CN113534661A - 基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法 - Google Patents

基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法 Download PDF

Info

Publication number
CN113534661A
CN113534661A CN202110617075.4A CN202110617075A CN113534661A CN 113534661 A CN113534661 A CN 113534661A CN 202110617075 A CN202110617075 A CN 202110617075A CN 113534661 A CN113534661 A CN 113534661A
Authority
CN
China
Prior art keywords
control
resistance furnace
matrix
state space
state
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
CN202110617075.4A
Other languages
English (en)
Other versions
CN113534661B (zh
Inventor
闫飞
薛志勇
杨胜强
田建艳
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.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
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 Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN202110617075.4A priority Critical patent/CN113534661B/zh
Publication of CN113534661A publication Critical patent/CN113534661A/zh
Application granted granted Critical
Publication of CN113534661B publication Critical patent/CN113534661B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27FURNACES; KILNS; OVENS; RETORTS
    • F27DDETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
    • F27D19/00Arrangements of controlling devices
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27FURNACES; KILNS; OVENS; RETORTS
    • F27DDETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
    • F27D19/00Arrangements of controlling devices
    • F27D2019/0003Monitoring the temperature or a characteristic of the charge and using it as a controlling value

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法,先对离散模型的非最小状态空间形式进行增广变换,然后通过卡尔曼滤波器获得最优状态,进而通过最小状态空间模型预测得到最优控制,基于增广非最小状态空间模型的预测控制器在实际应用中的调节非常方便。该控制方法具有较快的响应速度和较强的鲁棒性,可以很好地满足***的精度和动态特性要求。本发明的目的在于改善目前电阻炉温度控制的效果和质量,而且依赖于精确模型的现状,使用此技术方法可以提升电阻炉温度控制方案控制效率与控制质量的鲁棒性。

Description

基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法
技术领域
本发明涉及自动控制技术领域,尤其涉及一种基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法。
背景技术
电阻炉是流程工业中的关键单元,其控制对产品质量和能耗起着至关重要的作用。其主要目标是在高温下烧结滚抛磨块等多种产品。电阻炉的温度控制效果直接影响后续工艺及其产品性能。因此,炉温的高精度控制非常重要。实际上,比例-积分-微分(PID)控制应用于大多数控制回路。由于炉子过程非常复杂,存在一些问题,如非线性、大惯性大滞后、模型不确定性等问题,传统的PID控制已被证明是不够的,不能用于这种复杂的工业过程。因此,研究先进的控制方法非常重要。
发明内容
为解决现有技术的不足,本发明提出了一种基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法,目的在于改善目前电阻炉温度控制的效果和质量,而且依赖于精确模型的现状,使用此技术方法可以提升电阻炉温度控制方案控制效率与控制质量的鲁棒性。
为了实现上述目的,本发明提供一种基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法,包括:
在电阻炉内设置热电偶传感器,并将热电偶传感器与变送器、控制器、执行机构依序连接,根据实际要求控制精度确定采样时间间隔和时间常数;
确定预测时域和控制时域的步长,根据实际环境选取初始温度值,并根据初始温度值初始化开始时刻的状态变量;设定初始控制律为0,构建电阻炉离散***的离散时间模型,得到状态空间方程表达;
在预测控制过程中,根据状态空间方程的差分方程,定义增广状态向量,确定增广状态空间模型;
对于电阻炉离散化后,得到增广状态空间模型的传递函数,确定电阻炉离散***的非最小状态空间表达;
通过卡尔曼滤波求电阻炉离散***的状态向量;对非最小状态空间模型的预测控制进行误差校正;
根据改进后的预测输出,通过非最小状态空间模型得到未来状态向量和知校正后的预测输出,从而求得控制增量矩阵;
结合控制增量矩阵,获得反馈控制率,将得到的控制率输入电阻炉控制仪表,对电阻炉的加热功率进行控制。
其中,离散时间模型的状态空间表达式为:
Figure BDA0003098345440000021
其中xm(k)为状态变量,y(k)为输出变量,u(k)为控制输入变量,ω(k)和v(k)为对应的噪声,Am,Bm,Cm,Dm,Fm为对应的系数矩阵。
其中,状态空间方程的差分方程可表示为:Δxm(k+1)=AmΔxm(k)+BmΔu(k);在预测控制过程中,未来的噪声信号无法预测,并且后期状态观测器使用卡尔曼滤波器消除噪声污染,取 Dm=0,Cm=0。
其中,定义新的增广状态向量为:xk=[Δxm(k)T y(k)T]
y(k+1)-y(k)=Cm[xm(k+1)-xm(k)]=CmΔxm(k+1)=CmAmΔxm(k)+CmBmΔu(k)
故有增广状态空间模型:
Figure DEST_PATH_1
其中Om=[0 0 … 0]。
其中,增广状态空间模型的传递函数表示为:
Figure BDA0003098345440000031
式中τ为时间延迟常数,F(z)和H(z)分别为分母和分子多项式,记为: F(z)=zn+f1zn-1+…+fn,H(z)=h1zn-1+h2zn-2+…+hn;选择状态变量: xn(k)=[y(k) y(k+1) … y(k-n+1) u(k-1) … u(k-n-d+1)]T则 xn(k)是2n+d-1维的状态向量,而传统的最小状态向量为n+d维,因此相对于传统向量称为非最小状态向量。
其中,在设计卡尔曼滤波器中,包括以下步骤:
1)令
Figure BDA0003098345440000032
状态变量的最优预测值:
Figure BDA0003098345440000033
2)预测误差协方差阵:P(k|k-1)=AP(K-1)AT+Qk,其中Qk预测值协方差矩阵;
3)滤波增益:Kk=P(k)ZT[ZP(k)ZT+Rk]-1,其中Rk测量值的协方差矩阵;
4)估计误差协方差阵:P(k)=[I2n+d-1-K(k)Z]P(k|k-1),其中I2n+d-1是单位向量;
5)误差:
Figure BDA0003098345440000034
6)估计状态值:
Figure BDA0003098345440000035
其中,在误差校正的过程中,包括以下步骤:
1)定义预测误差:
Figure BDA0003098345440000036
其中yp(k)是***k时刻电阻炉设备的实际输出值,
Figure BDA0003098345440000037
是模型预测输出值;
2)反馈校正:e(k+i)=e(k)+hi[e(k)-e(k-1)]
对应的矩阵向量形式:
Figure BDA0003098345440000041
其中H=[h1 h2 … hp]T为预测误差修正矩阵,I=[1 1 … 1]T
3)使用改进的预测输出修正后的预测输出:
Figure BDA0003098345440000042
其中,结合控制增量矩阵,获得反馈控制率的步骤中,包括步骤:
1)期望的参考轨迹:yr(k+i)=αiyp(k)+(1-αi)ys(k)
其中yr(k+i)是期望的参考轨迹输出,ys(k)是期望设置值,α=exp(-Ts/Tr)为参考轨迹柔化因子,Ts是采样时间,Tr为时间常数;对应的矩阵形式:
Figure BDA0003098345440000043
其中
Figure BDA0003098345440000044
通过非最小状态空间模型可得到未来状态向量为:
Figure BDA0003098345440000045
其中
Figure BDA0003098345440000046
其中c是控制时域,c≤p;O是(2n+d)×1维零矩阵;
输出矩阵:
Figure BDA0003098345440000051
这里
Figure BDA0003098345440000052
是p×{(2n+d-1)×p}维。
2)校正后的预测输出为:
Figure BDA0003098345440000053
目标优化函数为:
J=[Yr-(λ+1)Y-E]TQ[Yr-(λ+1)Y-E]+ΔUTRΔU
其中λ∈(0,1)为建议的可调因子;Q和R非负对角加权矩阵;其中 Q=diag{q1,q2,…,qp}为误差权重矩阵,qi为权重系数,式中R=rwIc,其中调优参数rw是通过平衡输出和输入变量通过试错法获得的,Ic为 c×c的单位矩阵;
对求偏导数
Figure BDA0003098345440000054
可得:
控制增量向量形式:
Figure BDA0003098345440000055
Figure BDA0003098345440000056
Figure BDA0003098345440000057
则M1=(λ+1)MCF为状态
Figure BDA0003098345440000058
的系数矩阵,M2=MI为误差e(k)的系数矩阵,M3=MH为Δe(k)的系数矩阵,M4=MΨ为yp(k)的系数矩阵,M5=M(I-Ψ)为ys(k)的系数矩阵;
3)在k时刻的增量控制变量为:
Δu(k)=-m1x(k)-m2e(k)-m3Δe(k)+m4yp(k)+m5ys(k)。
其中,m1,m2,m3,m4,m5分别为系数矩阵M1,M2,M3,M4,M5的每一行;
4)反馈控制器的控制律为:u(k)=u(k-1)+Δu(k),把得到的控制律代入电阻炉控制仪表,控制仪表控制加热功率。
区别于现有技术,本发明提供了一种基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法,先对离散模型的非最小状态空间形式进行增广变换,然后通过卡尔曼滤波器获得最优状态,进而通过最小状态空间模型预测得到最优控制,基于增广非最小状态空间模型的预测控制器在实际应用中的调节非常方便。该控制方法具有较快的响应速度和较强的鲁棒性,可以很好地满足***的精度和动态特性要求。本发明的目的在于改善目前电阻炉温度控制的效果和质量,而且依赖于精确模型的现状,使用此技术方法可以提升电阻炉温度控制方案控制效率与控制质量的鲁棒性。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明提供的一种基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法的流程示意图;
图2为本发明提供的一种基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法的非最小状态空间模型预测控制的流程示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
参阅图1和图2,本发明提出一种基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法,包括:
在电阻炉内设置热电偶传感器,并将热电偶传感器与变送器、控制器、执行机构依序连接,根据实际要求控制精度确定采样时间间隔和时间常数;
确定预测时域和控制时域的步长,根据实际环境选取初始温度值,并根据初始温度值初始化开始时刻的状态变量;设定初始控制律为0,构建电阻炉离散***的离散时间模型,得到状态空间方程表达;
在预测控制过程中,根据状态空间方程的差分方程,定义增广状态向量,确定增广状态空间模型;
对于电阻炉离散化后,得到增广状态空间模型的传递函数,确定电阻炉离散***的非最小状态空间表达;
通过卡尔曼滤波求电阻炉离散***的状态向量;对非最小状态空间模型的预测控制进行误差校正;
根据改进后的预测输出,通过非最小状态空间模型得到未来状态向量和知校正后的预测输出,从而求得控制增量矩阵;
结合控制增量矩阵,获得反馈控制率,将得到的控制率输入电阻炉控制仪表,对电阻炉的加热功率进行控制。
其中,离散时间模型的状态空间表达式为:
Figure BDA0003098345440000071
其中xm(k)为状态变量,y(k)为输出变量,u(k)为控制输入变量,ω(k)和v(k)为对应的噪声,Am,Bm,Cm,Dm,Fm为对应的系数矩阵。
其中,状态空间方程的差分方程可表示为:Δxm(k+1)=AmΔxm(k)+BmΔu(k);在预测控制过程中,未来的噪声信号无法预测,并且后期状态观测器使用卡尔曼滤波器消除噪声污染,取 Dm=0,Cm=0。
其中,定义新的增广状态向量为:xk=[Δxm(k)T y(k)T]
y(k+1)-y(k)=Cm[xm(k+1)-xm(k)]=CmΔxm(k+1)=CmAmΔxm(k)+CmBmΔu(k)
故有增广状态空间模型:
Figure 415432DEST_PATH_1
其中Om=[0 0 … 0]。
其中,增广状态空间模型的传递函数表示为:
Figure BDA0003098345440000081
式中τ为时间延迟常数,F(z)和H(z)分别为分母和分子多项式,记为: F(z)=zn+f1zn-1+…+fn,H(z)=h1zn-1+h2zn-2+…+hn;选择状态变量: xn(k)=[y(k) y(k+1) … y(k-n+1) u(k-1)… u(k-n-d+1)]T则xn(k)是2n+d-1维的状态向量,而传统的最小状态向量为n+d维,因此相对于传统向量称为非最小状态向量。
其中,在设计卡尔曼滤波器中,包括以下步骤:
1)令
Figure BDA0003098345440000082
状态变量的最优预测值:
Figure BDA0003098345440000083
2)预测误差协方差阵:P(k|k-1)=AP(K-1)AT+Qk,其中Qk预测值协方差矩阵;
3)滤波增益:Kk=P(k)ZT[ZP(k)ZT+Rk]-1,其中Rk测量值的协方差矩阵;
4)估计误差协方差阵:P(k)=[I2n+d-1-K(k)Z]P(k|k-1),其中I2n+d-1是单位向量;
5)误差:
Figure BDA0003098345440000084
6)估计状态值:
Figure BDA0003098345440000085
其中,在误差校正的过程中,包括以下步骤:
1)定义预测误差:
Figure BDA0003098345440000086
其中yp(k)是***k时刻电阻炉设备的实际输出值,
Figure BDA0003098345440000087
是模型预测输出值;
2)反馈校正:e(k+i)=e(k)+hi[e(k)-e(k-1)]
对应的矩阵向量形式:
Figure BDA0003098345440000091
其中H=[h1 h2 … hp]T为预测误差修正矩阵,I=[1 1 … 1]T
3)使用改进的预测输出修正后的预测输出:
Figure BDA0003098345440000092
其中,结合控制增量矩阵,获得反馈控制率的步骤中,包括步骤:
1)期望的参考轨迹:yr(k+i)=αiyp(k)+(1-αi)ys(k)
其中yr(k+i)是期望的参考轨迹输出,ys(k)是期望设置值,α=exp(-Ts/Tr)为参考轨迹柔化因子,Ts是采样时间,Tr为时间常数;对应的矩阵形式:
Figure BDA0003098345440000093
其中
Figure BDA0003098345440000094
通过非最小状态空间模型可得到未来状态向量为:
Figure BDA0003098345440000095
其中
Figure BDA0003098345440000096
其中c是控制时域,c≤p;O是(2n+d)×1维零矩阵;
输出矩阵:
Figure BDA0003098345440000101
这里
Figure BDA0003098345440000102
是p×{(2n+d-1)×p}维。
2)校正后的预测输出为:
Figure BDA0003098345440000103
目标优化函数为:
J=[Yr-(λ+1)Y-E]TQ[Yr-(λ+1)Y-E]+ΔUTRΔU
其中λ∈(0,1)为建议的可调因子;Q和R非负对角加权矩阵;其中 Q=diag{q1,q2,…,qp}为误差权重矩阵,qi为权重系数,式中R=rwIc,其中调优参数rw是通过平衡输出和输入变量通过试错法获得的,Ic为 c×c的单位矩阵;
对求偏导数
Figure BDA0003098345440000104
可得:
控制增量向量形式:
Figure BDA0003098345440000105
Figure BDA0003098345440000106
Figure BDA0003098345440000107
则M1=(λ+1)MCF为状态
Figure BDA0003098345440000108
的系数矩阵,M2=MI为误差e(k)的系数矩阵,M3=MH为Δe(k)的系数矩阵,M4=MΨ为yp(k)的系数矩阵,M5=M(I-Ψ)为ys(k)的系数矩阵;
3)在k时刻的增量控制变量为:
Δu(k)=-m1x(k)-m2e(k)-m3Δe(k)+m4yp(k)+m5ys(k)。
其中,m1,m2,m3,m4,m5分别为系数矩阵M1,M2,M3,M4,M5的每一行;
4)反馈控制器的控制律为:u(k)=u(k-1)+Δu(k),把得到的控制律代入电阻炉控制仪表,控制仪表控制加热功率。
对于线性定常***,当加权因子也是常数时,根据目标函数求解,得到每个滚动时域下的控制增量。状态空间模型预测控制的控制策略是将时刻求解到的最优控制序列的第一个元素作用于***后,时刻测量***状态变量值,重新进行预测和求解,而不是一次性离线求解出一系列的控制序列,这样得到的每个时刻的控制增量输出都是实时的,避免了控制作用的空档期,增强了抗干扰能力和鲁棒性。
综上所述本发明是基于卡尔曼滤波和非最小状态空间模型预测控制的电阻炉温度控制方法,过程的描述可以通过简单的实验获得,不需要深入了解过程的内部机理。可以提高控制***的鲁棒性和准确性。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。

Claims (8)

1.一种基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法,其特征在于,包括步骤:
在电阻炉内设置热电偶传感器,并将热电偶传感器与变送器、控制器、执行机构依序连接,根据实际要求控制精度确定采样时间间隔和时间常数;
确定预测时域和控制时域的步长,根据实际环境选取初始温度值,并根据初始温度值初始化开始时刻的状态变量;设定初始控制律为0,构建电阻炉离散***的离散时间模型,得到状态空间方程表达;
在预测控制过程中,根据状态空间方程的差分方程,定义增广状态向量,确定增广状态空间模型;
对于电阻炉离散化后,得到增广状态空间模型的传递函数,确定电阻炉离散***的非最小状态空间表达;
通过卡尔曼滤波求电阻炉离散***的状态向量;对非最小状态空间模型的预测控制进行误差校正;
根据改进后的预测输出,通过非最小状态空间模型得到未来状态向量和知校正后的预测输出,从而求得控制增量矩阵;
结合控制增量矩阵,获得反馈控制率,将得到的控制率输入电阻炉控制仪表,对电阻炉的加热功率进行控制。
2.根据权利要求1所述的基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法,其特征在于,离散时间模型的状态空间表达式为:
Figure FDA0003098345430000011
其中xm(k)为状态变量,y(k)为输出变量,u(k)为控制输入变量,ω(k)和v(k)为对应的噪声,Am,Bm,Cm,Dm,Fm为对应的系数矩阵。
3.根据权利要求2所述的基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法,其特征在于,状态空间方程的差分方程可表示为:Δxm(k+1)=AmΔxm(k)+BmΔu(k);在预测控制过程中,未来的噪声信号无法预测,并且后期状态观测器使用卡尔曼滤波器消除噪声污染,取Dm=0,Cm=0。
4.根据权利要求1所述的基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法,其特征在于,定义新的增广状态向量为:
xk=[Δxm(k)T y(k)T]
y(k+1)-y(k)=Cm[xm(k+1)-xm(k)]=CmΔxm(k+1)=CmAmΔxm(k)+CmBmΔu(k)
故有增广状态空间模型:
Figure 1
其中Om=[0 0 … 0]。
5.根据权利要求1所述的基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法,其特征在于,增广状态空间模型的传递函数表示为:
Figure FDA0003098345430000022
式中τ为时间延迟常数,F(z)和H(z)分别为分母和分子多项式,记为:F(z)=zn+f1zn-1+…+fn,H(z)=h1zn-1+h2zn-2+…+hn;选择状态变量:xn(k)=[y(k) y(k+1) … y(k-n+1) u(k-1) … u(k-n-d+1)]T则xn(k)是2n+d-1维的状态向量,而传统的最小状态向量为n+d维,因此相对于传统向量称为非最小状态向量。
6.根据权利要求1所述的基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法,其特征在于,在设计卡尔曼滤波器中,包括以下步骤:
1)令
Figure FDA0003098345430000031
状态变量的最优预测值:
Figure FDA0003098345430000032
2)预测误差协方差阵:P(k|k-1)=AP(K-1)AT+Qk,其中Qk预测值协方差矩阵;
3)滤波增益:Kk=P(k)ZT[ZP(k)ZT+Rk]-1,其中Rk测量值的协方差矩阵;
4)估计误差协方差阵:P(k)=[I2n+d-1-K(k)Z]P(k|k-1),其中I2n+d-1是单位向量;
5)误差:
Figure FDA0003098345430000033
6)估计状态值:
Figure FDA0003098345430000034
7.根据权利要求6所述的基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法,其特征在于,在误差校正的过程中,包括以下步骤:
1)定义预测误差:
Figure FDA0003098345430000035
其中yp(k)是***k时刻电阻炉设备的实际输出值,
Figure FDA0003098345430000036
是模型预测输出值;
2)反馈校正:e(k+i)=e(k)+hi[e(k)-e(k-1)]
对应的矩阵向量形式:
Figure FDA0003098345430000037
其中H=[h1 h2 … hp]T为预测误差修正矩阵,I=[1 1 1]T
3)使用改进的预测输出修正后的预测输出:
Figure FDA0003098345430000041
8.根据权利要求6所述的基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法,其特征在于,结合控制增量矩阵,获得反馈控制率的步骤中,包括步骤:
1)期望的参考轨迹:yr(k+i)=αiyp(k)+(1-αi)ys(k)
其中yr(k+i)是期望的参考轨迹输出,ys(k)是期望设置值,α=exp(-Ts/Tr)为参考轨迹柔化因子,Ts是采样时间,Tr为时间常数;对应的矩阵形式:
Figure FDA0003098345430000042
其中
Figure FDA0003098345430000043
通过非最小状态空间模型可得到未来状态向量为:
Figure FDA0003098345430000044
其中
Figure FDA0003098345430000045
其中c是控制时域,c≤p;O是(2n+d)×1维零矩阵;
输出矩阵:
Figure FDA0003098345430000046
这里
Figure FDA0003098345430000047
是p×{(2n+d-1)×p}维。
2)校正后的预测输出为:
Figure FDA0003098345430000051
目标优化函数为:
J=[Yr-(λ+1)Y-E]TQ[Yr-(λ+1)Y-E]+ΔUTRΔU
其中λ∈(0,1)为建议的可调因子;Q和R非负对角加权矩阵;其中Q=diag{q1,q2,…,qp}为误差权重矩阵,qi为权重系数,式中R=rwIc,其中调优参数rw是通过平衡输出和输入变量通过试错法获得的,Ic为c×c的单位矩阵;
对求偏导数
Figure FDA0003098345430000052
可得:
控制增量向量形式:
Figure FDA0003098345430000053
Figure FDA0003098345430000054
Figure FDA0003098345430000055
则M1=(λ+1)MCF为状态
Figure FDA0003098345430000056
的系数矩阵,M2=MI为误差e(k)的系数矩阵,M3=MH为Δe(k)的系数矩阵,M4=MΨ为yp(k)的系数矩阵,M5=M(I-Ψ)为ys(k)的系数矩阵;
3)在k时刻的增量控制变量为:
Δu(k)=-m1x(k)-m2e(k)-m3Δe(k)+m4yp(k)+m5ys(k)。
其中,m1,m2,m3,m4,m5分别为系数矩阵M1,M2,M3,M4,M5的每一行;
4)反馈控制器的控制律为:u(k)=u(k-1)+Δu(k),把得到的控制律代入电阻炉控制仪表,控制仪表控制加热功率。
CN202110617075.4A 2021-06-03 2021-06-03 基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法 Active CN113534661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110617075.4A CN113534661B (zh) 2021-06-03 2021-06-03 基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110617075.4A CN113534661B (zh) 2021-06-03 2021-06-03 基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法

Publications (2)

Publication Number Publication Date
CN113534661A true CN113534661A (zh) 2021-10-22
CN113534661B CN113534661B (zh) 2023-03-17

Family

ID=78095069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110617075.4A Active CN113534661B (zh) 2021-06-03 2021-06-03 基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法

Country Status (1)

Country Link
CN (1) CN113534661B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116736713A (zh) * 2023-06-13 2023-09-12 天津国能津能滨海热电有限公司 基于narx预测模型的电厂燃烧控制***及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003194604A (ja) * 2001-12-26 2003-07-09 Babcock Hitachi Kk 音波式ガス温度・流量計とガス中音波の伝播時間の検出方法
EP2544056A1 (de) * 2011-07-05 2013-01-09 Siemens Aktiengesellschaft Engineering System zum Erstellen eines Steuerprogramms mit einem zeitdiskreten Kalman-Filter, das verzögert eintreffende Messwerte berücksichtigt
CN103064293A (zh) * 2013-01-18 2013-04-24 杭州电子科技大学 化工过程解耦非最小实现状态空间线性二次型控制方法
CN103115356A (zh) * 2013-02-07 2013-05-22 华北电力大学 超临界cfb锅炉燃烧信号的监测方法及优化控制方法
CN105159097A (zh) * 2015-10-10 2015-12-16 杭州电子科技大学 炼油加热炉炉膛压力的多变量预测控制pid控制方法
CN107765242A (zh) * 2017-09-16 2018-03-06 太原理工大学 基于状态增广迭代扩展卡尔曼滤波的***状态估计方法
US10290025B1 (en) * 2013-12-18 2019-05-14 MaxPoint Interactive, Inc. Controlling impression delivery pacing for multiple geographic regions associated with an online campaign in a real-time bidding environment
JP2020105606A (ja) * 2018-12-28 2020-07-09 日本製鉄株式会社 転炉吹錬制御装置、転炉吹錬制御方法およびプログラム
CN112147891A (zh) * 2020-09-07 2020-12-29 东南大学 一种火电机组协调***全局非线性优化控制方法
CN112748660A (zh) * 2019-10-30 2021-05-04 中国石油化工股份有限公司 存储器、加热炉出口温度控制方法、装置和设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003194604A (ja) * 2001-12-26 2003-07-09 Babcock Hitachi Kk 音波式ガス温度・流量計とガス中音波の伝播時間の検出方法
EP2544056A1 (de) * 2011-07-05 2013-01-09 Siemens Aktiengesellschaft Engineering System zum Erstellen eines Steuerprogramms mit einem zeitdiskreten Kalman-Filter, das verzögert eintreffende Messwerte berücksichtigt
CN103064293A (zh) * 2013-01-18 2013-04-24 杭州电子科技大学 化工过程解耦非最小实现状态空间线性二次型控制方法
CN103115356A (zh) * 2013-02-07 2013-05-22 华北电力大学 超临界cfb锅炉燃烧信号的监测方法及优化控制方法
US10290025B1 (en) * 2013-12-18 2019-05-14 MaxPoint Interactive, Inc. Controlling impression delivery pacing for multiple geographic regions associated with an online campaign in a real-time bidding environment
CN105159097A (zh) * 2015-10-10 2015-12-16 杭州电子科技大学 炼油加热炉炉膛压力的多变量预测控制pid控制方法
CN107765242A (zh) * 2017-09-16 2018-03-06 太原理工大学 基于状态增广迭代扩展卡尔曼滤波的***状态估计方法
JP2020105606A (ja) * 2018-12-28 2020-07-09 日本製鉄株式会社 転炉吹錬制御装置、転炉吹錬制御方法およびプログラム
CN112748660A (zh) * 2019-10-30 2021-05-04 中国石油化工股份有限公司 存储器、加热炉出口温度控制方法、装置和设备
CN112147891A (zh) * 2020-09-07 2020-12-29 东南大学 一种火电机组协调***全局非线性优化控制方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
G. NIJSSE: "A_new_subspace_based_approach_to_iterative_learning_control", 《2001 EUROPEAN CONTROL CONFERENCE (ECC)》 *
XUQI GUO: "Soft_Sensor_for_Ball_Mill_Load_Based_on_Multi-view_Domain_Adaptation_Learning", 《2019 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 *
张朝霞: "基于卡尔曼-最小均方误差准则的雷达旁瓣抑制研究及仿真", 《计算机应用》 *
戴洵等: "基于非最小状态空间模型的控制器设计及仿真", 《***工程与电子技术》 *
王文博: "模型预测控制的抗扰性能分析与改进方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
郝桂芳等: "强跟踪有限微分扩展卡尔曼滤波算法在异步电机中的应用", 《太原理工大学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116736713A (zh) * 2023-06-13 2023-09-12 天津国能津能滨海热电有限公司 基于narx预测模型的电厂燃烧控制***及方法

Also Published As

Publication number Publication date
CN113534661B (zh) 2023-03-17

Similar Documents

Publication Publication Date Title
CN109581870B (zh) 含能材料反应釜的釜内温度动态矩阵控制方法
CN106249599B (zh) 一种基于神经网络预测的网络化控制***故障检测方法
CN114021290B (zh) 一种基于数据驱动和机理模型融合的板带钢凸度预测方法
Zı́tek et al. Anisochronic internal model control of time-delay systems
CN110764417B (zh) 一种基于闭环辨识模型的线性二次型最优动态前馈-反馈pid控制***及其控制方法
CN105892296B (zh) 一种工业加热炉***的分数阶动态矩阵控制方法
CN107544255B (zh) 一种批次注塑过程的状态补偿模型控制方法
CN109557810B (zh) 一种基于新型二自由度内模pid的加热炉温度控制方法
US5369567A (en) Furnace temperature cascade control apparatus using adjustment input
CN107765549A (zh) 一种批次工业过程的新型迭代学习控制方法
CN112180737B (zh) 一种基于自抗扰控制和类史密斯预估的控制***控制方法
CN113534661B (zh) 基于卡尔曼滤波和非最小状态空间的电阻炉温度控制方法
CN110703718A (zh) 一种基于信号补偿的工业过程控制方法
CN111123708B (zh) 基于分布式动态矩阵控制优化的焦化炉炉膛压力控制方法
CN110488888B (zh) 一种基于自适应迭代学习的电阻加热炉温度控制方法
CN112213944B (zh) 基于Smith预估器和自适应控制的时滞***控制方法
CN105955014A (zh) 分布式动态矩阵控制优化的焦炭炉炉膛压力控制方法
CN115933369A (zh) 一种基于优化pid算法的蒸发镀膜设备衬底温度控制方法
CN111413865A (zh) 一种扰动补偿的单回路过热汽温自抗扰控制方法
Seghiri et al. Fractional order adaptive MRAC controller design for high-accuracy position control of an industrial robot arm
CN105974798A (zh) 电加热炉的多模型分数阶加权预测函数控制方法
CN109765950B (zh) 一种一阶纯时延炉温***控制方法
CN106773646A (zh) 一种催化裂化过程中原油预热温度控制方法
CN105487379B (zh) 一种焦化加热炉氧气含量的预测函数控制方法
CN110262244B (zh) 一种改进fsrbfd的自适应解耦控制方法

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
GR01 Patent grant
GR01 Patent grant