CN1242307C - 工业过程的无模型自适应控制器及控制*** - Google Patents
工业过程的无模型自适应控制器及控制*** Download PDFInfo
- Publication number
- CN1242307C CN1242307C CNB998102733A CN99810273A CN1242307C CN 1242307 C CN1242307 C CN 1242307C CN B998102733 A CNB998102733 A CN B998102733A CN 99810273 A CN99810273 A CN 99810273A CN 1242307 C CN1242307 C CN 1242307C
- Authority
- CN
- China
- Prior art keywords
- output
- input
- controller
- signal
- neuron
- 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.)
- Expired - Fee Related
Links
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 67
- 238000004519 manufacturing process Methods 0.000 title description 4
- 238000000034 method Methods 0.000 claims abstract description 212
- 230000008569 process Effects 0.000 claims abstract description 156
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 77
- 210000002569 neuron Anatomy 0.000 claims description 55
- 210000004027 cell Anatomy 0.000 claims description 29
- 230000009471 action Effects 0.000 claims description 28
- 230000004913 activation Effects 0.000 claims description 27
- 210000002364 input neuron Anatomy 0.000 claims description 22
- 238000004886 process control Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 210000004205 output neuron Anatomy 0.000 claims description 10
- 230000003111 delayed effect Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 230000008092 positive effect Effects 0.000 claims 2
- 230000001934 delay Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 12
- 230000003068 static effect Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012886 linear function Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000012369 In process control Methods 0.000 description 1
- 241000695274 Processa Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006757 chemical reactions by type Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010965 in-process control Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
公开了一种增强型无模型自适应控制器,其由能够被容易地构成的线性动态神经元网络构成,并设为自动模式以控制从简单到复杂的过程。公开了两种多变量无模型自适应控制器设计。引入了一种增强型抗滞后无模型自适应控制器来控制具有大时间滞后的过程。引入了一种带有两个设计的前馈/反馈无模型自适应控制***来补偿可测量的扰动。
Description
技术领域
本发明与工业过程控制有关,尤其涉及工业过程中经过改进的无模型自适应控制方法和设备,它们采用了增强的无模型自适应控制机理、算法和能补偿扰动的前馈补偿。
背景技术
无模型自适应控制方法已由1997年10月6日提交的专利申请(专利号08/944,450)描述。该申请中所述的方法尽管有效而实用,但也存在着以下一些缺陷:
1.以前的无模型自适应控制器中含有非线性神经元网络,当控制器输出接近上限或下限时,会出现饱和;
2.采样间隔与控制器性能有关,用户不易准确设定;
3.在没有偏差的情况下,改变控制器增益仍有可能引起控制器输出突变;
4.现有的多变量无模型自适应控制器十分复杂并且需要列出多输出多输入过程的所有子过程;
5.现有的抗滞后MFA预估器的静态增益为1。而该增益若能与控制器增益协调则更好。
6.现有抗滞后MFA控制器的预估时间常数与采样间隔有关。而该参数若能与过程的时间常数协调则更好。
发明内容
本发明将线性动态神经元网络应用于无模型自适应控制器,克服了现有技术中的上述缺点。新发明的控制器还采用了标定函数来处理控制器增益和用户估计的过程时间常数。控制器增益能够补偿过程的静态增益,而时间常数则提供了过程的动态特性信息。采样间隔的设定可以在很大的范围内选择而不会影响控制器的性能。揭示了两种以上的新的多变量无模型自适应控制器设计(补偿法和预测法)。介绍了一种用来控制具有大时间滞后过程的抗滞后无模型自适应控制器,以及抗滞后MFA预估器参数的选择方法。采用了具有两种设计(补偿法和预测法)的前馈/反馈无模型自适应控制***来补偿可测扰动。
具体而言,本发明提供了一种过程控制器,其过程输出由对所述过程的输入所施加的一控制信号所控制,所述过程控制器包括:一输入端,用于输入偏差输入,所述偏差输入代表所述过程输出与预置的设定点之间的差值;一规格化单元(26),用于将所述的偏差输入规格化到预定范围的值;一标定单元(25),用于将所述的规格化的偏差输入标定后生成一值E1,E1具有如下形式:
其中,Kc是控制器增益;Tc是用户选择的所述过程的时间常数;N(.)是所述规格化单元的规格化函数;而e(t)是任何给定时间的所述偏差输入值;一输入神经元层(20),每个输入神经元的输入分别是E1经多个延迟单元迭代延续后得到的时间顺序延迟值;一隐含神经元层(22),每个隐含神经元的输出是所述输入神经元层的输出与各个加权因子相乘得到的乘积之和由第一函数(32)处理后的值;一输出神经元(24),其输出是所述隐含神经元的输出与各个加权因子相乘得到的乘积之和由第二函数(36)处理后的值;一输出端,其输出为控制输出,所述控制输出的至少一部分是所述输出神经元的输出值经规格化还原单元(38)处理后的规格化还原值;所述的第一和第二函数均具有如下形式:
f(x)=0,如果
f(x)=ax+b,如果
f(x)=1,如果
其中a是任意常数,b=1/2。
本发明还提供了一种过程控制***,包括:第一信号叠加单元(14),控制器(10),被控过程单元(12),和第二信号叠加单元(16),其中,所述第一信号叠加单元输出一偏差信号,所述偏差信号为预置的设定点信号与所述第二叠加单元的输出的差值;所述控制器为接收所述第一信号叠加单元的偏差信号的一动态神经网络,所述动态神经网络产生控制信号使所述被控过程单元的输出变化,进而使接收该被控过程单元的输出的第二信号叠加单元的输出变化从而减少所述的偏差信号,所述动态神经网络包括:一具有多个输入神经元的输入层,用于接收规格化的、标定的、和按时间顺序延迟的所述偏差信号;一具有多个隐含神经元的隐含层,每个隐含神经元将所述输入神经元的每个输出按第一加权因子加权求和并由第一活化函数处理得到其输出;一具有单个神经元的输出层,将所述隐含神经元的每个输出按第二加权因子加权求和并由第二活化函数处理得到其输出;和一控制信号输出,其为所述输出神经元的输出函数,所述的第一和第二加权因子分别根据下式被迭代改变:
其中,Δwij(n)是从某个给定输入神经元到某个给定隐含神经元的信号加权因子的迭代变化,Δhj(n)是某个给定隐含神经元的加权因子的迭代变化,a是活化函数f(x)的任意常数,η是学习率,_y(t)/_u(t)是所述第二信号叠加单元的输出相对于所述控制信号变化的梯度,e(n)是原始偏差信号,Ei(n)是第i个输入神经元规格化的和标定的偏差信号,hj(n)是某个给定隐含神经元的输出的加权因子,而qj(n)是被所述活化函数处理后的所述给定隐含神经元的输出;所述的神经网络具有的活化函数,具有如下形式:
f(x)=0,如果
f(x)=ax+b,如果
f(x)=1,如果
其中a是任意常数,b=1/2。
本发明还提供了一种多变量无模型自适应过程控制***,包括:多个过程单元,每个过程单元具有响应于控制信号的第一过程输出,和一子过程单元,该子过程单元具有一输出,该输出与所述多个过程单元的另外过程单元的所述第一过程输出相加组合而形成所述另外过程单元的第二过程输出;多个预置的设定点;多个控制器;多个补偿器;其中,每个所述的控制器具有一迭代变化的第一控制输出,所述第一控制输出是其被控过程单元的所述第二过程输出与其对应的设定点之间的偏差的函数;每个所述的补偿器用其对应的控制器的所述第一控制输出作为其输入,所述补偿器的输出与另外的所述控制器的所述第一控制输出相加组合成第二控制输出,作为其相对应的所述过程单元和子过程单元的输入;所述控制器每个包括一神经网络,其具有一包括多个输入神经元的输入层,用于接收规格化的、标定的、和按时间顺序延迟的所述偏差信号;一包括多个隐含神经元的隐含层,每个隐含神经元将所述输入神经元的每个输出按第一加权因子加权求和并由第一活化函数处理得到其输出;和一输出神经元,将所述隐含神经元的每个输出按第二加权因子加权求和并由第二活化函数处理得到其输出,所述的第一和第二加权因子被迭代变化,且所述第一和第二活化函数f(x)具有如下形式:
f(x)=0,如果
f(x)=ax+b,如果
f(x)=1,如果
其中,a任意可选常数,b=1/2;每个所述的控制器被设置来产生一控制信号u(n),它是所述神经网络的输出v(n)与所有和另外所述控制器有关的补偿器输出之和,v(n)具有如下形式:
其中,Kc是控制器增益;e(n)是所述的偏差信号,hj(n)是第j个隐含神经元输出的加权因子,而qj(n)是第j个隐含神经元输出;且每个所述的补偿器具有一如下形式的输出C(S)
其中,Ks是一符号因子,Kb是一补偿器增益,Tc是补偿器时间常数,而S是拉普拉斯变换算子。
本发明还提供一种多变量无模型自适应预测过程控制***,具体包括:多个过程单元,每个过程单元具有响应于控制信号的第一过程输出和一子过程单元,所述子过程单元具有一输出,该输出与所述多个过程单元的另外过程单元的所述第一过程输出相加组合而形成所述另外过程单元的第二过程输出;多个预置的设定点;多个控制器;多个预估器;其中,每个所述的控制器具有一迭代变化的第一控制输出,所述第一控制输出是其被控过程单元的所述第二过程输出加上所述多个预估器的输出与其对应的设定点之间的偏差的函数;所述控制器每个包括一神经网络,其具有一包括多个输入神经元的输入层,用于接收规格化的、标定的、和按时间顺序延迟的所述偏差信号;一包括多个隐含神经元的隐含层,每个隐含神经元将所述输入神经元的每个输出按第一加权因子加权求和并由第一活化函数处理得到其输出;和一输出神经元,将所述隐含神经元的每个输出按第二加权因子加权求和并由第二活化函数处理得到其输出,所述的第一和第二加权因子被迭代变化,且所述第一和第二活化函数f(x)具有如下形式:
f(x)=0,如果
f(x)=ax+b,如果
f(x)=1,如果
其中,a是任意可选常数,b=1/2;每个所述的控制器被设置来产生具有如下形式的控制信号u(n):
其中,Kc是控制器增益,e(n)是所述的偏差信号,hj(n)是第j个隐含神经元输出的加权因子,而qj(n)是第j个隐含神经元输出;且每个所述的预测器具有一如下形式的输出C(S):
其中,Ks是一符号因子,Ky是预估器增益,Tc是预估器时间常数,而S是拉普拉斯算子。
本发明还提供了一种前馈-反馈过程控制***,包括:一被控过程单元(100);子过程单元(104),传递对所述过程单元的输出的扰动;无模型自适应控制器(98),具有偏差输入和控制所述过程单元的控制输出;及前馈控制器(102),产生前馈信号,所述前馈信号是所述扰动的函数,具有如下形式的拉普拉斯变换函数Gfc(S):
其中,Kcf是前馈增益,Tcf是前馈时间常数,Ksf是前馈符号因子,S是拉普拉斯算子;其中,所述前馈信号被加到所述无模型自适应控制器的输出端以更改所述的控制输出。
本发明还提供了一种前馈-反馈过程控制***,包括:一被控过程单元(100);子过程单元(104),传递对所述过程单元的输出的扰动;无模型自适应控制器(110),具有偏差输入和控制所述过程单元的控制输出;及前馈控制器(112),所述前馈控制器为一预估器,用于产生前馈信号,所述前馈信号是所述扰动的函数,具有如下形式的拉普拉斯传递函数Gf(S):
其中,Ks是预估器符号因子,Kf是预估器增益,Tcf是预估器时间常数,S是拉普拉斯变换算子;其中所述的前馈信号被加到所述无模型自适应控制器的输入端以更改所述的控制输出。
本发明还提供了一种用于处理大时间滞后的过程控制***,其控制具有过程输入和过程输出的一过程,所述的过程输出以大时间滞后响应于所述过程输入,所述过程控制***包括:具有偏差输入的无模型自适应控制器(94),所述控制器的偏差输入是预置的设定点与所述过程输出的第一函数之间的差值;所述的控制器还具有一控制输出,它被作为所述过程输入而控制所述过程;滞后预估器(92),将所述控制输出和所述过程输出的第二函数作为其输入,所述过程输出的所述第一函数是所述滞后预估器的输出,所述的预测器的所述输出具有如下形式:
其中,Y(S)、U(S)和Yc(S)分别是信号y(t)、u(t)和yc(t)的拉普拉斯变换;y(t)是过程输出的所述第二函数;u(t)是所述控制输出;而yc(t)是滞后预估器的所述输出;K、T、τ分别是预估器的增益、时间常数和延迟时间。
附图说明
图1为本发明的单变量无模型自适应控制***框图。
图2为本发明的单变量无模型自适应控制器的结构框图。
图3为本发明的多变量无模型自适应控制***框图。
图4为本发明的2×2多变量无模型自适应控制***框图。
图5为本发明的3×3多变量无模型自适应控制***信号流图。
图6为本发明的2×2预测多变量无模型自适应控制***框图。
图7为本发明的3×3预测多变量无模型自适应控制***信号流图。
图8为本发明的SISO抗滞后无模型自适应控制***框图。
图9为本发明的前馈/反馈无模型自适应控制***框图。
图10为本发明的预测前馈/反馈无模型自适应控制***框图。
图11为本发明带有多前馈预估器的M×M多变量无模型自适应控制***框图。
具体实施方式
A.单变量无模型自适应控制
图1描述了一个单变量无模型自适应控制***,这是本发明中最简单的一个形式。该***的结构如同常规单回路控制***一样,包括一个单入单出(SISO)控制器10,一个过程12及信号叠加点14、16。图1中各信号如下:
r(t)-设定值
y(t)-测量值或过程变量,y(t)=x(t)+d(t)
x(t)-过程输出
u(t)-控制器输出
d(t)-由噪声或负荷的变化而产生的扰动
e(t)-设定值与测量值之间的偏差,e(t)=r(t)-y(t)
控制目标是在设定值、扰动和过程动态特性变化的情况下,使测量值y(t)始终跟踪设定值r(t)的轨迹。换句话说,MFA控制器的任务就是在线地使偏差值e(t)最小。因此MFA控制***的目标函数可表示为
通过调整MFA控制器的权值使Es(t)最小。
图2为SISO MFA控制器的结构。控制器采用了线性多层神经元网18。该神经元网络含有一个输入层20,一个具有N个神经元的隐含层22和一个单神经元输出层24。
进入输入层20的输入信号e(t)被规格化单元26转换成取值范围在-1和1之间的规格化偏差信号E1,这里N(.)代表规格化函数。规格化单元26的输出经标定函数L(.)25标定。
E1在时间t的数值由函数L(.)和N(.)求得:
式中Kc>0为控制器增益,Tc是用户选择的过程时间常数。这些参数对MFA控制器至关重要,Kc用于补偿过程的静态增益而Tc则提供了过程的动态特征信息。当偏差信号被这些参数标定后,控制器的性能就可以通过这些参数加以调整。
使用Tc作为标定函数中的一部分使得采样间隔Ts可以在大范围内选择,因为根据信息论原理只需满足Ts<Tc/3。
E1信号通过一系列叠代延迟单元28,z-1表示单位延迟算子,得到一组规格化的并经过标定的偏差信号E2到EN。这就将一个连续信号e(t)转换成一个离散信号序列,作为神经元网络的输入。将这些经过延时的偏差信号Ei(i=1,...N)通过神经元网络连接传递到隐含层。这相当于将反馈结构加入到神经元网络中。这样,常规的静态多层神经元网络就成了动态神经元网络。这就是无模型自适应控制器的关键部件之一。
无模型自适应控制器以动态模块如动态神经元网络作为其关键部件。动态模块其实就是动态***的别名,其输入和输出之间具有动态的联系。
每个输入信号通过由各个加权因子wij(i=1,2,..N,j=1,2,..N)加权的路径,分别输入到隐含层22的各相应神经元。加法器30将隐含层中的各神经元的输入叠加后得到信号pj。然后由活化(activation)函数32将信号pj处理成qj,(j表示隐含层中第j个神经元)。
分段连续线性函数f(x)将实数映射成[0,1]
f(x)=0,如果
f(x)=ax+b,如果
f(x)=1,如果
这里,优选a>0且b>0,作为神经元网络的活化函数。活化函数的常数可相当自由地选择。用线性函数f(x)取代常规的S形曲线(sigmoidal)函数的原因是线性活化函数不会像S形曲线函数那样在极限边缘引起饱和。
隐含层的每个输出信号经过由一个独立的加权因子hj(j=1,2,..N)加权的路径后,被送至输出层24的单神经元。叠加器34将这些信号叠加后生成信号z(.),再由活化函数36处理得到神经元网络18的输出(取值范围0-1)。
规格化还原函数38由下式给出
D(x)=100x, (5)
它将o(.)信号映射到实数空间,以形成控制器的输出。
对控制器的输入-输出起主导作用的算法由下列差分方程组成:
qj(n)=f(pj(n)), (7)
此时函数f(.)的变量处于方程(4b)定义的范围内,且o(n)的边界由方程(4a)和(4c)定义。控制器输出为
u(t)=Kce(t)+D(o(t))
这里,n表示第n次叠代;o(t)为o(n)的连续函数;u(t)是MFA控制器的输出;D(.)是规格化还原函数;Kc>0为控制器增益42,用来调整控制器的放大倍数。它与标定函数L(.)25中的常数一样,对于控制器性能的微调并保证***处于稳定的状态十分有效。
以下的在线学习算法用于不断更新MFA控制器的加权因子:
式中,η>0是学习率,偏微分_y(n)/_u(n)是y(t)对于u(t)的梯度,代表输出y(t)对于输入u(t)变化的敏感度。
选择
与08/944,450号专利申请中描述的一样,导出学习算法如下:
Δwij(n)=a2ηe(n)Ei(n)hj(n), (13)
Δhj(n)=aηe(n)qj(n). (14)
方程(1)至方程(14)适用于正作用过程也适用于反作用过程。正作用是指增加过程的输入将使其输出增加,反之亦然。反作用是指增加过程的输入将使其输出减小,反之亦然。为了使上述方程适合正反两种作用,需要针对过程的作用类型,用以下方法求得e(t):
e(t)=r(t)-y(t), 如果是正作用 (15a)
e(t)=-[r(t)-y(t)], 如果是反作用 (15b)
这是对过程作用类型的一般处理。它被应用在下面介绍的所有无模型自适应控制器上。
B.多变量无模型自适应控制
图3画出了含有无模型自适应控制器的多变量反馈控制***。***包括一组控制器44,一个多输入多输出(MIMO)过程46,对应各控制回路的一组信号叠加器48和50。控制器的输入e(t)是设定值r(t)与测量值y(t)的比较结果,而测量值是过程对于控制器输出u(t)和扰动信号d(t)的响应。对于多变量***,这里所有的信号均以向量形式用粗体字表示。
r(t)=[r1(t),r2(t),...,rM(t)]T, (16a)
e(t)=[e1(t),e2(t),...,eM(t)]T, (16b)
u(t)=[u1(t),u2(t),...,uM(t)]T, (16c)
y(t)=[y1(t),y2(t),...,yM(t)]T, (16d)
d(t)=[d1(t),d2(t),...,dM(t)]T, (16e)
上标T表示向量的转置,下标M表示该向量的维数。
有三种方法构成多变量无模型自适应控制***:解耦、补偿及预测。解耦方法已在08/944,450号专利申请中描述,另两种方法描述如下。
1.补偿法
在不失一般性的情况下,将解释图4中多变量无模型控制***是如何控制一个2输入-2输出(2×2)***的(其为如图3所示的2×2结构)。在2×2的MFA控制***中,MFA控制器组52由两个控制器C11、C22和两个补偿器C21、C12组成。过程54有4个子过程G11,G21,G12,andG22。
过程的输出、即测量值y1、y2用作主控制回路的反馈信号。它们与设定值r1、r2在叠加器56处比较得到偏差e1、e2。与输入v11或v22之一相关的各控制器的输出在叠加器58处与另一个输入相关的补偿器输出结合,得到控制信号u1、u2。各子过程的输出由叠加器60交叉相加得到测量值y1、y2。注意,实际应用中,子过程的输出是不可测的,测到的只能是合成的信号y1和y2。因此,根据实际的2×2过程的特性,其输出y1、y2与输入u1、u2互连。一个输入的变化将引起两个输出的变化。
对2×2***,方程16中的单元数M为2,图4中各信号点如下:
r1(t),r2(t)--分别为控制器C11和C22的设定值。
e1(t),e2(t)--设定值与测量值的偏差。
v11(t),v22(t)--分别是控制器C11和C22的输出值。
v21(t),v12(t)--分别是补偿器C21和C12的输出值。
u1(t),u2(t)--过程的输入或2×2控制器组的输出。
x11(t),x21(t),x12(t),x22(t)--分别是过程G11,G21,G12和G22的输出。
d1(t),d2(t)--分别是对于y1和y2的扰动。
y1(t),y2(t)--2×2过程的测量变量。
这些信号之间的关系如下:
e1(t)=r1(t)-y1(t) (17a)
e2(t)=r2(t)-y2(t) (17b)
y1(t)=x11(t)+x12(t) (17c)
y2(t)=x21(t)+x22(t) (17d)
u1(t)=v11(t)+v12(t) (17e)
u2(t)=v21(t)+v22(t) (17f)
控制器C11和C22具有图2所示SISO MFA控制器同样的结构。
这些控制器输入和输出之间的关系由以下方程给出:
对于控制器C11:
对于控制器C22:
在这些方程中,η11>0及η22>0为学习率;Kc 11>0和Kc 22>0分别为控制器C11和C22的增益。Tc 11>0和Tc 22>0分别为G11和G22估计的过程时间常数。Ei 11(n)是e1(n)的滞后标定偏差信号,Ei 22(n)是e2(n)的滞后的和标定的偏差信号。
补偿器C12和C21含有一阶动态模块,由下面的拉氏传递函数表示:
对于补偿器C21
对于补偿器C12
在这些方程中,V11(S),V21(S),V12(S)和V22(S)分别是信号v11(t),v21(t),v12(t)和v22(t)的拉氏变换;S是拉普拉斯算子;Kc 21>0和Kc 12>0是补偿器增益;Tc 21和Tc 12分别是对于C21和C12的补偿器时间常数。在实际应用中,当只考虑静态补偿时,可将Tc 21和Tc 12设置为0。如果子过程G21=0,意味着回路1与回路2没有互连,应选择Kc 21=0,禁止补偿器C21。同样,如果子过程G12=0,就应选择Kc 12=0以禁止C12。
补偿器符号因子Ks 21和Ks 12是与过程作用方向有关的一组常数: 若G22和G21作用类型不同 (30a) 若G22和G21作用类型相同 (30b) 若G11和G12作用类型不同 (30c) 若G11和G12作用类型相同 (30d)
这些符号因子必须保证MFA补偿器产生的信号方向正确,这样才能减小多变量过程由于耦合因素造成的扰动。
一个3×3多变量无模型自适应控制器的信号流程图如图5所示。在3×3MFA控制***中,MFA控制器组66由三个控制器C11,C22,C33和六个补偿器C21,C31,C12,C32,C13,C23组成。过程68有九个子过程G11到G33。
过程的输出即测量变量y1,y2和y3用作主控制回路的反馈信号。它们在叠加器70处与设定值r1,r2和r3比较得到偏差e1,e2和e3。对应于输入e1,e2,或e3,各控制器的输出通过叠加器72与另两个输入组合得到控制信号u1,u2,和u3。
在不失一般性的情况下,下面给出了任意M×M多变量无模型自适应控制***的一组方程。当M=3时,即可用于上述的3×3MFA控制***。
对于控制器Cll
这里l=1,2,...M;m=1,2,…M;且l≠m。
对于补偿器Clm
这里l=1,2,...M;m=1,2,...M;且l≠m。
方程中,Vlm(S)和Vmm(S)分别是信号vlm(t)和vmm(t)的拉氏变换;S为拉普拉斯算子;Kc lm>0是补偿器增益;Tc lm是补偿器的时间常数。Ks lm是补偿器的符号因子,需根据子过程的作用类型按下式确定: 若Gll和Glm作用类型不同 (38a) 若Gll和Glm作用类型相同 (38b)
这里l=1,2,...M;m=1,2,...M;且l≠m。
2.预测法
图6是一个2×2预测MFA控制器组74,它由两个控制器C11、C22和两个预估器C21和C12组成。过程76有四个子过程G11、G21、G12和G22。
过程的输出即测量变量y1和y2用作主控回路的反馈信号。它们在加法器78处分别与设定值r1和r2以及预估器的输出y21和y12比较,得到偏差信号e1和e2。每个控制器的输出都被用作与另一个主回路连接的预估器的输入。每个子过程的输出都在加法器80处交叉叠加得到测量变量y1和y2。
图6中该2×2***的信号如下:
r1(t),r2(t)-分别是控制器C11和C22的设定点。
e1(t),e2(t)-分别是设定点与经预估器输出y21和y12修正的测量变量之间的偏差。
u1(t),u2(t)-分别是控制器C11和C22的输出。
y21(t),y12(t)--分别是预估器C21和C12的输出。
x11(t),x21(t),x12(t),x22(t)--分别是过程G11,G21,G12和G22的输出。
d1(t),d2(t)--分别是对y1和y2的扰动
y1(t),y2(t)--2×2过程的测量变量。
这些信号之间的关系如下:
e1(t)=r1(t)-y1(t)-y21(t) (39a)
e2(t)=r2(t)-y2(t)-y12(t) (39b)
y1(t)=x11(t)+x12(t) (39c)
y2(t)=x21(t)+x22x(t) (39d)
控制器C11和C22具有与图2所示SISO MFA控制器同样的结构。这些控制器的输入输出关系由方程(18)到(27)表示。但其中的控制器输出现在成了u1和u2而不是v11和v22。
对于控制器C11:
对于控制器C22:
预估器C12和C21可设计为包含一个一阶动态模块,由下面的拉普拉斯传递函数表示:
对于预估器C21
对于预估器C12
这些方程中,U1(S),U2(S),Y21(S)和Y12(S)分别是信号u1(t),u2(t),y21(t)和y12(t)的拉氏变换;S为拉普拉斯算子;Kc 21>0和Kc 12>0是预估器增益;Tc 21和Tc 12分别是补偿器C21和C12的时间常数。预测信号使控制器能够根据其输入的变化进行调整以补偿来自另一回路的耦合因素。预测信号将根据预估时间常数迅速衰减到0。该设计不会造成控制器输入和输出的额外偏置。
预估器的符号因子Ks 21和Ks 12是一组与过程作用类型有关的常数: 若G12为正作用时 (44a) 若G12为反作用时 (44b) 若G21为正作用时 (44c) 若G21为反作用时 (44d)
这些符号因子保证了MFA预估器产生的信号方向正确,这样就能抑制多变量过程中由于耦合因素造成的扰动。
图7是一个3×3多变量无模型自适应控制***的信号流程图。在这个3×3MFA控制***中,MFA控制器82由3个控制器C11、C22、C33和6个预估器C21、C31、C12、C32、C13、C23组成。过程84有9个子过程G11到G33。过程的输出即测量变量y1、y2和y3被用于主控回路的反馈信号。它们在加法器86处分别与设定值r1,r2和r3以及预估器的输出y21,y31,y12,y32,y13和y23比较得到偏差信号e1、e2和e3。每个控制器的输出都被用作与其他主回路连接的预估器的输入。
在不失一般性的情况下,下面列出了一组适用于M×M多变量无模型自适应控制***的方程式。取M=3,即可用于上述3×3MFA控制***。
对于控制器Cll
式中l=1,2,...M.
对于预估器Clm
这里l=1,2,...M;m=1,2,...M;且l≠m.
在方程式中,Ylm(S)和Um(S)为信号ylm(t)和um(t)的拉氏变换;S是拉普拉斯算子;Kc lm>0是预估器的增益,Tc lm是预估器的时间常数,而Ks lm是预估器的符号因子,需根据子过程的作用类型按下式确定: 若Gll与Glm作用类型不同 (47a) 若Gll与Glm作用类型相同 (47b)
这里l=1,2,...M;m=1,2,...M;且l≠m.
C.抗滞后无模型自适应控制
大时间滞后无模型自适应过程控制已在1997年10月6日,08/944,450号专利申请中阐述。如图8所示,SISO抗滞后无模型自适应控制***中含有一个抗滞后MFA控制器88,一个大时间滞后过程90,和一个特殊的时间滞后预估器92。上述MFA控制器被看作是抗滞后MFA控制***中的基本MFA控制器94。
经叠加器96计算控制器94的输入信号,得到
e(t)=r(t)-yc(t) (48)
可以用一阶惯性加纯滞后(FOLPD)的形式设计滞后预估器,其拉普拉斯传递函数为:
Yc(S)=Y(S)+Yp(S)
这里Y(S),Yp(S),U(S),和Yc(S)分别是信号y(t),yp(t),u(t)和yc(t)的拉氏变换;yp(t)为预估信号;yc(t)为预估器的输出。K,T,τ是过程FOLPD近似模型的预估器参数。
以下是这些参数的设置技术:
过程的静态增益可以是
这里Kc是方程(3)中MFA控制器的增益。
预估器的时间常数可选为
T=Tc, (51)
这里Tc是方程(3)中预估的过程时间常数。
过程的滞后时间τ可根据用户对过程滞后时间的估计而定。
此抗滞后MFA预估器参数的设置技术也可适用于多变量抗滞后MFA控制器。
D.前馈无模型自适应控制
前馈是一种利用了前向信号的控制方法。当过程存在着明显的潜在扰动,且该扰动能够被检测时,就可利用前馈控制器在反馈回路的校正作用之前来减小扰动对回路的影响。若能适当地将前馈控制器与反馈控制器配合运用,可以大大改善控制效果。
图9是一个前馈控制***。反馈控制器输出uc(t)与前馈控制器输出uf(t)在叠加器106处汇合形成控制信号u(t)。测量值y(t)由主回路过程Gp1 100的输出y1(t)与扰动回路中的过程Gp2 104的输出y2(t)经叠加器108叠加而成。
经典的前馈控制器是根据所谓不变性原理设计的。即,检测到扰动信号后,前馈控制器能够仅对扰动成份作出回路响应,而不影响对设定值变化的回路响应。
前馈控制器的控制目的是补偿检测到的扰动信号。也就是希望使
这里Gf(S)是前馈回路的拉普拉斯传递函数,Y(S)和D(S)分别是过程变量和扰动变量y(t)和d(t)的拉氏变换。
前馈控制器可设计成
这里Gfc(S)是前馈控制器的拉普拉斯传递函数。
前馈补偿有时就像求两个信号的比率那样简单,但有时可能包含了复杂的能量或物料平衡计算。无论如何,传统的前馈控制器需要过程GP1和GP2的精确信息。如果过程模型不够精确或过程的动态特性发生了变化,传统前馈控制器也许就不能正常工作,甚至产生比***不采用前馈控制器更坏的结果。
当将无模型自适应控制器用于反馈回路时,前馈控制器对过程模型的精确度就不那么敏感。MFA控制器的自适应能力使常规控制方法更容易实现和更加有效。下面描述了两种构成前馈/反馈无模型自适应控制***的方法。
1.补偿法
控制结构与图9中的前馈/反馈控制***一样。无模型自适应控制器98用作反馈控制器。若用户已了解Gp1(S)和Gp2(S),前馈控制器就可按式(53)设计。然而在过程控制应用中,特别是在无模型自适应控制的应用中,过程Gp1和Gp2往往不清楚或者动态特性经常在变。在这种条件下很难根据不变性原理设计前馈控制器。利用反馈回路中的无模型自适应控制的自适应能力,我们将前馈控制器设计成如下的一个一阶动态模块。
式中,Yf(S)和D(S)是信号yf(t)和d(t)的拉氏变换;Kcf是前馈增益,Tcf是前馈时间常数。Ksf是前馈符号因子,须根据子过程的作用类型确定:
Ksf=1, 若Gp1和Gp2作用类型不同 (55a)
Ksf=-1, 若Gp1和Gp2作用类型相同 (55b)
这里我们假定Gp1和Gp2的作用类型是已知的。根据无模型自适应控制原理,前馈控制器只需按检测到的扰动产生一个信号,帮助控制***对扰动进行补偿。这意味着前馈控制器的设计可以不依赖于“不变性原理”。用户可以根据初步了解的过程选择常数Kcf和Tcf。这些常数也可以用来对***作精确地调整。
2.预测法
图10是一个带前馈预估器112的无模型自适应控制***。控制器110的输入由叠加器114计算而得
e(t)=r(t)-y(t)-yf(t), (56)
式中,yf(t)是前馈预估器的输出。
这里的设计思想是,将前馈信号直接送至反馈控制器的输入,产生控制器的e(t)信号,由此对扰动进行快速抑制。这种设计又一次利用了无模型自适应控制器的自适应能力。对于传统控制方法如PID来说,这样的设计是行不通的。
前馈预估器不需要了解过程的量化知识就可设计为简单的形式。例如,可设计成由下面拉普拉式传递函数表达的一阶惯性滞后环节:
式中,Yf(S)和D(S)是信号yf(t)和d(t)的拉氏变换;Kf>0是前馈预估器的增益;Tcf>0是前馈预估器的时间常数;Ks是预估器的符号因子,需根据子过程的作用类型选择:
Ks=1, 若Gp2为正作用类型 (58a)
Ks=-1, 若Gp2为反作用类型 (58b)
在不失一般性的情况下,图11是一个具有多个前馈预估器122的M×M多变量无模型自适应控制***。各主控制器116根据可测的扰动量可具有零到若干个前馈预估器。这种设计也可用于其它MFA控制***如抗滞后、串级控制等。
Claims (13)
1.一种过程控制器,其过程输出由对所述过程的输入所施加的一控制信号所控制,所述过程控制器包括:
a)一输入端,用于输入偏差输入,所述偏差输入代表所述过程输出与预置的设定点之间的差值;
b)一规格化单元(26),用于将所述的偏差输入规格化到预定范围的值;
c)一标定单元(25),用于将所述的规格化的偏差输入标定后生成一值E1,E1具有如下形式:
其中,Kc是控制器增益;Tc是用户选择的所述过程的时间常数;N(.)是所述规格化单元的规格化函数;而e(t)是任何给定时间的所述偏差输入值;
d)一输入神经元层(20),每个输入神经元的输入分别是E1经多个延迟单元迭代延续后得到的时间顺序延迟值;
e)一隐含神经元层(22),每个隐含神经元的输出是所述输入神经元层的输出与各个加权因子相乘得到的乘积之和由第一函数(32)处理后的值;
f)一输出神经元(24),其输出是所述隐含神经元的输出与各个加权因子相乘得到的乘积之和由第二函数(36)处理后的值;
g)一输出端,其输出为控制输出,所述控制输出的至少一部分是所述输出神经元的输出值经规格化还原单元(38)处理后的规格化还原值;
所述的第一和第二函数均具有如下形式:
f(x)=0,如果
f(x)=ax+b,如果
f(x)=1,如果
其中a是任意常数,b=1/2。
2.如权利要求1所述的控制器,其中所述的控制输出是所述规格化还原值和值Kc·e(t)之和。
3.一种过程控制***,包括:第一信号叠加单元(14),控制器(10),被控过程单元(12),和第二信号叠加单元(16),其中,
a)所述第一信号叠加单元输出一偏差信号,所述偏差信号为预置的设定点信号与所述第二叠加单元的输出的差值;
b)所述控制器为接收所述第一信号叠加单元的偏差信号的一动态神经网络,所述动态神经网络产生控制信号使所述被控过程单元的输出变化,进而使接收该被控过程单元的输出的第二信号叠加单元的输出变化从而减少所述的偏差信号,所述动态神经网络包括:一具有多个输入神经元的输入层,用于接收规格化的、标定的、和按时间顺序延迟的所述偏差信号;一具有多个隐含神经元的隐含层,每个隐含神经元将所述输入神经元的每个输出按第一加权因子加权求和并由第一活化函数处理得到其输出;一具有单个神经元的输出层,将所述隐含神经元的每个输出按第二加权因子加权求和并由第二活化函数处理得到其输出;和一控制信号输出,其为所述输出神经元的输出函数,所述的第一和第二加权因子分别根据下式被迭代改变:
其中,Δwij(n)是从某个给定输入神经元到某个给定隐含神经元的信号加权因子的迭代变化,Δhj(n)是某个给定隐含神经元的加权因子的迭代变化,a是活化函数f(x)的任意常数,η是学习率,_y(t)/_u(t)是所述第二信号叠加单元的输出相对于所述控制信号变化的梯度,e(n)是原始偏差信号,Ei(n)是第i个输入神经元规格化的和标定的偏差信号,hj(n)是某个给定隐含神经元的输出的加权因子,而qj(n)是被所述活化函数处理后的所述给定隐含神经元的输出;
c)所述的神经网络具有的活化函数,具有如下形式:
f(x)=0,如果
f(x)=ax+b,如果
f(x)=1,如果
其中a是任意常数,b=1/2。
4.一种多变量无模型自适应过程控制***,包括:
a)多个过程单元,每个过程单元具有响应于控制信号的第一过程输出和一子过程单元,该子过程单元具有一输出,该输出与所述多个过程单元的另外过程单元的所述第一过程输出相加组合而形成所述另外过程单元的第二过程输出;
b)多个预置的设定点;
c)多个控制器;
d)多个补偿器;
其中,
e)每个所述的控制器具有一迭代变化的第一控制输出,所述第一控制输出是其被控过程单元的所述第二过程输出与其对应的设定点之间的偏差的函数;
f)每个所述的补偿器用其对应的控制器的所述第一控制输出作为其输入,所述补偿器的输出与另外的所述控制器的所述第一控制输出相加组合成第二控制输出,作为其相对应的所述过程单元和子过程单元的输入;
g)所述控制器每个包括一神经网络,其具有一包括多个输入神经元的输入层,用于接收规格化的、标定的、和按时间顺序延迟的所述偏差信号;一包括多个隐含神经元的隐含层,每个隐含神经元将所述输入神经元的每个输出按第一加权因子加权求和并由第一活化函数处理得到其输出;和一输出神经元,将所述隐含神经元的每个输出按第二加权因子加权求和并由第二活化函数处理得到其输出,所述的第一和第二加权因子被迭代变化,且所述第一和第二活化函数f(x)具有如下形式:
f(x)=0,如果
f(x)=ax+b,如果
f(x)=1,如果
其中,a任意可选常数,b=1/2;
h)每个所述的控制器被设置来产生一控制信号u(n),它是所述神经网络的输出v(n)与所有和另外所述控制器有关的补偿器输出之和,v(n)具有如下形式:
其中,Kc是控制器增益;e(n)是所述的偏差信号,hj(n)是第j个隐含神经元输出的加权因子,而qj(n)是第j个隐含神经元输出;且
i)每个所述的补偿器具有一如下形式的输出C(S)
其中,Ks是一符号因子,Kb是一补偿器增益,Tc是补偿器时间常数,而S是拉普拉斯变换算子。
5.如权利要求4所述控制***,其中,若所述其它过程单元和所述子过程单元具有不同的作用类型,则Ks是1;反之,Ks是-1,所述作用类型包括正作用类型和反作用类型,正作用类型是指增加过程单元或子过程单元的输入将使其输出增加,反之亦然,反作用是指增加过程单元或子过程单元的输入将使其输出减小,反之亦然。
6.一种多变量无模型自适应预测过程控制***,具体包括:
a)多个过程单元,每个过程单元具有响应于控制信号的第一过程输出和一子过程单元,所述子过程单元具有一输出,该输出与所述多个过程单元的另外过程单元的所述的第一过程输出相加组合而形成所述另外过程单元的第二过程输出;
b)多个预置的设定点;
c)多个控制器;
d)多个预估器;
其中,
e)每个所述的控制器具有一迭代变化的第一控制输出,所述第一控制输出是其被控过程单元的所述第二过程输出加上所述多个预估器的输出与其对应的设定点之间的偏差的函数;
f)所述控制器每个包括一神经网络,其具有一包括多个输入神经元的输入层,用于接收规格化的、标定的、和按时间顺序延迟的所述偏差信号;一包括多个隐含神经元的隐含层,每个隐含神经元将所述输入神经元的每个输出按第一加权因子加权求和并由第一活化函数处理得到其输出;和一输出神经元,将所述隐含神经元的每个输出按第二加权因子加权求和并由第二活化函数处理得到其输出,所述的第一和第二加权因子被迭代变化,且所述第一和第二活化函数f(x)具有如下形式:
f(x)=0,如果
f(x)=ax+b,如果
f(x)=1,如果
其中,a是任意可选常数,b=1/2;
g)每个所述的控制器被设置来产生具有如下形式的控制信号u(n):
其中,Kc是控制器增益,e(n)是所述的偏差信号,hj(n)是第j个隐含神经元输出的加权因子,而qj(n)是第j个隐含神经元输出;且
h)每个所述的预测器具有一如下形式的输出C(S):
其中,Ks是一符号因子,Ky是预估器增益,Tc是预估器时间常数,而S是拉普拉斯算子。
7.如权利要求6所述的控制***,其中,若子过程单元是正作用,则Ks是1;若子过程单元为反作用,则Ks是-1,所述正作用是指增加子过程单元的输入将使其输出增加,反之亦然,反作用是指增加子过程单元的输入将使其输出减小,反之亦然。
8.一前馈-反馈过程控制***,包括:
a)一被控过程单元(100);
b)子过程单元(104),传递对所述过程单元的输出的扰动;
c)无模型自适应控制器(98),具有偏差输入和控制所述过程单元的控制输出;及
d)前馈控制器(102),产生前馈信号,所述前馈信号是所述扰动的函数,具有如下形式的拉普拉斯变换函数Gfc(S):
其中,Kcf是前馈增益,Tcf是前馈时间常数,Ksf是前馈符号因子,S是拉普拉斯算子;
其中,e)所述前馈信号被加到所述无模型自适应控制器的输出端以更改所述的控制输出。
9.如权利要求8所述的***,其中,若所述的过程单元和所述的子过程单元具有不同的作用类型,则Ks是1;若它们具有相同的作用类型,则Ks是-1,所述作用类型包括正作用类型和反作用类型,正作用类型是指增加过程单元或子过程单元的输入将使其输出增加,反之亦然,反作用是指增加过程单元或子过程单元的输入将使其输出减小,反之亦然。
10.一前馈-反馈过程控制***,包括:
a)一被控过程单元(100);
b)子过程单元(104),传递对所述过程单元的输出的扰动;
c)无模型自适应控制器(110),具有偏差输入和控制所述过程单元的控制输出;及
d)前馈控制器(112),所述前馈控制器为一预估器,用于产生前馈信号,所述前馈信号是所述扰动的函数,具有如下形式的拉普拉斯传递函数Gf(S):
其中,Ks是预估器符号因子,Kf是预估器增益,Tcf是预估器时间常数,S是拉普拉斯变换算子;
其中,e)所述的前馈信号被加到所述无模型自适应控制器的输入端以更改所述的控制输出。
11.如权利要求10所述的***,其中,若所述子过程单元是正作用,则Ks是1;而如果所述子过程单元为反作用,则Ks是-1,所述正作用是指增加子过程单元的输入将使其输出增加,反之亦然,反作用是指增加子过程单元的输入将使其输出减小,反之亦然。。
12.一种用于处理大时间滞后的过程控制***,其控制具有过程输入和过程输出的一过程,所述的过程输出以大时间滞后响应于所述过程输入,所述过程控制***包括:
a)具有偏差输入的无模型自适应控制器(94),所述控制器的偏差输入是预置的设定点与所述过程输出的第一函数之间的差值;所述的控制器还具有一控制输出,它被作为所述过程输入而控制所述过程;
b)滞后预估器(92),将所述控制输出和所述过程输出的第二函数作为其输入,所述过程输出的所述第一函数是所述滞后预估器的输出,所述的预测器的所述输出具有如下形式:
其中,Y(S)、U(S)和Yc(S)分别是信号y(t)、u(t)和yc(t)的拉普拉斯变换;y(t)是过程输出的所述第二函数;u(t)是所述控制输出;而yc(t)是滞后预估器的所述输出;K、T、τ分别是预估器的增益、时间常数和延迟时间。
13.如权利要求12所述的***,其中K的值被下式所设定:
其中,Kc是所述控制器的控制器增益。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US09/143,165 | 1998-08-28 | ||
US09/143,165 US6556980B1 (en) | 1998-08-28 | 1998-08-28 | Model-free adaptive control for industrial processes |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1316070A CN1316070A (zh) | 2001-10-03 |
CN1242307C true CN1242307C (zh) | 2006-02-15 |
Family
ID=22502876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB998102733A Expired - Fee Related CN1242307C (zh) | 1998-08-28 | 1999-08-24 | 工业过程的无模型自适应控制器及控制*** |
Country Status (3)
Country | Link |
---|---|
US (1) | US6556980B1 (zh) |
CN (1) | CN1242307C (zh) |
WO (1) | WO2000013071A1 (zh) |
Families Citing this family (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6792412B1 (en) * | 1999-02-02 | 2004-09-14 | Alan Sullivan | Neural network system and method for controlling information output based on user feedback |
US6684115B1 (en) * | 2000-04-11 | 2004-01-27 | George Shu-Xing Cheng | Model-free adaptive control of quality variables |
US6684112B1 (en) * | 2000-04-11 | 2004-01-27 | George Shu-Xing Cheng | Robust model-free adaptive control |
US7142626B2 (en) * | 2003-05-30 | 2006-11-28 | George Shu-Xing Cheng | Apparatus and method of controlling multi-input-single-output systems |
US7152052B2 (en) * | 2003-08-12 | 2006-12-19 | George Shu-Xing Cheng | Apparatus and method of controlling single-input-multi-output systems |
US7415446B2 (en) * | 2003-10-20 | 2008-08-19 | General Cybernation Group, Inc. | Model-free adaptive (MFA) optimization |
US20090271728A1 (en) * | 2008-04-29 | 2009-10-29 | Rockwell Automation Technologies, Inc. | Visual representation manipulation |
CN101571705B (zh) * | 2008-04-29 | 2012-01-11 | 北京航空航天大学 | 位置伺服***与方法 |
US20090271721A1 (en) * | 2008-04-29 | 2009-10-29 | Rockwell Automation Technologies, Inc. | Organizational roll-up/down |
US8239339B2 (en) | 2008-04-29 | 2012-08-07 | Rockwell Automation Technologies, Inc. | Library synchronization between definitions and instances |
WO2011008944A2 (en) * | 2009-07-16 | 2011-01-20 | General Cybernation Group, Inc. | Smart and scalable power inverters |
US8594813B2 (en) * | 2009-08-14 | 2013-11-26 | General Cybernation Group, Inc. | Dream controller |
US9093902B2 (en) | 2011-02-15 | 2015-07-28 | Cyboenergy, Inc. | Scalable and redundant mini-inverters |
US9110453B2 (en) * | 2011-04-08 | 2015-08-18 | General Cybernation Group Inc. | Model-free adaptive control of advanced power plants |
WO2012171014A2 (en) | 2011-06-10 | 2012-12-13 | Cyboenergy, Inc. | Smart and scalable off-grid mini-inverters |
US9331488B2 (en) | 2011-06-30 | 2016-05-03 | Cyboenergy, Inc. | Enclosure and message system of smart and scalable power inverters |
CN102520617B (zh) * | 2011-12-30 | 2014-05-07 | 杭州电子科技大学 | 一种炼油工业过程的部分解耦非最小化模型预测控制方法 |
CN102520616B (zh) * | 2011-12-30 | 2014-04-02 | 杭州电子科技大学 | 炼油工业过程的部分解耦非最小化模型预测函数控制方法 |
RU2541097C2 (ru) * | 2013-04-11 | 2015-02-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Амурский государственный университет" | Адаптивная система управления с наблюдателем переменных состояния для объекта с запаздываниями |
US20140305507A1 (en) * | 2013-04-15 | 2014-10-16 | General Cybernation Group, Inc. | Self-organizing multi-stream flow delivery process and enabling actuation and control |
US20140309793A1 (en) * | 2013-04-15 | 2014-10-16 | General Cybernation Group, Inc. | Method and apparatus of self-organizing actuation and control |
CN103558756B (zh) * | 2013-11-19 | 2016-08-03 | 福州大学 | 基于组态元件的单神经元pid控制器的实现方法 |
RU2555234C1 (ru) * | 2014-01-16 | 2015-07-10 | Федеральное государственное казенное военное образовательное учреждение высшего профессионального образования "Военная академия Ракетных войск стратегического назначения имени Петра Великого" Министерства обороны Российской Федерации | Устройство управления объектом со свободным выбором поведения |
CN105629726B (zh) * | 2014-11-06 | 2018-05-29 | 斯坦恩贝格(北京)电子有限公司 | 一种自适应控制方法及其自适应控制器 |
CN104836504B (zh) * | 2015-05-15 | 2017-06-06 | 合肥工业大学 | 凸极式永磁同步电机精确转矩输出的自适应容错控制方法 |
CN105319972B (zh) * | 2015-11-27 | 2018-06-08 | 燕山大学 | 基于快速终端滑模的遥操作机器人固定时间控制方法 |
KR20180069452A (ko) | 2016-12-15 | 2018-06-25 | 삼성전자주식회사 | 뉴럴 네트워크의 학습 방법 및 뉴럴 네트워크를 이용한 인식 방법, 및 그 장치 |
DE102017205713A1 (de) * | 2017-04-04 | 2018-10-04 | Siemens Aktiengesellschaft | Verfahren und Steuereinrichtung zum Steuern eines technischen Systems |
RU184245U1 (ru) * | 2018-03-02 | 2018-10-18 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Тихоокеанский государственный университет" | Имитатор системы нелинейного робастного управления неаффинными нестационарными объектами с запаздыванием по состоянию |
JP6748135B2 (ja) * | 2018-03-19 | 2020-08-26 | ファナック株式会社 | 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法 |
CN112424702B (zh) * | 2018-08-14 | 2024-03-08 | 西门子股份公司 | 过程控制器及其方法和*** |
CN109116727B (zh) * | 2018-09-05 | 2021-05-11 | 哈尔滨工程大学 | 一种基于低通滤波器的pid型一阶全格式无模型自适应航速控制算法 |
RU192058U1 (ru) * | 2019-05-07 | 2019-09-02 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Тихоокеанский государственный университет" | Имитатор комбинированный адаптивной системы управления структурно-параметрически неопределенными нелинейными объектами периодического действия с запаздыванием |
RU192059U1 (ru) * | 2019-05-07 | 2019-09-02 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Тихоокеанский государственный университет" | Имитатор адаптивно-периодической системы для нелинейных объектов с запаздыванием по состоянию в схеме управления с самонастраивающимся блоком динамической коррекции |
CN113985737A (zh) * | 2021-10-27 | 2022-01-28 | 湘潭大学 | 具有时间延迟和数据包丢失的网络化控制***的研究 |
CN114488818B (zh) * | 2022-01-28 | 2023-09-29 | 青岛科技大学 | 一种pid控制***的设定点迭代学习优化方法 |
CN115268261A (zh) * | 2022-08-12 | 2022-11-01 | 中国船舶集团有限公司第七一六研究所 | 一种基于双喷水推进器无人艇的改进mfac控制方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5394322A (en) * | 1990-07-16 | 1995-02-28 | The Foxboro Company | Self-tuning controller that extracts process model characteristics |
US5159660A (en) * | 1990-08-09 | 1992-10-27 | Western Thunder | Universal process control using artificial neural networks |
ATE163777T1 (de) * | 1990-10-10 | 1998-03-15 | Honeywell Inc | Identifizierung eines prozesssystems |
US5367612A (en) * | 1990-10-30 | 1994-11-22 | Science Applications International Corporation | Neurocontrolled adaptive process control system |
IT1250530B (it) * | 1991-12-13 | 1995-04-08 | Weber Srl | Sistema di controllo della quantita' di carburante iniettato per un sistema di iniezione elettronica. |
JPH06131009A (ja) * | 1992-10-20 | 1994-05-13 | Fujitsu Ltd | フィードバック制御装置 |
US5486996A (en) * | 1993-01-22 | 1996-01-23 | Honeywell Inc. | Parameterized neurocontrollers |
FR2705944B1 (fr) * | 1993-04-26 | 1995-12-29 | Hughes Aircraft Co | Système et procédé de commande d'un spationef. |
US5513098A (en) * | 1993-06-04 | 1996-04-30 | The Johns Hopkins University | Method for model-free control of general discrete-time systems |
US5642722A (en) * | 1995-10-30 | 1997-07-01 | Motorola Inc. | Adaptive transient fuel compensation for a spark ignited engine |
US5781700A (en) * | 1996-02-05 | 1998-07-14 | Ford Global Technologies, Inc. | Trained Neural network air/fuel control system |
US5992383A (en) * | 1996-05-28 | 1999-11-30 | U.S. Philips Corporation | Control unit having a disturbance predictor, a system controlled by such a control unit, an electrical actuator controlled by such a control unit, and throttle device provided with such an actuator |
US5705956A (en) * | 1996-07-12 | 1998-01-06 | National Semiconductor Corporation | Neural network based PLL |
-
1998
- 1998-08-28 US US09/143,165 patent/US6556980B1/en not_active Expired - Lifetime
-
1999
- 1999-08-24 CN CNB998102733A patent/CN1242307C/zh not_active Expired - Fee Related
- 1999-08-24 WO PCT/US1999/019371 patent/WO2000013071A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
CN1316070A (zh) | 2001-10-03 |
US6556980B1 (en) | 2003-04-29 |
WO2000013071A1 (en) | 2000-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1242307C (zh) | 工业过程的无模型自适应控制器及控制*** | |
CN1251039C (zh) | 无模型自适应过程控制 | |
CN1225679C (zh) | 最速地实现自抗扰反馈控制的方法及其装置 | |
CN1242308C (zh) | 定位伺服控制器 | |
CN1066831C (zh) | 控制器和自适应修改参数的方法 | |
CN1169031C (zh) | 使用非线性预测控制来控制化学反应器的方法 | |
CN1057852C (zh) | 过程控制装置及调整过程控制装置中控制器的工作参数的方法 | |
CN1449511A (zh) | 多变量矩阵处理控制 | |
CN1063381A (zh) | 电压或无功控制方法及其控制设备 | |
CN1100379C (zh) | 电力变换装置 | |
CN1596030A (zh) | 数字音频预补偿 | |
CN1058204C (zh) | 轧机中控制形状的方法 | |
CN1691130A (zh) | 图像处理设备、方法和程序 | |
CN1484118A (zh) | 过程控制器的无模型自适应 | |
CN1217479C (zh) | 同步电动机控制器 | |
CN1292081C (zh) | 热处理装置、热处理方法及记录热处理程序的记录介质 | |
CN1892524A (zh) | 控制方法、温度控制方法、调整装置、温度调节器、程序、记录媒体和热处理装置 | |
CN101046682A (zh) | 一种预测热轧含Nb带钢组织及力学性能的方法 | |
CN1026622C (zh) | 两自由度控制装置 | |
CN1723453A (zh) | 用于处理声场表现的方法和*** | |
CN1770864A (zh) | 基于avs的4×4离散余弦变换的快速并行装置及其方法 | |
CN1954931A (zh) | 卷绕温度控制装置和控制方法 | |
CN1460227A (zh) | 信号处理设备 | |
CN1297063C (zh) | 电机控制装置 | |
CN1267795C (zh) | 控制器的设计装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20060215 Termination date: 20170824 |