CN1794120A - 基于神经网络逆辨识与逆控制的多变量系统的间接解耦方法 - Google Patents

基于神经网络逆辨识与逆控制的多变量系统的间接解耦方法 Download PDF

Info

Publication number
CN1794120A
CN1794120A CNA2005101231979A CN200510123197A CN1794120A CN 1794120 A CN1794120 A CN 1794120A CN A2005101231979 A CNA2005101231979 A CN A2005101231979A CN 200510123197 A CN200510123197 A CN 200510123197A CN 1794120 A CN1794120 A CN 1794120A
Authority
CN
China
Prior art keywords
phase
control
identification
contrary
pseudo
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
Application number
CNA2005101231979A
Other languages
English (en)
Other versions
CN100426158C (zh
Inventor
张绍德
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.)
Anhui University of Technology AHUT
Original Assignee
Anhui University of Technology AHUT
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 Anhui University of Technology AHUT filed Critical Anhui University of Technology AHUT
Priority to CNB2005101231979A priority Critical patent/CN100426158C/zh
Publication of CN1794120A publication Critical patent/CN1794120A/zh
Application granted granted Critical
Publication of CN100426158C publication Critical patent/CN100426158C/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

Landscapes

  • Discharge Heating (AREA)

Abstract

本发明提供基于神经网络逆辨识与逆控制的多变量系统的间接解耦方法，属于复杂系统智能建模及解耦控制技术领域。该方法主要是每相逆辨识的结果包含了另外两相控制信号对该相输出电流的耦合影响，将每相神经网络逆辨识模型反向作为逆控制器模型与每相电极系统串联，从而构成三个已解耦的独立的伪线性对象，进而针对三个独立的伪线性对象设计并调试出三个独立的线性调节器，以构成三个独立的调节回路，实现对三相耦合系统的准确控制。本发明在超大功率三相交流电弧炉电极升降控制中得到很好应用，并适用于任意多变量复杂系统的实时解耦、建模和控制，具有广泛性。

Description

基于神经网络逆辨识与逆控制的多变量系统的间接解耦方法
技术领域
本发明属于复杂系统智能建模及解耦控制技术领域，具体涉及基于神经网络逆辨识与逆控制的多变量系统的间接解耦方法。
背景技术
多变量复杂过程控制系统的控制面临两大主要难题：一个是因为系统的复杂和严重不确定性而难以用传统的理论和方法对系统实时在线建模；另一个是因为系统的复杂和严重不确定性，难以用基于解析模型的解耦理论对其实施解耦。尽管众多学者的研究论文已对多变量过程控制系统的解耦控制进行了深入系统的研究和论述，但是这些理论都基于一个前提：这就是必须写出多变量过程系统精确的解析模型，而这一点在现实中几乎不可能做到，尤其是对过程控制中系统随着运行工况不时改变、系统结构和参数严重不确定、非线性、滞后、诸多干扰等因素更是无法写出其解析模型。本发明正是基于这一事实和背景，在对三相交流电弧炉电极电弧电流的控制研究和开发中，探索出一种采用神经网络在线逆辨识和逆控制的方法，巧妙间接地实现了三相耦合系统的实时在线解耦与控制。
发明内容
在对三相交流电弧炉电极电弧电流的控制研究和开发中，发明出一种基于神经网络逆辨识与逆控制的多变量系统间接解耦方法，采用神经网络在线逆辨识和逆控制的方法，间接地实现了三相耦合系统的实时在线解耦与控制。
该方法对于三相交流电弧炉电极控制系统，采用三个神经网络分别对三相电极系统进行逆辨识，其特征在于：每相逆辨识的结果将包含了另外两相控制信号对该相输出电流的耦合影响。将每相神经网络逆辨识模型反向作为逆控制器模型与每相电极系统串联，从而构成三个已解耦的独立的伪线性对象，进而针对三个独立的伪线性对象设计并调试出三个独立的线性调节器，以构成三个独立的调节回路，实现对三相耦合系统的准确控制。
对于三相交流电弧炉电极控制系统的间接解耦的方法如下：
三相交流电弧炉电极控制系统A相结构见说明书附图1。由于逆辨识采用了基于最近邻聚类算法的RBF网络，在线辨识的精度很高。将辨识模型反向作为直接逆控制器模型，即 P a - 1 ( NNC ) = P a - 1 ( NNII ) , 从而使得系统运行过程中始终存在 P a - 1 ( NNC ) * P a ≈ 1 , 这样被控对象(A相电极系统)即成为一个动态伪线性对象，因此对伪线性对象用PID控制器就可以了。在图1中，电弧炉电极系统B相、C相控制信号ub(k)、uc(k)对A相输出电流ia(k+1)耦合环节分别表示为Pba、Pca。环节Pba、Pca的输出iba(k+1)、ica(k+1)可以看作是对ia(k+1)的扰动输入。因此，这里ia(k+1)＝iaa(k+1)+iba(k+1)+ica(k+1)。A相逆辨识器的输入向量为[ia(k)ia(k-1)ia(k-2)]T，这样所得到的逆辨识器模型Pa -1(NNII)完全包含了B相、C相对A相的耦合影响。于是所构成的伪线性对象完全抵消了这种耦合影响，巧妙间接地实现了解耦。
本发明三相电弧炉电极控制的计算机网络及系统组成见说明书附图2。
实验室模拟实验电路见说明书附图3。
对系统的输入输出数据进行归一化处理，归一化处理对网络训练非常重要，能够有效提高网络学习速度，减少训练时间。为了验证系统的跟踪和解耦效果，系统设定值为i(k+1)＝5(A)(归一化后为1)。试验结果见说明书附图4～6以及表1所示。
           表1实验装置三相输出电流
  系统设定im/A   系统输出i/A   控制精度/％
 A相B相C相   5.05.05.0   5.0135.0185.015   0.260.360.30
由表1可知，系统的跟踪精度高。由图4～6可知，系统收敛速度快，在调试中当人为改变一相电阻值时，对该相电流的影响迅速得到恢复(如图5所示)，同时，对另外两相电流由于解耦发生作用而毫无影响(如图4、图6所示)。
本发明采用神经网络逆辨识和逆控制方法，将电极系统等效为已解耦的伪线性系统，间接地实现了系统的在线解耦和控制。本发明在超大功率三相交流电弧炉电极升降控制中得到很好应用，并适用于任意多变量复杂系统的实时解耦和控制，具有广泛性。
附图说明：
图1电弧炉三相电极系统A相控制结构图
Pa -1(NNII)是考虑ub(k)、uc(k)耦合影响的A相电极系统的逆辨识模型，将此反向与A相电极系统Paa连接，构成一个实质上已解耦的伪动态线性对象，对此伪线性对象设计并调试出一个PIDa控制器，实现了ia(k)对设定输入的准确跟踪控制。
图2控制系统的计算机网络图
图2中，工控机中装入SIEMENS公司的WinAC RTX，它是面向高速和精确时间要求的基于PC的自动化集成方案中的核心部件，是一套应用于Windows操作系统的软件包，其功能不仅仅限于在PC上实现PLC功能，同时在PLC与PC间实现完美的集成。WinAC ODK(OpenDevelopment Kit)用于控制系统用户程序的开发，与WinAC控制平台相集成。控制系统的用户程序用VC++6.0编写。高速数据采集器选用台湾凌华公司生产的PXI总线系列产品DAQ-2010，PXI8570和PCI8570构建。采样频率为400Khz，每连续采样1000个数据，经数据预处理得到一个有效数。ET200M工作站分布式I/O接口。液压机构的响应速度为12ms。
图3控制系统模拟实验图
用VC++6.0编制的控制系统程序，通过WinAC ODK和STEP 7形成动态联结，将三相控制信号ua(k)、ub(k)、uc(k)通过PROFIBUS送至远程I/O接口ET200M。并经A/D模块转换成模拟控制信号，作为变频器控制信号，变频器输出控制单相交流电机M，电机M带动单相调压器，以改变调压器输出电压，从而改变电阻负载上的电流。图3中，变频器、单相电机、齿轮减速器、单相调压器、负载电阻组成一个非线性、强耦合、滞后的广义对象，用以模拟电极系统。
图4模拟试验三相输出电流波形(A相)
图5模拟试验三相输出电流波形(B相)
图6模拟试验三相输出电流波形(C相)
具体实施方式：
模拟实验系统组成：
本系统中，工控机通过工业以太网Industrial Ethernet(IE)与上位机通讯，通过现场总线Profibus DP(DP)与远程I/O接口ET200M联结，具体结构如图2所示。
三相电弧炉主电路中的石墨电极、短网、废钢、钢水等都可以用等效的时变电阻来表示。为模拟实际系统的运行过程，在实验室设计了1套三相模拟实验装置，如图3所示。
系统硬件配置：
①远程I/O选用Siemens公司的分布式I/O ET200M，包括模拟输入模块(1个)，模拟输出模块(1个)，数字输入模块(1个)，数字输出模块(1个)；
②交流变频器采用日本YASKAWA US mini J7 Series系列产品；
③高速数据采集器采用凌华科技的PXI-2010_DAQStreaming，采样3个信道的数字讯号，采样周期设为2.5μs；
④工控机采用SIEMENS公司的Simatic RACK PC IL。
系统使用的软件：
①WinAC RTX是面向高速和精确时间要求的SIEMENS工控软件，可实现基于PC的自动化解决方案。它充分利用了PC机的软硬件资源，既具有了很好的灵活性、适应性、扩展性，又保持了PLC原有的可靠性；
②WinAC ODK是与WinAC控制器配套使用的软件程序开发工具包，利用这个开发包可以在C++语言编译环境下编写程序代码，生成动态链接库程序，与STEP7进行实时数据交换；
③PLC控制程序：使用STEP 7集成开发工具编写，主要完成电气逻辑控制和状态参量监测，并配合工控机完成算法程序。采用STEP7中固定的系统功能SFC实现，需要时可以在主程序OB1中调用各功能模块；
④智能控制程序：考虑到该算法的复杂性，在该项目中选用VC++6.0结合WinAC ODK开发工具包编制实现系统的数据采集、处理、系统辨识、控制算法并输出控制量等功能的动态链接库程序，由WinAC调用，然后通过PLC把控制量送到变频器的控制输入端，从而实现对电流的控制要求。

Claims (4)

1、基于神经网络逆辨识与逆控制的多变量系统的间接解耦方法，该方法对于三相交流电弧炉电极控制系统，采用三个神经网络分别对三相电极系统进行逆辨识，其特征在于：每相逆辨识的结果将包含了另外两相控制信号对该相输出电流的耦合影响。将每相神经网络逆辨识模型反向作为逆控制器模型与每相电极系统串联，从而构成三个已解耦的独立的伪线性对象，进而针对三个独立的伪线性对象设计并调试出三个独立的线性调节器，以构成三个独立的调节回路，实现对三相耦合系统的准确控制。
2、根据权利要求1所述的间接解耦方法，其特征在于对于三相交流电弧炉电极控制系统，该间接解耦的方法具体如下：
逆辨识采用基于最近邻聚类算法的RBF网络，将辨识模型反向作为直接逆控制器模型，即 P a - 1 ( NNC ) = P a - 1 ( NNII ) , 从而使得系统运行过程中始终存在 P a - 1 ( NNC ) * P a ≈ 1 , 使被控对象A相电极系统成为一个动态伪线性对象，对伪线性对象用PID控制，电弧炉电极系统B相、C相控制信号ub(k)、uc(k)对A相输出电流ia(k+1)耦合环节分别表示为Pba、Pca，环节Pba、Pca的输出iba(k+1)、ica(k+1)看作是对ia(k+1)的扰动输入，因此，ia(k+1)＝iaa(k+1)+iba(k+1)+ica(k+1)；A相逆辨识器的输入向量为[ia(k)ia(k-1)ia(k-2)]T，这样所得到的逆辨识器模型Pa -1(NNII)完全包含了B相、C相对A相的耦合影响；于是所构成的伪线性对象完全抵消了这种耦合影响，巧妙间接地实现了解耦。
3.根据权利要求1，本发明特征在于：对已构成的伪线性对象采用PID控制，简单可行。
4.根据权利要求1，本发明特征在于：图1中，在神经网络逆控制器Pa -1(NNC)与原控制对象之间加入PID控制器输出信号，要比在逆控制器Pa -1(NNC)之前串联PID控制器容易实现。
CNB2005101231979A 2005-12-22 2005-12-22 基于神经网络逆辨识与逆控制的多变量系统的间接解耦方法 Expired - Fee Related CN100426158C (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CNB2005101231979A CN100426158C (zh) 2005-12-22 2005-12-22 基于神经网络逆辨识与逆控制的多变量系统的间接解耦方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CNB2005101231979A CN100426158C (zh) 2005-12-22 2005-12-22 基于神经网络逆辨识与逆控制的多变量系统的间接解耦方法

Publications (2)

Publication Number Publication Date
CN1794120A true CN1794120A (zh) 2006-06-28
CN100426158C CN100426158C (zh) 2008-10-15

Family

ID=36805623

Family Applications (1)

Application Number Title Priority Date Filing Date
CNB2005101231979A Expired - Fee Related CN100426158C (zh) 2005-12-22 2005-12-22 基于神经网络逆辨识与逆控制的多变量系统的间接解耦方法

Country Status (1)

Country Link
CN (1) CN100426158C (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102331717A (zh) * 2011-10-10 2012-01-25 哈尔滨工程大学 一种船舶航速智能控制方法
CN102998973A (zh) * 2012-11-28 2013-03-27 上海交通大学 一种非线性系统的多模型自适应控制器及控制方法
CN103838140A (zh) * 2014-01-27 2014-06-04 张旭 基于直接逆控制算法的弱非线性网络控制方法
CN104267600A (zh) * 2014-09-23 2015-01-07 常州大学 钢包精炼炉电极调节控制系统及其控制方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19832967C1 (de) * 1998-07-22 2000-04-20 Siemens Ag Verfahren zur rechnergestützten Ermittlung einer Ausgangsgröße, Verfahren zum rechnergestützten Training eines neuronalen Netzes, Anordnung zur rechnergestützten Ermittlung einer Ausgangsgröße und Anordnung zum rechnergestützten Training eines neuronalen Netzes sowie deren jeweilige Verwendung
CN1216455C (zh) * 2003-07-28 2005-08-24 东南大学 两变频调速电机系统的神经网络逆同步控制器的构造方法
CN1216454C (zh) * 2003-07-28 2005-08-24 东南大学 两感应电机的神经网络逆同步控制变频器的构造方法
CN1314193C (zh) * 2005-03-11 2007-05-02 江苏大学 磁悬浮开关磁阻电动机神经网络逆解耦控制器及构造方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102331717A (zh) * 2011-10-10 2012-01-25 哈尔滨工程大学 一种船舶航速智能控制方法
CN102998973A (zh) * 2012-11-28 2013-03-27 上海交通大学 一种非线性系统的多模型自适应控制器及控制方法
CN102998973B (zh) * 2012-11-28 2016-11-09 上海交通大学 一种非线性系统的多模型自适应控制器及控制方法
CN103838140A (zh) * 2014-01-27 2014-06-04 张旭 基于直接逆控制算法的弱非线性网络控制方法
CN103838140B (zh) * 2014-01-27 2017-02-15 江苏经贸职业技术学院 基于直接逆控制算法的弱非线性网络控制方法
CN104267600A (zh) * 2014-09-23 2015-01-07 常州大学 钢包精炼炉电极调节控制系统及其控制方法
CN104267600B (zh) * 2014-09-23 2016-11-16 常州大学 钢包精炼炉电极调节控制系统及其控制方法

Also Published As

Publication number Publication date
CN100426158C (zh) 2008-10-15

Similar Documents

Publication Publication Date Title
CN100412732C (zh) 基于模型参考自适应控制的多变量系统神经网络解耦的简捷方法
CN1794120A (zh) 基于神经网络逆辨识与逆控制的多变量系统的间接解耦方法
Dufour et al. Discrete time compensation of switching events for accurate real-time simulation of power systems
CN105759603A (zh) 基于自动寻优无模型控制器的变压电路控制系统及方法
CN109782588A (zh) Mimo异因子紧格式无模型控制方法
CN109814379A (zh) Mimo异因子全格式无模型控制方法
Wang et al. Development of a distributed control system for PLC-based applications
CN1419170A (zh) 通用智能自动化系统
CN116756964A (zh) 一种逆变器硬件在环仿真测试系统及方法
CN111142407A (zh) 基于西门子plc先进控制算法的在线实时仿真方法
CN202306296U (zh) 一种分布式数字化控制伺服能源系统
CN112003271B (zh) 基于分散式阻抗判据的换流器接入交流微电网稳定性分析方法
Grzegorz et al. Rapid control prototyping with Scilab/Scicos/RTAI for PC-based ARM-based platforms
Trogrlić et al. Development of a battery management system for centralized control of a battery cluster
Vodovozov et al. A toolbox to design and study electric drives
CN101853591B (zh) 一种集成控制系统实验装置和操作方法
CN202548562U (zh) 一种plc实验系统
Rolim et al. Hardware-in-the-loop evaluation of DSP-controlled converters
Singh et al. Driver development of mitsubishi FX-plc for LabVIEW
Etouke et al. Synthesis of A Digital PID/LQR Control System for Duty-Cycle Modulation Buck Converters
Nieniewski et al. Digital simulation of an SCR-driven DC motor
Petrić et al. Implementation of voltage control of buck converter using Beckhoff programmable logic controller
CN1075219A (zh) 模糊控制方法和模糊控制器
CN201773317U (zh) 教学用现场总线控制系统
Abourida et al. Real-Time PC-Based Simulator of Electric Systems and Drives APEC 2002

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Assignee: Huaye Automation Engineering Co., Anhui Polytechnic Univ.

Assignor: Anhui University of Technology

Contract record no.: 2011340000085

Denomination of invention: Indirect decoupling method of multi variable system based on nerve network reverse idontification and reverso control

Granted publication date: 20081015

License type: Exclusive License

Open date: 20060628

Record date: 20110704

CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20081015

Termination date: 20141222

EXPY Termination of patent right or utility model