第三部分先进控制系统.

1、 第三章 先进控制系统3.1 3.1 软测量和推断控制软测量和推断控制3.2 3.2 时滞补偿控制时滞补偿控制3 Advanced control system过程控制工程发展的原因：过程控制工程发展的原因： l计算机应用与生产过程控制计算机应用与生产过程控制使原来难于实施的控制系统可以实现使原来难于实施的控制系统可以实现l现代控制理论得到发展现代控制理论得到发展理论与实践相结合理论与实践相结合l生产过程控制要求提高生产过程控制要求提高大型化、精细化提出更高控制要求大型化、精细化提出更高控制要求本章主要内容：本章主要内容：多变量控制：状态反馈、预测控制多变量控制：状态反馈、预测控制复杂过程的控

2、制：解耦、时滞补偿、软测量、适应性控制、鲁复杂过程的控制：解耦、时滞补偿、软测量、适应性控制、鲁棒控制棒控制智能控制：模糊控制、专家控制、神经网路智能控制：模糊控制、专家控制、神经网路监督控制：操作优化、统计过程控制监督控制：操作优化、统计过程控制故障诊断和容错控制、综合自动化故障诊断和容错控制、综合自动化3.1 Soft sensor and inferential control一、软测量技术一、软测量技术1.1.存在的问题存在的问题l数据处理中的问题数据处理中的问题如何从大量的过程数据中挖掘出有用的信息如何从大量的过程数据中挖掘出有用的信息l可测量过程数据类型的问题可测量过程数据类型的问

3、题 过程数据中物性和成分类型的数据少过程数据中物性和成分类型的数据少 物性数据常用人工物性数据常用人工分析分析，周期长，间歇分析，周期长，间歇分析 自动分析仪表检测周期长，时滞大，价格贵，维护要求高自动分析仪表检测周期长，时滞大，价格贵，维护要求高2.2.发展方向发展方向l开发研制可靠、响应迅速、在线连续应用的仪表开发研制可靠、响应迅速、在线连续应用的仪表l采用软测量技术，从大量采用软测量技术，从大量大量的过程数据中推断出未被测量的变量大量的过程数据中推断出未被测量的变量3.软测量技术软测量技术对于一些难于直接测量或不能直接测量的过程变量，对于一些难于直接测量或不能直接测量的过程变量， 例如，

4、反应物浓度、干点、凝固点等例如，反应物浓度、干点、凝固点等通过另外一些可测量的过程变量，用模型来推断和估计通过另外一些可测量的过程变量，用模型来推断和估计这种用软件的方法来完成测量的技术称为软测量技术这种用软件的方法来完成测量的技术称为软测量技术可以看到，软测量是间接检测方法。可以看到，软测量是间接检测方法。 它的性能与过程的描述、噪声的特性等有关，也与辅助变量的选择、对过它的性能与过程的描述、噪声的特性等有关，也与辅助变量的选择、对过程的模型的校正等有关程的模型的校正等有关3.1 Soft sensor and inferential control软测量技术组成软测量技术组成1.辅助辅助变

5、量选择变量选择：辅助：辅助变量选择变量选择时考虑下列各点时考虑下列各点l关联性关联性：辅助变量应与主导变量有关联，能直接影响主导变量：辅助变量应与主导变量有关联，能直接影响主导变量l特异性特异性：辅助变量应具有特异性，可与其他过程变量区别：辅助变量应具有特异性，可与其他过程变量区别l工程适用性工程适用性：容易获得，并能反映生产过程变化：容易获得，并能反映生产过程变化l精确性精确性：变量有一定测量精确度，模型具有足够精确度：变量有一定测量精确度，模型具有足够精确度l鲁棒性鲁棒性：对模型误差不敏感：对模型误差不敏感辅助变量的辅助变量的数量数量：为使模型方程有唯一解，辅助变量数至少等于主导变：为使模

6、型方程有唯一解，辅助变量数至少等于主导变量数，不宜过多量数，不宜过多2.数据数据采集和处理采集和处理：数据的覆盖面应：数据的覆盖面应宽宽，具，具代表代表性，符合性，符合正态正态分布分布 数据处理：对数据的数据处理：对数据的归一归一处理和不良数据的处理和不良数据的剔除剔除3.软测量软测量数学模型建立数学模型建立： 方法有：机理建模、经验建模、机理建模和经验建模混合建模方法有：机理建模、经验建模、机理建模和经验建模混合建模4.模型模型在线校正在线校正：数学模型在线校正是模型结构和参数的优化：数学模型在线校正是模型结构和参数的优化 分：分：短期短期校正和校正和长期长期校正校正3.1 Soft sen

7、sor and inferential control 基本原理基本原理l 过程的输入变量：控制变量过程的输入变量：控制变量u；扰动变量；扰动变量d(含可测和不可测含可测和不可测)l 过程的输出变量：主导变量过程的输出变量：主导变量Y(可测和不可直接测量可测和不可直接测量)；辅助变量；辅助变量 (可测可测和不可直接测量和不可直接测量)l 基本原理：根据可测量得到的变量基本原理：根据可测量得到的变量(u(t)和可测量的和可测量的Y(t)，d(t)和和 (t) 通过模型推算和估计出不可直接测量的输出变量通过模型推算和估计出不可直接测量的输出变量Y(t)软测量就是构造一个模型，建立辅助变量与主导变量

8、软测量就是构造一个模型，建立辅助变量与主导变量Y间的映射关系间的映射关系l 与动与动(静静)态数学模型的区别态数学模型的区别: 动动(静静)态数学模型是建立输出态数学模型是建立输出Y与输入与输入u和和d的关系，根据的关系，根据u，d求求Y 测量数学模型测量数学模型是建立输入是建立输入 与输出与输出Y的关系，根据的关系，根据 求求Y2.建模方法：建模方法：l 基于动态数学模型的建模方法基于动态数学模型的建模方法 把不可测量变量作为状态变量来处理，用状态观测或估计的方法建模对把不可测量变量作为状态变量来处理，用状态观测或估计的方法建模对确定性系统用状态观测器，随机性系统用卡尔曼状态估计器确定性系统

9、用状态观测器，随机性系统用卡尔曼状态估计器l 基于稳态回归模型的建模方法基于稳态回归模型的建模方法 在系统非线性不严重时，可采用线性回归建模在系统非线性不严重时，可采用线性回归建模 当精度要求较高时，采用非线性回归建模当精度要求较高时，采用非线性回归建模 例如采用非线性函数或神经网络建模例如采用非线性函数或神经网络建模sYsYsYsY3.1 Soft sensor and inferential control软测量技术实施时的注意事项软测量技术实施时的注意事项l自变量的选取自变量的选取数量不宜过多，一般在数量不宜过多，一般在8-10个个应选择起主导作用的变量，可用工艺机理和主元分析等方法选取

10、应选择起主导作用的变量，可用工艺机理和主元分析等方法选取自变量应与辅助变量有单值关系自变量应与辅助变量有单值关系l回归模型的形式回归模型的形式非线性函数的回归模型：常采用下列形式非线性函数的回归模型：常采用下列形式非线性神经网络的模型：常采用三层非线性神经网络的模型：常采用三层BP网络或网络或RBF网络网络l样本精度和输出精度样本精度和输出精度样本数据的复现性、代表性和可信性，模型的精度样本数据的复现性、代表性和可信性，模型的精度l模型的校正和更新模型的校正和更新交叉校验：采用交叉校验优于自身校验交叉校验：采用交叉校验优于自身校验在线校正、离线校正和模型的更新在线校正、离线校正和模型的更新l样

11、本的泛化样本的泛化样本应在工作范围内均匀分布，自变量应落在样本集内样本应在工作范围内均匀分布，自变量应落在样本集内应避免外推，但可以内插应避免外推，但可以内插l动态效应的考虑：回归模型只考虑稳态动态效应的考虑：回归模型只考虑稳态建模数据是稳态数据，应用时应对实时数据进行滤波等处理建模数据是稳态数据，应用时应对实时数据进行滤波等处理.22221131132112332211xcxcxxbxxbxaxaxay3.1 Soft sensor and inferential control多元线性回归多元线性回归(MLR: Multiple Linear Regression)对对n组组m个输入变量个

12、输入变量 x1、x2、xm与输出变量与输出变量y之间多元线性回归公式：之间多元线性回归公式： 是第是第i组输出变量的估计值。组输出变量的估计值。 （j=1,m）是回归系数，满足目标函数）是回归系数，满足目标函数 nm时，根据最小二乘法，可得到回归系数为时，根据最小二乘法，可得到回归系数为:当输入变量当输入变量x1、x2、xm不不相关相关时，（时，（XTX）可求逆，则可得到回归系数）可求逆，则可得到回归系数输入变量输入变量相关相关时，定义时，定义复相关复相关系数系数 R接近接近1，表示回归方程拟合程度越好表示回归方程拟合程度越好定义定义偏相关偏相关系数系数它评价输入变量它评价输入变量xj对输入变

13、量丫的作用对输入变量丫的作用如果如果Vj越大，越大，xj对输出变量对输出变量y的作用越大，该过程变量的作用越大，该过程变量xj不能剔除不能剔除iyjbimmiixbxby, 11.ni,.2 , 1niiiyyJ12)(minYXXXbbbBTTTm121)(.niiniiimyyyR1212)()(1nimjkkjkkiniiijxbyyyV121,12)()(13.1 Soft sensor and inferential control多元逐步回归多元逐步回归（MSR: Multiple Stepwise Regression）将过程变量逐一引入回归方程，引入后用偏回归平方和检验其对回归

14、方程的作用将过程变量逐一引入回归方程，引入后用偏回归平方和检验其对回归方程的作用 作用显著时，在回归方程中保留该变量，不显著，则剔除作用显著时，在回归方程中保留该变量，不显著，则剔除引入新变量后，对回归方程中的其他变量同样进行显著性检验，引入新变量后，对回归方程中的其他变量同样进行显著性检验， 直到所有变来那个都不能剔除时，得到最终回归方程直到所有变来那个都不能剔除时，得到最终回归方程主元分析主元分析 （PCA: Principal Component Analysis）和）和 主元回归主元回归（PCR: Principal Component Regression）主元分析：将过称个输入变量

15、中相关变量重新组合成互不相关新变量主元分析：将过称个输入变量中相关变量重新组合成互不相关新变量 奇异值分解奇异值分解的方法计算主元；并计算各主元方差和各主元的芬芳差；确定各主的方法计算主元；并计算各主元方差和各主元的芬芳差；确定各主元反差贡献率，和计算累积方差贡献率；得到不同累积贡献率下的主元变换矩阵，元反差贡献率，和计算累积方差贡献率；得到不同累积贡献率下的主元变换矩阵，即新的输入变量。即新的输入变量。3.1 Soft sensor and inferential control部分最小二乘法部分最小二乘法（PLS: Partial Least Squares）部分最小二乘法用于解决预测建模

16、问题。在预测控制中得到成功应用。部分最小二乘法用于解决预测建模问题。在预测控制中得到成功应用。该回归方法不仅对输入变量该回归方法不仅对输入变量X进行正交分解，同时对输出变量进行正交分解，同时对输出变量Y进行正交分进行正交分解，以获取更多哦的过程信息。解，以获取更多哦的过程信息。回归采用迭代计算，提出用于确定脉冲响应的系数回归采用迭代计算，提出用于确定脉冲响应的系数3.1 Soft sensor and inferential control反向传播算法反向传播算法（BP: Back Propagation algorithm）采用反向传播算法的人工神经网络称为采用反向传播算法的人工神经网络称为

17、反向传播网反向传播网它由它由输入层输入层、隐含层和、隐含层和输入层输入层组成。组成。输入输入信号信号pj(j=1,2,r)从输入节点从输入节点Aj进入进入BP网，经网，经加权加权Vj,s和和偏置偏置bj后，由转移函后，由转移函数转移作为隐含层数转移作为隐含层Bs的输入的输入隐含层的输入同样经隐含层的输入同样经加权加权和和偏置偏置及转移及转移函数函数Wm,p转移后作为转移后作为输入层输入层Cp的输入的输入各各输出层输出层将该输出节点的各输入相加作将该输出节点的各输入相加作为该为该输出节点输出节点的输出的输出该算法称为该算法称为反向传播反向传播算法，因误差从算法，因误差从输出向输入输出向输入逐层调

18、整加权值及转移函数标逐层调整加权值及转移函数标准反向传播算法是梯度下降法准反向传播算法是梯度下降法BP算法收敛速度慢，容易收敛到局部最优，算法需预先设置有关因子算法收敛速度慢，容易收敛到局部最优，算法需预先设置有关因子3.1 Soft sensor and inferential control径向基函数算法径向基函数算法（RBF: Radial Basis Function）径向基函数网络是径向基函数网络是两层前向两层前向网络网络输入变量输入变量数等于被研究问题的独立变量数，数等于被研究问题的独立变量数，中间选用中间选用径向基函数径向基函数作为转移函数作为转移函数输出层是线性函数输出层是线性

19、函数RBF网具有训练快速，参数调整是线性的，具有全局逼近和最佳逼近性网具有训练快速，参数调整是线性的，具有全局逼近和最佳逼近性3.1 Soft sensor and inferential control模型的校正模型的校正模型校正模型校正目的目的：提高软测量模型的泛化能力，使软测量模型适应原料变：提高软测量模型的泛化能力，使软测量模型适应原料变 化、操作工况等操作环境的变化化、操作工况等操作环境的变化模型校正模型校正分类分类：数据校正和模型校正：数据校正和模型校正数据校正数据校正：剔除测量数据中的先祖误差数据：剔除测量数据中的先祖误差数据 根绝统计方法进行误差显著性统计，并剔除动态过程根绝统

20、计方法进行误差显著性统计，并剔除动态过程数据的校正数据的校正可可 采用数字或模拟滤波方法，或非线性规划的方法采用数字或模拟滤波方法，或非线性规划的方法模型校正模型校正：长期校正和短期校正，以适应不同需求：长期校正和短期校正，以适应不同需求 短期短期校正：以某时刻软测量模型输出与世纪输出之差进行校正校正：以某时刻软测量模型输出与世纪输出之差进行校正 长期长期校正：将一段时间内的过程数据采集后重新离线建模，或定期校正：将一段时间内的过程数据采集后重新离线建模，或定期 根据采集的过程数据自动进行在线修正根据采集的过程数据自动进行在线修正3.1 Soft sensor and inferential

21、control软测量示例软测量示例乙烯精馏塔塔低浓度乙烯精馏塔塔低浓度xB与精馏塔提馏段灵敏板温度与精馏塔提馏段灵敏板温度T有明显关联，用回有明显关联，用回 归和归和BP网建立软测量模型。网建立软测量模型。基于最小二乘法的基于最小二乘法的软测量回归软测量回归模型如下：模型如下：灵敏板温度灵敏板温度T的的样本范围样本范围是是-23 -11建立的建立的BP网软测量模型那个是一个单输入（提馏段温度网软测量模型那个是一个单输入（提馏段温度T）单输入（塔底）单输入（塔底乙烯浓度乙烯浓度xB）的）的BP网，隐含层用网，隐含层用7个神经元节点，经个神经元节点，经13627次迭代训练后，次迭代训练后，建立的模

22、型输出与实际输出的误差平方和达最小值建立的模型输出与实际输出的误差平方和达最小值两个两个模型模型的结果的的结果的比较比较： BP网模型的现对误差网模型的现对误差（4.23%）较回归模型的误差（）较回归模型的误差（9.06%）小小 外延时数据的外延时数据的泛化能力泛化能力也较回归模型也较回归模型强强，其，其外延误差外延误差5.66%，远，远小小于于 回归模型的外延误差回归模型的外延误差12.87%32000266. 0010693. 0143143. 063309. 0TTTxBDA107130EA120EA118FA106LICA119T 500-30PICA120PV120From DA10

23、6SW6585T 300_6PIA119产品高沸 物 杂 质S136S_135T W -1 1 1T W -1 1 2F1 3 9先进 控制子 系 统-3F1 3 8先进 控制子 系 统-445图2-10 DA107精馏塔控制控制系统图3.1 Soft sensor and inferential control其中：其中：F-122、F-138、F-139、PIA-119、PICA-120、T500-30、T300_6、TW_122和和LICA-122的测量值的测量值 903 , 1iiiBDxAy3.1 Soft sensor and inferential controlDA107塔顶产

24、品丁二烯-1,3含量软测量模型拟合效果图3.1 Soft sensor and inferential control3.1 Soft sensor and inferential controlDA107塔顶产品丁二烯-1，3含量软测量模型预测结果（2002-10-19 00:152002-11-06 08:15）化验值 BD-1,3、EA 估计值 BD-1,3 EA 浓度 x1(t)x9(t) DA107 精馏塔 智能 滤波器 DA107塔 产 品BD-1,3、EA 含量软测量模型 自适应 学习机构 采样 被测变量 N(t) 3.1 Soft sensor and inferential

25、control图2-16 S136-BD-1,3 EA含量软测量模型自学习机制T300-6P119P122T500-30F138F139F122数据变换和主元分析图2-11丁二烯-1,3 和EA含量BP神经网络模型结构TW-112TW-111L122Z5(t)Z4(t)Z3(t)Z2(t)Z1(t)y2y1数据变换T300-6P119P122T500-30F138F139F122数据变换和主元分析图2-11丁二烯-1,3 和EA含量BP神经网络模型结构TW-112TW-111L122Z5(t)Z4(t)Z3(t)Z2(t)Z1(t)y2y1数据变换Z5(t)Z4(t)Z3(t)Z2(t)Z1(

26、t)y2y1数据变换3.1 Soft sensor and inferential control图2-11 丁二烯-1,3和EA含量BP神经网络模型结构图2-12 产品丁二烯-1,3含量BP神经网络模型训练效果图3.1 Soft sensor and inferential control图2-20 DA107塔塔顶产品丁二烯-1,3浓度软仪表实时运行效果3.1 Soft sensor and inferential control3.1 Soft sensor and inferential control二、推断控制系统二、推断控制系统1.推断控制节本原理推断控制节本原理 Ys(s)是可

27、测辅助变量是可测辅助变量 Y(s)是不可测输出是不可测输出 D (s)是不可测扰动是不可测扰动 U(s)是控制作用是控制作用假设：模型完全精确假设：模型完全精确即即：l信号分离：把信号分离：把D(s)对对Ys(s)的影响分离出来。的影响分离出来。 引入估计模型引入估计模型 ；使估计器输入有使估计器输入有 等于扰动等于扰动D(s)经经A(s)时输出，即时输出，即l估计器：确定估计器：确定D(s)对对Y(s)的影响。的影响。 确定确定D(s)对对Y(s)的影响是的影响是 因此，估计器因此，估计器推断控制器：使输出推断控制器：使输出Y(s)能克服扰动影响，无余差。能克服扰动影响，无余差。 选选随动控

28、制时，随动控制时，R(s)变化；变化；Y(s)=R(s);即无余差。即无余差。定值控制时，定值控制时，R(s)=0;Y(s)=0;即在扰动下能完全补偿。即在扰动下能完全补偿。);()();()();()();()(sGsGsGsGsBsBsAsAPSPSPP)(sGPS)()()()(sUsGsYsPSS)()()(sDsAs )()()()()()(1ssAsBsDsBs)()()(1sAsBsE);()(1sGsGPI)()()()()()()()()()(sDsBsUsGsYsEsRsGsGsYPSSPI3.1 Soft sensor and inferential control推断控

29、制的特点推断控制的特点单纯的推断控制是开环控制单纯的推断控制是开环控制只有存在精确模型时，才能使输出只有存在精确模型时，才能使输出Y(s)无余差，并能完全补偿扰动的影响无余差，并能完全补偿扰动的影响实施时，控制器是对象的逆，因此，当对象有时滞时，无法物理实现实施时，控制器是对象的逆，因此，当对象有时滞时，无法物理实现加入滤波器来实施时，当滤波器稳态放大系数是加入滤波器来实施时，当滤波器稳态放大系数是1时，可无余差，但品质变差时，可无余差，但品质变差当控制器是对象的逆时，系统有快速的响应当控制器是对象的逆时，系统有快速的响应常与反馈控制（当常与反馈控制（当Y(s)可控时）或前馈控制（当可控时）或

30、前馈控制（当D(s)可测时）结合使用可测时）结合使用3.1 Soft sensor and inferential control2.推断反馈控制推断反馈控制主要被控变量主要被控变量y不可测时的推断反馈控制不可测时的推断反馈控制不可测被控变量不可测被控变量y可根据模型估计，即：可根据模型估计，即：根据过程模型、控制变量和可测副主编来那个的值及上式可根据过程模型、控制变量和可测副主编来那个的值及上式可构建推断反馈控制构建推断反馈控制系统系统)()()()()()()()(sUsGssEsUsGssYpp)()()()()()()()()()()()(sUsHsYsEsUsGsAsBsGsYsAs

31、Bspsps3.1 Soft sensor and inferential control2.推断反馈控制示例推断反馈控制示例丙烷、丁烷精馏塔的推断反馈控制丙烷、丁烷精馏塔的推断反馈控制扰动扰动变量：丙烷、丁烷精馏塔的进料成分，变量：丙烷、丁烷精馏塔的进料成分，操纵操纵变量：回流量变量：回流量 主要控制变量：塔顶丙烷成分（要求控制在主要控制变量：塔顶丙烷成分（要求控制在95%）是不可测量的变量）是不可测量的变量 辅助辅助变量：塔顶温度变量：塔顶温度过程模型为过程模型为:设计设计;1602 . 0)(2sesAs;1709 . 0)(2sesBs;1302 . 1)(sesGsp1200 . 1

32、)(ssGps;1701605 . 4)()()(sssAsBsE) 120)(170() 160(5 . 41302 . 1)()()()(ssssesGsEsGsHspsp3.1 Soft sensor and inferential control2.推断反馈控制推断反馈控制主要被控变量主要被控变量y可测时的推断反馈控制可测时的推断反馈控制推断控制系统是开环控制，因此，推断控制系统是开环控制，因此，过程模型的误差将造成系统有差。过程模型的误差将造成系统有差。如果主要被控变量如果主要被控变量y可测，则可组可测，则可组成推断反馈控制系统成推断反馈控制系统反馈控制回路反馈控制回路由反馈控制器由

33、反馈控制器Gc(s)、被控对象被控对象Gp(s)和检测变送环节和检测变送环节Gm(s)组成组成定值定值控制系统，均衡环节控制系统，均衡环节GL(s)。通过反馈使输出与设定无余差。通过反馈使输出与设定无余差。随动随动控制系统，被控变量控制系统，被控变量Gm(s)环节有较大时间常数和时滞，为此，设置均衡环节环节有较大时间常数和时滞，为此，设置均衡环节GL(s)，均衡环节选用大时间常数的滤波环节，使设定变化时，均衡环节有相对应时间常数和时均衡环节选用大时间常数的滤波环节，使设定变化时，均衡环节有相对应时间常数和时滞来适应其变化，不造成对对输出的波动滞来适应其变化，不造成对对输出的波动反馈控制器反馈控

34、制器Gc(s)选大比例度、大积分时间的选大比例度、大积分时间的PI控制器控制器3.2 时滞补偿控制时滞补偿控制时滞对控制品质的影响时滞对控制品质的影响1.时滞对象控制系统稳定性的影响时滞对象控制系统稳定性的影响l随时滞的增加，开环频率特性曲线随时滞的增加，开环频率特性曲线从从黑线黑线到蓝线到到蓝线到红线红线，稳定性变差，稳定性变差l时滞增加，交角频率下降时滞增加，交角频率下降较低频率的干扰就会使系统不稳定较低频率的干扰就会使系统不稳定l时滞增加，临街放大倍数下降时滞增加，临街放大倍数下降为此减小控制器增益，品质变差为此减小控制器增益，品质变差2.时滞对动态指标的影响时滞对动态指标的影响当系统有

35、时滞时当系统有时滞时控制器的输出不能及时调节控制器的输出不能及时调节图中黑线是有时滞时控制器的输出图中黑线是有时滞时控制器的输出它的调节不及时，使系统超调增大它的调节不及时，使系统超调增大红线是时滞系统的输出曲线红线是时滞系统的输出曲线粉红线是无时滞时的控制器输出粉红线是无时滞时的控制器输出蓝线是无时滞时的系统输出蓝线是无时滞时的系统输出时滞使开环系统相位之后增大时滞使开环系统相位之后增大因此，动态特性变差因此，动态特性变差3.2 时滞补偿控制时滞补偿控制Smith预估补偿控制原理预估补偿控制原理1.Smith预估计补偿控制原理预估计补偿控制原理l影响闭环特性的主要原因是闭环特征根影响闭环特性

36、的主要原因是闭环特征根时滞控制系统的闭环特征方程是超越方程时滞控制系统的闭环特征方程是超越方程设计细想，加补偿器使闭环特征方程不含有时滞项设计细想，加补偿器使闭环特征方程不含有时滞项l补偿器传递函数的确定补偿器传递函数的确定加入补偿器加入补偿器 后，闭环特征方程是后，闭环特征方程是：根据设计思想，应使：根据设计思想，应使：因此，补偿器传递函数是：因此，补偿器传递函数是：2.实时实时smith预估补偿控制时的注意事项预估补偿控制时的注意事项l模型的求取模型的求取模型的参数的估计：见模型的参数的估计：见 参数估计参数估计l时滞的实现时滞的实现用用Pade近似公式，模拟仪表实现近似公式，模拟仪表实现

37、计算机实现：用内存单元的移位计算机实现：用内存单元的移位l参数整定：指模型参数的整定参数整定：指模型参数的整定l应与对象参数匹配应与对象参数匹配0)()(1sPCesGsG0)()()()(1sGsGesGsGkCsPC)()(1)()()()(1sGsGsGsGesGsGPCkCsPC)1)()(sPkesGsG)(5 . 015 . 01一阶sses)()(1215 . 01)(1215 . 0122二阶sssses)(sGk3.2 时滞补偿控制时滞补偿控制内模控制内模控制过程模型为过程模型为 ，内模控制器，内模控制器 ：Smith预估补偿控制室特殊的内模控制预估补偿控制室特殊的内模控制

38、理想的内模控制器可根据模型与过理想的内模控制器可根据模型与过程完全匹配得到：程完全匹配得到： 设过程为设过程为 模型为模型为： 则有：则有：如果模型如果模型 的逆存在，并可物理实现，则过程和模型一致时，不仅能够的逆存在，并可物理实现，则过程和模型一致时，不仅能够消除扰动对系统输出的影响，而且能保证无余差消除扰动对系统输出的影响，而且能保证无余差)(sGM)(sGIMC)()(1)()(sGsGsGsGMccIMC;)()(spoesGsG;)()(MsMoesGsG)()(1sGsGoIMC)(sGo3.2 时滞补偿控制时滞补偿控制内模型控制的特点内模型控制的特点内模控制的结构特点：把对象的数

39、学模型引入到控制回路中内模控制的结构特点：把对象的数学模型引入到控制回路中1.对偶稳定性：对偶稳定性：特征方程是特征方程是 ；如；如 ，则简化为，则简化为 内模控制系统稳定的充要条件是闭环特征方程根在单位圆内内模控制系统稳定的充要条件是闭环特征方程根在单位圆内当当 稳定，只要稳定，只要 稳定，则内模控制系统稳定稳定，则内模控制系统稳定当当 稳定，只要稳定，只要 稳定，则内模控制系统稳定稳定，则内模控制系统稳定这称为内模控制系统的对偶稳定性这称为内模控制系统的对偶稳定性2.理想控制器：理想控制器：如果如果 可求逆；逆矩阵可实现，则可求逆；逆矩阵可实现，则可设计可设计 这时，这时，y(z)=R(z); 即干扰即干扰 D(z)不影响不影响 y(z) 内模控制在模型匹配，控制器是模型的逆时，是理想控制器内模控制在模型匹配，控制器是模型的逆时，是理想控制器3.无