扰跟踪性能；
4、本发明通过结合已知被控对象的部分模型信息和类史密斯预估的优势，对扩张状态观测算法和控制律算法进行改进，实现控制性能的提升，为解决一类高阶惯性工业系统的控制问题提供有效的、可靠的控制策略。
附图说明
图1为已有的标准自抗扰控制算法结构框图。
图2为本发明广义改进自抗扰控制算法的结构框图。
图3为本发明另一种广义改进自抗扰控制算法的结构框图。
图4为实施例3中实际工业对象设定值、本发明方法输出值和对比方法输出值对比图。
具体实施方式
下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。
实施例1
本实施例提出一种基于模型辅助和类史密斯预估的广义改进自抗扰控制方法，包括以下步骤：
(1)将一类被控的实际工业系统采用高阶惯性系统进行描述，数学表达式为：
Figure BDA0004056316650000091
其中，Y(s)和U(s)分别表示实际工业系统的输出量和输入量，s、K、T和n分别表示微分算子、实际工业系统的增益、实际工业系统的时间常数、实际工业系统的阶次，n≥2，K的取值范围为[-105,0)和(0,105]，T的取值范围为(0,105]；
设y(Γ-1)和u(Γ-1)分别表示实际工业系统上一计算步序时的输出量和上一计算步序时的输入量；
(2)针对被控的实际工业系统，基于实际工业系统的输入量和输出量设计类史密斯预估算法：
yp(Γ)＝y1(Γ-1)-y2(Γ-1)+y(Γ-1)
yp(Γ)为在当前计算步序Γ时的类史密斯预估算法输出量；y1(Γ-1)为G1(s)在上一计算步序Γ-1时的输出量，y2(Γ-1)为G2(s)在上一计算步序Γ-1时的输出量，且G1(s)的输入量为在上一计算步序时的实际工业系统输入量u(Γ-1)，G2(s)的输入量为在上一计算步序Γ-1时的y1(Γ-1)；
G1(s)和G2(s)为类史密斯预估算法设计的计算表达式：
Figure BDA0004056316650000101
Figure BDA0004056316650000102
其中，k1和m分别为G1(s)的增益和阶次，1≤m＜n，T1为G1(s)和G2(s)的时间常数；kd1＝K和T1＝T；
(3)针对实际工业系统的输入量和类史密斯预估算法的输出量设计基于模型辅助的广义扩张状态观测算法：
Figure BDA0004056316650000103
其中，i和j分别表示第i个变量和第j个变量，且1≤i＜m-1和1≤j＜m-1；
Figure BDA0004056316650000104
表示组合运算，
Figure BDA0004056316650000105
表示在n个对象中取出m个对象的不同情况个数；
z1(Γ+1)、z1(Γ)分别为在下一计算步序Γ+1、当前计算步序Γ时的实际工业系统输出量y(Γ+1)、y(Γ)的跟踪量；zi(Γ+1)、zi(Γ)分别为在下一计算步序Γ+1、当前计算步序Γ时的实际工业系统输出量i-1阶导数的跟踪值；zm(Γ+1)、zm(Γ)分别为在下一计算步序Γ+1、当前计算步序Γ时的实际工业系统输出量m-1阶导数的跟踪值；zm+1(Γ+1)、zm+1(Γ)分别为在下一计算步序Γ+1、当前计算步序Γ时的际工业系统所受干扰的观测量；h为采样步长；h的取值范围为[0.001,100]；β1、βi、βm-1、βm、βm+1和b0为计算系数，其数值计算通过下式进行计算：
Figure BDA0004056316650000111
其中，ωo为基于模型辅助的广义扩张状态观测算法的带宽且ωo∈(0,1015]，ξ为可调参数且ξ∈(0,1015]；
(4)基于(3)中得到的扩张状态观测算法的输出量和实际工业系统的设定值设计广义控制律算法：
图2中所示的广义控制律算法：
Figure BDA0004056316650000121
或者图3中所示的广义控制律算法：
Figure BDA0004056316650000122
其中，u(Γ+2)为广义控制律计算的实际工业系统在下两计算步序Γ+2的输入量，r(Γ+1)为实际工业系统在下一计算步序Γ+1的设定值，k1、k2、ki、km为计算系数，其数值计算通过下式进行计算：
Figure BDA0004056316650000123
其中，ωc为广义控制律算法的带宽且ωc∈(0,1015]；
(5)将(4)得到的实际工业系统下两计算步序Γ+2的输入量u(Γ+2)送到实际工业系统的执行器，调整执行器的开度，实现实际工业系统的控制量调整，从而实现对实际工业系统的输出量调节。
实施例2
本实施例提供一种基于模型辅助和类史密斯预估的广义改进自抗扰控制系统，包括被控的实际工业系统、用于运行类史密斯预估算法的第一控制器、用于运行基于模型辅助的广义扩张状态观测算法的第二控制器、用于运行广义控制律算法的第三控制器；
实际工业系统、第一控制器、第二控制器和第三控制器相互通信连接，用以实现实施例1所述的基于模型辅助和类史密斯预估的广义改进自抗扰控制方法。
实施例3
本实施例以热工系统中的实际工业系统为例进行说明：
101：将热工系统中的实际工业系统采用高阶惯性系统进行描述，数学表达式为：
Figure BDA0004056316650000131
本实施例中，实际工业系统的K＝1、T＝13和n＝4；
102：针对步骤101中的被控的实际工业系统，基于实际工业系统的输入量和输出量设计类史密斯预估算法：
G1(s)和G2(s)为类史密斯预估算法设计的计算表达式：
Figure BDA0004056316650000132
Figure BDA0004056316650000133
k1和m分别为G1(s)的增益和阶次，1≤m＜n，T1为G1(s)和G2(s)的时间常数；
本实施例中，kd1＝K、T1＝T和m＝3，即
Figure BDA0004056316650000134
Figure BDA0004056316650000141
103：针对步骤101中实际工业系统的输入量和步骤102中类史密斯预估算法的输出量设计基于模型辅助的广义扩张状态观测算法：
Figure BDA0004056316650000142
β1、β2、β3、β4和b0下式进行计算：
Figure BDA0004056316650000143
本实施例中，ωo＝4，ξ＝25，h＝0.1；
104：将步骤103中得到的扩张状态观测算法的输出量和实际工业系统的设定值设计广义控制律算法如下：
Figure BDA0004056316650000144
k1、k2和k3为计算系数，其数值计算可以通过下式进行计算：
Figure BDA0004056316650000145
本实施例中，ωc＝0.15；
105：将步骤104中得到的实际工业系统下两计算步序Γ+2的输入量u(Γ+2)送到实际工业系统的执行器，调整执行器的开度，实现实际工业系统的控制量调整，从而实现对实际工业系统的输出量调节，完成本实施例的实施。
仿真对比
图4为本实施例中实际工业对象设定值、本发明方法输出值和对比方法输出值对比图；其中标准自抗扰控制算法，其参数分别为k1＝5.0625×10-4、k2＝0.0135、k3＝0.1350、k4＝0.6、β1＝2、β2＝1.6、β2＝1.6、β3＝0.64、β4＝0.1280、β5＝0.0102和b0＝0.08；细实线、虚线和粗实线分别为本实施例中实际工业系统的设定值、对比方法(标准自抗扰控制算法)输出值和本发明方法输出值。
具体的仿真过程为：仿真开始时刻，系统处于稳态时刻，在10s时将设定值从0变为1，在500s时对闭环回路进行控制量的扰动，由0变为1，直到1000s时仿真结束。通过仿真可知，本实施例自抗扰控制方法通过充分利用已知的模型信息，具有比较快的跟踪能力和较强的抗干扰能力。
实施例4
本实施例提供一种广义改进自抗扰控制装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令执行实施例1所述的基于模型辅助和类史密斯预估的广义改进自抗扰控制方法。
本实施例装置还可以包括输入输出接口、网络接口、存储接口等。这些接口以及存储器和处理器之间例如可以通过总线连接。其中，输入输出接口为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口为各种联网设备提供连接接口。存储接口为SD卡、U盘等外置存储设备提供连接接口。
实施例5
本实施例提供一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例1所述的基于模型辅助和类史密斯预估的广义改进自抗扰控制方法。
本领域内的技术人员应当明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机程序代码的计算机非瞬时性可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。

Claims (4)

1.一种基于模型辅助和类史密斯预估的广义改进自抗扰控制方法，其特征在于，包括以下步骤：
(1)将一类被控的实际工业系统采用高阶惯性系统进行描述，数学表达式为：
Figure FDA0004056316640000011
其中，Y(s)和U(s)分别表示实际工业系统的输出量和输入量，s、K、T和n分别表示微分算子、实际工业系统的增益、实际工业系统的时间常数、实际工业系统的阶次，n≥2，K的取值范围为[-105,0)和(0,105]，T的取值范围为(0,105]；
设y(Γ-1)和u(Γ-1)分别表示实际工业系统上一计算步序时的输出量和上一计算步序时的输入量；
(2)针对被控的实际工业系统，基于实际工业系统的输入量和输出量设计类史密斯预估算法：
yp(Γ)＝y1(Γ-1)-y2(Γ-1)+y(Γ-1)
yp(Γ)为在当前计算步序Γ时的类史密斯预估算法输出量；y1(Γ-1)为G1(s)在上一计算步序Γ-1时的输出量，y2(Γ-1)为G2(s)在上一计算步序Γ-1时的输出量，且G1(s)的输入量为在上一计算步序时的实际工业系统输入量u(Γ-1)，G2(s)的输入量为在上一计算步序Γ-1时的y1(Γ-1)；
G1(s)和G2(s)为类史密斯预估算法设计的计算表达式：
Figure FDA0004056316640000012
Figure FDA0004056316640000021
其中，k1和m分别为G1(s)的增益和阶次，1≤m＜n，T1为G1(s)和G2(s)的时间常数；kd1＝K和T1＝T；
(3)针对实际工业系统的输入量和类史密斯预估算法的输出量设计基于模型辅助的广义扩张状态观测算法：
Figure FDA0004056316640000022
其中，i和j分别表示第i个变量和第j个变量，且1≤i＜m-1和1≤j＜m-1；
Figure FDA0004056316640000023
表示组合运算，
Figure FDA0004056316640000024
表示在n个对象中取出m个对象的不同情况个数；
z1(Γ+1)、z1(Γ)分别为在下一计算步序Γ+1、当前计算步序Γ时的实际工业系统输出量y(Γ+1)、y(Γ)的跟踪量；zi(Γ+1)、zi(Γ)分别为在下一计算步序Γ+1、当前计算步序Γ时的实际工业系统输出量i-1阶导数的跟踪值；zm(Γ+1)、zm(Γ)分别为在下一计算步序Γ+1、当前计算步序Γ时的实际工业系统输出量m-1阶导数的跟踪值；zm+1(Γ+1)、zm+1(Γ)分别为在下一计算步序Γ+1、当前计算步序Γ时的际工业系统所受干扰的观测量；h为采样步长；h的取值范围为[0.001,100]；β1、βi、βm-1、βm、βm+1和b0为计算系数，其数值计算通过下式进行计算：
Figure FDA0004056316640000031
其中，ωo为基于模型辅助的广义扩张状态观测算法的带宽且ωo∈(0,1015]，ξ为可调参数且ξ∈(0,1015]；
(4)基于(3)中得到的扩张状态观测算法的输出量和实际工业系统的设定值设计广义控制律算法：
Figure FDA0004056316640000032
或者
Figure FDA0004056316640000033
其中，u(Γ+2)为广义控制律计算的实际工业系统在下两计算步序Γ+2的输入量，r(Γ+1)为实际工业系统在下一计算步序Γ+1的设定值，k1、k2、ki、km为计算系数，其数值计算通过下式进行计算：
Figure FDA0004056316640000041
其中，ωc为广义控制律算法的带宽且ωc∈(0,1015]；
(5)将(4)得到的实际工业系统下两计算步序Γ+2的输入量u(Γ+2)送到实际工业系统的执行器，调整执行器的开度，实现实际工业系统的控制量调整，从而实现对实际工业系统的输出量调节。
2.一种基于模型辅助和类史密斯预估的广义改进自抗扰控制系统，其特征在于，包括被控的实际工业系统、用于运行类史密斯预估算法的第一控制器、用于运行基于模型辅助的广义扩张状态观测算法的第二控制器、用于运行广义控制律算法的第三控制器；
实际工业系统、第一控制器、第二控制器和第三控制器相互通信连接，用以实现权利要求1所述的基于模型辅助和类史密斯预估的广义改进自抗扰控制方法。
3.一种广义改进自抗扰控制装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令执行权利要求1所述的基于模型辅助和类史密斯预估的广义改进自抗扰控制方法。
4.一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1所述的基于模型辅助和类史密斯预估的广义改进自抗扰控制方法。
CN202310047775.3A 2023-01-31 2023-01-31 基于模型辅助和类史密斯预估的广义改进自抗扰控制方法 Pending CN115981159A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310047775.3A CN115981159A (zh) 2023-01-31 2023-01-31 基于模型辅助和类史密斯预估的广义改进自抗扰控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310047775.3A CN115981159A (zh) 2023-01-31 2023-01-31 基于模型辅助和类史密斯预估的广义改进自抗扰控制方法

Publications (1)

Publication Number Publication Date
CN115981159A true CN115981159A (zh) 2023-04-18

Family

ID=85974058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310047775.3A Pending CN115981159A (zh) 2023-01-31 2023-01-31 基于模型辅助和类史密斯预估的广义改进自抗扰控制方法

Country Status (1)

Country Link
CN (1) CN115981159A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117850247A (zh) * 2024-03-07 2024-04-09 清华大学 扰动观测器控制优化方法、装置、扰动观测器及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117850247A (zh) * 2024-03-07 2024-04-09 清华大学 扰动观测器控制优化方法、装置、扰动观测器及介质

Similar Documents

Publication Publication Date Title
Simonetto et al. A class of prediction-correction methods for time-varying convex optimization
CN108646758B (zh) 一种多移动机器人预设性能编队控制器结构及设计方法
Chi et al. Constrained data-driven optimal iterative learning control
Camacho et al. Nonlinear model predictive control: An introductory review
CN109188909B (zh) 面向船舶航向非线性离散系统的自适应模糊最优控制方法及系统
CN108828954B (zh) 气候风洞自适应预测控制系统及其控制方法
Chen Predictive control of general nonlinear systems using approximation
Yu et al. Global robust output tracking control for a class of uncertain cascaded nonlinear systems
Kong et al. Generalized discrete-time nonlinear disturbance observer based fuzzy model predictive control for boiler–turbine systems
CN115981159A (zh) 基于模型辅助和类史密斯预估的广义改进自抗扰控制方法
CN103838139A (zh) 具有积分饱和预处理功能的pid控制方法
CN105404144A (zh) 连续搅拌反应釜的多模型自适应控制方法及系统
CN105955014A (zh) 分布式动态矩阵控制优化的焦炭炉炉膛压力控制方法
JP7275492B2 (ja) 制御装置、制御方法及びプログラム
CN109765950B (zh) 一种一阶纯时延炉温系统控制方法
CN104155876B (zh) 一种pid控制器的分离实现方法
Albin et al. Nonlinear mpc for combustion engine control: A parameter study for realizing real-time feasibility
CN116339135A (zh) 基于模型辅助和类史密斯预估的一阶改进自抗扰控制方法
CN114035436A (zh) 一种基于饱和自适应律的反步控制方法、存储介质及设备
CN113324239A (zh) 燃气蒸汽联合循环机组汽温控制方法及装置
CN115609343A (zh) 一种运动倍率调节方法、装置、计算机设备和存储介质
CN113459083A (zh) 一种事件触发下的机械臂自适应固定时间控制方法及系统
EP4068012B1 (en) Learning processing apparatus, control apparatus, learning processing method, control method, learning program and control program
Choe Performance/Robustness Improvement of i-PID with Two-Degree-of-Freedom Controller
CN116149262B (zh) 一种伺服系统的跟踪控制方法及系统

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