太原科技大学先进过程控制总结PPT课件VIP

.,1,先进过程控制课程学习报告,内容：先进过程控制的概念、特点及内容。软测量的技术及应用软测量技术的数据处理软测量技术的模型建立内模控制IMC-PID控制器的设计及仿真模型预测控制,.,2,一、先进过程控制的概念、特点及内容,先进过程控制的概念先进控制是对那些不同于常规单回路PID控制，并具有比常规PID控制更好控制效果的控制策略的统称，而非专指某种计算机控制方法。这些控制策略的先进性在于它们目前在工业生产过程中尚很少使用。由于先进控制的内涵丰富，同时带有较强的时代特征，因此，至今对先进控制还没有严格的、统一的定义。尽管如此，先进控制的任务却是明确的，即用来处理那些采用常规控制效果不好的，甚至无法控制的,.,3,复杂工业过程控制的问题。先进控制的主要特点与传统的PID控制不同，先进控制是一种基于模型的控制策略，如模型预测控制和推断控制等。先进控制通常用于处理复杂的多变量过程控制问题，如大时滞、多变量耦合、被控变量与控制变量存在着各种约束等。先进控制是建立在常规单回路控制之上的动态协调约束控制，可使控制系统适应实际工业生产过程动态特性和操作,.,4,要求。先进控制的实现需要足够的计算能力作为支持平台。先进过程控制的内容先进控制的核心内容应包括从数据采集处理、数学模型建立、先进控制策略到工程实施的全部内容。,.,5,二、软测量技术及应用,问题的提出在工业生产过程中，我们需对其中与系统的稳定及产品质量密切相关的重要过程变量进行实时控制和优化控制，以保证生产装置安全、高效地运行。然而基于现阶段我们所掌握的科学技术水平，我们很难通过传感器进行测量一些特殊生产装置下的实时变量，比如说精馏塔的产品组分浓度，生物发酵罐的菌体浓度等等。为了解决这类型问题，传统的方法是采用间接测量，通过测量得到的数据来反映目标量的变,.,6,化，或是，采用设备投资较大的在线分析仪表来进行目标量的实时采集。对于这两种方法，前者的精确度存在很大的偏差，而后者的设备维护成本高且测量滞后较大。因此，软测量技术逐渐为人们所使用。软测量定义所谓软测量，就是选择与被估计变量相关的一组可测变量，构造某种以可测变量为输入、被估计变量为输出的数学模型，用计算机软件实现重要过程变量的估计。,.,7,软测量的基本结构软测量模型的基本结构如下图所示。其中x为被估计变量集，d1为不可测扰动，d2为可测扰动，u为对象的控制输入，y为对象可测输出变量。,.,8,软测量的应用软测量技术的数据处理中间过程变量的选择，应遵循三原则：从间接质量指标出发进行中间辅助变量类型的选择；根据系统的机理和需要确定中间辅助变量的数量；采用奇异值分解或工业控制仿真软件等方法进行检测点的选取。,.,9,数据处理包括数据预处理与数据的二次处理：数据预处理：由于工业现场采集的数据其有一定的随机性，数据的预处理主要是消除突变噪声和周期性波动噪声的污染%为提高数据处理的精度，除去随机噪声，可以采用数据平滑化的方法，如时域平滑滤波和频域滤波法等；数据二次处理：根据软测量采用的系统建模方法及其机理不同，须对预处理后的数据进行二次处理。如采用神经网络方法进行系统建模需要对预处理后的数据进行归一化处理,.,10,采用模糊逻辑的方法需要对预处理后的数据进行量化处理。测量误差处理：测量数据的误差可分为随机误差和过失误差两大类。数学模型的建立对于软测量的建模方法，常用的有如下几种：机理建模机理模型通常由代数方程组或微分方程组组成，在对工业对象的物理、化学过程获得了全面清晰的认识后，通过列,.,11,写过程的各类平衡方程(如物料平衡、能量平衡、动量平衡、相平衡等)和反映流体传热介质等基本规律的动力学方程、物性参数方程和设备特性方程等，确定不可测主导变量和可测辅助变量的数学关系，建立估计主导变量的精确数学模型。回归分析回归分析，常用于线性模型的拟合。对于辅助变量较少的情况，一般采用多元线性回归中的逐步回归技术以获得较好的软测量模型；对于辅助变量较多的情况，通常要借助机,.,12,理分析，首先获得模型各变量组合的大致框架，然后再采用逐步回归方法获得软测量模型。基于回归分析的软测量建模方法简单实用，但需要足够有效的样本数据，对测量误差较为敏感且模型物理量概念不明了。人工神经元网络（ANN）近年来,ANN在控制领域中的应用有了很大发展，并开始用于软测量技术。其特点是不需机理模型,通过样本(历史数据)的学习,建立ANN,然后以过程可测变量作为ANN的输入,.,13,进行不可测变量的在线计算。,.,14,三、内模控制,内模控制是一种基于过程数学模型进行控制器设计的新型控制策略。本小节介绍一下IMC-PID控制器参数整定及仿真。IMC-PID控制器设计内模控制的结构框图如图1。(s)内模控制器,(s)过程传递函数,G(s)过程模型,(s)扰动通道传递函数.将图1等价变换为如图2所示的简单反馈控制系统,图2进一步可以用图3来表示。,.,15,图1内模控制的结构框图,图2IMC的等价结构框图,图3IMC与反馈结构的关系框图,.,16,对于图2的内环反馈控制器有（1）系统输入输出关系可以表达为（2）系统扰动的输入输出关系可以表达为（3）,.,17,将式(1)代入式(2)、(3)中，得到系统的闭环响应为系统的反馈信号为如果模型准确，即，无外部扰动，即，则模型的输入与过程的输出y相等，此时反馈信号为零。这样，在模型不确定和无未知输入的条件下，内模控制系统具有开环结构。这就清楚地表明，对开环稳定的过程而言，,.,18,反馈的目的是克服过程的不确定性。在工业实际过程控制时,克服扰动是控制系统的主要任务，而模型的不确定性是难免的。此时，在图1所示的IMC结构中，反馈信号就反映了过程模型的不确定性和扰动的影响，从而构成了闭环控制结构。由图3可知，设一阶带纯滞后系统的模型为。内模控制器设计分为两步进行，首先设计一个稳定的理想控制器，而不考虑系统的鲁棒性和约束;,.,19,其次引入滤波器,通过调整滤波器的结构和参数来获得期望的动态品质和鲁棒性。所以，经计算，可得PID控制器的参数为：，。MATLAB实例仿真本次仿真给出了四种不同的PID控制器的设计，分别对其做简单介绍：,.,20,Ziegler-NicholsZiegler-Nichols法根据给定对象的瞬态响应来确定PID控制器的参数，它首先通过实验，获取控制对象的阶跃响应，即在系统开环、带负载并处于稳定的状态下，给系统输入一个阶跃信号，测量系统的输出响应曲线。Cohen-CoonCohen-Coon法是基于Ziegler-Nichols法的一种新发展的算法。根据Cohen-Coon控制器参数整定表计算PID各参数。,.,21,图4各方法的PID参数计算公式,本文中用到的四种方法的PID参数如图4所示。,.,22,仿真原理框图：,.,23,仿真结果：,.,24,四、模型预测控制,模型预测控制是一种基于模型的闭环优化控制策略，其算法核心是：可预测过程未来行为的动态模型，在线反复优化计算并滚动实施的控制作用和模型误差的反馈校正。模型预测控制具有控制效果好、鲁棒性强等优点，可有效地克服过程的不确定性、非线性和关联性，并能方便地处理过程被控变量和操纵变量中的各种约束。,.,25,模型预测控制基本原理一般而言，可将模型预测控制分为三大类。基于非参数模型的预测控制算法。这类算法分别采用有限脉冲响应模型和有限阶跃响应模型作为过程预测模型，无需考虑模型结构和阶次，可将过程时滞自然纳入模型中，尤其适合表示动态响应不规则的对象特性，适合处理开环稳定多变量过程约束问题的控制。,.,26,基于ARMA或CARIMA等输入输出参数化模型的预测控制算法。这类算法融合了自校正控制和预测控制的优点，其反馈校正通过模型的在线辨识和控制率的在线修正以自校正的方式实现，其中最具代表性的是广义预测控制（GPC）算法，它可用于开环不稳定、非最小相位和时变时滞等较难控制的对象，并对系统的时滞和阶次不确定有良好的鲁棒性。但对于多变量系统，算法实施较困难。,.,27,所谓的“滚动时域控制”，对于状态空间模型，用有限时域二次性能指标再加终端约束的滚动时域控制方法来保证系统稳定性。预测控制基本算法预测控制的基本算法大致可分为以下几类：模型算法控制，即MAC，基本上包括四个部分：预测模型、反馈校正、参考轨迹和滚动优化。MAC采用被控对象的,.,28,单位脉冲响应序列作为预测模型，但在一般性能指标下，MAC算法会出现稳态误差。若在性能指标中不对控制量加以限制，即控制量加权系数rj=0,可获得无静差控制。然而，这种方法在工程实践中是不可实现的。因此，有必要对基本的MAC算法作进一步改进。例如采用增量预测模型，通过滚动优化计算出控制量增量u，从而在控制器中引入积分因子，形成增量型MAC算法。此算法与下述的动态矩阵控制是等价的。,.,29,动态矩阵控制，即DMC，是一种基于对象阶跃响应的预测控制算法，适用于有