CN117193025B - 加药机控制方法、装置、电子设备及存储介质 - Google Patents
加药机控制方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117193025B CN117193025B CN202311467095.3A CN202311467095A CN117193025B CN 117193025 B CN117193025 B CN 117193025B CN 202311467095 A CN202311467095 A CN 202311467095A CN 117193025 B CN117193025 B CN 117193025B
- Authority
- CN
- China
- Prior art keywords
- simplified
- control
- prediction
- prediction model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 107
- 238000005096 rolling process Methods 0.000 claims abstract description 51
- 238000012937 correction Methods 0.000 claims abstract description 36
- 239000000126 substance Substances 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 17
- 230000008569 process Effects 0.000 description 22
- 239000007788 liquid Substances 0.000 description 19
- 230000008859 change Effects 0.000 description 13
- 230000001276 controlling effect Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000005188 flotation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012377 drug delivery Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000013077 target material Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005187 foaming Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明的实施例提供了一种加药机控制方法、装置、电子设备及存储介质,涉及工程控制技术领域。该方法包括:基于动态矩阵预测控制方法和线性控制理论获取加药机的离散预测模型和简化控制系数,基于简化控制系数对离散预测模型进行简化,得到简化预测模型;对简化预测模型进行误差校正;通过分析历史操作数据结合控制需求获取系统相平面的线性变换结果,得到类相平面;基于所述类相平面和期望轨迹方程调整加药机的系统优化目标,得到更新优化目标;基于动态矩阵预测控制方法将更新优化目标转化为滚动优化函数,并基于滚动优化函数对简化预测模型进行滚动优化。本申请算法简单,可应用于任意可编程设备,如PLC,单片机等。
Description
技术领域
本发明涉及工程控制技术领域,具体而言,涉及一种加药机控制方法、装置、电子设备及存储介质。
背景技术
浮选法是根据矿物表面物理、化学特性的不同,使目标物料附着在气泡上从矿浆中浮出的选矿过程。在实际的浮选过程中,需要在不同阶段添加不同的药剂来强化目标物料的物理化学特性,以提高浮选效率。随着计算机技术的发展,自动加药机取代了早年的人工加药。
对于比较明确的过程可以通过建模进行控制,对于大多有些模糊的过程可以使用经典的PID控制器进行控制,对于更为复杂的情况也有神经网络、预测控制等先进控制算法。
然而,在实际应用中会存在一些变化,例如机械磨损导致间隙增大、水网压力变化等,这些因素部分可以测量但成本过高,部分不可测量,尤其是选矿过程更是如此,矿石性质变化会导致起泡效果及流动性的变化,即使是浮选流程体积平衡的控制也会很大的变化,这就需要不断调整参数,对现场技术员要求较高。
其中模型预测控制(Model Predictive Control, MPC)是20世纪80年代初开始发展起来的一类新型计算机控制算法。但到目前为止使用工业控制中最为广泛的PLC实现先进控制算法仍然存在一些阻碍,例如算力以及复杂指令等。
发明内容
为了解决上述技术问题,本申请实施例提供了一种加药机控制方法、装置、电子设备及存储介质。
第一方面,本申请实施例提供了一种加药机控制方法,所述方法包括:
基于动态矩阵预测控制方法和线性控制理论获取所述加药机的离散预测模型和简化控制系数,基于所述简化控制系数对所述离散预测模型进行简化,得到简化预测模型,所述简化预测模型的输入为控制装置输出和当前采样时刻的采样数据,输出为下一采样时刻的预测数据;
对所述简化预测模型进行误差校正;
通过分析历史操作数据结合控制需求获取系统相平面的线性变换结果,即类相平面;
基于所述类相平面和期望轨迹方程调整所述加药机的系统优化目标,得到更新优化目标;
基于动态矩阵预测控制方法将所述更新优化目标转化为滚动优化函数,并基于所述滚动优化函数对所述简化预测模型进行滚动优化,基于误差校正和滚动优化后的简化预测模型实现所述加药机的模型预测控制。
在一实施方式中,获取所述离散预测模型,包括:
根据以下公式确定所述离散预测模型,
;
其中,表示 k时刻的输入,/>表示 k+1时刻输出的预测值,k为当前采样时刻/>的序号,k+1为下个采样时刻/>+T的序号, T为采样周期,t为惯性系数,/>为所述控制装置在k时刻的输出。
在一实施方式中,所述基于所述简化控制系数对所述离散预测模型进行简化,得到简化预测模型,包括:
根据以下公式确定所述简化预测模型,
;
其中,表示 k时刻的输入,/>表示 k+1时刻输出的预测值,/>为所述控制装置在k时刻的输出,/>为所述简化控制系数,所述简化控制系数基于所述历史操作数据分析得到。
在一实施方式中,对所述简化预测模型进行误差校正,包括:
根据以下公式获取所述简化预测模型的预测误差,
;
其中,表示k时刻的预测误差,/>表示根据k-1时刻得到的k时刻的预测值,/>表示k时刻的实际测量值;
根据以下公式获取所述简化预测模型的误差估计值,
;
其中,表示k+1时刻的预测误差;
根据以下公式对所述简化预测模型进行误差校正,
;
表示误差校正后的k时刻对k+1时刻的预测值,/>表示系统放大系数。
在一实施方式中,所述系统优化目标为系统当前反馈在所述类相平面的点与期望轨迹直线的距离为0,所述基于所述类相平面和期望轨迹方程调整所述加药机的系统优化目标,得到更新优化目标,包括:
根据以下公式计算系统当前反馈在所述类相平面的点与所述期望轨迹直线的距离,
;
其中,表示系统当前反馈在所述类相平面的点与所述期望轨迹直线的距离,为当前采样时刻的反馈,/>为上一采样时刻的反馈,/>为k时刻的期望,T为采样周期,/>为所述期望轨迹直线的预设斜率;
根据以下公式计算k+1时刻的预测距离,
;
其中,表示k+1时刻的预测距离,/>表示k+1时刻的期望;
结合误差校正后的简化预测模型,根据以下公式得到对下一时刻的系统优化目标的预测,即更新优化目标,所述更新优化目标包括当前输出增量,
;
其中,表示所述当前输出增量,/>,
在一实施方式中,所述基于动态矩阵预测控制方法将所述更新优化目标转化为滚动优化函数,并基于所述滚动优化函数对所述简化预测模型进行滚动优化,包括:
根据以下公式,基于所述更新优化目标得到新的滚动优化函数,
;
加入以限制系统输出幅度,
;
代入对下一时刻更新优化目标的预测得到,
;
其中。
在一实施方式中,所述方法还包括:
将所述滚动优化函数转化为一元二次方程,计算所述一元二次方程的最值;
代入所述一元二次方程的最值,得到以下公式,
;
对上述公式进行求解,得到所述当前输出增量。
第二方面,本申请实施例提供了一种加药机控制装置,应用于加药机,所述加药机控制装置包括:
简化离散预测模块,用于基于动态矩阵预测控制方法和线性控制理论获取所述加药机的离散预测模型和简化控制系数,基于所述简化控制系数对所述离散预测模型进行简化,得到简化预测模型,所述简化预测模型的输入为控制装置输出和当前采样时刻的采样数据,输出为下一采样时刻的预测数据;
误差校正模块,用于对所述简化预测模型进行误差校正;
变换模块,用于通过分析历史操作数据结合控制需求获取系统相平面的线性变换结果,即类相平面;
优化目标模块,用于基于所述类相平面和期望轨迹方程调整所述加药机的系统优化目标,得到更新优化目标;
滚动优化模块,基于动态矩阵预测控制方法将所述更新优化目标转化为滚动优化函数,并基于所述滚动优化函数对所述简化预测模型进行滚动优化,基于误差校正和滚动优化后的简化预测模型实现所述加药机的模型预测控制。
第三方面,本申请实施例提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储计算机程序,所述计算机程序在所述处理器运行时执行第一方面提供的加药机控制方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序在处理器上运行时执行第一方面提供的加药机控制方法。
本申请具有以下有益效果:
因算法简单,主要计算过程只应用了四则运算,点到直线距离,一元二次方程极限值求解等简单初等数学内容。因此可应用于任意可编程设备,不局限于计算机,还包括PLC,单片机。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对本申请保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1示出了本申请实施例提供的加药机控制方法的一流程示意图;
图2示出了本申请实施例提供的历史操作密度分布图的一示意图;
图3示出了本申请实施例提供的类相平面及期望轨迹的一示意图;
图4示出了本申请实施例提供的加药机控制装置的一结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
在下文中,可在本申请的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本申请的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本申请的各种实施例中被清楚地限定。
实施例1
在工业控制中,对于比较明确的过程可以通过建模进行分析,对于大多有些模糊的过程可以使用经典的PID控制器进行控制,对于更为复杂的情况也有神经网络、预测控制等先进控制算法。
但是,在实际使用过程中往往会出现一些变化,例如机械磨损导致间隙增大、水网压力变化等,有些可以测量但成本过高,有些不可测量,尤其是选矿过程更是如此,矿石性质变化会导致起泡效果及流动性的变化,即使是浮选流程体积平衡的控制也会很大的变化,这就需要不断调整参数,对现场技术员要求较高。
其中模型预测控制(Model Predictive Control, MPC)是20世纪80年代初开始发展起来的一类新型计算机控制算法。目前提出的预测控制算法主要有基于非参数模型的模型算法控制(MAC)、动态矩阵控制(DMC),以及基于参数模型的广义预测控制(GPC)和广义预测极点配置控制(GPP)等。
但到目前为止使用工业控制中最为广泛的PLC实现先进控制算法仍然存在一些阻碍,例如算力以及复杂指令等。
基于此,本公开实施例提供了一种加药机控制方法。具体地,提供一种可在DCS/PLC上实现的单回路通用免调试控制算法,以减少现场维护量,并降低对现场技术人员的要求。示例性的,可以应用在BRFS加药机上。
具体的,参见图1,加药机控制方法包括:
步骤S110,基于动态矩阵预测控制方法和线性控制理论获取所述加药机的离散预测模型和简化控制系数,基于所述简化控制系数对所述离散预测模型进行简化,得到简化预测模型,所述简化预测模型的输入为控制装置输出和当前采样时刻的采样数据,输出为下一采样时刻的预测数据。
按照动态矩阵预测控制方法的思路和线性控制理论获取所述加药机的离散预测模型,通过分析工人的历史操作数据提出新的简化预测模型和简化控制系数。
具体的,在求解时间相关问题时,需要将连续的过程离散为一系列的时间点或者空间点,以进行下一步的模拟和求解。
在控制理论中通常会将,控制对象简化为经典的一阶或二阶环节,来进行描述,此处以一阶惯性环节为例进行说明:
(1);
式中PV为液位,CV为控制变量(Control Variable)即控制装置输出,为变化的放大系数,t为变化的惯性系数。
由传递函数建立状态空间表达式的直接法可得:
(2);
所以有:
(3);
设,所以有系统方程:
(4);
其中。
采用前向欧拉法将状态方程离散化:
(5);
前进欧拉法将时间步长等分为若干小区间,每个时间步长上使用当前的状态来计算下一个时间点的状态。式中k为当前采样时刻的序号,k+1为下个采样周期/>+T的序号,其中T为采样周期。
由式(4)和式(5)可得,在一实施方式中,获取所述离散预测模型,包括:
根据以下公式确定所述离散预测模型,
(6);
其中,表示 k时刻的输入,/>表示 k+1时刻输出的预测值,k为当前采样时刻/>的序号,k+1为下个采样时刻/>+T的序号, T为采样周期,t为惯性系数,/>为所述控制装置在k时刻的输出。
以上离散预测模型,需要确定惯性系数t,但t是变化的,难以确定,也就难以使用。此外,的系数为/>,需要对离散预测模型进行简化。
工人手动调节也能够取得比较理想的效果,例如图2是某选厂工人手动操作阀门,通过溢流调节泵池液位的历史数据,经过分析变换得到操作密度分布图,横坐标是液位,纵坐标是液位变化趋势。
若是将传统的人工控制转换为控制算法,可以将工人视角描述的多种情况与控制描述一一对应,例如:
若工人描述为“液位不能太高太低,但具体多高多低不确定”,则转化为控制算法的描述为“边界条件,即上下限”,对应的相关变量为“变化的液位上下限,SP(set point,设定点,即期望)不确定”;
若工人描述为“液位高,则液位下降速度可以快一些,反之液位低则液位上升的速度可以快一些,但适中时应比较平缓”,则转化为控制算法的描述为“大致对应动态性能要求,包括上升时间,超调量,稳定时间等”,对应的相关变量为“SP-PV、dPV/dt”;
若工人描述为“根据液位及其趋势,决定阀门开度,然后再根据操作后液位变化情况,修正阀门开度”,则转化为控制算法的描述为“首先根据经验预判(或根据旧模型预测),然后根据实际输出效果(或根据当下模型预测),滚动修正”,对应的相关变量为“PV、ΔCV、dPV/dt”;
可以看出,工人依靠的不是计算过程明确的白盒模型,而是不知道具体过程的黑盒模型,即只从系统的输入输出来进行判断,参考依据就是阀门开度增量ΔCV、液位PV及其趋势dPV/dt,或者说依靠的是系统对ΔCV的响应。
综上,将控制系统中与人对应的控制系数命名为,并基于对历史操作数据的分析,将离散预测模型简化为:
在一实施方式中,基于所述简化控制系数对所述离散预测模型进行简化,得到简化预测模型,包括:
根据以下公式确定所述简化预测模型,
(7);
其中,表示 k时刻的输入,/>表示 k+1时刻输出的预测值,/>为所述控制装置在k时刻的输出,/>为所述简化控制系数,所述简化控制系数基于所述历史操作数据分析得到。
其中与优化目标有关,因此在优化目标中给出具体形式。/>系数取1,是考虑工人在监控整个流程运行时,不可能长时间在脑内按照式(6)的形式进行计算,甚至不会按照上式中的形式计算,而是类似乘法的粗略估计,原来状态和动作幅度对判断有一定影响,因此此处在进行模拟时,采用上式的模式。
这里式(7)得到的,称之为当前k时刻对于下个时刻k+1的预测,记为。
由于在这里每次实施控制,只需要求解出当前时刻的最佳控制增量,然后与上一个k-1时刻的/>相加即得/>,在求出/>之前/>记为,即根据当前k时刻采集的信息预测的k时刻应该给出的输出,故有下式:
(8);
步骤S120,对所述简化预测模型进行误差校正;
在一实施方式中,对所述简化预测模型进行误差校正,包括:
在实际情况下,由于模型不准、以及噪声等原因,模型输出与过程实际输出之间常存在一定误差,根据以下公式获取所述简化预测模型的预测误差,
(9);
其中,表示k时刻的预测误差,/>表示根据k-1时刻得到的k时刻的预测值,/>表示k时刻的实际测量值。
通过校正可更加准确地预测过程的输出。示例性的,具体使用方法,一般有两种,一种是通过修改模型使预测结果更加准确,另一种是对当前模型输出进行补偿,可以达到同样效果,这里分析的是DMC(动态矩阵控制)方法,采用的就是后者,即对模型输出进行补偿。
为简便起见,可取作为/>的估计,即根据以下公式获取所述简化预测模型的误差估计值:
(10);
其中,表示k+1时刻的预测误差。此处虽有所忽略,但由于系统是连续的,且校正是采集系统当下信息滚动进行,后续的优化也是随系统变化的滚动优化,所以可将误差保持在一定范围内,得到近似解,从而实现模糊的准确,所以可将的进一步误差修正,即根据以下公式对所述简化预测模型进行误差校正:
(11);
其中,表示误差校正后的k时刻对k+1时刻的预测值,/>表示系统放大系数。
步骤S130,通过分析历史操作数据结合控制需求获取系统相平面的线性变换结果,即类相平面;
根据以上分析工人操作数据历史数据,结合控制理论相平面,以及导数基础知识,进行线性变换,得到所述类相平面;
简化离散预测模型中工人操作的描述与经典控制理论中要求缩短上升时间和稳定时间,同时减小超调的要求相吻合。
区别在于工人的描述是连续而模糊的,例如:偏差大时趋势的绝对值可以大一些,偏差小时要平缓,人在观察时是连续进行判断调整的,但判断阈值则是模糊的。
而经典控制理论中的要求是概略性的,例如上升时间,但没有描绘出到底如何上升。
同时这也是对于所有控制过程的要求,此时这就需要一种方式将两者统一起来,根据以上分析,可得出以下推论:
第一,SP-PV与期望的变化方向天然一致且与期望的变化速度正相关,即当液位大于期望时希望液位下降,且偏差越大期望下降速度越快,反之亦然;
第二,;
第三,在图2的驼峰式分布中可在鞍部将操作密度分布分为中间混沌区、左下关阀区,和右上开阀区三个部分。
分析工人操作数据历史数据,结合控制理论相平面,以及导数基础知识,对相平面进行线性变换可得如图3所示的类相平面,在所述类相平面中,原点是理想位置,即反馈等于设定,且变化趋势为0,同时,反馈总是在第一和第三象限远离原点,并在第二第四象限靠近原点。
步骤S140,基于所述类相平面和期望轨迹方程调整所述加药机的系统优化目标,得到更新优化目标;
假定理想状态可画出一条通过原点的直线,将画面明确分成左下关阀和右上开阀两个部分。
那么直线本身就是不动作区域,在此称之为期望轨迹方程,即希望反馈沿着直线/>靠近原点。
当反馈位于期望轨迹方程左下时,说明液位低或靠近速度过慢,关阀,加快靠近速度,缩短上升时间。
当反馈位于期望轨迹方程右上时,说明液位高或靠近速度过快,开阀,减缓靠近速度,减小超调。
这也与工人的描述相一致,所述类相平面和期望轨迹方程解决了是否需要调节和调节方向的问题。
可以看出,工人判断依靠的不是白盒解析模型,而是黑盒模型,即系统对ΔCV阶跃输出的响应。在图3所示的类相平面上表现为ΔCV对反馈PV位置的影响,是否靠近了期望轨迹方程,实际靠近了多少,以及靠近的速度如何,与自己的内心预期进行比较,然后确定再调整多少。
因此可得,即兼顾了输出改变量以及系统反馈与期望的偏差,也体现了系统变化趋势,因此在控制算法中用此系数模拟人的判断过程。
系统采样周期为T,对于X时刻,由后向欧拉法可得:,令X=t-T,及当前采样时刻的t的前一个周期,序号为k-1,所以有:
(12);
所以k时刻的简化控制系数
(13);
优化目标也可以描述为,系统当前反馈在所述类相平面上的点与期望轨迹直线的距离为,根据以下公式计算系统当前反馈在所述类相平面的点与所述期望轨迹直线的距离:
(14);
其中,表示系统当前反馈在所述类相平面的点与所述期望轨迹直线的距离,为当前采样时刻的反馈,/>为上一采样时刻的反馈,/>为k时刻的期望,T为采样周期,/>为所述期望轨迹直线的预设斜率;
所以可得对k+1时刻的预测距离,根据以下公式计算:
(15);
其中,表示k+1时刻的预测距离,/>表示k+1时刻的期望;
结合误差校正后的简化预测模型,根据以下公式得到对下一时刻的系统优化目标的预测,即更新优化目标,所述更新优化目标包括当前输出增量,代入式(6)、(7)和(11)可得:
(16);
其中,表示所述当前输出增量,也就是最佳控制增量,,/> 。
其中,为系统放大系数,/>为简化控制系数,实际上工人在判断时包括了系统放大系数,因此可将/>改写为;T为控制周期,/>是预先设定的期望轨迹的斜率;/>为当前反馈,/>为上个周期的反馈,为当前设定,/>为上次控制增量,/>为上个周期的控制输出,为根据上个周期预测的当前值。
在第一次启动时可选用设定SP作为启动初值,之后可根据式(6)、(7)、(11)进行迭代计算,即得到每次计算时的上次预测值。
因此式(16)中除了是当前需要确定的控制增量以外,其他D和M可通过测量值和设定值计算,/>是预先手动设定的期望轨迹的斜率。
步骤S150,基于动态矩阵预测控制方法将所述更新优化目标转化为滚动优化函数,并基于所述滚动优化函数对所述简化预测模型进行滚动优化,基于误差校正和滚动优化后的简化预测模型实现所述加药机的模型预测控制。
在一实施方式中,仿照动态矩阵预测控制方法的思路将新的优化目标转为滚动优化函数,并进行滚动优化。
根据相关书籍可知通常滚动优化函数选取是通过使最优化准则
(17);
的值最小来确定的,一时系统在未来个时刻的输出值尽可能接近期望值。其中/>为期望输出序列值。
但是,在实际优化中难以一步到位,且系统也不允许一次动作幅度过大,所以优化函数可写为:
根据以下公式,基于所述更新优化目标得到新的滚动优化函数,
(18);
即当前输出改变,使下个周期的距离/>最小,为限制系统输出幅度,加入/>以限制系统输出幅度,
(19);
代入对下一时刻更新优化目标的预测,即式(16)可得:
(20);
其中。
在一实施方式中,将所述滚动优化函数转化为一元二次方程,计算所述一元二次方程的最值;
这一步骤是将求解当前输出增量的问题,变成为开口向上一元二次方程求最值,代入顶点可得:
(21)
式(21)即为程序运行时的求解公式,以上计算过程均为基础的加减乘除四则运算,因此可在PLC实现。
需要注意的是,启动时需要一个初值,以及第一个预测值/>,此处取期望SP,然后才能得出系统反应,以此启动算法迭代,因此该步骤借用围棋术语称之为“试应手”。
本实施例按照动态矩阵预测控制的思路,将简化离散预测模型、误差校正、滚动优化函数进行结合,通过分析工人操作数据借助所述类相平面给出一个系统简化离散预测模型。借助DMC的校正方法,进行迭代校正误差,使预测结果不断接近真值,实现模糊的正确。最后结合所述类相平面中期望轨迹与当前系统状态的距离,即点到直线距离公式给出控制的优化目标,构建滚动优化函数,实现了三者的有机结合。
实施例2
此外,本公开实施例提供了一种加药机控制装置200。
请参见图4,所述装置包括:
简化离散预测模块210,用于基于动态矩阵预测控制方法和线性控制理论获取所述加药机的离散预测模型和简化控制系数,基于所述简化控制系数对所述离散预测模型进行简化,得到简化预测模型,所述简化预测模型的输入为控制装置输出和当前采样时刻的采样数据,输出为下一采样时刻的预测数据;
误差校正模块220,用于对所述简化预测模型进行误差校正;
变换模块230,用于通过分析历史操作数据结合控制需求获取系统相平面的线性变换结果,即类相平面;
优化目标模块240,用于基于所述类相平面和期望轨迹方程调整所述加药机的系统优化目标,得到更新优化目标;
滚动优化模块250,用于基于动态矩阵预测控制方法将所述更新优化目标转化为滚动优化函数,并基于所述滚动优化函数对所述简化预测模型进行滚动优化,基于误差校正和滚动优化后的简化预测模型实现所述加药机的模型预测控制。
本实施例按照动态矩阵预测控制的思路,将简化离散预测模型、误差校正、滚动优化函数进行结合,通过分析工人操作数据借助所述类相平面给出一个系统简化离散预测模型。借助DMC的校正方法,进行迭代校正误差,使预测结果不断接近真值,实现模糊的正确。最后结合所述类相平面中期望轨迹与当前系统状态的距离,即点到直线距离公式给出控制的优化目标,构建滚动优化函数,实现了三者的有机结合。
实施例3
此外,本公开实施例提供了一种电子设备,包括存储器以及处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行实施例1所提供的加药机控制方法。
本发明实施例提供的电子设备,可以执行上述方法实施例中的加药机控制方法,不再赘述。
本实施例按照动态矩阵预测控制的思路,将简化离散预测模型、误差校正、滚动优化函数进行结合,通过分析工人操作数据借助所述类相平面给出一个系统简化离散预测模型。借助DMC的校正方法,进行迭代校正误差,使预测结果不断接近真值,实现模糊的正确。最后结合所述类相平面中期望轨迹与当前系统状态的距离,即点到直线距离公式给出控制的优化目标,构建滚动优化函数,实现了三者的有机结合。
实施例4
本申请还提供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计算机程序,所述计算机程序被处理器执行时实现实施例1所提供的加药机控制方法。
在本实施例中,计算机可读存储介质可以为只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
本实施例提供的计算机可读存储介质可以实现实施例1所提供的加药机控制方法,为避免重复,在此不再赘述。
需要说明的是,在本文中,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、物品或者终端不仅包括那些要素,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、物品或者终端所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (10)
1.一种加药机控制方法,其特征在于,应用于加药机,所述方法包括:
基于动态矩阵预测控制方法和线性控制理论获取所述加药机的离散预测模型和简化控制系数,基于所述简化控制系数对所述离散预测模型进行简化,得到简化预测模型,所述简化预测模型的输入为控制装置输出和当前采样时刻的采样数据,输出为下一采样时刻的预测数据;
对所述简化预测模型进行误差校正;
通过分析历史操作数据结合控制需求获取系统相平面的线性变换结果,即类相平面;
基于所述类相平面和期望轨迹方程调整所述加药机的系统优化目标,得到更新优化目标;
基于动态矩阵预测控制方法将所述更新优化目标转化为滚动优化函数,并基于所述滚动优化函数对所述简化预测模型进行滚动优化,基于误差校正和滚动优化后的简化预测模型实现所述加药机的模型预测控制。
2.根据权利要求1所述的加药机控制方法,其特征在于,获取所述离散预测模型,包括:
根据以下公式确定所述离散预测模型,
;
其中,表示 k时刻的输入,/>表示 k+1时刻输出的预测值,k为当前采样时刻/>的序号,k+1为下个采样时刻/>+T的序号, T为采样周期,t为惯性系数,/>为所述控制装置在k时刻的输出,/>表示当前输出增量。
3.根据权利要求1所述的加药机控制方法,其特征在于,所述基于所述简化控制系数对所述离散预测模型进行简化,得到简化预测模型,包括:
根据以下公式确定所述简化预测模型,
;
其中,表示 k时刻的输入,/>表示 k+1时刻输出的预测值,/>为所述控制装置在k时刻的输出,/>为所述简化控制系数,所述简化控制系数基于所述历史操作数据分析得到。
4.根据权利要求1所述的加药机控制方法,其特征在于,对所述简化预测模型进行误差校正,包括:
根据以下公式获取所述简化预测模型的预测误差,
;
其中,表示k时刻的预测误差,/>表示根据k-1时刻得到的k时刻的预测值,/>表示k时刻的实际测量值;
根据以下公式获取所述简化预测模型的误差估计值,
;
其中,表示k+1时刻的预测误差;
根据以下公式对所述简化预测模型进行误差校正,
;
表示误差校正后的k时刻对k+1时刻的预测值,/>表示系统放大系数,表示 k+1时刻输出的预测值。
5.根据权利要求4所述的加药机控制方法,其特征在于,所述系统优化目标为系统当前反馈在所述类相平面的点与期望轨迹直线的距离为0,所述基于所述类相平面和期望轨迹方程调整所述加药机的系统优化目标,得到更新优化目标,包括:
根据以下公式计算系统当前反馈在所述类相平面的点与所述期望轨迹直线的距离,
;
其中,表示系统当前反馈在所述类相平面的点与所述期望轨迹直线的距离,为上一采样时刻的反馈,/>为k时刻的期望,T为采样周期,/>为所述期望轨迹直线的预设斜率;
根据以下公式计算k+1时刻的预测距离,
;
其中,表示k+1时刻的预测距离,/>表示k+1时刻的期望;
结合误差校正后的简化预测模型,根据以下公式得到对下一时刻的系统优化目标的预测,即更新优化目标,所述更新优化目标包括当前输出增量,
;
其中,表示所述当前输出增量,/>,/>为简化控制系数,
6.根据权利要求5所述的加药机控制方法,其特征在于,所述基于动态矩阵预测控制方法将所述更新优化目标转化为滚动优化函数,并基于所述滚动优化函数对所述简化预测模型进行滚动优化,包括:
根据以下公式,基于所述更新优化目标得到新的滚动优化函数,
;
加入以限制系统输出幅度,
;
代入对下一时刻更新优化目标的预测得到,
;
其中。
7.根据权利要求6所述的加药机控制方法,其特征在于,所述方法还包括:
将所述滚动优化函数转化为一元二次方程,计算所述一元二次方程的最值;
代入所述一元二次方程的最值,得到以下公式,
;
对上述公式进行求解,得到所述当前输出增量。
8.一种加药机控制装置,其特征在于,应用于加药机,所述装置包括:
简化离散预测模块,用于基于动态矩阵预测控制方法和线性控制理论获取所述加药机的离散预测模型和简化控制系数,基于所述简化控制系数对所述离散预测模型进行简化,得到简化预测模型,所述简化预测模型的输入为控制装置输出和当前采样时刻的采样数据,输出为下一采样时刻的预测数据;
误差校正模块,用于对所述简化预测模型进行误差校正;
变换模块,用于通过分析历史操作数据结合控制需求获取系统相平面的线性变换结果,即类相平面;
优化目标模块,用于基于所述类相平面和期望轨迹方程调整所述加药机的系统优化目标,得到更新优化目标;
滚动优化模块,基于动态矩阵预测控制方法将所述更新优化目标转化为滚动优化函数,并基于所述滚动优化函数对所述简化预测模型进行滚动优化,基于误差校正和滚动优化后的简化预测模型实现所述加药机的模型预测控制。
9.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器运行时执行权利要求1至7中任一项所述的加药机控制方法。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序在处理器上运行时执行权利要求1至7中任一项所述的加药机控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311467095.3A CN117193025B (zh) | 2023-11-07 | 2023-11-07 | 加药机控制方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311467095.3A CN117193025B (zh) | 2023-11-07 | 2023-11-07 | 加药机控制方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117193025A CN117193025A (zh) | 2023-12-08 |
CN117193025B true CN117193025B (zh) | 2024-02-02 |
Family
ID=89000143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311467095.3A Active CN117193025B (zh) | 2023-11-07 | 2023-11-07 | 加药机控制方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117193025B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003233402A (ja) * | 2002-02-08 | 2003-08-22 | Petroleum Energy Center | 処理条件設定装置、その方法、そのプログラムおよび処理プラント |
CN109242194A (zh) * | 2018-09-25 | 2019-01-18 | 东北大学 | 一种基于混合模型的浓密机底流浓度预测方法 |
CN114871000A (zh) * | 2022-04-26 | 2022-08-09 | 鞍钢集团矿业有限公司 | 一种浮选加药自适应调控方法 |
CN116187507A (zh) * | 2022-12-07 | 2023-05-30 | 华润三九(枣庄)药业有限公司 | 一种基于人工智能的中药生产调优系统 |
CN116186993A (zh) * | 2022-12-20 | 2023-05-30 | 鞍钢集团矿业有限公司 | 一种基于在线质量监测的浮选优化控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170100574A1 (en) * | 2015-10-09 | 2017-04-13 | Edward Tak Wei | Apparatus configured for accurate up-loading of a single dose onto a delivery applicator |
-
2023
- 2023-11-07 CN CN202311467095.3A patent/CN117193025B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003233402A (ja) * | 2002-02-08 | 2003-08-22 | Petroleum Energy Center | 処理条件設定装置、その方法、そのプログラムおよび処理プラント |
CN109242194A (zh) * | 2018-09-25 | 2019-01-18 | 东北大学 | 一种基于混合模型的浓密机底流浓度预测方法 |
CN114871000A (zh) * | 2022-04-26 | 2022-08-09 | 鞍钢集团矿业有限公司 | 一种浮选加药自适应调控方法 |
CN116187507A (zh) * | 2022-12-07 | 2023-05-30 | 华润三九(枣庄)药业有限公司 | 一种基于人工智能的中药生产调优系统 |
CN116186993A (zh) * | 2022-12-20 | 2023-05-30 | 鞍钢集团矿业有限公司 | 一种基于在线质量监测的浮选优化控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117193025A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10281897B2 (en) | Model predictive control with uncertainties | |
Bechlioulis et al. | A low-complexity global approximation-free control scheme with prescribed performance for unknown pure feedback systems | |
US10386796B2 (en) | Model predictive controller and method with correction parameter to compensate for time lag | |
JP6357027B2 (ja) | プロセス制御システムにおけるオンライン適応モデル予測制御 | |
EP2062104B1 (en) | Dynamic controller utilizing a hybrid model | |
JP4223894B2 (ja) | Pidパラメータ調整装置 | |
Antonelo et al. | Physics-informed neural nets for control of dynamical systems | |
CN116610025B (zh) | 一种基于改进元启发式算法的pid控制器优化方法 | |
CN112344944A (zh) | 一种引入人工势场的强化学习路径规划方法 | |
CN109254530A (zh) | 基于磨矿过程基础回路的无模型自适应控制方法 | |
JP2008165674A (ja) | Pid制御方法及びpid制御装置 | |
CN105867138A (zh) | 一种基于pid控制器的稳定平台控制方法及装置 | |
CN114428462B (zh) | 基于mpc算法对被控系统进行动态控制的方法、设备和介质 | |
CN117193025B (zh) | 加药机控制方法、装置、电子设备及存储介质 | |
CN111240201B (zh) | 一种扰动抑制控制方法 | |
Jaafar et al. | Analysis of transient response for coupled tank system via conventional and Particle Swarm Optimization (PSO) techniques | |
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 | |
CN113655816B (zh) | 钢包底吹氩系统流量控制方法及计算机可读存储介质 | |
CN116184830A (zh) | 一种笼套式电动节流阀阀门开度控制方法 | |
CN105159089A (zh) | 一种双容水槽的鲁棒控制方法 | |
Coen et al. | Cruise control using model predictive control with constraints | |
JPH09146610A (ja) | 多変数非線形プロセス・コントローラー | |
Schultz et al. | Real-time trajectory generation for a planar crane using discrete mechanics | |
CN108646567B (zh) | 一种核电站稳压器压力被控对象动态矩阵控制方法 | |
CN113359452B (zh) | 基于Barzilai Borwein智能学习算法的控制器设计方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |