微型计算机控制技术上课课件第09章新型控制系统

第9章新型控制系统解耦控制

推断控制

自适应控制

预测控制

模糊控制

神经元网络控制

智能控制与专家系统

故障检测与故障诊断

解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测什么是耦合？如果需要同时控制泵出口的压力和流量试分析两个控制系统的运行情况……分析结果：压力和流量两个控制系统是相互影响的这种现象称为“耦合”或者“关联”的这类系统往往容易产生过调现象，两个系统不停振荡。

解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测压力控制回路压力设定泵出口压力＋－流量控制回路流量设定泵出口流量＋－对象解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测如何进行解耦控制？解耦控制的目的：解除耦合（关联）或减小耦合（关联）实现解耦控制的手段：分4种情况解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测(1)减少控制回路2个回路，捡一个重要的回路进行控制，另一个次要回路不控制例如，在精馏塔的控制系统设计中，工艺对塔顶和塔底的组分均有一定要求时，若塔顶和塔底的组分均设有控制系统，这两个控制系统是相关的，在扰动较大时无法投运。为此，目前一般采用减少控制回路的方法来解决。如塔顶重要，则塔顶设置控制回路，塔底不设置质量控制回路而往往设置加热蒸汽流量控制回路。

解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测(2)通过控制器参数来减小两个回路的耦合度通过整定控制器参数，使两个控制回路的工作频率错开具体实现方法：把其中一个（次要）系统的比例度积分时间放大，使它受到干扰作用后，反应适当缓慢一些，调节过程长一些。如果把流量作为主要被控变量，那么流量控制回路按正常方法进行整定，保证有控制精度、灵敏度的响应要求；而把压力作为从属的被控变量，压力控制回路整定得“松”一些，即比例度大一些，积分时间长一些。这样，对流量参数的调节是及时的、精确的、显著的，而对压力参数的调节是微弱的、缓慢的，这样就减少了关联作用。当然，在采用这种方法时，次要被控变量的控制品质往往较差，这种方法只能在工艺允许的情况下使用。

解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测(3)正确匹配被控变量与控制变量对有些系统来说，减少与解除耦合的途径可通过被控变量与控制变量间的正确匹配来解决，这是最简单的有效手段。

热物料冷物料TCFC如图：究竟选热物料的流量作为温度的控制变量，还是冷物料的流量作为温度的控制变量？假设：热物料的温度为90℃的水冷物料的温度为10℃的水要求：混合成80℃的温水此时，应选择冷物料作为温度的控制变量控制变量的选择依据，控制通道的放大倍数要大些。此例中，由于被控温度设定值较高，稍微改变冷物料的流量对混合物料温度的影响比较明显。(4)正儿八经的解耦控制压力控制回路压力设定泵出口压力＋－流量控制回路流量设定＋－对象泵出口流量解耦器解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测推断控制两种实际情况：

被控变量能直接测得

可以采用“反”馈控制

主要干扰能直接测得

可以采用“前”馈控制

被控变量、主要干扰都不能直接测得

怎么办？利用数学模型由可测信息将不可测的输出变量推算出来实现反馈控制，或将不可测扰动推算出来以实现前馈控制这种控制方式称为推断控制解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测基本思路：

控制变量被控变量(不可测)主要干扰(不可测)寻找一可测的辅助输出辅助变量(可测)引入估计器，推断出估计值n(s)

设定值＋－反馈到推断控制器如果(精确)已知且通过估计器使推断出估计值n(s)满足设计推断控制器，并满足必将有解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测特点：推断控制系统的成功与否，在于是否有可靠的不可测变量(输出)估计器，而这又取决于对过程的了解程度。如果过程模型很精确，就能得到理想的估计器，从而实现完善的控制。当过程模型只是近似知道时，推断控制的控制品质将随过程模型的精度不同而不同。由于推断控制是基于模型的控制，要获得过程模型精确的难度较大，所以这类推断控制应用不多。

解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测自适应控制自适应控制起始于20世纪50年代，推动自适应控制技术发展最初也是最强有力的原动力是飞行器的控制问题。随着航空航天技术的发展，飞行器的自动驾驶控制率先提出了自适应控制的要求，为此自适应控制技术取得了突破性的进展，进而被逐渐推广应用到过程控制领域。对于一般的控制理论，通常是假设被控对象的特性是已知的而且是确定的，但很多工业对象却不能满足这个假设条件。一方面，很多对象存在本质上的不确定性，例如环境因素的变化、负荷的变化、被控介质特性的变化等等，这些不确定的因素往往难以用数学关系式描述出来。另一方面，多数对象在本质上不可能被完全认识，如高阶近似、忽略分布参数特征等，也会导致对象模型与实际过程不完全匹配，使模型存在未建模特性。自适应控制的目的就是要求控制器能够自动补偿不确定因素的变化，使系统能自动地保持预期的控制状态和控制目标。

解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测一般来说，自适应控制对不确定性的识别和利用是“被动的”它在设计控制器的时候并没有直接考虑对象的不确定因素唯一的企图就是在运行过程中，通过辨识器及时地把不确定性映射到模型参数空间利用模型参数或结构的变化来反映不确定性的发生继而调整控制器的参数或结构，以保证控制系统达到期望的控制目标也就是希望控制器对不确定性具有实时适应的能力

解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测在前面介绍的控制系统中，其控制器参数均为固定值。原因：不考虑对象特性在工作过程中的变化但在实际生产过程中，有些（极少数）对象的特性是随时间而变化的，这些变化可能使工艺参数发生较大幅度的变化。如果对象特性变化较大，采用第7章、第8章所介绍的常规PID控制往往不能很好地适应工艺参数的变化，而导致控制质量下降。自适应控制系统能够通过测取系统的有关信息，了解对象特性的变化情况，再经过某种算法自动地改变控制器的可调参数，使系统始终运行在最佳状况下，从而保证控制质量不随工艺参数的变化而下降。解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测1.增益调度自适应控制

系统的工作原理是直接检测引起参数变动的环境条件（辅助变量f），直接查找预先设计好的表格选择控制器的增益，以补偿系统受环境等条件变化而造成对象参数变化的影响。这种方法的关键是找出影响对象参数变化的辅助变量f，并找到辅助变量f与最佳控制器增益的对应关系。

控制器增益调整环节被控对象＋－这是最简单的自适应控制系统，动作迅速，但参数补偿是按开环方式进行的。解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测2.模型参考自适应控制ModelReferenceAdaptiveControl简称MRAC1958年MIT的Whitaker教授提出了MRAC的原型，模型参考自适应控制系统（MRACS）包含内外两个环路：内环由控制器和对象组成一般的反馈回路，外环用于整定控制器的参数。MRACS的一个重要问题就是自适应机制的确定，自适应机制通常有基于稳定性理论的设计和基于局部参数最优化的设计两大类：前者主要的理论依据有Lyapunov稳定性理论、Popov超稳定性理论等等；后者的主导思想则可以概括为系统中包含有若干个可调参数，当对象特性发生变化时，自适应机构对这些可控制器调参数进行调整，使得由模型和对象间的误差所引起的性能指标趋于最小。控制器对象自适应机制参考模型ymy－eur－解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测3.自校正调节器Self-TuningRegulator，简称STR自校正调节器源于随机调节问题，主要针对离散时间模型的处理。STR的主导思想可以简单地概括如下：系统在运行过程中，估计器不断地辨识对象参数，修改预估模型，并相应地对控制器的控制律进行自动调整，或对控制器参数进行在线再整定，从而使其具有自校正控制的能力。

控制器对象估计器自适应机构yur－对象参数估计调节器参数估计解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测Conclusion对自适应控制本身来说，系统的稳定性、算法的收敛性以及系统的鲁棒性是三个关键问题。1982年C.E.Rohrs等对自适应控制的性能进行了分析，指出了即使是依据稳定性理论设计的自适应控制系统，如果被控对象存在未建模动态特性时，系统将存在固有的缺乏鲁棒性（unrobust），这一发现在控制界立刻引起了强烈的反响，于是也引发了关于自适应控制系统在出现未建模动态、时变、有界干扰、失配延时等非理想情况下的鲁棒性能研究，其中尤以未建模动态最重要。总而言之，自适应控制技术在过程控制领域已取得一系列了令人注目的成果，在工程实践中也获得了很多成功的应用。但是，自适应控制技术至今仍然不是一种非常成熟的技术，主要表现在自适应控制系统的稳定性、收敛性、信号条件和鲁棒性等问题尚未得到很好的解决，其中尤以自适应控制的鲁棒性问题最突出。因此，如何提高自适应控制系统的鲁棒性能自然就成了众人瞩目的焦点之一。解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测预测控制——内模控制内模控制是20世纪80年代初由C.E.Garcia和M.Morari首先提出的——内模控制器——实际对象模型——标称对象模型内模控制系统的闭环传递函数：如果满足则可见内模控制对设定值r(s)实际上等价于开环控制内模控制对干扰f(s)为闭环控制解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测——内模控制器的设计首先分解标称对象模型为模型的最小相位部分为模型的全通因子部分它包括所有时滞项和不稳定零点通常，内模控制器设计成其中为低通滤波器，如：它的作用包括两方面：一方面决定了内模控制的动态特性，另一方面要确保内模控制器是可实现的（通常为双正则）。供参考解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测——内模控制器的设计例

以典型的一阶时滞对象为例。设实际对象为标称对象为分解标称对象若低通滤波器取则可得到内模控制器因此，在理想情况下，内模控制的闭环特性是供参考解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测“买一送一”之Smith预估控制在1957年，O.J.M.Smith首先提出了著名的滞后预估补偿算法，称为Smith预估控制算法，它从理论上解决了大纯滞后的控制问题。如果如果满足标称对象与实际对象相等，因此，Smith预估控制的闭环传递函数可以看出，闭环传递函数的特征方程中将不包含纯滞后项，此时就把一个时滞对象的控制问题转化为无时滞对象的控制问题，这正是Smith预估控制的魅力所在。通常，Smith预估控制器取解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测Smith预估控制之评述对于大纯滞后对象来说，Smith预估器是一种简单、有效的控制方法。K.J.Åström等人对Smith预估器的频域特征进行了研究，认为预估器的本质就体现在相位的超前。但是由预估器引入相位的超前往往会伴随着系统对模型敏感性的增加，也就是说Smith预估控制需要精确的数学模型，当模型结构发生变化或模型参数产生较大的摄动时，Smith预估器的控制质量将显著恶化，甚至不及常规的PID控制，这也正是Smith预估控制至今仍难在工业过程中进行广泛应用的根本原因。近年来，关于Smith预估控制的研究有很多进展，也提出了各种各样修正的Smith预估控制器，这里把它大致归纳为三大类：Smith预估及其鲁棒控制Smith预估器的模型失配问题Smith预估及其自整定控制研究解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测模糊控制由于现实世界中存在未知和不确定的因素，很多对象都难以利用连续的因果模型来完整地描述它，模糊控制正是利用了模糊逻辑思想来解决这类对象的确定性控制问题。1965年L.A.Zadeh教授首先创造性地提出了模糊逻辑和模糊集理论，该理论主要在于模仿人的思维和行为习惯来获取数学描述的框架，为描述和处理模糊性现象提供了新的数学工具。而后，Zadeh又提出了把逻辑规则的语言描述转化为相关控制量的思想，为模糊控制技术的形成奠定了基础。解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测基本原理从系统结构上来说，模糊控制系统类同于一般的数字控制系统，对象的输出(被控变量)被反馈回输入端与给定值进行比较后得到偏差，偏差和偏差变化率输入到模糊控制器,由模糊控制器推断出控制量来控制对象。

由于对模糊控制来说，输入和输出都是精确的数值，而模糊控制原理是采用人的思维，也就是按语言规则进行推理的，因此必须将输人数据变换成语言值，这个过程称为精确量的模糊化，然后进行推理及控制规则的形成，最后将推理所得结果变换成实际的一个精确的控制值。

解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测输入变量的模糊化输入变量：e、c

所谓模糊化就是对e和c进行分割

在实际控制过程中，经常把输入变量和输出变量分成“正大”，“正中”，“正小”，“零”，“负小”，“负中”，“负大”这七级，称模糊分割为七级，用英文字母表示为{PL，PM，PS，ZE，NS，NM，NL}一个语言变量的各个模糊子集之间没有明确的分界线，反映在模糊子集的隶属度函数的曲线上，就是这些曲线必定是相互重叠的，这个相邻隶属度函数的合适选择的重叠正是一个模糊控制器相对于参数变化时具有鲁棒性(Robust)的原因所在。解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测输入变量的模糊化各种隶属度函数曲线形状对控制性能的影响不大，所以一般选择三角形或梯形，这不仅出于它们的形状简单，计算工作量少，也在于当输入值变化时，三角形状的隶属度函数比正态分布状的要具有更大的灵敏性。模糊控制器的非线线性能与隶属度函数总体的位置分布有密切关系，而每个隶属度函数的宽度与位置又确定了每个规则的影响范围，它们必须重叠，所以在设定一个语言变量的隶属度函数时，所要考虑的因素为：隶属度函数的个数、形状、位置分布和相互重叠程度等。解耦控制第9章推断控制自适应控制预测控制模糊控制神经网络专家系统

故障检测