CN118034035A - 一种稀有气体高精度制备自动切换的闭环控制方法 - Google Patents
一种稀有气体高精度制备自动切换的闭环控制方法 Download PDFInfo
- Publication number
- CN118034035A CN118034035A CN202410355722.2A CN202410355722A CN118034035A CN 118034035 A CN118034035 A CN 118034035A CN 202410355722 A CN202410355722 A CN 202410355722A CN 118034035 A CN118034035 A CN 118034035A
- Authority
- CN
- China
- Prior art keywords
- output
- control
- fuzzy
- pid
- function
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000002360 preparation method Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 66
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000007670 refining Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 65
- 230000008569 process Effects 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000004044 response Effects 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 13
- 238000013178 mathematical model Methods 0.000 claims description 13
- 230000014509 gene expression Effects 0.000 claims description 9
- 238000013139 quantization Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 4
- 229910052743 krypton Inorganic materials 0.000 claims description 4
- DNNSSWSSYDEUBZ-UHFFFAOYSA-N krypton atom Chemical compound [Kr] DNNSSWSSYDEUBZ-UHFFFAOYSA-N 0.000 claims description 4
- 229910052724 xenon Inorganic materials 0.000 claims description 4
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 13
- PDEXVOWZLSWEJB-UHFFFAOYSA-N krypton xenon Chemical compound [Kr].[Xe] PDEXVOWZLSWEJB-UHFFFAOYSA-N 0.000 description 11
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000005484 gravity Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011261 inert gas Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种稀有气体高精度制备自动切换的闭环控制方法,按下述步骤进行:步骤S1:压力传感器和温度传感器采集精制塔内的压力及温度数据,将压力及温度数据输入至PID控制器内,PID控制器整定调节参数,并设置第一丢包阈值δP1和第二丢包阈值δP2;本发明进行丢包检测同时依据丢包量选取不同的算法进行控制,提升温度及压力的控制的准确性,同时利用模糊神经网络对PID控制器进行参数整定,从而进一步提升输出信号的可靠性。
Description
技术领域
本发明涉及稀有气体精制领域,特别涉及一种稀有气体高精度制备自动切换的闭环控制方法。
背景技术
氪氙是一种稀有气体,化学性质非常稳定,不易与其他物质反应,在自然界中的含量极为稀少,在空气中的含量只有0.000087%左右,作为一种惰性气体其在半导体、汽车工业、医疗等领域起到物体保护以及防氧化的作用;氪氙在粗提取后需要进入精制塔内进行精制以得到高纯度的氪氙,现有的精制过程一般为将氪氙浓缩物送入粗氪氙塔,粗氪氙塔顶设有粗氪氙塔冷凝蒸发器,通过液氮的冷却产生精馏所需要的回流液,在塔底设有由调功柜控制的粗氪氙塔再沸器,使粗氪氙塔底产生上升蒸汽,粗氪氙塔顶部得到氧气送出系统,底部得到氪氙浓缩物送至后氪氙分离塔C2902精馏,过程中的压力和温度直接影响到氪氙的纯度,而传感器在数据传输时会出现传输数据不准确,或数据丢失的现象,即系统出现了丢包现象,此时进行温度及压力控制便会存在调控不及时不准确的问题。
发明内容
本发明的目的在于,提供一种稀有气体高精度制备自动切换的闭环控制方法。本发明进行丢包检测同时依据丢包量选取不同的算法进行控制,提升温度及压力的控制的准确性,同时利用模糊神经网络对PID控制器进行参数整定,从而进一步提升输出信号的可靠性。
本发明的技术方案:一种稀有气体高精度制备自动切换的闭环控制方法,按下述步骤进行:
步骤S1:压力传感器和温度传感器采集精制塔内的压力及温度数据,将压力及温度数据输入至PID控制器内,PID控制器整定调节参数,并设置第一丢包阈值δP1和第二丢包阈值δP2;
步骤S2:PID控制器进行丢包检测得到丢包量δLT,若0<δLT<δP1,PID控制器采用预测函数PID算法进行控制;若δP1<δLT<δP2;PID控制器采用广义开环响应PID算法进行控制;若δLT>δP2,则减少压力及温度数据的流量,保持系统低速运行,同时发出警报;
步骤S3:将预测函数PID算法或广义开环响应PID算法的输出输入至模糊神经网络整定PID控制器的三个调节参数;
步骤S4:整定后的PID控制器输出温度及压力控制信号,控制信号经系统补偿后用于氪氙精制同时反馈至PID控制器。
上述的稀有气体高精度制备自动切换的闭环控制方法中,所述广义开环响应PID算法的计算过程如下:
步骤A1:设定被控对象的过程模型为:
其中,y(z)、u(z)、di(z)分别为过程模型中的输出变量、输入变量以及第i个扰动的z变换;GR(z)为过程模型的脉冲传递函数;Gi(z)为第i个扰动的脉冲传递函数;
步骤A2:若Gi(z)的不稳定极点同时也是GR(z)的极点,则步骤A1的过程模型写成为:
其中,a0=1;β0≠0;b0≠0;
步骤A3:对步骤A2的过程模型进一步简化为:
其中,β0≠0;b0≠0;
步骤A4:当出现丢包时,PID控制器的输出表达为:
其中,yf(z)为控制器中系统的输出;δfn(z)为连续丢包数;0<δfn(z)<δfmax;δfmax为最大连续丢包数;
代入步骤A3的简化过程模型得到:
当δfn(z)=0时,当δfn(z)=0时,当δfn(z)=δfmax时,
步骤A5:构建具有丢包补偿的smith预估器:
其中:
定义广义输入为:
其中,
广义开环系统的传递函数:
其中,H(z-1)=M(z-1)D(z-1)+N+(z-1)T(z-1);
在广义开环响应PID算法中,反馈控制器的表达式如下:
其中,K为广义开环系统的稳态增益,表示为N+(1)/H(1),且因此广义输入为:
推导得到广义开环响应PID算法的控制量计算公式为:
步骤A6:将反馈至PID控制器的参数F(z)代入广义开环响应PID算法中,表示为:
前述的稀有气体高精度制备自动切换的闭环控制方法中,所述预测函数PID算法的计算过程按下述步骤进行:
步骤B1:设定k+t时刻预测模型为:
k+t ym(k)=yu(k)+yh(k);
其中:ym(k)为模型在该时刻的预测输出;yu(k)为模型在控制量作用下的输出;yh(k)为控制作用输出;
步骤B2:选取一阶指数作为参考轨迹并以前馈的形式引入:
其中,yf(k+t)为k+t时刻对应的参考轨迹值;c(k)为k时的设定值;Nc为多项式展开个数;bj(k)为多项式的系数;t为时间;βt为系统趋近设定值对应的衰减系数;yp(k)为k时刻对应的过程实际输出值;
步骤B3:进行误差估计,校正模型输入,具体公式如下:
其中,e(k+1)为系统在k+1时刻的输出误差;βj(k)为多项式拟合系数输入频谱有限时控制输入为与系统对象和设定值轨迹有关的特定函数族;
结构化和规范化处理控制输入,利用相关基函数fj的线性组合描述任意时刻的控制输入:
其中,u(k+t)为k+t时刻对应的控制量;fj(t)为在t时刻第j个基函数的值;μj为基函数的线性组合系数;
步骤B4:选用一阶惯性延时环节作为精制塔温度、压力控制对象的模型以描述供热流量与被控温度、压力之间存在的动态特性函数:
其中,Km为预测增益;Tm为时间常数;Td为滞后时间;
零阶保持器模型对应的离散差分方程如下:
其中,xm(k+hp)代表的是模型内k+hp,时刻内的输出值预测函数经过算法优化后的预测输出通过下式描述:
ym(k+hp)=ym(k+hp)+e(k+hp);
步骤B5:得到k时刻精制塔温度、压力下预测函数PID算法的输出:
前述的稀有气体高精度制备自动切换的闭环控制方法中,所述预测函数PID算法和广义开环响应PID算法中的PID计算部分采用模糊PID算法,具体步骤如下:
步骤C1:获取输入值r(t)以及系统输出值y(t),通过两者差值得到误差e(t),计算误差变化率ec(t),计算公式如下:
ec(t)=e(t)-e(t-1);
步骤C2:将e(t)和ec(t)分别模糊化,对应到相应的论域中;
步骤C3:选取e(t)和ec(t)的属度函数,并分别计算e(t)和ec(t)在其对应模糊子集中的隶属度;
步骤C4:构建模糊规则库,并根据模糊规则对PID控制的调节参数Kp、Ki、Kd进行模糊推理,得到响应的比例Kp、积分Ki和微分Kd的模糊控制表;
步骤C5:对模糊控制表进行量化运算后得到比例Kp、积分Ki和微分Kd的控制输出信号。
前述的稀有气体高精度制备自动切换的闭环控制方法中,所述步骤S3中,模糊神经网络的计算过程按下述步骤进行:
步骤D1:设定系统y(k)和性能指标J:
y(k)=f[Y(k-1),u(k-1-d),U(k-2-d)];
J=0.5×[r(k)-y(k)]2;
其中,d为滞后量,Y(k-1)=[y(k-1),y(k-2),…,y(k-n)],y(k)为k时刻的系统输出量,U(k-2-d)=[u(k-2-d),…,u(k-2-d-m)],u(k)为k时刻的系统输入量,r(k)为第k时刻的系统期望值;
步骤D2:利用梯度下降法对模糊神经网络的三个参数进行整定,公式如下:
其中,α为学习率,J代表系统的性能指标,q和q+1分别代表第q和第q+1时刻,代表第q时刻第l条控制规则中输出模糊集的中心,代表第q时刻第l条规则中第i个输入语言变量xi(k)的隶属函数的中心,代表第q时刻第l条规则中第i个输入语言变量xi(k)的隶属函数的宽度;
步骤D3:令则k时刻的系统输入量u(k)写成:
求导得到:
经计算得到三个整定参数。
前述的稀有气体高精度制备自动切换的闭环控制方法中,所述模糊神经网络计算过程还包括补偿量确定,按下述步骤进行:
设置被控对象数学模型的简化线性函数:
通过在线递推最小二乘法求得参数,递推公式如下:
其中,h(k)=[-y(k-1)…-y(k-n)u(k-1)…u(k-m)]T、P(k)和K(k)均为中间变量,为系统数学模型中的参数;
根据系统的数学模型,能够求得该系统在未来d+1时间内的输出,预测输出公式如下:
...
其中,a1,a2,…,an;b1,b2,…,bm是系统数学模型的参数,d为滞后时间。这里引用了信任系数e这个参数来构建补偿量Δμ,其中0≤ε≤1,该构造的补偿量Δμ如下式:
其中,逐次递推得到K和ε分别为比例系数和信任系数。
前述的稀有气体高精度制备自动切换的闭环控制方法中,所述步骤S3的模糊神经网络的构建过程按下述步骤进行:
步骤E1:在拓补结构中引入BP神经网络;
步骤E2:初始化激励函数中心值、宽度和输出层权值,选定学习效率和惯性因子;
步骤E3:对PID控制器进行模糊推理并计算误差,依据误差调整激励函数参数及权值;
步骤E4:重复步骤E3,直至学习结束。
与现有技术相比,本发明通过压力传感器和温度传感器采集精制塔内的压力及温度数据,PID控制器依据数据及控制信号进行丢包检测得到具体的丢包量,若0<δLT<δP1,PID控制器采用运算速度更高、计算量更小的预测函数PID算法进行控制;若δP1<δLT<δP2;PID控制器采用补偿能力更强、稳定性更好、鲁棒性可调的广义开环响应PID算法进行控制;若δLT>δP2,则减少压力及温度数据的流量,保持系统低速运行,同时发出警报;将预测函数PID算法或广义开环响应PID算法的输出输入至模糊神经网络整定PID控制器的三个调节参数,整定后的PID控制器输出温度及压力控制信号,控制信号经系统补偿后用于氪氙精制同时反馈至PID控制器;本发明依据丢包量选取不同的算法进行控制,提升温度及压力的控制的准确性,同时利用模糊神经网络对PID控制器进行参数整定,从而进一步提升输出信号的可靠性。
附图说明
图1是本发明的流程示意图;
图2是PFC-PID算法和GORC-PID算法的系统结构图;
图3是模糊PID算法的流程示意图;
图4是模糊PID算法的控制示意图;
图5是模糊神经网络的控制示意图;
图6是模糊神经网络的算法示意图;
图7是BP神经网络的拓补结构示意图;
图8是BP神经网络的学习流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明,但并不作为对本发明限制的依据。
实施例:一种稀有气体高精度制备自动切换的闭环控制方法,如附图1所示,如附图1所示,按下述步骤进行:
步骤S1:压力传感器和温度传感器采集精制塔内的压力及温度数据,,将压力及温度数据输入至PID控制器内,PID控制器整定调节参数,并设置第一丢包阈值δP1和第二丢包阈值δP2;
步骤S2:PID控制器进行丢包检测,定义:
其中εk、φk表示随机变量,当εk、φk至少有一个不为0时,记录此时的丢包量δLT;如附图2所示,若0<δLT<δP1,PID控制器采用预测函数PID算法(PFC-PID算法)进行控制;若δP1<δLT<δP2;PID控制器采用广义开环响应PID算法(GORC-PID算法)进行控制;若δLT>δP2,则减少压力及温度数据的流量,保持系统低速运行,同时发出警报,其中δP1=0.01%,δP2=0.05%;
PFC-PID算法能够根据模型预测未来系统变化的趋势,并能够根据未来变化趋势及时作出相应改变,这种控制算法的计算量大大减小,使得系统反应速度加快,且具有很强的鲁棒性可以克服外界干扰,再利用PID控制的特点,将PFC控制与PID控制的优势相互融合,进一步提高系统的控制效果和控制品质;因此,此时温度、压力、压力控制系统中有两个控制器:PFC控制器和PID控制器,PID控制器与被控对象构成的控制回路作为PFC控制器的广义被控对象,PFC控制器计算的控制量为PID控制器的设定值,PFC控制器执行的是设定值优化工作;由于采用了透明控制策略,所以系统处于先进控制状态时,PID控制器和PFC控制器同时运行。所述PFC-PID算法的计算过程按下述步骤进行:
步骤B1:由模型函数输出和模型自由输出构成精制塔温度、压力控制预测模型,模型预测算法的控制基础和构成基础是预测模型,主要通过对象过去的状态和系统的输入状态对未来时刻系统的过程输出值进行预测,k+t时刻预测模型的表达式为:
ym(k)=yu(k)+yh(k);
其中:ym(k)为模型在该时刻的预测输出;yu(k)为模型在控制量作用下的输出;yh(k)为控制作用输出;
步骤B2:为平稳地控制精制塔温度、压力,需要在控制过程中根据系统期望输出值和实际输出值设计一条参考轨迹,以尽可能地缩短实际值与设定值之间的误差,减少系统输出值与跟踪设定值之间的差异,逐渐稳定的精制塔温度、压力控制系统的参考轨迹通常情况下选取一阶指数:
其中,yf(k+t)为k+t时刻对应的参考轨迹值;c(k)为k时的设定值;Nc为多项式展开个数;bj(k)为多项式的系数;t为时间;βt为系统趋近设定值对应的衰减系数;yp(k)为k时刻对应的过程实际输出值;
步骤B3:系统输出值在预测过程中与设定值之间会存在偏差,以前馈的形式引入参考轨迹,通过预估器估计误差,校正模型输入,提高预估过程输入的精准度,具体公式如下:
其中,e(k+1)为系统在k+1时刻的输出误差;βj(k)为多项式拟合系数输入频谱有限时控制输入为与系统对象和设定值轨迹有关的特定函数族;
结构化和规范化处理控制输入,利用相关基函数fj的线性组合描述任意时刻的控制输入:
其中,u(k+t)为k+t时刻对应的控制量;fj(t)为在t时刻第j个基函数的值;μj为基函数的线性组合系数;
步骤B4:选用一阶惯性延时环节作为精制塔温度、压力控制对象的模型以描述供热流量与被控温度、压力之间存在的动态特性函数:
其中,Km为预测增益;Tm为时间常数;Td为滞后时间;
零阶保持器模型对应的离散差分方程如下:
其中,xm(k+hp)代表的是模型内k+hp,时刻内的输出值预测函数经过算法优化后的预测输出通过下式描述:
ym(k+hp)=ym(k+hp)+e(k+hp);
步骤B5:得到k时刻精制塔温度、压力下PFC-PID算法的输出:
GORC是一种先进控制算法,看作简化的模型预测控制,同时,GORC控制算法对模型要求不高,参数整定简便,具有良好的跟踪设定值能力和抗干扰能力,并且鲁棒性在线可调,GORC控制能够有效地处理过程纯滞后、大惯性等问题,此控制方案对模型的精度要求不高,且GORC控制具有良好的跟踪设定值能力和抗扰动能力,可以提高系统的跟踪速度,进一步提高系统性能;将GORC控制与PID控制的优势相互融合,进一步提高系统的控制效果和控制品质;因此,系统中GORC控制器和PID控制器同时运行,所述GORC-PID算法的计算过程按下述步骤进行:
步骤A1:设定被控对象的过程模型为:
其中,:y(z)、u(z)、di(z)分别为过程模型中的输出变量、输入变量以及第i个扰动的z变换;GR(z)为过程模型的脉冲传递函数;Gi(z)为第i个扰动的脉冲传递函数;
步骤A2:若Gi(z)的不稳定极点同时也是GR(z)的极点,则步骤A1的过程模型写成为:
其中,a0=1;β0≠0;
b0≠0;
步骤A3:对步骤A2的过程模型进一步简化为:
其中,β0≠0;b0≠0;
步骤A4:当出现丢包时,PID控制器的输出表达为:
其中,yf(z)为控制器中系统的输出;δfn(z)为连续丢包数;0<δfn(z)<δfmax;δfmax为最大连续丢包数;
代入步骤A3的简化过程模型得到:
当δfn(z)=0时,当δfn(z)=0时,当δfn(z)=δfmax时,
步骤A5:构建具有丢包补偿的smith预估器,其中
定义广义输入为:
其中,
广义开环系统的传递函数:
其中,H(z-1)=M(z-1)D(z-1)+N+(z-1)T(z-1);
在GORC-PID算法中,反馈控制器的表达式如下:
其中,K为广义开环系统的稳态增益,表示为N+(1)/H(1),且因此广义输入为:
推导得到GORC-PID算法的控制量计算公式为:
步骤A6:将反馈至PID控制器的参数F(z)代入GORC-PID算法中,表示为:
由于复杂系统具有非线性、影响因素多变、响应延迟等诸多问题,常规PID控制器很难对其进行有效的控制,因此PFC-PID算法和GORC-PID算法中的PID计算部分采用模糊PID算法,如附图3和附图4所示,具体步骤如下:
步骤C1:获取输入值r(t)以及系统输出值y(t),通过两者差值得到误差e(t),计算误差变化率ec(t),计算公式如下:
ec(t)=e(t)-e(t-1);
步骤C2:将e(t)和ec(t)分别模糊化,对应到相应的论域中;
步骤C3:选取e(t)和ec(t)的属度函数,并分别计算e(t)和ec(t)在其对应模糊子集中的隶属度;
步骤C4:根据操作人员的经验知识及热工技术专家知识建立模糊控制规则库和知识库,并根据模糊规则以及模糊数学对PID控制的调节参数Kp、Ki、Kd进行模糊推理,得到响应的比例Kp、积分Ki和微分Kd的模糊控制表,例如对比例Kp的推理过程如下:
(1)合成推理
推理系统的输入分别为精制塔温度、压力测量值PV与精制塔温度、压力期望值SP的误差E和误差变化率EC,输出为PID控制器的比例系数Kp,其合成推理过程的数学描述为:
(2)PID控制器的输出参数Kp、Ki、Kd的去糊化
在模糊控制中,去模糊化的算法有很多,主要包括:重心法、最大隶属度法、均值法等算法,其中应用最多的是重心法和最大隶属度法,根据温度、压力系统生产过程的需要,本实施例运用重心法去模糊化算法,得到PID调节参数Kp、Ki、Kd的模糊控制表:由误差E、误差变化率EC以及PID控制器的比例因子Kp、积分因子Ki和微分因子Kd的隶属度值,再根据PID调节的Kp、Ki和Kd的控制规则得到PID控制器的比例Kp、积分Ki和微分Kd的控制表,分别如下表1-表3所示
表1
表2
表3
步骤C5:对模糊控制表进行量化运算后得到比例Kp、积分Ki和微分Kd的控制输出信号;根据比例因子Kp的控制表可以看出,横坐标是误差变化率对应的论域范围[-1212],它是对现场精制塔温度、压力变送器采集到的温度、压力信号传递给计算机再经计算机的量化处理后映射到区间[-12 12]内;这里只需要确定量化因子,而量化因子的大小是由变送器采集到的精制塔温度、压力变化范围和模糊作用论域来确定的;纵坐标是误差对应的论域范围[-1212],只需将误差信号的变化范围经过量化处理得到对应的模糊论域范围;确定了量化因子,误差E和误差变化率EC实际值映射到对应的论域区间内进行近似处理,通过最近规则判断误差和误差变化率映射到模糊论域范围内的那个数值,把此运算过程称之为模糊论域的量化处理;PID控制器其余的两个输出积分系数Ki和微分系数Kd采用同样的处理过程进行处理;模糊逻辑推理系统的输出是模糊量,通过比例量化运算后获得一个精确的物理量,参照比例系数Kp、积分系数Ki和微分系数Kd的控制表,得到模糊逻辑推理系统三个输出参数比例、积分、微分的控制输出信号,经过量化运算后它表示一个确切的物理信号。
步骤S3:将预测函数PID算法或广义开环响应PID算法的输出输入至模糊神经网络整定PID控制器的三个调节参数;
如附图5和附图6所示,所述步骤S3中模糊神经网络获得整定参数的计算过程按下述步骤进行:
步骤D1:设定系统y(k)和性能指标J:
y(k)=f[Y(k-1),u(k-1-d),U(k-2-d)];
J=0.5×[r(k)-y(k)]2;
其中,d为滞后量,Y(k-1)=[y(k-1),y(k-2),…,y(k-n)],y(k)为k时刻的系统输出量,U(k-2-d)=[u(k-2-d),…,u(k-2-d-m)],u(k)为k时刻的系统输入量,r(k)为第k时刻的系统期望值;
步骤D2:利用梯度下降法对模糊神经网络的参数进行整定,公式如下:
其中,α为学习率,J代表系统的性能指标,q和q+1分别代表第q和第q+1时刻,代表第q时刻第l条控制规则中输出模糊集的中心,代表第q时刻第l条规则中第i个输入语言变量xi(k)的隶属函数的中心,代表第q时刻第l条规则中第i个输入语言变量xi(k)的隶属函数的宽度;
步骤D3:令
则k时刻的系统输入量u(k)写成:
根据求导规则,有
将上三式代入步骤D2得到:
经计算得到带补偿的整定参数。
确定补偿量:假设研究的被控对象数学模型可化简为一个线性函数:
该简化模型的参数可以通过在线递推最小二乘法求得,递推公式如下:
其中,h(k)=[-y(k-1)…-y(k-n)u(k-1)…u(k-m)]T,P(k)和K(k)均为中间变量,为系统数学模型中的参数;
根据系统的数学模型,能够求得该系统在未来d+1时间内的输出,预测输出公式如下:
...
上式即为所确立的预测数学模型,其中,a1,a2,…,an;b1,b2,…,bm是系统数学模型的参数,d为滞后时间,引用了信任系数e来构建补偿量Δμ,其中0≤ε≤1;构造的补偿量Δμ如下式:
其中,逐次递推可得K和ε分别为比例系数和信任系数。
所述步骤S3的模糊神经网络的计算过程按下述步骤进行:
步骤E1:在拓补结构中引入BP神经网络;如附图7所示,BP神经网络的拓补结构包括:
(1)输入层
该层包含2个节点,分别为位移误差和误差率,起到将输入变量传递至下层的作用,输入输出表达式为
其中,xi为第i个输入变量
(2)模糊化层
该层包含2个输入,每个输入分别对应7个语言变量值,有14个节点。输入量在该层经模糊化处理后转换成模糊矢量,然后生成各个语言变量值的隶属度函数,输入输出表达式为
式中,cij为隶属函数中心,σij为隶属函数基宽,为第i个输入变量的第j个语言变量值。
(3)模糊推理层
该层包含49个节点,其每一个神经元节点对应一个模糊规则,该层节点采用模糊化层的误差和误差变化率的模糊性,并以此为前提准则进行模糊推理输出,输入输出表达式为
式中,i1={1,2,…,7},i2={1,2,…,7},l为规则点,l=1,2,…,49
(4)归一化层
该层同第三层一样包含49个节点,其作用为对模糊推理层的输出进行归一化计算,输入输出表达式为
式中,l=1,2,...,49
(5)输出层
该层包含3个节点,其功能是进行解模糊化运算,生成输出控制量,输入输出表达式为
式中,k=1,2,3,输出结果为
对模糊神经网络PID控制算法中的部分参数进行优化,给定系统输出值为r(k)系统实际输出值为y(k),定义修正误差函数为
输出层网络权值的学习算法为:
式中,α为惯性因子
采用了基于梯度优化的方法,对模糊化层的隶属度函数的中心和基础宽度进行调节:
式中,η为学习速率;
如附图8所示,BP神经网络的学习步骤:
(1)初始化,对所有的权值和闯值进行赋值,将其设置为最小的任意数;
(2)提供输入样本训练集x={x1,x2,…,xn}和期望输出响应d={d1,d2,...,dn};
(3)对除输入层以外的其他层神经元输出进行计算;
(4)计算误差函数和代价函数;
(5)调整隐含层和输出层权值:
(6)返回步骤(3),直到满足误差控制要求。
步骤E2:初始化激励函数中心值、宽度和输出层权值,选定学习效率和惯性因子;
步骤E3:对PID控制器进行模糊推理并计算误差,依据误差调整激励函数参数及权值;
步骤E4:重复步骤E3,直至学习结束。
步骤S4:整定后的PID控制器输出温度及压力控制信号,控制信号经系统补偿后用于氪氙精制同时反馈至PID控制器。
Claims (7)
1.一种稀有气体高精度制备自动切换的闭环控制方法,其特征在于:按下述步骤进行:
步骤S1:压力传感器和温度传感器采集精制塔内的压力及温度数据,将压力及温度数据输入至PID控制器内,PID控制器整定调节参数,并设置第一丢包阈值δP1和第二丢包阈值δP2;
步骤S2:PID控制器进行丢包检测得到丢包量δLT,若0<δLT<δP1,PID控制器采用预测函数PID算法进行控制;若δP1<δLT<δP2;PID控制器采用广义开环响应PID算法进行控制;若δLT>δP2,则减少压力及温度数据的流量,保持系统低速运行,同时发出警报;
步骤S3:将预测函数PID算法或广义开环响应PID算法的输出输入至模糊神经网络整定PID控制器的三个调节参数;
步骤S4:整定后的PID控制器输出温度及压力控制信号,控制信号经系统补偿后用于氪氙精制同时反馈至PID控制器。
2.根据权利要求1所述的稀有气体高精度制备自动切换的闭环控制方法,其特征在于:所述广义开环响应PID算法的计算过程如下:
步骤A1:设定被控对象的过程模型为:
其中,y(z)、u(z)、di(z)分别为过程模型中的输出变量、输入变量以及第i个扰动的z变换;GR(z)为过程模型的脉冲传递函数;Gi(z)为第i个扰动的脉冲传递函数;
步骤A2:若Gi(z)的不稳定极点同时也是GR(z)的极点,则步骤A1的过程模型写成为:
其中,a0=1;β0≠0;b0≠0;
步骤A3:对步骤A2的过程模型进一步简化为:
其中,β0≠0;b0≠0;
步骤A4:当出现丢包时,PID控制器的输出表达为:
其中,yf(z)为控制器中系统的输出;δfn(z)为连续丢包数;0<δfn(z)<δfmax;δfmax为最大连续丢包数;
代入步骤A3的简化过程模型得到:
当δfn(z)=0时,当δfn(z)=0时,当δfn(z)=δfmax时,
步骤A5:构建具有丢包补偿的smith预估器:
其中:
定义广义输入为:
其中,
广义开环系统的传递函数:
其中,H(z-1)=M(z-1)D(z-1)+N+(z-1)T(z-1);
在广义开环响应PID算法中,反馈控制器的表达式如下:
其中,K为广义开环系统的稳态增益,表示为N+(1)/H(1),且因此广义输入为:
推导得到广义开环响应PID算法的控制量计算公式为:
步骤A6:将反馈至PID控制器的参数F(z)代入广义开环响应PID算法中,表示为:
3.根据权利要求1所述的稀有气体高精度制备自动切换的闭环控制方法,其特征在于:所述预测函数PID算法的计算过程按下述步骤进行:
步骤B1:设定k+t时刻预测模型为:
k+t ym(k)=yu(k)+yh(k);
其中:ym(k)为模型在该时刻的预测输出;yu(k)为模型在控制量作用下的输出;yh(k)为控制作用输出;
步骤B2:选取一阶指数作为参考轨迹并以前馈的形式引入:
其中,yf(k+t)为k+t时刻对应的参考轨迹值;c(k)为k时的设定值;Nc为多项式展开个数;bj(k)为多项式的系数;t为时间;βt为系统趋近设定值对应的衰减系数;yp(k)为k时刻对应的过程实际输出值;
步骤B3:进行误差估计,校正模型输入,具体公式如下:
其中,e(k+1)为系统在k+1时刻的输出误差;βj(k)为多项式拟合系数输入频谱有限时控制输入为与系统对象和设定值轨迹有关的特定函数族;
结构化和规范化处理控制输入,利用相关基函数fj的线性组合描述任意时刻的控制输入:
其中,u(k+t)为k+t时刻对应的控制量;fj(t)为在t时刻第j个基函数的值;μj为基函数的线性组合系数;
步骤B4:选用一阶惯性延时环节作为精制塔温度、压力控制对象的模型以描述供热流量与被控温度、压力之间存在的动态特性函数:
其中,Km为预测增益;Tm为时间常数;Td为滞后时间;
零阶保持器模型对应的离散差分方程如下:
其中,xm(k+hp)代表的是模型内k+hp,时刻内的输出值预测函数经过算法优化后的预测输出通过下式描述:
ym(k+hp)=ym(k+hp)+e(k+hp);
步骤B5:得到k时刻精制塔温度、压力下预测函数PID算法的输出:
4.根据权利要求1所述的稀有气体高精度制备自动切换的闭环控制方法,其特征在于:所述预测函数PID算法和广义开环响应PID算法中的PID计算部分采用模糊PID算法,具体步骤如下:
步骤C1:获取输入值r(t)以及系统输出值y(t),通过两者差值得到误差e(t),计算误差变化率ec(t),计算公式如下:
ec(t)=e(t)-e(t-1);
步骤C2:将e(t)和ec(t)分别模糊化,对应到相应的论域中;
步骤C3:选取e(t)和ec(t)的属度函数,并分别计算e(t)和ec(t)在其对应模糊子集中的隶属度;
步骤C4:构建模糊规则库,并根据模糊规则对PID控制的调节参数Kp、Ki、Kd进行模糊推理,得到响应的比例Kp、积分Ki和微分Kd的模糊控制表;
步骤C5:对模糊控制表进行量化运算后得到比例Kp、积分Ki和微分Kd的控制输出信号。
5.根据权利要求1所述的稀有气体高精度制备自动切换的闭环控制方法,其特征在于:所述步骤S3中,模糊神经网络的计算过程按下述步骤进行:
步骤D1:设定系统y(k)和性能指标J:
y(k)=f[Y(k-1),u(k-1-d),U(k-2-d)];
J=0.5×[r(k)-y(k)]2;
其中,d为滞后量,Y(k-1)=[y(k-1),y(k-2),…,y(k-n)],y(k)为k时刻的系统输出量,U(k-2-d)=[u(k-2-d),…,u(k-2-d-m)],u(k)为k时刻的系统输入量,r(k)为第k时刻的系统期望值;
步骤D2:利用梯度下降法对模糊神经网络的三个参数进行整定,公式如下:
其中,α为学习率,,。J代表系统的性能指标,q和q+1分别代表第q和第q+1时刻,代表第q时刻第l条控制规则中输出模糊集的中心,代表第q时刻第l条规则中第i个输入语言变量xi(k)的隶属函数的中心,代表第q时刻第l条规则中第i个输入语言变量xi(k)的隶属函数的宽度;
步骤D3:令则k时刻的系统输入量u(k)写成:
求导得到:
经计算得到三个整定参数。
6.根据权利要求5所述的稀有气体高精度制备自动切换的闭环控制方法,其特征在于:所述模糊神经网络计算过程还包括补偿量确定,按下述步骤进行:
设置被控对象数学模型的简化线性函数:
通过在线递推最小二乘法求得参数,递推公式如下:
其中,h(k)=[-y(k-1)…-y(k-n)u(k-1)…u(k-m)]T、P(k)和K(k)均为中间变量,为系统数学模型中的参数;
根据系统的数学模型,能够求得该系统在未来d+1时间内的输出,预测输出公式如下:
...
其中,a1,a2,…,an;b1,b2,…,bm是系统数学模型的参数,d为滞后时间。这里引用了信任系数e这个参数来构建补偿量Δμ,其中0≤ε≤1,该构造的补偿量Δμ如下式:
其中,逐次递推得到K和ε分别为比例系数和信任系数。
7.根据权利要求1所述的稀有气体高精度制备自动切换的闭环控制方法,其特征在于:所述步骤S3的模糊神经网络的构建过程按下述步骤进行:
步骤E1:在拓补结构中引入BP神经网络;
步骤E2:初始化激励函数中心值、宽度和输出层权值,选定学习效率和惯性因子;
步骤E3:对PID控制器进行模糊推理并计算误差,依据误差调整激励函数参数及权值;
步骤E4:重复步骤E3,直至学习结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410355722.2A CN118034035A (zh) | 2024-03-27 | 2024-03-27 | 一种稀有气体高精度制备自动切换的闭环控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410355722.2A CN118034035A (zh) | 2024-03-27 | 2024-03-27 | 一种稀有气体高精度制备自动切换的闭环控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118034035A true CN118034035A (zh) | 2024-05-14 |
Family
ID=90989281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410355722.2A Pending CN118034035A (zh) | 2024-03-27 | 2024-03-27 | 一种稀有气体高精度制备自动切换的闭环控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118034035A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104570727A (zh) * | 2014-11-14 | 2015-04-29 | 冶金自动化研究设计院 | 具有随机丢包的非线性双时标系统网络化控制方法 |
CN105700357A (zh) * | 2016-02-25 | 2016-06-22 | 南京信息工程大学 | 基于多变量pid-pfc的锅炉燃烧系统控制方法 |
CN107065541A (zh) * | 2017-03-22 | 2017-08-18 | 杭州电子科技大学 | 一种焦化炉炉膛压力系统模糊网络优化pid‑pfc控制方法 |
CN108628270A (zh) * | 2018-06-11 | 2018-10-09 | 哈尔滨工程大学 | 一种基于plc远程监控终端的优化网络控制装置与方法 |
CN118197448A (zh) * | 2024-03-18 | 2024-06-14 | 杭州中泰氢能科技有限公司 | 一种基于温度压力多源数据融合的氪氙精制方法及装置 |
-
2024
- 2024-03-27 CN CN202410355722.2A patent/CN118034035A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104570727A (zh) * | 2014-11-14 | 2015-04-29 | 冶金自动化研究设计院 | 具有随机丢包的非线性双时标系统网络化控制方法 |
CN105700357A (zh) * | 2016-02-25 | 2016-06-22 | 南京信息工程大学 | 基于多变量pid-pfc的锅炉燃烧系统控制方法 |
CN107065541A (zh) * | 2017-03-22 | 2017-08-18 | 杭州电子科技大学 | 一种焦化炉炉膛压力系统模糊网络优化pid‑pfc控制方法 |
CN108628270A (zh) * | 2018-06-11 | 2018-10-09 | 哈尔滨工程大学 | 一种基于plc远程监控终端的优化网络控制装置与方法 |
CN118197448A (zh) * | 2024-03-18 | 2024-06-14 | 杭州中泰氢能科技有限公司 | 一种基于温度压力多源数据融合的氪氙精制方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108134114B (zh) | 一种质子交换膜燃料电池温度控制方法 | |
CN105893654B (zh) | 一种一阶连续搅拌釜式反应器的鲁棒预测控制方法 | |
US5159660A (en) | Universal process control using artificial neural networks | |
CN108809167A (zh) | 一种基于模糊控制的bp神经网络pid调速控制算法 | |
CN107608209A (zh) | 压电陶瓷驱动器的前馈与闭环复合控制方法、系统 | |
CN209842353U (zh) | 交流径向磁轴承用神经网络自抗扰控制器 | |
CN110531614B (zh) | 新颖的无刷直流电机模糊神经网络pi控制器 | |
CN111007716A (zh) | 基于预测函数的交流伺服电机变论域模糊pi控制方法 | |
CN109946979B (zh) | 一种伺服系统灵敏度函数的自适应调整方法 | |
CN109491248B (zh) | 基于rbf-arx模型和拉盖尔函数的磁悬浮球位置预测控制方法 | |
CN114609898A (zh) | 一种基于模糊自适应pid补偿的动态矩阵控制方法 | |
CN117784852B (zh) | 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法 | |
CN109062040B (zh) | 基于系统嵌套优化的预测pid方法 | |
Zhou et al. | Recursive learning-based bilinear subspace identification for online modeling and predictive control of a complicated industrial process | |
Sarbaz et al. | Adaptive optimal control of chaotic system using backstepping neural network concept | |
CN117519353A (zh) | 一种机柜温度控制方法、装置及空调 | |
Yao et al. | Adaptive Fuzzy Predefined Accuracy Control for Output Feedback Cooperation of Nonlinear Multi-agent Systems Under Input Quantization | |
CN118034035A (zh) | 一种稀有气体高精度制备自动切换的闭环控制方法 | |
CN113067334A (zh) | 基于神经网络的有源电力滤波器非线性预测控制方法 | |
CN108227476A (zh) | 一种agv小车的控制方法 | |
CN115963730A (zh) | 一种喷射点胶阀腔液温度的选择性控制方法 | |
CN113587120B (zh) | 一种等离子灰渣熔融炉的控制方法 | |
CN108089442A (zh) | 一种基于预测函数控制与模糊控制的pi控制器参数自整定方法 | |
CN111663032B (zh) | 一种非晶铁芯退火炉自抗扰温度控制方法 | |
Tang et al. | Research on Multivariable Fuzzy Dynamic Matrix Control Algorithm |
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 |