先进控制技术综述

.高级控制技术综述引言1在实际的产业控制过程中，很多系统具有非线性、多元耦合性、不确定性、信息不完全性、大后行星等特性。对于这样的系统，很难得到准确的数学模型，一般的控制无法达到满意的控制效果。面对这种复杂的产业控制，出现了新的控制战略先进的控制技术。高级控制技术包括自适应控制、预测控制、推理控制、强控制和模糊控制以及神经网络等智能控制方法。本文详细介绍了自适应控制、预测控制以及这两种高级控制的应用领域和优缺点1。2自适应控制自适应控制的想法是，及时测量系统的不确定性和控制工作的困难、某些未建模的动态特性、变化的控制对象和干扰信号的信息，根据此信息根据特定设计方法自动做出控制决策，修改控制器结构和参数，使控制信号能够适应对象和扰动的动态变化，在某种意义上达到最优控制效果或车道。2.1自适应控制简介目前，可变控制的种类很多，整体上可分为三类：自调整控制、模型参考自适应控制和其他类型的可变控制。自校正控制的主要问题是使用递归识别算法识别系统参数，并根据系统执行指标确定调节器或控制器的参数。其原理简单、易于实现，目前广泛应用于具有参数变化、迟滞和时变过程特性、随机扰动的复杂系统中。自调整控制系统的典型结构图如图1所示。自校正控制适用于离散概率控制系统2。图1自调整控制结构图模型引用可变控制，利用可调节系统中的各种信息，测量或测量各种性能指标，并将模型参考可变控制与参考模型期望的性能指标进行比较。性能指标偏差通过非线性反馈的自适应机制，产生自适应规律，抵消可调整系统“不确定性”引起的性能指标偏差，最后实现了获得更好性能指标的目的。模型参考自适应控制可以处理缓慢变化的不确定性对象的控制问题。模型参考自适应控制无需系统识别即可测量性能指标，从而实现快速跟踪控制。模型参考可变控制结构框图如图2所示，模型参考可变控制通常用于决策连续控制系统。图2模型参考自适应框图其他形式的可变控制系统是指除了如上所述的自调整控制系统和模型参考控制系统以外，基于高级理论的可变控制系统和多变量过程可变控制系统、非线性可变控制系统和权重系数可变控制系统等2.2自适应控制应用程序及其优缺点控制器参数调整最初出现于1940年，直到20世纪50年代末，根据飞机控制器的需要，麻省理工学院首先提出了飞机自动驾驶仪的模型参考自适应控制程序。随着控制理论的发展，从1960年到1970年，自适应控制设计有了有效的基础，进入20世纪80年代，随着数字机器性能价格比的快速提高和计算机应用技术的不断提高，自适应控制得到了充分应用。随着当今适应控制的进一步发展，不仅在产业领域取得了巨大的成功，在社会、经济、医学等非产业领域也进行了有益的探索。自适应控制应用主要包括工业过程控制、智能高精度机电或电液系统控制、电力系统控制、航空航天、航海和无人值守、灵活结构和振动噪声控制、生物工程和武器系统等方面。与常规反馈控制相比，可变控制具有以下优点：(1)常规反馈控件主要适用于预先知道的对象或确定性对象。自适应控件应用以前未知的对象和时变对象。(2)一般反馈控制具有抗干扰功能，可以消除状态扰动引起的系统故障。自适应控制可以识别对象并在线修改参数，从而不仅消除了状态扰动引起的系统错误，还消除了系统结构扰动引起的系统错误。(3)一般反馈控制系统的设计需要掌握描述系统特性的数学模型及其环境变化。自适应控制系统设计几乎不依赖于数学模型，在需要较少的事前知识的情况下，通过自适应控制设计，可以实现控制目标。(4)自适应控制是一种更复杂的反馈控制，添加了自适应控制机制或识别器，添加了可解决更复杂控制问题的可调系统。3预测控制预测控制是基于预测模型的控制方法，采用滚动优化、反馈校正等方法。(1)预测模型：预测控制是基于模型的控制算法，称为预测模型。预测模型的功能是根据对象的历史信息和未来输入预测未来输出。这里只强调模型的功能，不强调其结构。因此，预测模型可以是差分方程、微分方程等参数模型，也可以是受控过程的冲量响应、阶跃响应等非参数模型。(2)滚动优化：预测控制是通过最佳性能指标起到未来控制作用的优化算法。与典型的单个最优控制算法不同，优化性能指标与全局相同，但每个时间点都有最佳性能指标。(3)反馈校正：预测控制是闭环控制算法。由于实际系统受非线性、时变、模型不匹配、干扰等因素的影响，因此基于不变模型的预测输出与系统的实际输出并不完全一致。在滚动实现优化过程中，模型输出必须与系统的实际输出一致，因此，通过预测控制算法检测实际输出与模型输出之间的误差的反馈校正，弥补了这一缺陷。3.1预测控制简介当前使用的算法有：动态矩阵控制(DMC)。广义预测控制(GPC)；内部模型控制(IMC)等。DMC算法是基于对象阶段响应功能的预测模型。设计过程采用固定格式，使用二次目标函数确定控制量的最佳值增量序列，使用各种算法(如自调整动态矩阵控制)在二次目标函数中更改权重数组来实现。DMC算法是基于对象阶段响应模型的预测控制算法，适用于渐近稳定的线性对象，如图3所示1。图3 DMC结构图DMC算法的主要特点是算法比较简单，计算量小，鲁棒性强，更适合于纯延迟时间、开环渐进稳定性的非最小相位系统。这种方法近年来在冶金、石油、化学工业领域得到了广泛的应用。一般预测控制(GPC)是80年代末生成的新预测控制算法，融合了自适应控制和预测控制的基本思想，模型算法控制(MAC)和动态矩阵控制(DMC)的主要区别在于采用了可控制的自回归集成滑动平均模型(CARIMA)。广义预测控制改善了最小方差自适应控制中对非最小相位系统的敏感性等缺点，模型参数小，对扰动、随机噪声、时间延迟变化的鲁棒性强等3，GPC方法的结构如图4所示。图4 GPC控制方块图在广义预测控制中，通过输出的测量和模型的预测得到模型的预测误差，通过使用模型预测误差修改模型的预测值，得到更准确的未来输出的预测值4，将PID结构的广义预测控制控制控制控制提供给文献5，分析了该方法在智能车拼接中的应用。内部模型控制(IMC)是预测控制的重要组成部分，这是Garcia在1982年首次提出的建议。因为设计简单，调节性能好，鲁棒性好，可以消除不可预测干扰的影响，用于分析和设计预测控制系统。1989年，Morari彻底研究了内部模型控制的稳健性和稳定性，其他学者提升为非线性系统，快速增长的神经网络也引入了内部模型控制。此外，内部模型控制由于模糊控制、内部模型控制和自适应控制、内部模型控制和最优控制、预测控制相结合，内部模型控制不断改进，广泛用于工程实践，取得了良好的效果。内部模型控制的基本控制如图5所示。图5内部模型控制方块图上图是连续系统的内部模型控制结构框图，其中R(s)是给定输入。参考输入过滤器；内部模型控制器。反馈过滤器。为了预测受控模型对象模型，也称为内部模型。外部不可预测的扰动。反馈差异控制目标的输出量。选择内部模型的方法有多种。也就是说，它可以是参数模型或非参数模型，预测控制算法被等价地转换为相应的内部模型结构，通过内部模型控制理论的结果分析预测控制的稳定性和鲁棒性6。在内部模型与物理模型完全相同()且没有扰动的情况下，存在开环控制，但在实际生产过程中无法准确获得系统模型，因此在内部模型控制的实际应用中，是反映模型的不确定性和外部扰动对系统的影响的闭环控制方法。IMC系统具有双重稳定性、理想控制器特性、零稳态偏差特性等优秀特性。内部模型控制器设计可分为两个阶段。首先，设计了稳定的理想控制器，而不考虑系统的健壮性和约束。其次，引入滤波器，调整滤波器的结构和参数，确保所需的动态质量和鲁棒性8。3.2预测控制应用程序及其优缺点预测控制控制效果好、坚固、准确的数学模型适用于难以构建的复杂过程，已成功应用于电力、化学、冶金、机械手、投资决策、医疗、飞机自动驾驶仪、船舶自动驾驶仪、故障诊断等多个控制对象7。目前常用的预测控制在应用于变形相对较慢的生产过程或对象时通常会得到良好的效果，而对于快速复杂的过程或对象来说，由于模型不准确、复杂的控制算法和运算量的原因，经常难以实现在线实时控制。因此，查找算法简单，建模容易，快速有效的控制方法一直是人们努力的方向。将智能技术引入控制系统是控制学科开发的必然趋势，对大风筝过程而言，由于当前应用的控制效果，需要很长时间才能反映在输出中，因此大风筝过程控制的核心是对系统输出的预测。从20世纪70年代末开始发展为实践的预测控制算法为大面积风筝系统的控制提供了方法。但是像史密斯预测方法、模型算法控制、动态矩阵预测控制等传统预测方法需要更精确的系统数学模型，因此建模成为预测控制开发的瓶颈。目前预测控制系统的研究方向不仅是对高级预测控制和智能预测控制的研究，而且对预测功能控制、多速率采样预测控制、多模型切换预测控制和约束预测控制的研究也引起了很多专家的高度关注，对这些领域的研究也取得了很多有意义的研究结果9。预测控制是基于模型的算法，而复杂时间变化的非线性系统难以用一般方法建模，一般预测控制算法难以实现。第二，预测控制算法中不可避免的是，存在很多矩阵乘法、逆反运算，计算周期长，动态过程不适合较快对象的实时控制要求。另外，预测控制使用基于广泛输出预测的在线滚动优化控制策略，预测控制闭环输入输出方程非常复杂，出现在包含主要设计参数的闭环传递函数中，因此，每个参数更改对闭环系统动态静态特性、稳定性和鲁棒性的影响难以用分析表达式表示，很难给出设计参数更改的选择标准。这表明现有的理论研究仍远远落后于工业生产实际。因此，突破现状，解决预测控制中存在的问题，对促进具有这种生命力的新计算机控制算法的发展具有重要意义。4摘要相对简单的反馈、前馈和其他已证实的控制技术将继续展示其优势。因此，自适应控制和预测控制必须有新的突破性进展，才能在工程应用程序中对PI D控制等传统方法具有压倒性的优势，是将人工智能技术(如神经网络、模糊逻辑、知识库和专家系统)相结合，最终实现这一设想的可能方法。参考文献1毛智宗，总是自称。高级控制技术M。北京：科学出版社，2012。2刘楚辉。自适应控制的应用研究J。复合机床和自动加工技术，2007年。3 Liu guibo。广义预测控制系统的闭环特性分析J。黑龙江工程学会学报，2012 (26)，63336947-49。4 Li Wei、duyulei。广义预测控制在时滞系统中的应用J。计算机应用技术，2009，67333632-37。5晋江，王信周。PID结构广义预测控制算法的仿真与分析J。西北工业大学学报。2012 (32)，23360162-166。6马辉。高级控制技术的性能分析D。硕士学位论文，黑龙江大学，2009年。7李凤，王庆。内部模型控制在高温湿气热控系统中的应用J。自动化仪表，2012 (33)，333369057-59。8胡耀华，贾欣乐。广义预测控制摘要J。信息和控制，2000.6。9 yuliufei。神经网络技术在预测控制中的应用研究D。硕士学位论文，湖南大学论文，2003年。基于故障树分析的智能故障诊断Fault Tree Analysis(FTA)是一种大型复杂的系统可靠性、安全性分析、风险评估和故障排除方法。1961年，美国贝尔研究所首先应用FTA，在民兵导弹的发射控制系统可靠性研究中取得了成功。1965年波音公司在系统安全年会上正式发表了关于故障树的研究成果，引起了研究者们的高度关注。在1974年美国原子能委员会发表的核电站安全评价报告中，主要分析技术是事件树分析和故障树分析。故障树分析这种图形分析方法随着计算机技术的发展，逐渐渗透到化学、电力、航空、宇宙等其他技术领域，逐渐成为完整的理论、工程分析方法和程序。我国从1978年开始了FTA的研究。经过几十年的发展，我国的FTA技术得到了很大的发展，广泛应用于核工业、宇宙、航空、机械、电子、化学工业等各个领域。1、故障树分析的应用及特点FTA方法是一种分析工具，用于确定系统设计、测试生产和服务等各个阶段的基本障碍，确定其原因、影响和发生概率。一般来说，FTA在以下8个方面取得了成功：(1)系统安全性和可靠性预测。(2)系统的风险评估。(3)找出系统的弱点，制定预防措施。(4)事故分析。(5)系统故障分析，指定故障查找程序，查找故障检测的最佳部分。(6)分析系统要素、组件的重要性。(7)做出维护决定。(8)故障树仿真分析，系统优化。2、失败树具有以下优点：(1)故障树是一种图形扣除方法，