CN116184830A - 一种笼套式电动节流阀阀门开度控制方法 - Google Patents

一种笼套式电动节流阀阀门开度控制方法 Download PDF

Info

Publication number
CN116184830A
CN116184830A CN202310168434.1A CN202310168434A CN116184830A CN 116184830 A CN116184830 A CN 116184830A CN 202310168434 A CN202310168434 A CN 202310168434A CN 116184830 A CN116184830 A CN 116184830A
Authority
CN
China
Prior art keywords
state
control
matrix
equation
time
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
CN202310168434.1A
Other languages
English (en)
Inventor
梁海波
范善飞
仇芝
张毅
杨海
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.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum 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 Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN202310168434.1A priority Critical patent/CN116184830A/zh
Publication of CN116184830A publication Critical patent/CN116184830A/zh
Pending legal-status Critical Current

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
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

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)
  • Control Of Throttle Valves Provided In The Intake System Or In The Exhaust System (AREA)
  • Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)

Abstract

本发明提供一种笼套式电动节流阀阀门开度控制方法，其通过卡尔曼滤波器完成状态估计，状态估计后的结果分别用作模型预测控制器的其中一个输入，改进的RBF神经网络补偿器的输入以及与设定值进行对比后作为参考轨迹的输入，对比后的结果与补偿器的输出进行叠加作为模型预测控制器的另一个输入，经过模型预测控制器优化处理后输出控制量控制电机，从而达到控制阀门开度的目的。本发明通过将卡尔曼滤波器、改进的RBF神经网络以及模型预测控制器有效结合，解决了模型不精确的影响，提高了阀门开度的控制精度以及稳定性。

Description

一种笼套式电动节流阀阀门开度控制方法
技术领域
本发明涉及阀门控制技术领域，尤其涉及一种笼套式电动节流阀阀门开度控制方法。
背景技术
阀门是任何管道系统的重要组成部分，在石油和天然气工业中发挥着关键作用，阀门的开度控制也是工业生产中最常见的需求。在油气田开发和天然气开采的过程中，主要由油管头和采油(气)树组成的井口装置将井下采集到的油(气)经过采油(气)树上的笼套式电动节流阀输送出去，但由于其开度控制量很难把控，且该控制量具有时变和不确定性的特点，这也将导致控制不精确以及设计精确的数学建模变得极为困难，并且如若不对阀门开度进行控制，当阀门开度过小时，极易堵塞并导致执行器爬行，从而导致系统工作稳定性恶化。因此设计一种控制方法来精确控制阀门开度，具有重大的现实意义。
在现有技术中，通常是采用PID控制算法、模糊控制算法来实现，PID算法作为控制器，能够对阀门开度进行有效控制，具有结构简单，易于实现，鲁棒性强等特点，但存在调节时间慢，振荡，参数难以整定，并且只是依靠工作人员的经验整定出的PID参数不具有普遍适用性以及准最优值。模糊控制算法作为控制器，能够提高系统控制精度以及响应速度，但是模糊规则表以及隶属函数一般凭专家的经验得出，有较强的主观性，并且想要提高精度势必导致规则搜索范围扩大，降低决策速度，甚至不能进行实时控制以及还存在关于稳定性和鲁棒性问题。
发明内容
为了克服上述现有技术存在的不足，以及在使用过程中笼套式电动节流阀存在问题，本发明的目的在于提供一种笼套式电动节流阀阀门开度控制方法，采用卡尔曼滤波完成对笼套式电动节流阀的状态估计，将状态估计后的结果作为模型预测控制器的其中一个输入，并将状态估计后的结果和位置检测变送器的结果通过改进RBF神经网络的学习算法输出非线性补偿部分完成补偿，同时将状态估计后的结果与设定值进行对比作为参考轨迹的输入，与补偿部分一并传输至模型预测控制器中，应用模型预测控制算法实现对笼套式电动节流阀阀门开度的闭环控制，减小因开度控制量不好把控，及模型不准确带来的影响，提高阀门开度的控制精度以及稳定性。
本发明采用如下技术方案：
一种笼套式电动节流阀阀门开度控制方法，包括下列步骤：
步骤1.状态估计
利用位置检测变送器所获得阀芯的位移，速度以及加速度并根据卡尔曼滤波算法对阀门的实际状态进行估计。
步骤2.设计改进的RBF神经网络补偿器
非线性部分通过改进RBF神经网络的学习算法，提高系统准确性，并用自身优异的逼近非线性且自调整的能力输出补偿量。
步骤3.设计阀门定位的模型预测控制器
以改进的RBF神经网络补偿器的补偿量和参考轨迹的输出量作为输入量；利用模型预测控制器输出控制量，最终根据模型预测控制器输出的控制量对阀门完成开度控制。
进一步地，步骤1具体步骤包括：
步骤1.1：给定卡尔曼滤波器中的状态变量：位移pk，速度vk，加速度ak；ak作为控制量，令
Figure BDA0004096968780000021
步骤1.2：给定卡尔曼滤波器中的状态转移矩阵和控制矩阵：由于
Figure BDA0004096968780000022
vk＝vk-1+akΔT；
则
Figure BDA0004096968780000023
其中状态转移矩阵/>
Figure BDA0004096968780000024
控制矩阵
Figure BDA0004096968780000031
ΔT为时间间隔。
步骤1.3：由步骤1.1和步骤1.2可得状态预测方程为
Figure BDA0004096968780000032
其中
Figure BDA0004096968780000033
为k时刻的先验估计值，/>
Figure BDA0004096968780000034
为k-1时刻的估计值。由于预测中包含噪声，从而带来了不确定性，因此需对其估量。
步骤1.4：给定卡尔曼滤波器中的先验误差协方差矩阵：
包含噪声的状态方程为：xk＝Fxk-1+Bak+ωk-1；
ωk-1为过程噪声，设定过程噪声ωk-1符合正态分布则其期望为0，其协方差矩阵为Q，将状态方程及状态预测方程代入
Figure BDA0004096968780000035
中可得先验误差协方差矩阵为：
Figure BDA0004096968780000036
其中
Figure BDA0004096968780000037
步骤1.5：给定卡尔曼滤波器中的包含测量噪声的测量方程：
类似与状态预测方程，测量方程中也存在着噪声带来的不确定性，则包含测量噪声的测量方程为：
Figure BDA0004096968780000038
其中，Zk表示为测量值，H为测量矩阵，
Figure BDA0004096968780000039
为测量噪声，其期望为0。
步骤1.6：后验估计方程：
由于过程噪声与测量噪声都是不确定的，因此可用来建模的状态预测方程和测量方程分别为：
Figure BDA00040969687800000310
Zk＝Hxk；
根据数据融合的思想可知，后验估计方程为：
Figure BDA0004096968780000041
此时
Figure BDA0004096968780000042
为最优估计值，其中Kk为卡尔曼增益。
步骤1.7：卡尔曼增益以及更新误差协方差矩阵方程
卡尔曼增益可由
Figure BDA0004096968780000043
得出，其中/>
Figure BDA0004096968780000044
将后验估计方程及测量方程代入，并且求解的目标是寻找Kk使得估计值趋向于实际值，即寻找Kk使得tr(Pk)最小，即方差最小。最后整理可得卡尔曼增益为：
Figure BDA0004096968780000045
其中，R为对应测量噪声的协方差矩阵。
将卡尔曼增益代回
Figure BDA0004096968780000046
中可得更新误差协方差矩阵方程为：
Figure BDA0004096968780000047
I为单位矩阵，Kk为卡尔曼增益，Pk为更新后的误差协方差矩阵；
根据状态是否满足阀门开度控制要求判断任务是否结束，若没有结束，则根据当前状态，通过改进的RBF神经网络补偿器进行补偿，以模型预测控制器的输出量控制电机，从而完成对阀门开度的控制，并继续步骤1.2进行状态估计。
进一步的，步骤2具体步骤包括：
将K-means算法、减聚类算法以及粒子群优化算法融合作为RBF神经网络的学习算法，首先通过减法聚类算法确定聚类数和K-means算法确定初始聚类中心，再通过K-means算法获得RBF神经网络的所有参数，对其扩充作为初始粒子群，最后用粒子群优化算法进行优化获得最优解，并且通过RBF神经网络自身的逼近非线性及自调整的能力输出补偿量，从而达到非线性补偿的作用。
进一步的，步骤3具体包括：
步骤3.1：估计当前系统状态量以及控制量并写成状态方程：
Figure BDA0004096968780000051
x(k)＝[θ(k)，p(k)，v(k)]T；
Figure BDA0004096968780000052
其中y表示输出，
Figure BDA0004096968780000053
为纯拟合函数，θ为阀门开度，p为位移，v为速度，/>
Figure BDA0004096968780000054
为电流，u(k)表示控制量，/>
Figure BDA0004096968780000055
为k时刻电流，θ(k)为k时刻的阀门开度，p(k)为k时刻的位移，v(k)为k时刻的速度。/>
将上式代入离散型状态空间表达式中，其状态方程为：
Figure BDA0004096968780000056
Figure BDA0004096968780000057
其中x(k+1)是k+1时刻的状态向量，u(k)是k时刻的输入向量，x(k)是k时刻的状态向量作为初始条件设定值，y(k)是输出向量，
Figure BDA0004096968780000058
和/>
Figure BDA0004096968780000059
分别是系统的状态矩阵、输入矩阵和输出量的系数矩阵。此时开度、位移和速度作为状态量，电流作为控制量。
步骤3.2确定预测时域和控制时域
系统模型基于u(k)，u(k+1)，......，u(k+N)来进行最优化，在k时刻基于输入向量u(k)以及初始条件状态向量x(k)可预测出下一时刻即k+1时刻的x(k+1)，从而预测出输出y(k+1)的值，同理在k+1时刻基于u(k+1)以状态向量x(k+1)可预测出下一时刻即k+2时刻的x(k+2)，从而预测出输出y(k+2)的值，以此类推可预测出y(k+3)，y(k+4)，......，y(k+N-1)的值。其中在k+N-1时刻基于u(k+N-1)以及状态向量x(k+N-1)可预测出k+N时刻的x(k+N)，从而预测出k+N时刻的y(k+N)的值。令
Figure BDA00040969687800000510
Figure BDA0004096968780000061
其中Xk是基于k时刻的初始条件状态向量以及在k时刻预测出未来时刻的状态向量(例如x(k+1/k))所组合的矩阵，Uk是基于k时刻的输入向量以及在k时刻预测出的输入向量(例如u(k+1/k))所组合的矩阵。其中N为预测时域，N＝3,4,5,6,7。
估计当前时刻系统状态量，对离散状态模型构建代价函数，并取其最小值，从而达到最优化的目的。代价函数：
Figure BDA0004096968780000062
其中误差E(k+i/k)＝x(k+i/k)-r，r为参考值，i＝0,1,2,...,N，
Figure BDA0004096968780000063
Figure BDA0004096968780000064
均为对角矩阵，/>
Figure BDA0004096968780000065
为误差加权和，/>
Figure BDA0004096968780000066
为输入加权和，/>
Figure BDA0004096968780000067
为最终误差。
为得到与二次规划一般形式：
Figure BDA0004096968780000068
的标准形式则由/>
Figure BDA0004096968780000069
Xk以及Uk可得Xk＝Mx(k)+Cu(k)，打开代价函数J可得
Figure BDA00040969687800000610
代入Xk＝Mx(k)+Cu(k)可得，/>
Figure BDA00040969687800000611
Figure BDA00040969687800000612
Figure BDA00040969687800000613
Figure BDA0004096968780000071
Figure BDA0004096968780000072
为误差调整矩阵，/>
Figure BDA0004096968780000073
为终端误差调整矩阵，/>
Figure BDA0004096968780000074
为输入调整矩阵，其中/>
Figure BDA0004096968780000075
与初始状态有关可视为常数，所有的系数矩阵/>
Figure BDA0004096968780000076
均可通过计算得到。
步骤3.3滚动优化控制：通过计算得到u(k)，u(k+1)，u(k+2)，...，u(k+N-1)，只取第一个数据即u(k)进入系统，并且预测时域和控制时域向后移动一个单位继续预测，以此类推直至系统输出稳定的参考值，实现滚动优化控制。
步骤3.4以步骤2的补偿量和卡尔曼滤波器的状态估计值与设定值对比后并经过参考轨迹后的值叠加作为模型预测控制器的输入量，经过模型预测控制器的优化处理后输出控制量控制电机，实现对阀门开度的控制。
本发明的有益效果：
1.本发明采用改进的RBF神经网络，提高其运算速度及准确度，并运用RBF神经网络很好的逼近非线性以及自调整的能力作为非线性补偿器，减少模型不准确带来的影响。
2.本发明采用卡尔曼滤波器，能够对阀门因干扰对状态估计的不确定性进行有效的改善，提高状态估计输出的精度。
3.将模型预测控制算法与改进RBF神经网络补偿器相结合，能够提高系统的鲁棒性，并使得系统具有较好的动态性能。
附图说明
图1为本发明提出的阀门开度控制结构框图；
图2为本发明阀门开度控制方法的流程图；
图3为RBF神经网络结构图；
图4为本发明的仿真效果图；
图5为本发明的仿真细节图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面本发明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作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。
如图1-3所示，本发明的一种笼套式电动节流阀阀门开度控制方法，该方法包含下列步骤：
步骤1.状态估计
利用位置检测变送器所获得阀芯的位移、速度以及加速度并根据卡尔曼滤波算法对阀门的实际状态进行估计，并将状态估计后的结果作为模型预测控制器的一个输入。
步骤2.设计改进的RBF神经网络补偿器
将步骤1中状态估计后的结果和位置检测变送器获得的结果通过改进RBF神经网络的学习算法输出非线性补偿部分，提高系统准确性，并用自身优异的逼近非线性且自调整的能力输出补偿量。
步骤3.设计阀门定位的模型预测控制器
将状态估计后的结果与设定值进行对比作为参考轨迹的输入，与步骤2中非线性补偿部分一并传输至模型预测控制器中，利用模型预测控制器输出控制量，最终根据模型预测控制器输出的控制量对阀门完成开度控制。
进一步地，步骤1具体包括：
步骤1.1)给定卡尔曼滤波器中的状态变量：位移pk，速度vk，加速度ak；ak作为控制量，xk为状态变量，令
Figure BDA0004096968780000081
步骤1.2)给定卡尔曼滤波器中的状态转移矩阵和控制矩阵：由于
Figure BDA0004096968780000082
vk＝vk-1+akΔT；
则
Figure BDA0004096968780000091
其中状态转移矩阵/>
Figure BDA0004096968780000092
控制矩阵
Figure BDA0004096968780000093
ΔT为时间间隔。
步骤1.3)由步骤1.1和步骤1.2可得状态预测方程为
Figure BDA0004096968780000094
其中
Figure BDA0004096968780000095
为k时刻的先验估计值，/>
Figure BDA0004096968780000096
为k-1时刻的先验估计值。由于预测中包含噪声，从而带来了不确定性，因此需对其估量。
步骤1.4)给定卡尔曼滤波器中的先验误差协方差矩阵：包含噪声的状态方程为：
xk＝Fxk-1+Bak+ωk-1；
ωk-1为过程噪声，设定过程噪声ωk-1符合正态分布则其期望为0，其协方差矩阵为Q，将状态方程及状态预测方程代入
Figure BDA0004096968780000097
中可得先验误差协方差矩阵为，/>
Figure BDA0004096968780000098
为先验误差协方差矩阵，E为期望：
Figure BDA0004096968780000099
其中
Figure BDA00040969687800000910
Figure BDA00040969687800000911
为先验误差，即状态值与先验估计值之间的误差。
步骤1.5)给定卡尔曼滤波器中的包含测量噪声的测量方程：类似于状态预测方程，测量方程中也存在着噪声带来的不确定性，则包含这两噪声的测量方程为：
Figure BDA00040969687800000912
其中，Zk表示为测量值，H为测量矩阵，
Figure BDA00040969687800000913
为测量噪声，其期望为0。
步骤1.6)后验估计方程：由于过程噪声与测量噪声都是不确定的，因此可以用来建模的状态预测方程和测量方程分别为：
Figure BDA00040969687800000914
Zk＝Hxk；
根据数据融合的思想可知，后验估计方程为：
Figure BDA0004096968780000101
此时
Figure BDA0004096968780000102
为最优估计值，其中Kk为卡尔曼增益。
步骤1.7)卡尔曼增益以及更新误差协方差矩阵方程：卡尔曼增益可由
Figure BDA0004096968780000103
得出，其中/>
Figure BDA0004096968780000104
将后验估计方程及测量方程代入，并且求解的目标是寻找Kk使得估计值趋向于实际值，即寻找Kk使得tr(Pk)最小，即方差最小。最后整理可得卡尔曼增益为，：
Figure BDA0004096968780000105
其中，R为对应测量噪声的协方差矩阵。
将卡尔曼增益代回
Figure BDA0004096968780000106
中可得更新误差协方差矩阵方程为：
Figure BDA0004096968780000107
I为单位矩阵，Kk为卡尔曼增益，Pk为更新后的误差协方差矩阵；
根据状态是否满足阀门开度控制要求判断任务是否结束，若没有结束，则根据当前状态，通过改进的RBF神经网络补偿器进行补偿，以模型预测控制器的输出量控制电机，从而完成对阀门开度的控制，并继续步骤1.2)进行状态估计。
进一步地，步骤2具体步骤包括：
将K-means算法、减聚类算法以及粒子群优化算法融合作为RBF神经网络的学习算法，首先通过减法聚类确定聚类数和K-means算法确定初始聚类中心，再通过K-means算法获得RBF神经网络的所有参数，对其扩充作为初始粒子群，最后用粒子群优化算法进行优化获得最优解，并且通过RBF神经网络自身的逼近非线性及自调整的能力输出补偿量，从而达到非线性补偿的作用。
进一步地，步骤3具体包括：
步骤3.1估计当前系统状态量以及控制量并写成状态方程：
Figure BDA0004096968780000111
x(k)＝[θ(k)，p(k)，v(k)]T；
Figure BDA0004096968780000112
其中y表示输出，
Figure BDA0004096968780000113
为纯拟合函数，θ为阀门开度，p为位移，v为速度，/>
Figure BDA0004096968780000114
为电流。
u(k)表示控制量，
Figure BDA0004096968780000115
为k时刻的电流；
θ(k)为k时刻的阀门开度，p(k)为k时刻的位移，v(k)为k时刻的速度；
将上式代入离散型状态空间表达式中，其状态方程为：
Figure BDA0004096968780000116
Figure BDA0004096968780000117
其中x(k+1)是k+1时刻的状态向量，u(k)是k时刻的输入向量，x(k)是k时刻的状态向量作为初始条件设定值，y(k)是输出向量，
Figure BDA0004096968780000118
和/>
Figure BDA0004096968780000119
分别是系统的状态矩阵、输入矩阵和输出量的系数矩阵。此时开度、位移和速度作为状态量、电流作为控制量。
步骤3.2：确定预测时域和控制时域：系统模型基于u(k)，u(k+1)，......，u(k+N)来进行最优化，在k时刻基于输入向量u(k)以及初始条件状态向量x(k)可预测出下一时刻即k+1时刻的x(k+1)，从而预测出输出y(k+1)的值，同理在k+1时刻基于u(k+1)以状态向量x(k+1)可预测出下一时刻即k+2时刻的x(k+2)，从而预测出输出y(k+2)的值，以此类推可预测出y(k+3)，y(k+4)，......y(k+N-1)的值。其中在k+N-1时刻基于输入向量u(k+N-1)以及状态向量x(k+N-1)可预测出k+N时刻的x(k+N)，从而预测出k+N时刻的y(k+N)的值。令
Figure BDA0004096968780000121
Figure BDA0004096968780000122
其中Xk是基于k时刻的初始条件状态向量以及在k时刻预测出未来时刻的状态向量(例如x(k+1/k))所组合的矩阵，Uk是基于k时刻的输入向量以及在k时刻预测出的输入向量(例如u(k+1/k))所组合的矩阵。其中N为预测时域，N＝3,4,5,6,7。
估计当前时刻系统状态量，对离散状态模型构建代价函数，并取其最小值，从而达到最优化的目的。代价函数：
Figure BDA0004096968780000123
其中误差E(k+i/k)＝x(k+i/k)-r，r为参考值，i＝0,1,2,...,N，
Figure BDA0004096968780000124
均为对角矩阵，/>
Figure BDA0004096968780000125
为误差加权和，/>
Figure BDA0004096968780000126
为输入加权和，/>
Figure BDA0004096968780000127
为最终误差。为得到如二次规划一般形式：/>
Figure BDA0004096968780000128
的标准形式则由/>
Figure BDA0004096968780000129
Xk以及Uk可得Xk＝Mx(k)+Cu(k)，打开代价函数J可得/>
Figure BDA00040969687800001210
代入Xk＝Mx(k)+Cu(k)可得，/>
Figure BDA00040969687800001211
Figure BDA0004096968780000131
Figure BDA0004096968780000132
Figure BDA0004096968780000133
Figure BDA0004096968780000134
分别为系统的状态矩阵、输入矩阵，/>
Figure BDA0004096968780000135
为误差调整矩阵，/>
Figure BDA0004096968780000136
为终端误差调整矩阵，/>
Figure BDA0004096968780000137
为输入调整矩阵，其中/>
Figure BDA0004096968780000138
与初始状态有关可视为常数，所有的系数矩阵
Figure BDA0004096968780000139
均可通过计算得到。
步骤3.3：滚动优化控制：通过计算得到u(k)，u(k+1)，u(k+2)，...u(k+N-1)，只取第一个数据即u(k)进入系统，并且预测时域和控制时域向后移动一个单位继续预测，以此类推直至系统输出稳定在参考值，实现滚动优化控制。
步骤3.4：以步骤2的补偿量和卡尔曼滤波器的状态估计值与设定值对比后并经过参考轨迹后的值叠加作为模型预测控制器的输入量，经过模型预测控制器的优化处理后输出控制量控制电机，实现对阀门开度的控制。
将本发明的控制方法与传统PID控制算法分别进行阀门开度控制的仿真实验，并且以开度设定值为20％例，控制效果如图4、图5所示。
实验结论：与传统PID控制算法相比，本发明所提供的控制方法，超调量小，调节时间快。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (1)

1.一种笼套式电动节流阀阀门开度控制方法，其特征在于，包括下列步骤：
步骤1.状态估计
利用位置检测变送器获得阀芯的位移，速度以及加速度并根据卡尔曼滤波算法对阀门的实际状态进行估计
步骤1具体包括：
步骤1.1.给定卡尔曼滤波器中的状态变量：位移pk，速度vk，加速度ak；ak作为控制量，xk为状态变量，令
Figure FDA0004096968770000011
步骤1.2.给定卡尔曼滤波器中的状态转移矩阵和控制矩阵：
由于
Figure FDA0004096968770000012
vk＝vk-1+akΔT；
则
Figure FDA0004096968770000013
其中状态转移矩阵/>
Figure FDA0004096968770000014
控制矩阵
Figure FDA0004096968770000015
ΔT为时间间隔；
步骤1.3.由步骤1.1和步骤1.2得状态预测方程为
Figure FDA0004096968770000016
其中
Figure FDA0004096968770000017
为k时刻的先验估计值，/>
Figure FDA0004096968770000018
为k-1时刻的先验估计值,由于预测中包含噪声，从而带来了不确定性，因此需对其估量；
步骤1.4.给定先验误差协方差矩阵：
包含噪声的状态方程为：xk＝Fxk-1+Bak+ωk-1；
ωk-1为过程噪声，设定过程噪声ωk-1符合正态分布则其期望为0，其协方差矩阵为Q，将状态方程及状态预测方程代入
Figure FDA0004096968770000019
Figure FDA00040969687700000110
中得先验误差协方差矩阵为：
Figure FDA00040969687700000215
Figure FDA0004096968770000021
为先验误差协方差矩阵，E为期望，其中/>
Figure FDA0004096968770000022
Figure FDA0004096968770000023
为先验误差，即状态值与先验估计值之间的误差；
步骤1.5.给定卡尔曼滤波器中的包含测量噪声的测量方程：
类似于状态预测方程，测量方程中也存在着噪声带来的不确定性，则包含测量噪声的测量方程为：
Figure FDA0004096968770000024
Zk表示为测量值，其中H为测量矩阵，
Figure FDA0004096968770000025
为测量噪声，其期望为0；
步骤1.6.后验估计方程：
由于过程噪声与测量噪声都是不确定的，因此用来建模的状态预测方程和测量方程分别为：
Figure FDA0004096968770000026
Zk＝Hxk；
根据数据融合的思想知，后验估计方程为：
Figure FDA0004096968770000027
此时
Figure FDA0004096968770000028
为最优估计值，其中Kk为卡尔曼增益；
步骤1.7.卡尔曼增益以及更新误差协方差矩阵方程
卡尔曼增益由
Figure FDA0004096968770000029
得出，其中/>
Figure FDA00040969687700000210
将后验估计方程及测量方程代入，并且求解的目标是寻找Kk使得估计值趋向于实际值，即寻找Kk使得tr(Pk)最小，即方差最小,最后整理得卡尔曼增益为：
Figure FDA00040969687700000211
R为对应测量噪声的协方差矩阵，将卡尔曼增益代回
Figure FDA00040969687700000212
Figure FDA00040969687700000213
中得更新误差协方差矩阵方程为：
Figure FDA00040969687700000214
I为单位矩阵，Kk为卡尔曼增益，Pk为更新后的误差协方差矩阵；
根据状态是否满足阀门开度控制要求判断任务是否结束，若没有结束，则根据当前状态，通过改进的RBF神经网络补偿器进行补偿，以模型预测控制器的输出量控制电机，从而完成对阀门开度的控制，并继续步骤1.2进行状态估计；
步骤2.设计改进的RBF神经网络补偿器
非线性部分通过改进RBF神经网络的学习算法，提高系统准确性，并用自身优异的逼近非线性且自调整的能力输出补偿量；
步骤2具体包括：
将K-means算法、减聚类算法以及粒子群优化算法融合作为RBF神经网络的学习算法，首先通过减法聚类算法确定聚类数和K-means算法确定初始聚类中心，再通过K-means算法获得RBF神经网络的所有参数，对其扩充作为初始粒子群，最后用粒子群优化算法进行优化获得最优解，并且通过RBF神经网络自身的逼近非线性及自调整的能力输出补偿量，从而达到非线性补偿的作用；
步骤3.设计阀门定位的模型预测控制器
以改进的RBF神经网络补偿器的补偿量和参考轨迹的输出量作为输入量；利用模型预测控制器输出控制量，最终根据模型预测控制器输出的控制量对阀门完成开度控制；
步骤3具体包括：
步骤3.1.估计当前系统状态量以及控制量并写成状态方程：
Figure FDA0004096968770000031
x(k＝[θ(k),p(k),v(k)]T；
Figure FDA0004096968770000032
其中y表示输出，
Figure FDA0004096968770000033
为纯拟合函数，θ为阀门开度，p为位移，v为速度，/>
Figure FDA0004096968770000034
为电流；
u(k)表示控制量，
Figure FDA0004096968770000035
为k时刻的电流，θ(k)为k时刻的阀门开度，p(k)为k时刻的位移，v(k)为k时刻的速度；
将上式代入离散型状态空间表达式中，其状态方程为：
Figure FDA0004096968770000041
Figure FDA0004096968770000042
其中x(k+1)是k+1时刻的状态向量，u(k)是k时刻的输入向量，x(k)是k时刻的状态向量作为初始条件设定值，y(k)是输出向量，
Figure FDA0004096968770000043
和/>
Figure FDA0004096968770000044
分别是系统的状态矩阵、输入矩阵和输出量的系数矩阵，此时开度、位移和速度作为状态量，电流作为控制量；
步骤3.2.确定预测时域和控制时域
系统模型基于u(k)，u(k+1)，......，u(k+N)来进行最优化，在k时刻基于输入向量u(k)以及初始条件状态向量x(k)预测出下一时刻即k+1时刻的x(k+1)，从而预测出输出y(k+1)的值，同理在k+1时刻基于u(k+1)以状态向量x(k+1)预测出下一时刻即k+2时刻的x(k+2)，从而预测出输出y(k+2)的值，以此类推预测出y(k+3)，y(k+4)，......，y(k+N-1)的值，其中在k+N-1时刻基于输入向量u(k+N-1)以及状态向量x(k+N-1)预测出k+N时刻的x(k+N)，从而预测出k+N时刻的y(k+N)的值，令
Figure FDA0004096968770000045
Figure FDA0004096968770000046
其中Xk是基于k时刻的初始条件状态向量以及在k时刻预测出未来时刻的状态向量所组合的矩阵，Uk是基于k时刻的输入向量以及在k时刻预测出的输入向量所组合的矩阵，其中N为预测时域，N＝3,4,5,6,7；
估计当前时刻系统状态量，对离散状态模型构建代价函数，并取其最小值，从而达到最优化的目的，代价函数：
Figure FDA0004096968770000051
/>
其中误差E(k+i/k)＝x(k+i/k)-r，r为参考值，i＝0,1,2,...,N，
Figure FDA0004096968770000052
均为对角矩阵，/>
Figure FDA0004096968770000053
为误差加权，/>
Figure FDA0004096968770000054
为输入加权和，
Figure FDA0004096968770000055
为最终误差，为得到二次规划一般形式：/>
Figure FDA0004096968770000056
的标准形式则由/>
Figure FDA0004096968770000057
Xk以及Uk得Xk＝Mx(k)+Cu(k)，打开代价函数J得
Figure FDA0004096968770000058
代入Xk＝Mx(k)+Cu(k)得，/>
Figure FDA00040969687700000517
Figure FDA0004096968770000059
Figure FDA00040969687700000510
Figure FDA00040969687700000511
Figure FDA00040969687700000512
为误差调整矩阵，/>
Figure FDA00040969687700000513
为终端误差调整矩阵，/>
Figure FDA00040969687700000514
为输入调整矩阵，其中/>
Figure FDA00040969687700000515
与初始状态有关视为常数，所有的系数矩阵C,M,G,L,/>
Figure FDA00040969687700000516
均通过计算得到；
步骤3.3.滚动优化控制：
通过计算得到u(k)，u(k+1)，u(k+2)，...，u(k+N-1)，只取第一个数据即u(k)进入系统，并且预测时域和控制时域向后移动一个单位继续预测，以此类推直至系统输出稳定的参考值，实现滚动优化控制；
步骤3.4.以步骤2的补偿量和卡尔曼滤波器的状态估计值与设定值对比后并经过参考轨迹后的值叠加作为模型预测控制器的输入量，经过模型预测控制器的优化处理后输出控制量控制电机，实现对阀门开度的控制。
CN202310168434.1A 2023-02-27 2023-02-27 一种笼套式电动节流阀阀门开度控制方法 Pending CN116184830A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310168434.1A CN116184830A (zh) 2023-02-27 2023-02-27 一种笼套式电动节流阀阀门开度控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310168434.1A CN116184830A (zh) 2023-02-27 2023-02-27 一种笼套式电动节流阀阀门开度控制方法

Publications (1)

Publication Number Publication Date
CN116184830A true CN116184830A (zh) 2023-05-30

Family

ID=86452048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310168434.1A Pending CN116184830A (zh) 2023-02-27 2023-02-27 一种笼套式电动节流阀阀门开度控制方法

Country Status (1)

Country Link
CN (1) CN116184830A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117627989A (zh) * 2024-01-25 2024-03-01 盛吉盛半导体科技(无锡)有限公司 一种压力阀及其控制方法、计算机可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117627989A (zh) * 2024-01-25 2024-03-01 盛吉盛半导体科技(无锡)有限公司 一种压力阀及其控制方法、计算机可读存储介质
CN117627989B (zh) * 2024-01-25 2024-04-30 盛吉盛半导体科技(无锡)有限公司 一种压力阀及其控制方法、计算机可读存储介质

Similar Documents

Publication Publication Date Title
US5268835A (en) Process controller for controlling a process to a target state
CN112286043B (zh) 基于被控对象阶跃响应特性数据的pid参数整定方法
Akpan et al. Nonlinear model identification and adaptive model predictive control using neural networks
Hou et al. From model-based control to data-driven control: Survey, classification and perspective
US6826521B1 (en) System and methodology and adaptive, linear model predictive control based on rigorous, nonlinear process model
US5682309A (en) Feedback method for controlling non-linear processes
CA2411378A1 (en) Multi-variable matrix process control
CN110471276B (zh) 用于为物理系统创建模型函数的装置
CN110609476B (zh) 一种基于高斯过程模型的多变量非线性动态系统模型预测控制方法
CN104122795A (zh) 基于新型极值函数指标的智能自整定pid室温控制算法
CN116184830A (zh) 一种笼套式电动节流阀阀门开度控制方法
Sakr et al. Improving the performance of networked control systems with time delay and data dropouts based on fuzzy model predictive control
CN114567288B (zh) 基于变分贝叶斯的分布协同非线性系统状态估计方法
Vrabie Online adaptive optimal control for continuous-time systems
CN111240201B (zh) 一种扰动抑制控制方法
CN116819973B (zh) 一种轨迹跟踪控制方法
Yaseen et al. A model-free approach to networked control system with time-varying communication delay
CN116880191A (zh) 一种基于时序预测的过程工业生产系统的智能控制方法
JPH11296204A (ja) 多変数プロセス制御システム
Xu et al. Data-driven plant-model mismatch quantification for MIMO MPC systems with feedforward control path
CN112379601A (zh) 基于工业过程的mfa控制系统设计方法
Kristoffersen et al. State and parameter estimation for a gas-liquid cylindrical cyclone
Yaseen et al. Synthesis of model-free control for system with time-varying communication delay
Yang et al. Learning MPC for Process Dynamic Working Condition Change Tasks under Model Mismatch
Kemal et al. An adaptive state feedback controller based on SVR for nonlinear systems

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