CN1161753A - 模型预测控制装置与方法 - Google Patents
模型预测控制装置与方法 Download PDFInfo
- Publication number
- CN1161753A CN1161753A CN 95195860 CN95195860A CN1161753A CN 1161753 A CN1161753 A CN 1161753A CN 95195860 CN95195860 CN 95195860 CN 95195860 A CN95195860 A CN 95195860A CN 1161753 A CN1161753 A CN 1161753A
- Authority
- CN
- China
- Prior art keywords
- input signal
- future
- output signal
- signal
- control
- 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.)
- Pending
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
一种控制过程操作的模型预测控制装置和方法,所述过程具有过程输入信号和过程输出信号,它包括根据过程模型确定在将来稳态条件下预测的过程输出信号、根据预测的过程输出信号与期望的设定点信号之差值确定稳态误差信号,以及通过在将来某一时刻提供至少一个过程输出的阶跃响应来确定一组校正估算稳态误差所必需的将来过程输入变信号接着根据当前确定一组将来过程输入变化信号与任何将来过程输入变化信号相加之和,加上一个净过程输入变化,将来过程输入变化信号是先前对于下一个过程输入变化信号算得的,过程输入变化信号按本方法算出。模型表示为速度形式。可用过程调节参数减少净过程输入变化及当前确定的相应于根据稳态误差除以稳态过程增益算出的过程输入变化的过程输入变化的第一元素。
Description
技术领域
本发明涉及一种模型预测控制装置与方法,适于预测被控***动态模型的将来过程响应,并在考虑这种预测之后计算控制器的输出。特别是使用动态模型的伪逆矩阵(pseudo-inverse)的一合适的列提供一种使最小二乘方法误差最小的过程控制调节器。
背景技术
本发明的控制装置是一种新型的模型预测控制(MPC)控制器。一般而言,MPC技术采用一个过程模型来预测某个被控过程变量的将来状态,然后处理一个或多个过程输入量(控制器输出量)以把预测值与设定点之间的期望误差减至最小。MPC的变化包括模型预测探试控制(MPHC)(Richalet等人,1978年)、模型算法控制(MAC)(Mahra等人,1979年)、动态矩阵控制(DMC)(Cutler与Ramaker),1980年;Prett与Gillete 1979年)和线性动态矩阵控制(LDMC)(Garcia与Morshedi,1986年)。在所有这些方法中,模型是控制算法的本质部分,并用来预测和计算控制器的响应。
MPC的基本构思是利用过程的阶跃或脉冲响应矢量来模拟过程。这些模型根据过程输入量预测一个或多个过程输出量,并借助一系列控制输入量的线性最优化算出最佳控制器响应。在现有的方法中,最优化问题是在控制器每一步中实时解决的。这种求最小值的做法通常采用二次规划(QP)和线性二次调节器(LQ)法。
现有的MPC技术因有若干问题而限制了它们的应用。MPC大量的公式要求工程师规定许多可调参数来描述所需的闭环响应。精通过程与控制器的专家必须作这类调节,因为即使模型十分符合该过程,若把所需的响应调节得过于准确,有时仍会导致性能不稳定。再者,MPC技术并非一定优于经典控制,因为从理论上讲,对于每一种MPC控制器都有一个等价的经典控制器。
在每个更新周期都要执行QP或LQ最优化的所有MPC控制器,要承担大量计算开销。MPC控制的应用被限于单台计算机一般在至少几秒钟的时间间隔内专门用来控制少量过程变量的那些场合。MPC大部分目前的应用是作为监视控制,即用MPC控制器处理常规控制器的设定点,以实现某些总的最优过程性能。
而且,有些MPC控制器,特别是那些不使用QP法的MPC控制器,在存在根据所有真实世界过程的约束条件时会变得不稳定。尽管QP-MPC控制器不难对付约束条件,但是运算变得更复杂了。此外,大多数MPC控制器或者要求事先知道过程动态特性或离线调整步骤。
在所有情况下,过程与过程模型之间的失配会产生不稳定的性能。当过程响应为非线性时,常常会出现这种状况。由于现有的MPC控制器极为复杂,所以对于使用这类***建立最佳调整参数从而在整个所需的操作范围内提供良好控制性能的工程师而言,这往往一项艰难的任务。
为解决这些问题,近年已研究出适用于连续过程控制的模糊逻辑与神经网络方法。模糊逻辑更容易把探试规则加入到特定控制器的行为之中,这样就更易于使连续过程控制器适应特定的应用场合。神经网络运用普通的非线性模型法描述过程行为。神经网络的普通模型可用于自动生成一个加入到MPC控制器中的过程动态模型,旨在改善其性能。然而,神经网络模型是个“黑箱”,很少能从中获取信息来预测最佳控制响应。
发明内容
建立在MPC控制概念上的本发明的控制器,目的是创制一种通用的过程控制器,从而在例如高速、多环路、基于微机的控制***中取代比例积分微分(PID)控制。这种控制器的优点是易于应用、自动调节、控制性能有改进而且运算开销较小。
本发明的一个特征是无需事先知道过程状况而能实现自动的模型获取与调整。
本发明的另一个特性是性能优于最佳调整的PID,而且对于采样过程控制而言,其性能接近于理论上完美的响应,
本发明的另一个特征是运算要求极少,且很适合于现代的CPU体系结构。
本发明的另一个特征是能有效地处理复杂的过程动态特性。
本发明的另一个特征是对过程输入量与输出量的约束条件并不造成不稳定。
本发明的另一个特性是可进行自适应控制。
本发明的另一个特征是与PI和PID控制器完全兼容并可用于调整PI与PID控制器。
本发明的另一个特征是能补偿非线性过程响应。
本发明的另一个特征是能补偿与过程负载相关的信号(前馈)。
本发明的另一个特征是能运用减幅(dampening)参数与划分(partionining)参数容易地调节而获得任何所需的过程响应。
根据本发明的一个方面,这些特征和优点由一控制过程操作(有过程输入信号与过程输出信号)的设备与方法提供,控制过程操作包括根据过程模型确定在将来稳态条件下的预测的过程输出信号,根据预测过程输出信号与所需的设定点信号之间的差值确定稳态误差信号,以及通过在将来的某一时刻在过程输出中提供至少一个阶跃响应,确定一组校正估算的稳态误差所需的将来过程输入变化信号。于是,根据目前确定的将来过程输入变化信号组的第一元素与先前根据该方法对于下一个过程输入变化信号计算的任一将来过程输入变化信号相加的和,施加下一个过程输入净变化。模型最好以速度形式表示。此外,可用过程调节参数对过程净输入变化相对于过程输入变化信号根据稳态误差当前确定的过程输入变化的第一元素除以稳态过程增益以及减幅。另外,鉴于过程输入动态范围内的诸限制因素,要对控制器按序配备限幅滤波器。
附图概述
下面参照附图详述本发明,其中:
图1是表示本发明控制器的体系结构(m=3)的略图。
图2A-C表示描述控制器规约的流程图(m=3)。
图3表示说明控制器校正步骤的流程图。
图4A-C是说明控制器的限幅步骤的过程输入对于采样时间间隔的关系曲线。
图5A-E是屏幕显示,描述了本发明控制器与最佳调节的PID控制器的性能比较。
本发明的实施方式
本发明的下述描述将采用如下标记:
Y要与设定点比较的过程输出。(控制器输入)
X过程输入(控制器输出)。
y描述一组过程输出变化的矢量。
x描述一组过程输入变化的矢量。
a描述过程脉冲响应的矢量。
n矢量a的元素数。
i,j某给定矢量元素的指数。
A选定过程的矩阵模型,y=Ax。
x°过程输入的最后n次变化。(控制器输出的存储器变化)
A°用来预测将来稳态过程输出的A的积分形式。
Y°根据x°预测的过程输出的将来变化。
m一组过程输入变化中的元素的数目。
n采样时间间隔。
w过程动态窗口(事件水平线)。
A-1A逆矩阵。
A+A的伪逆矩阵。
a+A+的最佳列。
s每个元素对应于A°列之和的矢量。
s1稳态过程增益。
x等于(EP1P2)a+的矢量。
e预测的稳态误差。
P1减幅参数。
P2划分参数。
Ysp设定点。
本发明的控制器最好应用一种速度形式的脉冲响应模型,这是一种简单的模型,不要求多于一个的系数矢量。脉冲响应矢量描述由下式表示的过程输出相对变化与过程输入变化之间的关系: 其中yk=Yk-Yk,xk=Xk-Xk-1 (1)
脉冲响应矢量的每个元素“ai”代表在任意给定采样时间间隔k的过程输出的部分变化,可以归因于在时间间隔k-i+1的过程输入的变化。同其它线性模型相比,这一特定的模型的公式具有若干优点。
首先,应用少量有限的采样数可以生成模型,减少了计算开销。对任何开环稳定的过程而言,均有一条事件水平线,超过此线,则过程输入中的特定变化对过程输出没有显著的影响。所以,可以选择长度为n的矢量,其中n个采样时间间隔就是事件水平线(n=w/h)。矢量a准确地近似于无限长的理论矢量,其中超过元素n的所有元素的值都接近零。
其次,可根据过程对任何类型输入或设定点变化的开环或闭环响应计算出该模型的诸元素。例如,可通过施加阶跃函数至过程输入(开环)或控制器设定点(闭环)来确定脉冲响应模型。最好用过程数据的线性回归来计算该模型。从开环模式的阶跃响应中取得的数据特别便于使用,因为过程输入的每个变化与过程输入的先前的变化是线性独立的。模型强最小二乘方估算可以使用对若干个过程输入量程所作的多次响应实验的观察结果。
现有的MPC控制器一般都使用下述形式的模型:
在该形式中,元素是模型的自回归系数,而元素a是过程输出对过程输入先前值的依从系数。U是未测定的负载或对过程的偏置,可根据加上该模型其它诸项后剩余的稳态偏置加以推断。注意,在上述的速度形式中未发现该模型的自回归系数,故这种速度形式模拟严格地说是一种显预测模型。因为速度模型只关注变化,而不管过程变量的绝对值,故消去了U。
本发明的另一些实施例使用包括一个或多个隐含项的模型,可根据先前过程输出的变化预测过程输出的变化。这类模型采用类似于本说明书描述的控制体系结构,还能处理开环不稳定的过程。
本发明使用的较佳的速度模型,用途极为广泛,能容易地模拟延迟和n阶延迟,连初始响应与最终响应方向相反的复杂动态特性也能模拟。只要过程输出的稳态响应相对于输入变化接近线性而且过程是开环稳定的,就能模拟任何复杂程度动态行为。对于独立于动态模型的过程输入或输出,可通过线性化变换校正非线性稳态行为。
与现有的MPC法不同,本发明的控制器是一种只带积分作用的真正的速度控制器。它在每个更新循环计算过程输入的变化,用当前的过程输入求积分。它不必知道先前的过程输出。控制器的速度特征克服了其它MPC控制器的极限问题,即类似于PID控制器中的复位—结束(windup)问题。而且,操作者可以在让控制器处于自动模式时,手动使控制器输出无效。
参见图1,控制器1在每次循环计算一组过程输入的多个变化。只执行第一个这类变化,而把其它的变化存储起来在将来的更新循环中执行。这些变化的计算是应用过程模型的伪逆矩阵执行的。因为根据模型系数线性模型可能没有严格的逆矩阵,所以采用了这种伪逆矩阵。当用最小二乘方法测量这一目标时,奇异值分解就是一种寻求伪逆矩阵的合适方法。伪逆矩阵代表一组输出变化,当把它应用于过程模型时,就能最接近获得过程输出的单位阶跃响应。按照本发明,最好利用最小二乘方判据选出该组的一个元素。也可使用其它寻求伪逆矩阵的常规方法。根据模型的诸系数显式确定该过程模型的伪逆矩阵,它可以再一次被发现(因为已获得了该模型)。为此,不再需要对控制器的每一个步骤最优化了。
本发明控制器1的体系结构同现有的MPC控制器也有显著的差异。来自控制器加法器42的输出被加到当前过程输出Yk,而不是像其它MPC控制器中所做的那样从当前过程输出中减去它。先前的过程输入变化存储在存储器24里,用来预测将来的过程行为。控制器只根据这一预测值Yk+n+m-2与设定点Ysp的差值而动作,并不按模拟误差或当前过程输出行事。这种控制器与现有的MPC控制器的差别在于无等价的经典控制器。事实上,在大多数应用中,本发明的控制器1能产生比经典PID样式的控制器更优异的闭环性能。
此外,通过把该组控制器变化修改成能执行的一种控制器变化,控制器1就能对被计算的输出Yk处理约束条件。这种技术被称为限幅。再者,通过修改控制器输出,在存在模型—过程失配的情况下也对控制器性能细调并改善耐久性。
图1以框图形式表示执行上述方法的一个实施例,相应的步骤如图2所示。图1和图2描述m=3的实施例,然而,其它m值的控制器操作是很容易理解的。
显然,在不背离本发明构思的情况下,可以采用任何一种行业内已知的方法,利用编程或通过专用集成电路的直接电连接或者二者的组合而实现本发明设想的控制器,以提供下述诸功能。本技术领域内的熟练人员应当理解,根据本说明书提供的本发明揭示的内容,利用商品化的半导体集成电路技术对本发明控制器功能的实际构成提出各种变型例子将仍然在本发明范围内。
控制器1控制着过程或设备34的输出Yk,下标k指控制器的当前循环。因此,在当前循环k期间,过程输入(控制器输出)为Xk,而过程输出为Yk。控制器1借助设定点Ysp调节过程输出Yk(步骤202)。加法器1 0由Ysp-Yk+n+m-2计算误差信号e(步骤204)。在m=3时,期望的将来信号是Yk+n+1。接着,在方框12和14(步骤206),把误差信号分别乘以两个调节参数,即减幅参数P1与划分参数P2。这些都是可选的参数,用于调节控制器,如果不用,可把各参数置“1”。
然后把误差信号(已用调节参数修正)乘上存储在方框16里的矢量a+,方框16可以是任一合适的存储器件(步骤208)。方框16在k循环期间计算值 以在下面三个循环期间应用于过程。在方框16里算出的值于下一循环移入方框24(步骤210)。方框24例如可用移位寄存器实现,存储着先前算出的值
与
这些值也在下一循环时移位。
在加法器22上把一附加分量加至
(步骤212),该分量由划分作用而来,通过在方框18把方框12的输出(ep1)乘以1-P2再在方框20乘以1/S1而形成。把加法器22的输出加到来自方框24的
里,这样就考虑到了在先前两个循环中所计算的输入变化(步骤214)。
限幅方框28把任何先前的限幅变化加到由先前的循环所引起的Xk-1(步骤216)。限幅作用确定控制器输出是否超出过程输入所允许的最大值Xmax或最小值Xmin。图2描述了最大量程的状况,尽管这可以推广到最小量程状况。如果Xk+Xk+1>Xmax,则计算D=Xk+Xk+1-Xmax。把值Xk+1置成Xmax-Xk。在步骤216,在一个循环后把2D加到Xk+1而在二个循环后从Xk+1里减去D(步骤218-226)。
上述与图1方框16、24和28相关的功能,可以交替执行,最好以下述的执行。方框24包含单个线性移位寄存器,在m=3时,它使用三个单元。第一单元含有被加上ep1(1-P2)/S1的值
第二单元含有
第三单元起初为0。然后对方框24中把来自方框16的
的计算值分别加至移位寄存器的第一、第二和第三单元。把来自方框24的这三个值都送到限幅框按上述方法调节,然后送回到移位寄存器24。
移位寄存器的第一单元现已含有所需和输入变化,并被送到累加器30。移位寄存器的其余单元左移一次,为下一循环作准备。虽然上述方法是对m=3计算的,但是很容易推广到其它m值。
累加器30把新的计算值Xk+1加到Xk(步骤228)。加法器32配备了一种可选的手动偏置功能(步骤230),把控制器输出Xk施加到过程或设备34的输入(步骤232)。
按下述方法计算预期的将来输出总变化。存储框36(例如它可用一个移位寄存器来实现)存储着代表先前过程输入变化的矢量X°。对于每个新的循环,Xk+1值被移入该寄存器,而所有原有值就右移(步骤234)。在方框38,把X°矢量乘以S矢量,以导出因过去的过程输入变化而产生的预测过程输出变化(步骤236)。
在方框40,把来自方框24的相加值
乘以S1,以导出因算得的将来过程输入变化而产生的预测过程输出变化(步骤238)。在加法器42处将方框40和38的输出相加,以导出预期的将来过程输出总变化(步骤240)。然后在加法器44处把该值加到Yk,以导出预期的将来输出信号Yk+n+m-2(步骤242)。对于每个新的循环,都读出当前设定点,对当前过程输出采样并算出Yk+n+m-2。操作理论
如上所述,可把代表本发明速度模型的一个实施例方程表示为: 其中yk=Yk-Yk-1,xk=Xk-Xk-1 (3)该方式可以方便地表示为矩阵:
y=AX (4)
式中,A为一个n+m-1乘以m的矩阵,而X是过程输入变化的m元素矢量(如m×1列矩阵)。
由于该模型代表了作为若干过去输入变化的加权和的过程输出变化(这里的ai系数是加权因子)因此在这里把它称为一种速度模型。
一旦确定了过程的模型系数,就便于把该模型表示成一个由公式4定义的矩阵A。因此,如果有时用指数k作表征,该过程就不处于稳态;如果已知先前输入变化信号(即Xk-n+2,Xk-n+3,……Xk)的n-1元素矢量X0,而且还已知过程输出信号Yk,假定不再有过程输入变化发生,则可根据将来点k+n-1(在此以后不再有输出变化出现)算出稳态输出值Yk+n-1。很清楚,可以这样确定Yk+n-1,即首先做矩阵乘法A°X°,得出预测输出变化信号Y°k+1,Y°k+2,……Y°k+n-1的矢量,然后将预测输出变化矢量的诸元素相加,再把结果加到Yk。这一构思类似于模型预测控制的预测水平线方法的思路,因此,定义公式是: 其中,对于大于n-1的p值,Y°为零值。A°可以显式写成:
an … a3 a2A0= 0 … … … , 并且A0X0=Y0
0 … an an-1
0 … 0 an
还可理解,如果在由k表征的时刻,Yk的X°均为已知,就可通过产生矩阵A’(它是在上述A°矩阵添加m列、m行而成的)来表示以矢量X(即Xk+1,Xk+2,……Xk+m)为表征的m个后继(将来)输入变化信号的作用,即:
an … a2 a1 0 … 0
0 … … a2 a1 … 0
. … … …A’= . … an … … a1
. … an an-1
. 0 an an-1
0 0 … an
可以看出,可把A’分成A°两个矩阵,因而可把每个间隔时间(从k+1到k+n+m-1)的过程输出变化之和表示为:
即,从该式可理解,在k+n+m-1处的预测过程输出信号,等于基于过去过程输入变化加上因将来过程输入变化X引起的诸过程输出变化之和的在k+n+m-1处的预测过程输出信号。还可以理解,矢量Y(即AX)等价于过程输出变化,而后者是在***处于稳态(即X°=0)时施加的过程输入X所造成的。在下面可进一步理解,为方便起见,定义: 由此可把公式7改写成:
其中
上每个元素是1的矢量。应该理解,所用的标记暗示了对应于某个内积(即标量积)的两个矢量的乘积,而内积是通过第一矢量的转置(即产生一行矩阵)与第二矢量(即列矩阵)和矩阵相乘而形成的,由此导致一标量。
公式9用由A°的列(如S2……Sn)形成和的步骤代替执行矩阵乘法A°X°再对输出矢量求和的办法来得到矢量S,所以可用先前变化矢量X°与S相乘来直接得出这个和。同样,标量S1代表A的任何单列之和,这样就可简单地表示因将来过程输入而引起的将来过程变化之和。
在由k+m+m-1代表的将来时刻的稳态过程误差可表示为:
由此可认识到,括号中的项就是在k+n-1处的稳态误差(即定义为e)。这样进一步可认识到,通过选择将来过程输入信号X,使之导致消除e的的公式10的最后一项,可以把误差
减至零。参照公式9可以看出,一个可行的办法是让X矢量诸元素之和等于误差的负数除以稳态过程增益。一个简单例子是除了其大小等于预测误差的负数除以稳态过程增益的一个元素以外,把X的其余诸元素都选为零。这种方法对应于直进(deadbeat)式控制,且可看出,它是一种缓慢消除误差的方法。
根据本发明,可以认识到较佳的控制方法是确定X,从而在将来某时刻出现至少一个抵消误差e的阶跃响应输出。较佳的做法是,应用单个阶跃响应过程输出,而且该阶跃响应在尽可能早的时刻产生。从公式10和A’可以发现,在k+n-1之前提供一阶跃校正让
零值等效于抵消误差e,这样,在k+n-1处的误差将为零,且在以后不再出现进一步的输出变化(即稳态)。可进一步理解,这一准则等价于把Y的一个元素置成等于1,而把其它元素全置为零,并求解Y=AX,找出必须用该误差标定的将来过程输入X。任何迭代法都可使用这一解X,以实现过程控制;每次迭代时,都要计算误差e,接着乘以X。
根据上述描述可以理解,由于对每次迭代都确定了m个将来过程输入变化信号,所以对于每个k都会有m-1个由前一次(例如k-1)迭代而估算的迄今还未实现的过程输入变化的将来值,会有m-2个从第k-2次迭代而估算的迄今还未实现的过程输入变化的值,等等。即,对于给定的k+i个将来过程输入变化而言,有m-i个从先前的迭代而事先算得的过程输入变化值。由此可以理解,把将来输入变化之和乘以稳态过程增益s1,可直接确定将来输入变化对最后的稳态输出的作用,这样,可把上述公式修改为包括这些事先算得的将来过程输入变化,即公式10中的误差项
变为:
其中的X’是个标量,代表在将来所有的直到k+m-1的将来时刻事先算得的将来过程输入变化之和。可以对每个循环累积这些将来值。于是,考虑了将来m-1时间间隔事先算得的将来过程输入的预测的将来稳态误差就对应于在k+n+m-2处的稳态误差。为在点k+n+m-2处消除稳态误差,通过得出一个其幅度等于该预测稳态误差的阶跃响应来确定消除该误差的矢量X。这样,施加给过程的下一个净过程输入变化信号将是当前X(即,XK+1)的第一元素与过去在j个时间间隔任何事先算得的过程输入变化矢量的第(k+j+1)元素之和,j的范围从1到(m-1)。
已经指出,根据当前已知的设定点、过程输出的当前值、先前的过程输入以及先前算得的将来过程输入变化(累计为X’),可用公式11算出在此将来稳态条件下的剩余过程误差。过程控制的一般目标是对于过程输入X找出某个变化矢量,以尽快地消除这个预期的将来过程误差。理想的过程响应矢量应在第一元素中有一单个的非零值,它精确地等于预期的误差但符号相反。显然,如此完美的控制并非是实际的目标。对于模拟***而言,完美的控制非但不可能实现,而且无法借助连续信号加以定义。只有相对于某一给定的采样时间间隔才能实现“完美”控制。这一定义意味着对一实际的过程而言,在诸采样时间间隔之间出现的过程输出值,可能不一定按线性方式变化。所以,完美控制仅仅是从离散样本的观点才认为是完美的。当过程滞后时间相对于采样时间间隔显得很短时,样本之间的波动可能是一个问题。
同现有的IMC控制器的线性最小化问题相比,完美阶跃响应的目标是提出控制目标的一条不同的途径。在其它IMC控制器中,对带滞后的过程是无法实现直进式调节的,而且会导致调节不稳定。根据本发明,把一个循环的目标改为一个循环加上过程停滞时间。这一目标得出这样一个结果,即对一设定点变化把RMS过程误差减到最小。根据本发明的方法与***的一个特征,通过按照所需的变化来设定Y,然后采用矩阵代数求出X,实现这种阶跃响应过程控制目标。通过计算逆矩阵A-1可迅速求解X,接着对每步算法简单地把已确定的X与误差相乘。通过这种方法,若与先前的MPC方法秘必需的复杂的线性最优化相比,可把必需的运算量减少到每次更新只做二个矢量乘法。
对于大多数实际过程而言,应用线性代数所遇到的实际困难在于,存在延迟时,矩阵A在对角线上将有零值或很小的值。这一事实保证该矩阵是病态矩阵。如果m<n,则有一个以上的解。严格地说,A-1往往不存在。然而,根据一般的矩阵代数技术,可以算出某个“伪逆矩阵”,其特点是完全适于求解过程控制的一般问题。伪逆矩阵由奇异值分解法(SVD)确定。SVD把原矩阵分解成两个正交归一矩阵以及一个含“奇异”值的对角矩阵(即,LSR=A)。通过计算非零奇异值的倒数并乘以原先分解的左右部分的转置,就可采用这种分解法建立起伪逆矩阵A+。这个伪逆矩阵是一个非正方的m×n矩阵,含有对于过程输入寻找最佳变化组所必需的全部信息。一旦算出了伪逆矩阵,就可反复应用,并把它作为控制器的最佳调节常数。
所需的过程响应仍用矢量表示,该矢量只有一个非零元素等于所需的总变化。然而,由于过程可能包含停滞时间(tD),而且可能无法在下一个采样时间间隔内作出改变,所以必须把理想的响应矢量改成可实际实现的一个矢量。用设置元素Yi(i=tD/n)来代替对所需的变化设置第一元素而将其它诸元素都置成零。
根据本发明的控制准则,可认识到若干附带的优点。首先,因为所需的响应矢量只有一个非零元素,因而只需伪逆矩阵的一列来执行控制运算。即,对于以“1”作为第j元素的所需的响应矢量进行运算的伪逆矩阵产生的解X等于该伪逆矩阵的第j列。其次,该伪逆矩阵已含有确定过程停滞时间所必需的信息,即使它是未知的。
这样,为了确定伪逆矩阵最适于产生阶跃输出响应的列,可以把每列作为一个输入,并按某种经比较各输出。对应于产生矩阵AA+,把伪逆矩阵的第一列用作一个输入。选择伪逆矩阵的最佳列的方法是计算误差矢量,具体做法是从上述矩阵里减去单位矩阵,然后求出每列的平方和。另外要考虑的是将来迟早提供的响应(例如,该伪逆矩阵最佳的最左一列)。可以理解,在某此场合中,可能最好组成从个列的一个加权平均。如上所述,把选定的解定义为a+,并存储起来供过程控制***和方法的每次迭代时使用。
校正
在启动了本发明的控制过程与***后,且在作为一种自适应控制***工作期间,要执行一个校正程序。这一校正过程自动确定并存储对应于a+诸元素(它们被控制器用来计算输出变化X)以及S诸元素(它们被模型用来计算输出总变化)的常数。这一校正过程最好应用矩阵代数技术提取速度模型脉冲响应系数ai。根据这些系数,可以表示并简化预测将来输出变化的模型以提供S,而a+则可根据控制准则确定。校正任务通常可用一独立的程序在多任务环境中执行,它在控制***启动后执行校正,也可在过程控制期间连续运行以实现自适应控制,
参见图3,现在叙述校正过程。可以理解,系数ai对应于过程的脉冲响应。在步骤302中,最好根据过程输出与过程输入之间的线性回归选择系数ai,以便以某种尺度减小估算误差。例如,一个常用尺度是对许多采样求平均的均方差。举例来说,最好在至少2n+m个样本长的窗口内对过程输入与输出进行采样和存储,在窗口中对于过程输入(例如阶跃输入或任何任意的输入)作出改变。然后执行多重线性回归确定脉冲响应模型系数ai。然而,应该理解,应用回归技术的方法有多种。例如,回归技术可以是对多个周期作统计平均,其中在每个周期中,施加任意或非任意的过程输入。在选择非任意过程输入的情况下,可对不同量程的过程输入动态范围施加这些过程输入。例如,可施加一连串单位阶跃过程输入来展宽过程输入范围。同样,可以施加一连串阶跃输入,而每个输入具有不同的阶跃高度值。一个非任意过程输入的例子就是在过程控制期间的过程输入信号。
一旦确定了系数ai,在步骤304,计算并存储s矢量诸元素和稳态过程增益s1。在步骤306,用SVD算出A的伪逆矩阵(即A+)。然后,在步骤308,形成积AA+,从中减去单位矩阵,把所得诸元素平方并将诸列相加,以得出误差矢量。在步骤310,选择在步骤308中产生最小二乘方误差的A+的列,并把它指定为a+,把它存储起来,供控制器1以后迭代操作时使用,直到它被更新(例如,自适应控制)。
在此以前,假定值m是已知的。如下面还要讨论的那样,可根据对于过程动态特性的某些知识来确定m,也可以这样来确定m,即对不同的m值试验过程控制,确定实现所需的过程控制所需的最小m值。
下面的举例用来说明本发明的特征、特性和实施步骤,这些不能认为是对本发明的限制。
规定过程输入对n个循环是恒定的,过程输出必须处于稳态。可对于任何一组给定的输入变化X预测过程变化矢量Y,而该预测可运用矩阵乘法实现。
在这一乘法中,用长度为n的脉冲响应矢量来建立如下例描述的下三角非方阵A,其行数为n+m-1,列数为m。
例1:
在该例中,一假想的过程具有第一级滞后+停滞时间响应,滞后T等于2个循环,而停滞时间为一个循环,总的过程增益为1.0。过程最初为稳态,但在某一特定时刻,过程输入以三个阶跃改变至值:Xo+4,Xo,Xo+1。根据过程的知识构造一个10元素脉冲响应模型。
在实际应用中,不知道过程的详情,最好用回归法确定脉冲响应模型。然而,在本例中,可用递推公式估算阶跃响应的样本; Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8 Y9 Y100 .333 .556 .704 .802 .868 .912 .941 .961 .974用每个样本间的差值产生脉冲响应矢量ai=Yi-Yi-1a1 a2 a3 a4 a5 a6 a7 a8 a9 a100.0 0.333 0.222 0.148 0.099 0.066 0.044 0.029 0.020 0.013本例中的输入变化矢量有三个元素:
X1 X2 X3
4 -4 1
已知总的过程增益是1.0,过程最后的总变化必须等于X之和。为估算所有的中间过程响应,必须用矩阵乘法算出整个过程的响应矢量。
把矩阵模型A构成12×3的矩阵,其诸元素选自矢量a,在矩阵每列中沿对角线向下偏离一行,其余诸元素填上零。矩阵的每一列代表加权因子用来在一个将来采样时间间隔(与过程输入矢量的特定元素相关)处建立过程输出的局部变化。
已知总的过程增益是1.0,过程最后的总变化必须等于X之和。为估算所有的中间过程响应,必须用矩阵乘法算出整个过程的响应矢量。
把矩阵模型A构成12×3的矩阵,其诸元素选自矢量a,在矩阵每列中沿对角线向下偏离一行,其余诸元素填上零。矩阵的每一列代表加权因子用来在一个将来采样时间间隔(与过程输入矢量的特定元素相关)处建立过程输出的局部变化。
a1 0 0
a2 a1 0
a3 a2 a1
a4 a3 a2
a5 a4 a3A≡ a6 a5 a4,并且Ax=y
a7 a6 a5
a8 a7 a6
a9 a8 a7
a10 a9 a8
0 a10 a9
0 0 a10把模型A应用于变化X现在简化矩阵乘法,得到单个输出矢量长度12。y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11 y120.0 1.330 -0.444 0.037 0.026 0.016 0.111 0.007 0.005 0.003 -0.032 0.013
对任一组给定的三个过程输入的变化,可用同一个矩阵A确定期望的过程输出变化。从本例还可看出,期望的过程输出变化之和可以用S1(例如A的一例之和)与X分量之和的乘积来表示。
例2
下面的例子说明从伪逆矩阵里选择最佳矢量的过程。
在本例中,用一个10元素矢量表示一复杂的动态过程模型。在增益为1,停滞时间为2个样本,以及二次滞后的时间常数为3以及阻尼系数为0.8的条件下算出了该模型的诸系数。所列出的结果以双精度计算,但为了方便起见,只示出小数点后面四位数。
模型系数如下:0.0000 0.0000 0.1835 0.2256 0.2016 0.1547 0.1069 0.0676 0.0390 0.0200
在本例中,找出的伪逆矩阵能预测出将校正任何误差的一组最佳的三个输入变化。首先,将该模型置于如例1那样的矩阵形式,即过程模型用下列12×3矩阵表示
0.0000 0.0000 0.0000
0.0000 0.0000 0.0000
0.1835 0.0000 0.0000
0.2256 0.1835 0.0000
0.2016 0.2256 0.1835
0.1547 0.2016 0.2256
0.1069 0.1547 0.2016
0.0676 0.1069 0.1547
0.0390 0.0676 0.1069
0.0200 0.0390 0.0676
0.0000 0.0200 0.0390
0.0000 0.0000 0.0200
然后用奇异值分解法把该矩阵分解成两个矩阵和一个奇异值矢量。对于本技术领域的熟练人员来说,这一详细分解步骤是众所周知的。得出的左右两矩阵是正交的,故它们的转置等价于它们的逆矩阵。而且,这些矩阵的每行、列的平方和等于1.0。
算出的R(即,右)矩阵如下:
0.5607 0.7071 -0.4309
0.6094 0.0000 0.7929
0.5607 0.7071 -0.4309
L(即,左)矩阵表示如下:0.0000 0.0000 0.0000 0.7302 0.5303 0.3506 0.2120 0.1159 0.0550 0.0197 -0.0110 -0.02780.0000 -0.0001 0.0000 0.5408 -0.1658 -0.4270 -0.4565 -0.3850 -0.2848 -0.1911 -0.1344 -0.07400.1567 0.5405 -0.8242 0.0011 -0.0009 -0.0015 -0.0014 -0.0012 -0.0009 -0.0005 0.0457 -0.04510.3616 0.6645 0.5035 0.1740 -0.2973 -0.0245 0.0926 0.1240 0.1142 0.0892 0.0626 0.07820.5362 0.0532 0.1349 -0.2977 0.6913 -0.2566 -0.1880 -0.1252 -0.0763 -0.0421 -0.0202 0.00630.5099 -0.2088 -0.0419 -0.0250 -0.2567 0.6947 -0.2693 -0.2051 -0.1409 -0.0886 -0.0507 -0.02460.4055 -0.2787 -0.1072 0.0922 -0.1882 -0.2694 0.7465 -0.2004 -0.1417 -0.0915 -0.0540 -0.03290.2880 -0.2566 -0.1145 0.1237 -0.1254 -0.2052 -0.2005 0.8382 -0.1161 -0.0759 -0.0454 -0.03020.1866 -0.2002 -0.0966 0.1140 -0.0764 -0.1410 -0.1418 -0.1161 0.9158 -0.0556 -0.0335 -0.02360.1005 -0.1402 -0.0713 0.0890 -0.0422 -0.0886 -0.0915 -0.0759 -0.0556 0.9630 -0.0225 -0.01650.0516 -0.1148 -0.0098 -0.0808 -0.0165 -0.0536 -0.0590 -0.0505 -0.0377 -0.0255 0.9829 -0.01140.0170 -0.0589 -0.0897 0.0604 0.0024 -0.0219 -0.0280 -0.0253 -0.0196 -0.0136 -0.0074 0.9910
而算出的奇异值如下:
0.6589 0.2400 0.0959
此时须作一次选择,把所有这些奇异值作为有效数,或把比其余数字小得多的一个奇异值剔除掉,这样构成了3×12矩阵,在其对角线上有被接受的奇异值的倒数。剔除了小的奇异值,则应把对角线上的对应值置零。
由奇异值的倒数组成的矩阵是:1.5176 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.00000.0000 4.1658 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.00000.0000 0.0000 10.4242 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
现在可用RSLT乘积算出伪逆矩阵,并由下述3×12矩阵给出:-0.0003 -0.0002 5.4271 0.0036 0 0069 0.0069 0.0054 0.0039 0.0029 0.0012 -0.2499 0.24420.0004 0.0000 -6.6682 4.4959 1.6112 0.1252 -0.5110 -0.6802 -0 6256 -0.4872 -0.0337 -0.7260-0.0001 0.0001 2.2428 -3.9112 -0.3066 1.2373 1.6476 1.5149 1.1823 0.8275 0.4262 0.5909
该伪逆矩阵是个含有12个矢量的3×12矩阵,应从中选出了阶跃响应的最佳矢量。选择时,把矩阵形式的原始过程模型与伪逆矩阵相乘。该12×12矩阵的每一列代表对输入的期望过程响应,而输入由该伪逆矩阵列中的一列形成的。对于这一数字例,该伪逆矩阵与过程模型的乘积得到下列的12×12矩阵:0.0000 0.0000 -0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.00000.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0 0000 0 0000 0.0000 0.0000 0.0000 0.0000-0.0001 0.0000 0.9959 0.0006 0.0012 0.0012 0.0010 0.0007 0.0005 0.0002 -0.0459 0.04480.0000 0.0000 0.0006 0.8258 0.2972 0.0245 -0.0926 -0.1240 -0.1142 -0.0891 -0.0626 -0.07810.0000 0.0000 0.0012 0.2972 0.3086 0.2566 0.1881 0 1253 0.0764 0.0422 0.0202 -0.00610.0000 0.0000 0.0012 0.0245 0.2566 0.3054 0.2695 0 2052 0.1410 0.0886 0.0507 0.02470.0000 0.0000 0.0010 -0.0926 0.1881 0.2695 0.2536 0.2005 0.1418 0.0916 0.0540 0.03290.0000 0.0000 0.0007 -0.1240 0.1253 0.2052 0.2005 0.1618 0.1162 0.0760 0.0454 0.03030.0000 0.0000 0.0005 -0.1142 0.0764 0.1410 0.1418 0.1162 0.0842 0.0556 0.0336 0.02360.0000 0.0000 0.0002 -0.0891 0.0422 0.0886 0.0916 0.0760 0.0556 0.0370 0.0225 0.01650.0000 0.0000 -0.0459 -0.0626 0.0202 0.0507 0.0540 0.0454 0.0336 0.0225 0.0159 0.00850.0000 0.0000 0.0448 -0.0781 -0.0061 0.0247 0.0329 0 0303 0.0236 0.0165 0.0085 0.0118
如果原始过程模型无停滞时间,此乘积的第一列应不为全零。然而,此时该过程无法立即响应,最好的可能结果必须包括二个循环的过程延迟。伪逆矩阵与过程模型乘积的最佳列是与单个单位阶跃变化最接近的列。列3最接近这一目标。还应该注意,除了前二列外,每列的总和都近似于1.0。这意味着,即使过程动态模型有缺陷,也能校正稳态过程响应。为了自动进行选择最好列的过程通过从上述矩阵中减去单位矢量再加上每列的平方算出误差矢量。这一选择过程导致了下述的误差平方和的矢量:1.0000 1.0000 0.0041 0.1742 0.6914 0.6946 0.7464 0.8382 0.9158 0.9630 0.9841 0.9882
这一误差矢量表示每个过程响应离开理想的行为有多远。在本例中,列3显然最佳。然而,有时相邻的两列具有几乎一样的误差。因为最小延迟也是一个目标,所以最好选择把这一误差减至最小的第一列。于是,把选出的伪逆矩阵的列指定为a+,它被表示为:
5.4271 -6.6682 2.2428
这样,为在过程输出中作一个单位阶跃变化,要对过程输入(其值由上述的矢量计算给出)作连续的三个阶跃变化。过程响应将是一种近乎完美的阶跃变化,带有不可避免的二个样本滞后。应用这一矢量的一个比率,能作出任何所需的变化。
过程约束条件
另一个要对付的实际问题是,在实际应用中,对过程输入的有效设定总是有一些限制。由于控制器1产生的是一组所需的变化而不是特定的值,所以可把它归为速度控制器。应用速度形式的优点在于,它能更容易地对付存在的约束条件,并避免类似于复位结束而造成的其它MPC控制器不稳定的问题。对付约束条件的方法是,把控制器输出加到过程输入之前先对其进行滤波。这种滤波器(即图1中的限幅器29)设计成对变化限幅,以把过程输入限制到可接受的程度。限幅必须以维持所需的脉冲变化与最终变化的方式执行。图4所示的下一个例子说明必须做些什么工作。
本例中,过程模型与伪逆矩阵同前一例子一样。过程输出目前处于稳态,其值为2.0,而操作者刚刚把设定点改至2.5。此外,过程输入被限于0-4.0的范围。首先,根据伪逆矢量和期望的将来过程误差计算出不受约束的期望过程输入变化。由于过程处于稳态,所以期望的将来误差为-0.5,这样,通过把伪逆矢量乘以0.5而算出所需的过程输入变化。所需的变化是:2.7136-3.33411.1214。
图4A的曲线表示这些变化是如何改变过程输入的。所需的第一个变化是把过程输入由2.0改到4.7136,但这样就超出了范围。所以,在4.0处停止。现在,调节所需的变化矢量,使过程不超出范围。单单从矢量的第一元素中减去0.7136是不够的,因为这样会改动总数,所以会改动这组变化的稳态影响。因此,应把0.7136加到第二元素,使总数不变。过程输入变化现在为2.0000-2.6205 1.1214,图4B示出了它们对过程输入产生的影响。
这样,情况好了一些,但是还可以改进。让过程输入上下摆动的目的是促进该过程沿所需的方向加速其运动。三个阶跃调节包括正负脉冲,最后是稳定调节。通过限制前二个变化,减小正脉冲,但负脉冲不变。不用这种方式,则过程响应要比所需的慢得多。为了解决这个问题,以与先前从正脉冲里减少的同一个量减少负脉冲,即再对第二元素加0.7136,并从第三元素中减去0.7136。现在所需的最后变化矢量为:2.0000 -1.9069 0.4078。
这种限幅算法做起来简单、有效而且很强。当推迟作出变化时,控制变化的净作用略有延迟,但稳态影响保持不变。所以对下一个更新循环而言,要求的任何新变化只是模拟误差、新设定点的改变、或者一次过程扰动的结果。对每一个循环,均保留控制器请求但迄今未作出的变化(即,Xk+1),并被用来估算将来稳态过程输出。
简化和减少计算要求
要加快控制器的计算速度,可以作某些简化。运行时,模型A°被专门用来预测迄今还未出现过的期望的总变化。与乘上A°再加上得到的输出矢量不同的是,对A°各列求和来获得矢量S,从而可将先前变化的矢量X°乘上S直接得出该和。
另一重大简化是把m(用来校正预测将来误差所必需的变化矢量X的长度)限制到某个很小的数值。对于m=1的特定情况,A的伪逆矩阵的每个元素简单地就是a的和数的倒数(稳态过程增益S1)。此时,控制器作简单的单个阶跃变化,把过程输入的操作量减至最小。m=1的控制器将对设定点变化作出反应,即作出单个阶跃变化,然后等待过程作出响应。这样,闭环动态特性将等同于开环动态特性。在大多数情况下,这样做并非最佳。置m=2,让控制器作出一组二个算得的变化,以更迅速地沿所需的方向驱动过程,但仍无过冲。对于至多有一级滞后与停滞时间的任何过程而言,m=2的控制器能从过程输出得出阶跃状响应。真实的过程响应并非像根据过程输出的样本可以出现那样简单,认请这一点很重要。完美的控制只是根据所取的样本看上去“完美”而已。选择较短的更新循环,可观察到更精细的过程动态特性的分辨率。同样地,如果更新循环更短,则控制器能进行更灵敏的校正。
对具有二阶动态特性的过程,以m=3建立的控制器足以实现阶跃状过程响应。这一原理能推广到更高阶的动态特性,设定m=(动态特性的阶次)+1,但实际上,在几乎所有的应用中,设定m=3就足以提供合适的性能了。计算过程之伪逆矩阵的SVD法是极强的。在有噪声或者远非是一种理想的模型时,总能算出由SVD计算的伪逆矩阵,而且变得留有较多的余地。若m=3,具有一阶动态特性的过程一般都会导致一个A+的第三行含有一个接近零值的伪逆矩阵。当过程呈现出复杂的更高阶动态特性时,在大多数二阶动态特性场合呈现的伪逆矩阵仍会产生良好的响应,因该伪逆矩阵在求解中把误差减到了最小。
对于模型的脉冲响应矢量的长度的实际极限约是20个元素。如果模型窗口的宽度不够让过程达到稳态,则对某一速度点变化的控制响应将不能完全消除残余误差,直到出现超过20次控制更新。几乎对所有的应用而言,解决这一问题的最好方法是延长更新循环的周期,直到20个元素的模型获取了该过程的全部动态行为。
进行调节以实现过程目标
控制器的进一步改进是引入两个新的调节参数,让操作者能进行调节以使该控制器实现其控制目标。这两个参数就是减幅参数P1与划分参数P2。在有些应用中,希望让过程的闭环响应等同于它的开环响应。较快的响应可能没有经济上的好处,而所需的额外输出变化将对执行机构造成更多的磨损,此时使用m=1的控制器就行了。在其他情形中,需要对速度与磨损作折衷。因为可以不求助于SVD的繁复的做法而算出m=1的控制器输出矢量,所以用一部分m=1和m=3矢量计算控制器输出矢量很简便。划分参数P2确要使用多少百分比的m=3控制器输出矢量。设定P1=100%,总能产生最灵敏的过程响应,而设定P2=0%,就产生最简单的控制器输出。此外,可以理解,可用P2参数在不同的m值之间划分控制器输出矢量,而且并非严格仅限于单一的划分。
在过程响应有点非线性或调节步骤不能精确地使过程动态特性与模型匹配的情况下,控制器能产生低于最佳的结果。在过程噪声很大的情况下,较慢的控制响应将进一步减少对过程执行机构的磨损。推迟控制器响应的一条有效途径是对每个更新循环只校正部分的预测误差,这一百分比用减幅参数P1表示,也能根据要求改变。P1可从0设定到150%。尽管P1=100%对设定点变化给出最佳响应并确保有稳定的性能,但是通过对误差的过校正能更迅速地校正过程负载的变化。在大多数情形中,只要过校正小于150%,仍能维持稳定的控制响应。对于要求对负载变化作出极快响应的过程,设定P1=150%可能给出更接近最佳的响应。
可以把P1与P2结合起来使用,以对模拟误差和噪声进行校正。较强的控制性能意味着,在存在非线性过程行为和过程动态特性变化而引入模拟误差的情况下,控制器保持着稳定的控制。减小P1或P2的设定值,可提高控制器的强度。
控制器性能
在种种过程动态特性的模拟方面,把本发明控制器同最佳调节的PID控制算法作了比较,图5A-E示出了这些测试结果。在每种情况中,都是通过运用公式计算调节常数来调节PID控制器的,这些公式对于设定点变化把ITAE减至最小。在控制器模型或算得的伪逆矩阵的参数方面,为优化其响应无需进行调节。
图5A中,过程模拟提供4秒的一阶滞后,停滞时间为3。该图示出了过程模型的曲线显示和对控制器的自动调节程序的用户界面。
图5B中,过程控制***显示屏获取了两个同样过程的响应,一个过程由最佳调节的PID算法控制,另一个过程由本发明控制器控制。前二个扰动是设定点变化,后三个为负载变化。
图的上半部显示了本发明控制器的响应52,而下半部显示了PID响应54。与PID控制器相比,本发明控制器对设定点变化与负载变化的响应速度要快得多,对设定点变化的响应极接近于单个阶跃变化。虽然对过程负载变化的响应并无巨大的差异,但稳定得更快。
本发明控制器以与PID控制极其不同的方式实现了这一高性能。图5C示出在同一模拟的相似的序列期间,本控制器输出56和过程响应58。注意,为了对设定点的变化作出响应,在过程出现任何变化之前,本控制器已作了若干个阶跃变化,然后耐心等待过程的响应。
采用二阶过程模型能够得到更实际的模拟,该模型除了滞后外,还有些减幅。这里,模拟的过程有4秒钟延迟,接着是二阶滞后,tau=5,减幅=0.7。该过程有弹性,极难控制。图5D表示本发明控制器对设定点变化和负载变化是如何能保持灵敏的响应62而不出现过冲现象。然而,如PID输出64所显示的那样,PID控制器即使调节得很好,还是难以稳定该过程。
再添加一点实际成分,即利用正态常分布的随机数发生器对模拟加上噪声。图5E表示在接近模拟范围极限之外进行较大的设定点变化的结果。为了减弱控制器对噪声的响应,本试验把P1设定为50%。注意,在有输出约束条件的情况下,限幅算法是如何通过在最大输出处延长时间长度帮助维持该过程脆弱的响应68的。
当用带噪声的信号调节本发明控制器时,模型含有一些误差。此时,SVD伪逆矩阵法显得极强,因为由此构成的控制器仍产生稳定而优异的性能。
本发明控制器的计算开销极少。对用Watcom C编译程序版本9编译的代码作过一次试验,接通了所有的最优化,包括用于80486/80487 CUP的代码发生选项。采用带有Intel 80486(运行于33MHz)微机作了试验。在这种微机上,本控制器的每次更新要求64微秒,而分立的PID控制器在同一台微机上则要求约10微秒。
在多任务***的一种典型应用中,其控制环路平均每隔2秒钟更新一次,在这类微机上,如果要启动本发明的500个控制环路,那么控制计算仅耗用1.6%的CPU时间。若采用配备有工作于60MHz的Intel奔腾处理器的微机,则每次更新代码执行时间不到15微秒。这种芯片的并行处理与优异的浮点处理能力,十分适用于矢量计算。更新一个控制环路所需的总时间还必须包括数据采集与控制器输出更新的时间。利用高速并行处理接口结合奔腾处理器,这个总时间约为每个环路80微秒。访问I/O硬件所需的时间成了起制约作用的操作步骤。在高速应用中,应用廉价的微机硬件,可用该控制器同时执行控制,需要1毫秒的多环路控制循环。
对于调节而言,用SVD算法计算伪逆矩阵是最耗费运算量的步骤。为此,要被求逆的矩阵是22×3,对于所有试验过的基于486的***来说,这一运算量要求不到1秒钟的CPU时间。当应用于自适应控制时,调节程序能以比控制程序更低的优先级执行,且不影响高速控制应用的性能。
PID调节
为进一步帮助工程师配置过程控制应用,可用本发明模型对独立的PID控制器计算最佳调节常数。可应用切线与点或二点法估算一阶滞后和停滞时间,这类参数要用于计算增益、积分时间与微分时间的设定,以对给定的性能限度进行优化。Rovira(1981年)给出的公式用于对PI或PID控制器调节给出最小积分时间加权平均误差的诸常数。根据模型计算PI和PID控制的最佳常数,在许多应用中增加了方便性,因为通常可利用PI和PID控制来实现适宜的控制,而本发明描述结构所必需的额外计算负荷是不合算的。可以应用这类控制技术,从而使控制器能自动由一种技术转换到另一种技术,因此可以比较本发明、PI和PID类控制技术的控制性能。
前馈控制
如上所述,本发明控制器是一种SISO(单输入单输出)控制器。然而,同样的技术可以推广至MIMO(多输入多输出控制。在本开发中,第一步是MISO(多输入单输出),其中,将一个输入(过程输出)与一个设定点作比较,而用其它过程信号预计过程中的负载变化。可用脉冲模型来表示这些其它的信号与目标信号之间的动态关系。这些模型可利用矩阵乘法应用于进一步调节模型预测,从而引入自动补偿。而且,可以应用线性代数方法对已设计的任何期望扰动进行理想补偿以把扰动减至最小。此类控制类似于带有反馈微调的前馈控制,即一种应用现有控制方法的流行的控制技术。本方法的优点是能自动求出前馈增益,并自动调节该信号来补偿延迟与滞后。
自适应控制
可在空中(on the fly)改变本发明模型而不对控制器响应引入扰动。控制器只保留先前输出变化的内容和根据过去计算所期望的变化内容,并保留将来过程状态的预测。预测仅在当前过程变量样本的基础上作出,并用单个矢量乘法对每次循环进行更新。这一能力再结合在处于闭环模式时对过程模型获取的新数据,对自适应控制提供了独特的潜力。然而,必须谨慎地应用自适应控制,因为我们不想在过程中出现因控制器输出的变化所造成的负载变化。解决这一问题的一种办法,是在每次执行设定点变化时作采样,以改善原有的过程模型。新的过程模拟信息可以替代老的信息,或把新老信息求平均后产生一个新的模型。为了重新调整控制器,必须计算出新的伪逆矩阵及模型总和。自适应算法可以用模型的统计手段执行所有这类计算步骤而无需操作者介入,而且适合于作为输入量的数据,以便判别是否需要重新调整。需要的话,也有这种自适应调节步骤更新PI和PID的诸常数。
应用
尽管本发明对过程控制有各种各样的潜在应用,但是有一些特例,包括简单的液体流量控制、化学反应器控制以及盘片驱动器的机械***控制。
可以利用流量测量变送器、流量控制阀、模/数转换器、数/模转换器和算法处理器单元实现液体流量控制,其中,算法处理器单元经编程用来执行本发明的控制方法。流量测量变送器测量流量并产生一个正比于该流量的电信号,模/数转换器把该信号转换成数字字,而该模/数转换器的输出是一个二进制信号,其值现在在某一有限范围内正比于流量,其精度受数字字中的位数的限制。
算法处理器定期地装入二进制流量信号,并计算出控制阀的值,该值将流动速率带到所需的设定点。利用任何一种所需的输入输出装置(例如CRT终端与键盘)把该设定点输入算法处理器。设定值P1与P2也以类似方法送入算法处理器的存储器。可以把控制器需要的模型系数与伪逆矩阵存储在算法处理器的随机存取存储器或只读存储器里。用同一个或不同的算法处理单元以本说明书描述的方法计算出这些值。
算法处理器每次执行控制循环时,就计算一个正比于流量控制阀所需位置的值。把这一数字值传送给数/模转换器,后者把该值转换成模拟信号送给自动控制阀。另一种做法,也可应用一种直接接收数字信号而使阀正比于该信号值定位的自动控制阀。
在这种应用中采用本发明方法的好处在于,与常规PID控制器相比,用这种方法控制的流动速度能更迅速地对设定点的变化或未测量的负载的变化(例如阀两端压力的变化)作出响应。本发明控制器能更好地补偿执行机构动作固有的延迟、信号传输延迟以及由流动液体的动量造成的对阀位置响应的滞后。
此外,多个流量控制***可以合用单个算法处理器单元,因为本发明控制器结构简单,能迅速执行任务。例如,使用一台配有工作于60MHz时钟速率的Intel奔腾处理器的微机,发现本发明控制方法要求约15.0微秒时间,采集数据、执行本控制方法以及把数据传送给阀门所需的总时间约为80微秒。当用一台微机控制1000个独立的流量时,每秒控制一次,则处理器执行控制计算仅约占8%的时间。当应用一个多任务操作***时,多余的时间可用于其它活动,诸如向操作者显示数值,记录数据,或者控制和鉴视其它设备。
化学反应器的控制类似于液体流量的控制,只是过程输出可能是任何物理或化学特性的测量结果,而这类特性与产品的质量相关。例如,若反应器是一种聚合反应器,则产品粘度可以是产品质量的所需量度。其它合适的量度可能是PH、比重、电导率,或者通过滴定、光度学方法、色谱学方法或其它分析方法测定的化学样品的分析。这种质量测量类似地被转换成数字信号,然后在算法处理器里用本发明方法进行处理,以算出正比于所需过程输入设定值的某个值。过程输入可能是化学反应物或催化剂的流量、加热或冷却液体的流量、流至电阻加热装置的电流,或是对有关产品质量测量有影响的任何其它输入。还可把由本发明方法算得的值用作有关过程输入的流量控制设定点,若这一流量控制也是应用同一个算法处理器执行的,尤其是该处理器采用了本发明方法,则特别有利。
当化学物在过程中的滞留时间比所需的过程控制周期更长时,利用本发明方法控制化学反应特别有利。例如,滞留时间为1分钟的一种插塞流动聚合反应器,每隔10秒钟测一次粘度。如果把聚合催化剂流量用作过程输入,那么这一催化剂的流动速率变化在约60秒内对粘度设有可测量的影响。这种大的信号滞后难以应用常规PD控制方法处理,不过本发明的控制方法却能处理这一滞后。例如,如果操作者对于所需的粘度作一次设定点变化,那么本发明控制器将根据其模型立即作出催化剂用量的变化,该用量是将粘度改变所需大小所必需的。一旦实行这一变化,本发明控制器将延迟60秒钟采取进一步的控制动作,因为模型将补偿过程的停滞时间。
在一种用来读取旋转的光学或磁性媒体的装置中,在能够读写数据前,必须把读写头定位在该媒体的特定位置上(光道或磁道)(track)。把读写头移到这个位置所需的时间,通常是处理大量数据的数据存储与检索装置在操作中有时间限制的步骤。可以采用某种电磁装置,比如音圈或伺服电机来执行读写头的运动。在每种场合中,都采用电信号来控制读写头的运动。必须有一种对驱动器确定读写头精确位置的装置。这种测量结果可以是一种数字的或模拟的电信号。用于对读写头定位的控制方法必须尽快将读写头移向所需的位置,并在可以把数据送进媒体或由媒体送出之前,使测量值稳定在一预定的容限内。稳定读写头所需的时间称为稳定时间。
在这种应用中,本控制方法持别有利。如果机电式执行机构是音圈类型的,它由电磁铁和弹簧组成,则将它定位使读写头移到与通过电磁铁的电流成正比的某一平衡位置。读写头与定位臂的质量会使此类机械***发生振荡,故必须还有一个机械阻尼装置。读写头***的动态特性可用一个二阶线性微分方程描述。采用常规PID控制器作读写头***的反馈控制,则稳定时间相对于读写头首次通过所需的新位置需要的时间显得很长。本反馈控制方法与PID法不一样,能补偿读写头***的二阶动态特性,这样就避免了闭环模式中的振荡。本控制方法抑制振荡的能力可将稳定时间缩短至少50%。
为进一步缩短读写头定位***的稳定时间,可把音圈执行机械设计成使其运动跨度在媒体上超出最小和最大光道或磁道。于是,本发明控制方法产生最终使读写头伸展过度的瞬时信号,使读写头更迅速地沿所需方向移动。例如,如果施加于***的电流范围一般为0~100mA,则相对于25和75mA电流在媒体上的诸平衡点会横跨分布于该媒体,而机械止动块可防止实际移动超越第一条与最后一条光道或磁道。
在控制盘片驱动头***时,本控制方法的采样与更新速率必须极其迅速,一般不到1毫秒。同其它模型预测控制方法相比,这种控制方法较简单,能采用廉价的通用微处理器实施。
总之,按照本发明,每次更新时控制器要执行下述的基本步骤。从过程获取X。确定将来过程变化。计算稳态误差。计算所需的校正。应用限幅算法。把第一变化元素加到原有的控制器输出并把更新值送给过程。把X°诸元素右移并用刚作出的变化代替第一元素,把还未作出的变化移到左的一个元素。
a+与s的诸元素均为常数,由校正过程自动设置。这种校正过程采用上述的矩阵代数方法,按下述顺序计算,在某一窗口期间对过程输入与输出采样,其长度最好至少为2n+3个样本,其中要对过程输入作几次变化。做多重线性回归,以确定脉冲响应模型。根据脉冲响应模型建立n+2乘以3的矩阵并计算伪逆矩阵。找出该伪逆矩阵的最佳例并指定为a+。由脉冲模型a计算预测总和矢量s。矢量s的第一元素等于过程增益。
调节任务通常是在多任务环绕下用一独立的程序执行的,该任务可连续执行到实现自适应控制。调节常数P1P2与伪逆矩阵以及模型的诸常数,全可在飞行中予以改变,而不会在过程中引入扰动。
为了得到最佳性能,重要的是控制***能与过程采样的定时以及控制器输出的更新保持同步。对于用于过程控制的有些***,数据采集硬件扫描多点输入是与控制器循环异步的,此时由数据采集硬件引入的延迟不固定,不能可靠地加以模拟。在有过程噪声时可引入数字滤波,并与是控制器更新循环整数倍的采样速率结合使用。这样进行数字滤波,从而使滤波器的时间常数等于或小于控制器的更新循环。当进行较长时间的滤波时,滤波器将滞后加至过程,而控制器则试图通过急剧的变化来补偿这一滞后。得到的净效果是,滤波器旨在减弱噪声的敏感度的企图被控制器挫败了。
在所揭示的内容中,列举描述了若干本发明较佳的实施例,应当理解,本发明能够应用于各种其它组合形式和环境中,并能在本说明书表达的原理范围内作出各种变化和修改。
Claims (70)
1.一种用于控制某种设备的电子模型预测控制装置,所述设备具有设备输入信号和依赖于所述设备输入信号的设备输出信号,其特征在于,所述电子模型预测控制装置包括:
第一存储器,容纳根据所述设备的脉冲响应矩阵模型之伪逆矩阵导出的数据元素的矢量;
第二存储器,容纳在先前控制循环期间算出的表示将来设备输入信号变化状况的数据;
第三存储器,容纳过去设备输入信号变化的矢量;
第四存储器,容纳诸数据元素,利用诸数据元素可根据所述过去设备输入信号变化矢量求出因过去设备输入信号变化而造成的将来设备输出信号的变化;
电子处理器,适用于:
接收设备输出信号样本;
根据在先前控制循环期间算得的表示将来设备输入信号变化的所述数据、所述设备的稳态增益、因过去设备输入信号变化造成的所述将来设备输出信号变化,以及所述设备输出信号样本,计算期望的将来设备输出信号;
根据设定点信号和所述期望的将来设备输出信号计算误差信号;以及
根据所述误差信号、由所述伪逆矩阵导出的所述数据元素矢量以及在先前控制循环期间算得的表示将来设备输入信号变化的所述数据,计算设备输入信号变化;
其中,把所述设备输入信号变化施加于所述设备输入信号,用于控制所述设备输出信号。
2.如权利要求1所述的控制装置,其特征在于,所述第一、第二、第三与第四电子存储器均包括在单个存储器件里。
3.如权利要求2所述的控制装置,其特征在于,所述存储器件是一只RAM。
4.如权利要求1所述的控制装置,其特征在于,所述处理器处于程序控制下。
5.如权利要求1所述的控制装置,其特征在于,所述处理器通过直接电连接而实现。
6.如权利要求1所述的控制装置,其特征在于,为对所述设备输入信号变化实行限幅,所述设备输入信号变化在施加于所述设备输入信号前被进一步处理,以把所述设备输入信号限制到某一阈值电平,其特征在于,所述进一步处理包括:
确定被加到所述设备输入信号变化的所述设备输入信号超出所述阈值电平的时间,并计算等于超出所述阈值电平某一量的限幅值;
从所述设备输入信号变化里减去所述限幅值;
把二倍的所述限幅值加到为下一个控制循环而算出的设备输入信号变化中;
从对将来二个控制循环算出的设备输入信号变化中减去所述限幅值。
7.如权利要求1所述的控制装置,其特征在于,为对所述设备输入信号变化实行限幅,所述设备输入信号变化在施加于所述设备输入信号以前被进一步处理,以把所述设备输入信号限制到某一阈值电平,其特征在于,所述进一步处理包括:
确定被加到所述设备输入信号变化的所述设备输入信号超过所述阀值电平的时间;并对多个控制循环修正算出的设备输入信号,从而使所述修正之和等于零。
8.如权利要求1所述的控制装置,其特征在于,把所述误差信号乘上一个减幅因子。
9.如权利要求1所述的控制装置,其特征在于,利用划分因子划分因所述数据元素矢量(由所述伪逆矩阵导出)和至少另一个由所述伪逆矩阵导出的矢量对所述设备输入信号变化。
10.如权利要求9所述的控制装置,其特征在于,根据所述伪逆矩阵导出的所述至少一个其他矢量是一个包括所述设备的稳态增益倒数的单个元素矢量。
11.如权利要求1所述的控制装置,其特征在于,根据所述伪逆矩阵导出的所述数据元素矢量是一个包括所述伪逆矩阵最佳列诸元素的矢量。
12.如权利要求11所述的控制装置,其特征在于,所述伪逆矩阵的所述最佳列至少部分是这样确定的,即把所述脉冲响应矩阵模型乘以所述伪逆矩阵,减去单位矩阵,并计算最小二乘方误差。
13.如权利要求12所述的控制装置,其特征在于,通过选择最佳的最左列以提供早期设备输出信号响应,进一步确定所述伪逆矩阵的所述最佳列。
14.如权利要求1所述的控制装置,其特征在于,根据所述伪逆矩阵导出的所述数据元素矢量是一个包括所述伪逆矩阵至少二列加权平均值的矢量。
15.如权利要求1所述的控制装置,其特征在于,根据所述伪逆矩阵导出的所述数据元素矢量是一个包括在所述伪逆矩阵二列之间的内插值的矢量。
16.如权利要求1所述的控制装置,其特征在于,所述第二与第三存储器包括有移位寄存器。
17.如权利要求1所述的控制装置,其特征在于,容纳在所述第四存储器里的所述数据元素包括一矢量,其每个元素对应于A°列之和的矢量,其中A°是所述脉冲响应矩阵的积分形式。
18.如权利要求1所述的控制装置,其特征在于,容纳在所述第四存储器里的所述数据元素包括一矩阵,其诸元素对应于A°矩阵的诸元素,其中A°是所述脉冲响应矩阵的积分形式。
19.如权利要求1所述的控制装置,其特征在于,所述设备包括一个具有流量测量变送器与流量控制阀的液体流量***,其中,所述设备输出信号由所述流量测量变送器得出,而所述设备输入信号被施加于所述流量控制阀。
20.如权利要求1所述的控制装置,其特征在于,所述设备包括一个具有质量测量变送器的化学反应器***和一个对所述质量测量有影响的执行机构,其中,所述设备输出信号由所述质量测量变送器得出,而所述设备输入信号被施加于所述执行机构。
21.如权利要求1所述的控制装置,其特征在于,所述设备包括一个具有流量控制器的化学反应器***,其特征在于,所述设备输入信号被施加于所述流量控制器的设定点。
22.如权利要求1所述的控制装置,其特征在于,所述设备包括存储装置,具有读和/或写头、读写头驱动器和旋转存储媒体,其中,所述设备输出信号与所述读写头在所述存储媒体上方的位置相关,而所述设备输入信号被施加于所述读写头驱动器,以控制所述读写头在所述存储媒体上方的位置。
23.如权利要求1所述的控制装置,其特征在于,从所述伪逆矩阵导出的所述数据元素矢量有三个数据元素。
24.如权利要求1所述的控制装置,其特征在于,从所述伪逆矩阵导出的所述数据元素矢量有多个数据元素,所述数据元素的个数等于所述设备模型动态特性的阶数加一。
25.如权利要求1所述的控制装置,其特征在于,利用奇异值分解法计算出所述伪逆矩阵。
26.如权利要求1所述的控制装置,其特征在于,根据含有大约20个元素的脉冲响应矢量导出所述脉冲响应矩阵。
27.如权利要求1所述的控制装置,其特征在于,在设定点作变化期间获得新的模拟信息,并用所述新的模拟信息获取新的模型,由此进行自适应控制。
28.如权利要求1所述的控制装置进一步包括CRT与键盘,用于对所述处理器提供所述设定点信号。
29.如权利要求1所述的控制装置,其特征在于,根据通过线性回归确定的脉冲响应矢量导出所述脉冲响应矩阵。
30.一种控制某一过程的模型预测控制方法,所述过程具有过程输入信号和依赖于所述过程输入信号的过程输出信号,其特征在于,所述方法包括以下步骤:
对所述过程输出信号采样;
根据在先前控制循环期间算出的表示将来过程输入信号变化状况的数据、所述过程的稳态增益、因过去过程输入信号变化而造成的将来过程输出信号的变化,以及所述过程输出信号样本,计算期望的将来过程输出信号;
根据设定点信号和所述期望的将来过程输出信号计算误差信号;
根据所述误差信号、由所述过程脉冲响应矩阵模型的伪逆矩阵导出的数据元素矢量,以及在先前控制循环期间算出的表示将来过程输入信号变化状况的所述数据,计算过程输入信号变化;以及
把所述过程输入信号变化施加于所述过程输入信号,用于控制所述过程输出信号。
31.如权利要求30所述的控制方法,其特征在于,为了对所述过程输入信号变化限幅,在将所述过程输入信号变化施加于所述过程输入信号之前作进一步处理,以把所述过程输入信号限制到某一阈值电平;其中,所述进一步处理包括下列步骤:
确定被加到所述过程输入信号变化的所述过程输入信号超过所述阈值电平的时间,并计算等于超过所述阈值电平某一量的限幅值;
从所述过程输入信号变化里减去所述限幅值;
把二倍的所述限幅值加到为下一个控制循环而算出的过程输入信号变化中;
从对将来二个控制循环算出的过程输入信号变化里减去所述限幅值。
32.如权利要求30所述的控制方法,其特征在于,为了对所述设备输入信号变化限幅,在将所述设备输入信号变化施加于所述设备输入信号里之前作进一步处理,以把所述设备输入信号限制到某一阈值电平,其中,所述进一步处理包括:
确定被加到所述设备输入信号变化的所述设备输入信号超过所述阈值电平的时间;并对多个控制循环修正算出的设备输入信号,从而使所述修正之和等于零。
33.如权利要求30所述的控制方法,其特征在于在于进一步包括把所述误差信号乘上一个减幅因子的步骤。
34.如权利要求30所述的控制方法,其特征在于进一步包括划分步骤,即利用划分因子划分由所述伪逆矩阵导出的所述数据元素矢量和由所述伪逆矩阵导出的至少另一个矢量对所述过程输入信号的变化的贡献。
35.如权利要求34所述的控制方法,其特征在于,由所述伪逆矩阵导出的所述至少另一个矢量是包括所述过程的稳态增益之倒数的单个元素矢量。
36.如权利要求30所述的控制方法,其特征在于,由所述伪逆矩阵导出的所述数据元素矢量是一个包括所述的伪逆矩阵一最佳列诸元素的矢量。
37.如权利要求36所述的控制方法,其特征在于,所述伪逆矩阵的所述最佳列至少部分地是这样确定的,即把所述脉冲响应矩阵模型乘上所述伪逆矩阵,减去一个单位矩阵,并计算最小二乘方误差。
38.如权利要求37所述的控制方法,其特征在于,所述伪逆矩阵的所述最佳列进一步通过选择具有能接受的最小二乘方误差的最左列而确定的,以提供早期过程输出信号响应。
39.如权利要求30所述的控制方法,其特征在于,由所述伪逆矩阵导出的所述数据元素矢量是一个包括所述伪逆矩阵至少二列的加权平均值的矢量。
40.如权利要求30所述的控制方法,其特征在于,由所述伪逆矩阵导出的所述数据元素矢量是一个包括在所述伪逆矩阵的二列之间的内插值的矢量。
41.如权利要求30所述的控制方法,其特征在于,进一步包括通过把过去过程输入信号变化的矢量乘上一个矢量而导出的由于过去过程输入信号变化造成的所述将来过程输出信号变化的步骤,其中,所述矢量的每个元素对应于A°列之和,而A°是所述脉冲响应矩阵的积分形式。
42.如权利要求30所述的控制方法,其特征在于,进一步包括通过把过去过程输入信号变化的矢量乘上一个矩阵而导出由于过去过程输入信号变化造成的所述将来过程输出信号变化;并将所得矢量相加的步骤,其中,所述矩阵的诸元素对应于A°矩阵的诸元素,而A°是所述脉冲响应矩阵的积分形式。
43.如权利要求30所述的控制方法,其特征在于,所述过程包括一个具有流量测量变送器与流量控制阀的液体流量***,进一步包括根据所述流量测量变送器得出所述过程输出信号,并且把所述过程输入信号施加于所述流量控制阀的步骤。
44.如权利要求30所述的控制方法,其特征在于,所述过程包括一个具有质量测量变送器与对所述质量测量起作用的执行机构的化学反应器***,进一步包括根据所述质量测量变送器得出所述过程输出信号,并且把所述过程输入信号施加于所述执行机构的步骤。
45.如权利要求30所述的控制方法,其特征在于,所述过程包括一个具有流量控制器的化学反应器***,其特征在于,把所述过程输入信号施加于所述流量控制器的设定点。
46.如权利要求30所述的控制方法,其特征在于,所述过程包括一个具有读和/或写头、读写头驱动器与旋转存储媒体的数据存储存取***,进一步包括根据所述读写头在所述存储媒体上方的位置得出所述过程输出信号,并且把所述过程输入信号加到所述读写头驱动器以控制所述读写头。
47.如权利要求30所述的控制方法,进一步包括在设定点改变期间获取新的模拟信息并利用所述新的模拟信息产生新的模型,由此进行自适应控制的步骤。
48.如权利要求30所述的控制方法,进一步包括以线性回归法确定脉冲响应矢量并根据所述脉冲响应矢量得出所述脉冲响应矩阵的步骤。
49.如权利要求30所述的控制方法,进一步包括下述步骤:
根据所述脉冲响应矩阵模型确定PI和/或PID控制器的最佳调节常数,并存储所述常数,通过改变控制技术有选择地控制所述过程。
50.一种控制过程操作的方法,所述过程具有过程输入信号和依赖于所述过程输入信号的过程输出信号,所述方法包括以下步骤:
获取所述过程输出信号的样本;
根据过程模型与所述过程输出信号的所述样本确定在将来稳态条件下的预测输出信号;
根据所述预测过程输出信号与所需的设定点信号之间的差值确定稳态误差信号;
确定一组算出的将来过程输入信号变化,从而若将其施加于所述过程输入信号,则通过在将来某一时刻在所述过程输出信号中产生至少一个近似的阶跃响应而基本上消除所述估算的稳态误差;以及
把所述一组将来过程输入信号变化的第一个元素施加于所述过程输入信号,用于控制所述过程的操作。
51.如权利要求50所述的方法,其特征在于,所述确定一组将来过程输入信号变化的步骤包括以下步骤:
用所述稳态误差信号对预定的数据元素矢量进行换算,所述数据元素代表所述过程模型的矩阵之伪逆矩阵的最佳列。
52.如权利要求51所述的方法,其特征在于,如果把所述一组将来过程输入信号变化施加于所述过程输入信号,则在将来某一时刻在所述过程输出信号中造成单个近似阶跃响应。
53.如权利要求50所述的方法,其特征在于,所述确定一组将来过程输入信号变化的步骤包括以下步骤:
用所述稳态误差信号对预定的数据元素矢量进行换算,所述数据元素代表所述过程模型的矩阵之伪逆矩阵的至少二列的加权平均值。
54.如权利要求53所述的方法,其特征在于,如果把所述一组将来过程输入信号变化施加于所述过程输入信号,则在将来某一时刻在所述过程输出信号中造成单个近似阶跃响应。
55.如权利要求50所述的方法,其特征在于,所述确定一组将来过程输入信号变化的步骤包括以下步骤:
用所述稳态误差信号对预定的数据元素矢量进行换算,所述数据元素代表所述过程模型的矩阵之伪逆矩阵的二列之间的内插值。
56.如权利要求55所述的方法,其特征在于,如果把所述一组将来过程输入信号变化施加于所述过程输入信号,则在将来某一时刻在所述过程输出信号中造成单个近似阶跃响应。
57.如权利要求50所述的方法,其特征在于,所述过程是一种液体流量过程,其中,所述过程输入信号控制着流动速率,而所述过程输出信号用来指示流动速率。
58.如权利要求50所述的方法,其特征在于,所述过程是一种化学反应器过程,其中,所述过程输入信号执行质量测量,而所述过程输出信号用来指示所述质量测量。
59.如权利要求50所述的方法,其特征在于,所述过程是一种对数据存储装置实行的数据存取过程,其中,所述过程输出信号与数据头的运动相关,而所述设备输入信号控制着所述数据头的运动。
60.一种用于控制过程的电子模型预测控制装置,所述过程具有过程输入信号和依赖于所述过程输入信号的过程输出信号,其特征在于,所述控制装置包括:
存储数据元素矢量的电子存储器装置,所述数据元素矢量根据所述过程的脉冲矩阵模型之伪逆矩阵的一列或多列导出;
接收过程输出信号样本的装置;
电子处理器装置,用于计算期望的将来过程输出信号,根据设定点信号与所述期望的将来过程输出信号计算误差信号,并根据所述误差信号、由所述伪逆矩阵的一列或多列导出的所述数据元素矢量以及在先前控制循环期间算出的代表将来过程输入信号变化状况的数据来计算过程输入信号变化;以及
把所述过程输入信号变化施加于所述过程输入信号以控制所述过程输出信号的装置。
61.如权利要求60所述的控制装置,其特征在于,所述数据元素矢量代表了所述过程的所述脉冲响应矩阵模型之所述伪逆矩阵的一最佳列。
62.如权利要求61所述的控制装置,其特征在于,所述最佳列是根据预定的准则确定该列而选出的,即当把该列作为一组输入信号变化而应用于所述过程时,将会产生最好的近似价跃响应输出。
63.如权利要求62所述的控制装置,其特征在于,所述准则包括最小二乘方误差。
64.如权利要求60的控制装置,进一步包括对所述处理器装置提供所述设定点信号的数据输入装置。
65.一种控制过程操作的方法,所述过程具有过程输入信号和依赖于所述过程输入信号的过程输出信号,所述方法包括以下步骤:
获取所述过程输出信号的样本;
根据过程模型与所述过程输出信号的所述样本,确定将来稳态条件下预测的过程输出信号;
根据所述预测的过程输出信号与期望的设定点信号的差值,确定稳态误差信号;
确定算出的一组将来过程输入变化,从而若将它施加于所述过程输入信号,所述估算的稳态误差将基本上被在将来某一时刻在所述过程输出信号中造成的至少一个近似阶跃响应所抵消;以及
把所述一组将来过程输入信号的第一元素施加于所述过程输入信号,用于控制所述过程的操作。
66.一种控制过程操作设定方法,所述过程具有多个过程输入信号和一个依赖于至少一个所述过程输入信号的过程输出信号,所述方法包括以下步骤:
获取所述过程输出信号的样本;
根据过程模型与所述输出信号的所述样本,确定将来稳态条件下预测的过程输出信号;
根据所述预测的过程输出信号与期望的设定点信号的差值,确定稳态误差信号;
对每个过程输入信号确定算出的一组将来过程输入信号变化,从而若把它施加于所述多个过程输入信号,则所述估算的稳态误差将基本上被在将来某一时刻在所述过程输出信号中造成的至少一个近似阶跃响应所抵消;以及
把所述一组将来过程输入信号变化的每个第一个元素施加于对应的一个所述过程输入信号,用于控制所述过程的操作。
67.如权利要求66所述的方法,其特征在于,如果把对于每个过程输入信号的所述一组将来过程输入信号变化施加于所述多个过程输入信号,将造成单个近似阶跃响应。
68.一种控制过程操作的方法,所述过程具有多个过程输入信号与多个过程输出信号,每个过程输出信号都依赖于至少一个所述过程输入信号,所述方法包括以下步骤:
获取所述多个过程输出信号每个过程输出信号的相应样本;
对所述多个过程输出信号中的每个过程输出信号,根据过程模型与所述相应样本,获取相应的在将来稳态条件下预测的过程输出信号;
对所述多个过程输出信号中的每个过程输出信号,根据所述相应的预测的过程输出信号与相应的设定点信号的差值,确定稳态误差信号;
对每个过程输出信号,确定算出的多组将来过程输入信号变化,其每一组对应于所述多个过程输入信号中的一个过程输入信号从而若把它施加于所述多个过程输入信号,则所述对应的估算稳态误差将基本上被在将来某一时刻在所述多个过程输出信号的对应的一个过程输出信号中产生的至少一个近似阶跃响应而抵消;以及
对所述多个过程输入信号的每一个施加相应的各组将来过程输入信号变化的第一元素之和,用于控制所述过程的操作。
69.如权利要求68所述的方法,其特征在于,如果把所述多组将来过程输入信号变化施加于所述多个过程输入信号,将产生单个近似阶跃响应。
70.一种用于控制过程的模型预测控制方法,所述过程具有过程输入信号与依赖于所述过程输入信号的过程输出信号,其特征在于该方法包括以下步骤:
对所述过程输出信号进行采样;
根据因以前过程输入信号变化而造成的将来过程输出信号变化状况和所述过程输出信号样本,计算期望的将来过程输出信号;
根据设定点信号与所述期望的将来过程输出信号计算误差信号;
通过把所述误差信号乘以所述过程的稳态增益的倒数,计算过程输入信号变化,所述稳态过程增益根据所述过程的脉冲响应模型来确定;以及
把所述过程输入信号变化施加于所述过程输入信号,用于控制所述过程输出信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 95195860 CN1161753A (zh) | 1994-10-24 | 1995-10-13 | 模型预测控制装置与方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US08/328,100 | 1994-10-24 | ||
CN 95195860 CN1161753A (zh) | 1994-10-24 | 1995-10-13 | 模型预测控制装置与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1161753A true CN1161753A (zh) | 1997-10-08 |
Family
ID=5083019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 95195860 Pending CN1161753A (zh) | 1994-10-24 | 1995-10-13 | 模型预测控制装置与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1161753A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101900992A (zh) * | 2010-07-16 | 2010-12-01 | 浙江大学 | 化工过程预测控制***经济目标优化自适应退避的选择方法 |
CN102279563A (zh) * | 2010-06-13 | 2011-12-14 | 天津理工大学 | 非标数字装备操作机参数化运动学模型库建立方法 |
CN103080855A (zh) * | 2010-07-02 | 2013-05-01 | 西门子公司 | 用于确定模型参数以便对蒸汽发电站模块进行控制的方法和装置、用于蒸汽发生器的控制装置以及计算机程序产品 |
CN101842394B (zh) * | 2007-11-05 | 2013-10-16 | 道达尔石油化学产品研究弗吕公司 | 离开环流反应器的聚合物的密度和熔体指数的预测模型 |
CN105867121A (zh) * | 2016-03-28 | 2016-08-17 | 南京航空航天大学 | 用于自旋恢复的直升机非线性预测控制方法及装置 |
CN106647250A (zh) * | 2015-10-30 | 2017-05-10 | 中国科学院沈阳自动化研究所 | 基于离线优化/在线查表方式的双层结构预测控制方法 |
CN107831650A (zh) * | 2016-09-16 | 2018-03-23 | 霍尼韦尔有限公司 | 用于工业上基于模型的过程控制器的闭环模型参数识别技术 |
CN108983609A (zh) * | 2018-07-25 | 2018-12-11 | 华北电力大学(保定) | 基于负载扰动的单入单出控制回路pi控制器优化方法 |
CN109139282A (zh) * | 2017-06-16 | 2019-01-04 | 通用汽车环球科技运作有限责任公司 | 用于提高计算效率的模型预测控制***和方法 |
CN109416524A (zh) * | 2016-06-30 | 2019-03-01 | 江森自控科技公司 | 具有多级模型预测控制的变制冷剂流量*** |
CN112317110A (zh) * | 2020-09-27 | 2021-02-05 | 鞍钢集团矿业有限公司 | 基于深度学习的磨矿粒度预测***及方法 |
CN114258513A (zh) * | 2020-03-11 | 2022-03-29 | 株式会社日立制作所 | 设备运行优化辅助装置、设备运行优化控制装置及方法 |
CN114417959A (zh) * | 2021-12-06 | 2022-04-29 | 浙江大华技术股份有限公司 | 特征提取的相关方法、目标识别方法、相关设备以及装置 |
CN114924490A (zh) * | 2022-07-22 | 2022-08-19 | 浙江中控技术股份有限公司 | 一种模型预测控制中的模型共线性分析与处理方法 |
US11669061B2 (en) | 2016-06-30 | 2023-06-06 | Johnson Controls Tyco IP Holdings LLP | Variable refrigerant flow system with predictive control |
US11705726B2 (en) | 2017-04-27 | 2023-07-18 | Johnson Controls Tyco IP Holdings LLP | Building energy system with predictive control of battery and green energy resources |
US11754984B2 (en) | 2016-06-30 | 2023-09-12 | Johnson Controls Tyco IP Holdings LLP | HVAC system with predictive airside control |
US11789415B2 (en) | 2016-06-30 | 2023-10-17 | Johnson Controls Tyco IP Holdings LLP | Building HVAC system with multi-level model predictive control |
-
1995
- 1995-10-13 CN CN 95195860 patent/CN1161753A/zh active Pending
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101842394B (zh) * | 2007-11-05 | 2013-10-16 | 道达尔石油化学产品研究弗吕公司 | 离开环流反应器的聚合物的密度和熔体指数的预测模型 |
CN102279563A (zh) * | 2010-06-13 | 2011-12-14 | 天津理工大学 | 非标数字装备操作机参数化运动学模型库建立方法 |
CN103080855A (zh) * | 2010-07-02 | 2013-05-01 | 西门子公司 | 用于确定模型参数以便对蒸汽发电站模块进行控制的方法和装置、用于蒸汽发生器的控制装置以及计算机程序产品 |
CN103080855B (zh) * | 2010-07-02 | 2016-08-03 | 西门子公司 | 确定模型参数以控制蒸汽发电站模块的方法和装置 |
CN101900992A (zh) * | 2010-07-16 | 2010-12-01 | 浙江大学 | 化工过程预测控制***经济目标优化自适应退避的选择方法 |
CN101900992B (zh) * | 2010-07-16 | 2013-05-29 | 浙江大学 | 化工过程预测控制***经济目标优化自适应退避选择方法 |
CN106647250A (zh) * | 2015-10-30 | 2017-05-10 | 中国科学院沈阳自动化研究所 | 基于离线优化/在线查表方式的双层结构预测控制方法 |
CN106647250B (zh) * | 2015-10-30 | 2019-07-16 | 中国科学院沈阳自动化研究所 | 基于离线优化/在线查表方式的双层结构预测控制方法 |
CN105867121A (zh) * | 2016-03-28 | 2016-08-17 | 南京航空航天大学 | 用于自旋恢复的直升机非线性预测控制方法及装置 |
CN105867121B (zh) * | 2016-03-28 | 2018-07-31 | 南京航空航天大学 | 用于自旋恢复的直升机非线性预测控制方法及装置 |
CN109416524A (zh) * | 2016-06-30 | 2019-03-01 | 江森自控科技公司 | 具有多级模型预测控制的变制冷剂流量*** |
US11789415B2 (en) | 2016-06-30 | 2023-10-17 | Johnson Controls Tyco IP Holdings LLP | Building HVAC system with multi-level model predictive control |
US11669061B2 (en) | 2016-06-30 | 2023-06-06 | Johnson Controls Tyco IP Holdings LLP | Variable refrigerant flow system with predictive control |
US11754984B2 (en) | 2016-06-30 | 2023-09-12 | Johnson Controls Tyco IP Holdings LLP | HVAC system with predictive airside control |
CN107831650A (zh) * | 2016-09-16 | 2018-03-23 | 霍尼韦尔有限公司 | 用于工业上基于模型的过程控制器的闭环模型参数识别技术 |
US11973345B2 (en) | 2017-04-27 | 2024-04-30 | Johnson Controls Tyco IP Holdings LLP | Building energy system with predictive control of battery and green energy resources |
US11705726B2 (en) | 2017-04-27 | 2023-07-18 | Johnson Controls Tyco IP Holdings LLP | Building energy system with predictive control of battery and green energy resources |
CN109139282A (zh) * | 2017-06-16 | 2019-01-04 | 通用汽车环球科技运作有限责任公司 | 用于提高计算效率的模型预测控制***和方法 |
CN109139282B (zh) * | 2017-06-16 | 2021-09-07 | 通用汽车环球科技运作有限责任公司 | 用于提高计算效率的模型预测控制***和方法 |
CN108983609A (zh) * | 2018-07-25 | 2018-12-11 | 华北电力大学(保定) | 基于负载扰动的单入单出控制回路pi控制器优化方法 |
CN114258513A (zh) * | 2020-03-11 | 2022-03-29 | 株式会社日立制作所 | 设备运行优化辅助装置、设备运行优化控制装置及方法 |
CN114258513B (zh) * | 2020-03-11 | 2023-12-05 | 株式会社日立制作所 | 设备运行优化辅助装置、设备运行优化控制装置及方法 |
CN112317110A (zh) * | 2020-09-27 | 2021-02-05 | 鞍钢集团矿业有限公司 | 基于深度学习的磨矿粒度预测***及方法 |
CN114417959A (zh) * | 2021-12-06 | 2022-04-29 | 浙江大华技术股份有限公司 | 特征提取的相关方法、目标识别方法、相关设备以及装置 |
CN114924490A (zh) * | 2022-07-22 | 2022-08-19 | 浙江中控技术股份有限公司 | 一种模型预测控制中的模型共线性分析与处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1161753A (zh) | 模型预测控制装置与方法 | |
CN1316070A (zh) | 工业过程的无模型自适应控制 | |
CN1514318A (zh) | 过程控制***中的集成模型预测控制与优化 | |
US9046882B2 (en) | Nonlinear model predictive control of a batch reaction system | |
CN100335982C (zh) | 基于模型控制的设备快速测试 | |
Moradi | New techniques for PID controller design | |
JPH10509542A (ja) | モデル予測制御装置および方法 | |
CN1725131A (zh) | 三参数最速自抗扰控制器装置及自抗扰控制方法 | |
CN1170463A (zh) | 控制停滞时间显著过程等过程的可变前景预测器 | |
CN1299506A (zh) | 动态***控制方法 | |
CN1080409A (zh) | 用于实时过程控制的两段方法 | |
US20040181498A1 (en) | Constrained system identification for incorporation of a priori knowledge | |
Baeza | Principles of bioprocess control | |
Wertz et al. | Computer aided commissioning of speed and position control for electrical drives with identification of mechanical load | |
Xu et al. | Auto-tuning of PID controller parameters with supervised receding horizon optimization | |
CA2874269C (en) | Model predictive controller and method with correction parameter to compensate for time lag | |
Ali et al. | On‐line tuning of model predictive controllers using fuzzy logic | |
Ryhiner et al. | Adaptive on-line optimal control of bioreactors: application to anaerobic degradation | |
CN112327958B (zh) | 一种基于数据驱动的发酵过程pH值控制方法 | |
Jadot et al. | Optimal adaptive control of a bioprocess with yield–productivity conflict | |
Dubay et al. | Well-conditioned model predictive control | |
Prokhorov | Training recurrent neurocontrollers for robustness with derivative-free Kalman filter | |
Şendrescu et al. | Nonlinear model predictive control of a lipase production bioprocess | |
Rayme et al. | Control System based on Reinforcement Learning applied to a Klatt-Engell Reactor | |
Akay et al. | Discrete system identification and self-tuning control of dissolved oxygen concentration in a stirred reactor |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |