第8章YANG复杂过程控制系统

过程控制与自动化仪表主讲教师：杨延西西安理工大学自动化与信息工程学院

信息与控制工程系

第八章复杂过程控制系统1、有些工业过程，输入、输出变量至少在两个或两个以上，而且变量之间还存在相互耦合和相互影响，这样的过程称之为多输入/多输出过程，简称多变量过程；2、有的单变量过程的某些特征参数，如放大倍数、时间常数、纯滞后时间等，随时间不断地变化，这样的过程称之为特征参数时变过程；3、有的过程的主要干扰量和过程的输出量都无法用仪器仪表测量或难以测量；4、有的过程的参数模型难以得到，能够得到的却是表征输入、输出关系的非参数模型，如阶跃响应曲线或脉冲响应曲线等；5、有的过程连输入、输出响应曲线也很难得到，所能得到的只是根据人的操作经验总结出来的一系列“如果……则……”控制规则等。如何控制？第八章复杂过程控制系统一多变量解耦控制系统二适应性控制系统三推理控制系统四预测控制系统五模糊控制系统一、多变量解耦控制系统1.多变量过程及其耦合:多变量耦合实例1:图中，精馏塔的塔顶温度控制系统和塔底温度控制系统存在耦合现象。精馏塔温度控制系统再沸器回流QL塔底产品QW精馏塔T2CT2TT1C蒸汽QS进料F塔顶产品QDu2T1T冷凝器回流罐干扰使得T2T2C输出QsT2T1T1C输出T1T2多变量耦合实例2:回流量QL实例3：流量与压力耦合控制

干扰使压力升高→通过调节→开大阀1的开度，增加旁路回流量，减小排出量，迫使压力回到给定值上；同时，压力的升高→调节阀2前后的压差增大，导致流量增大。此时，通过流量控制回路，关小调节阀2的阀门开度，迫使阀后流量回到给定值上。由于阀后流量的减小又将引起阀前压力的增加。结果导致系统无法工作。耦合过程的特点：任意一个控制作用发生变化，将会影响其他被控量的变化，甚至导致各控制回路无法工作。多变量解耦控制的问题1)耦合程度的度量方法;2)被控变量与控制变量的配对问题;3)减少耦合程度或解耦的方法;需解决的问题:2.相对增益与相对增益矩阵为了方便研究将被控制对象的特性分为静态和动态两部分，以下解耦方法主要研究系统的静态特性！耦合程度的度量方法1)第一放大系数——开环增益

各个系统处于开环状态，此时给u1加入扰动则y1和y2都发生变化，则相应的变化增益为耦合程度的度量方法2)第二放大系数——闭环增益将其它控制回路闭环，此时给u1加入扰动，则y1和y2都变化，但是y2在闭环的作用下很快趋于原始值，u2通过耦合支路影响y1，因此y1的变化有两部分组成，耦合程度的度量方法直接通道作用耦合通道作用第二放大系数相对增益3)相对增益第二放大系数第一放大系数相对增益的求取输入—输出的静态关系：4)相对增益的求取—1.偏微分方法u2为变量;y2为常量，用y2表达u2!相对增益的求取相对增益矩阵相对增益矩阵特点？相对增益矩阵的特点推广到一般情况，也成立。由上可知:即每行元素之和为1而且每列元素之和为1相对增益矩阵的特点作用1:简化相对增益矩阵的求取作用2:揭示系统耦合的强度。耦合特性的评价准则相对增益与耦合特性即：当某通道的相对增益越接近于1，则由该通道组成的控制回路受其他控制回路的影响就越小；当各控制回路之间无耦合关系时，则构成回路的每个过程通道的相对增益都应为1，因而无耦合过程的相对增益矩阵必为单位阵。耦合特性的评价准则基于以上分析，通常将相对增益所反映的耦合特性以及“变量配对”措施归纳如下（以2×2过程为例）：

耦合特性的评价准则相对增益矩阵的求取理论说明：2.增益矩阵计算法由开环增益矩阵直接求出相对增益矩阵变量配对方案例1：三种流体混合过程3.相对增益矩阵与变量配对控制要求：1:稳定热量H11和H222:稳定总流量Q假设：两侧管道对称变量配对方案U2QU1,U3H11,H22控制方案：六种变量配对方案方案之一变量配对实例已知：变量配对实例H11QH22U1U2U3U1QU2H11或H22可选控制正确方案1U3QU2H11或H22可选控制正确方案2只需要两套控制系统，简单易行，节约成本！1、前馈补偿设计法4解耦控制系统的设计

所谓解耦设计，就是设计一个解耦装置，使其中任意一个控制量的变化只影响其配对的那个被控变量而不影响其他控制回路的被控变量，即将多变量耦合控制系统分解成若干个相互独立的单变量控制系统。补偿器的设计问题：GB(s)

如何实现？对模型的依赖性强，当输入－输出变量较多时，则不宜采用。解耦控制器依据前馈补偿的原理，有对角矩阵设计法2、对角矩阵设计法设令则对双变量控制系统为：即注意：此方法需要合理设计目标对角阵的传递函数！设计后的结构图3、单位矩阵设计法设则不但解除了控制回路间的相互耦合，而且改善了被控过程的动态特性，使每个等效过程的特性为1，大大提高了控制系统的稳定性，提高了控制系统的质量。但是，解耦装置，完全依赖于过程的动态特性，这给物理实现带来一定的难度。

4、解耦控制系统的简化设计比较常用的方法有：当过程模型的时间常数相差很大时，则可以忽略较小的时间常数；当过程模型的时间常数相差不大时，则可以让它们相等。

4、解耦控制系统的简化设计例：一个三变量控制的过程传递函数阵为根据上述简化原则，传递函数矩阵最终简化为最后，利用对角矩阵法或单位矩阵法，依据简化后的传递函数矩阵求出解耦装置。5．解耦控制系统设计举例

两种料液q1和q2经均匀混合后送出，要求对混合液的流量q和成分a进行控制，流量q和成分a，分别由q1和q2进行控制。静态关系式为相对增益矩阵为控制要求：1:稳定混合液体成分a2:稳定流量q。5．解耦控制系统设计举例静态关系式为若已知q1＝q2＝25，则a＝0.5，若测得被控过程的特性为：当采用对角矩阵设计法时，设期望的等效过程特性为：则解耦装置的数学模型为：式中:

可知，成分和流量控制系统存在相同的耦合，无论怎样进行变量配对，都不能改变彼此间的耦合程度，因而解耦设计是必需的。若采用单位矩阵设计法时，期望的等效过程特性为：则解耦装置的数学模型为：式中采用单位矩阵设计法所得解耦装置要比对角矩阵设计法复杂（多了微分环节），但期望的等效过程特性却比对角矩阵设计法有很大的改善。多变量解耦控制小结1.多变量过程及其耦合；2.相对增益与相对增益矩阵；3.变量配对方案；4.解耦控制系统设计方法。自适应控制系统实例

采用此方法整定PID参数还可以克服被控对象的时变和非线性甚至可以实现智能PID的算法。二、适应性控制系统最简单的模型参考自适应控制：适应性控制与自适应控制的区别

课本介绍的适应过程参数变化的控制系统，实际上是模型参考自适应控制系统的一种特例和简化！参考模型最简单的模型参考自适应控制上面介绍的模型参考自适应控制还有另外一种实现方法！变化了最速下降法及其应用对与二维的下山问题，只要沿着负梯度方向总能走到山下，也就是达到最优。在可以到达山下的所有路径中必有一条所需时间最短。只有每一步都沿着最大负梯度方向前进才可能最快到达山下，也就是最速下降路线。对与多参数的寻优问题其误差曲面是极为复杂的超曲面！例如神经网络控制中的权值修正问题！如果误差曲面不单调，存在多个极值点，则最速下降法很容易陷入局部极值，有多种方法用来解决最速下降法的局部极值问题！

可以把寻优问题形象的比喻为盲人下山问题！特殊对象的适应性控制方法过程特性的近似描述：1、适应静态增益变化的控制策略。2、适应纯时延时间变化的控制策略3、适应时间常数变化的控制策略1、适应静态增益变化的控制策略理论分析：当环境变化引起设控制目标函数为根据最速下降法有：控制算法推导方向2、适应纯时延变化的控制策略理论分析:当环境变化引起设控制目标函数为根据最速下降法有控制系统结构3、适应时间常数变化的控制策略理论分析:当环境变化引起设控制目标函数为根据最速下降法有控制系统结构三、推理控制系统1、问题的提出加热炉的效率控制系统

在加热炉燃烧效率的控制问题中被控制量燃烧效率不可测,同时来自燃料油的燃烧热值变化也不可测.因此既不能反馈控制也不能前馈控制。

类似的控制问题在生产过程中时有出现,尤其是在化工生产过程中!

解决问题的途径之一是引入一个与被控参数密切相关的可测副参数。副参数控制的系统结构

采用副参数控制的问题？含氧量燃烧效率风门开度燃料量

采用控制含氧量间接控制燃烧效率。副参数控制的问题

考察系统的设定值扰动响应:副参数控制的问题

由此可见这种控制系统在两种扰动作用下均为有差调节,在控制品质要求较高时必须采用其他方式!推理控制系统的基本构成2、推理控制的实现由图可得：

可得设若设则有＝0的传递函数为上式表明，

取决于被控过程各通道的动态特性。若已知过程各通道的估计值为

动态特性的估计值，则可得式中，过程的控制输入为进一步改写后，则有

推理控制系统的实现推理控制器

推理控制系统框图推理控制的基本特征3、推理控制的基本特征1）实现信号分离2）估计不可测扰动

推理控制的基本特征3）实现理想控制对给定和干扰作用分别进行分析推理控制的基本特征3）实现理想控制

简化只考虑给定时

推理控制的基本特征3）实现理想控制

简化只考虑干扰时

推理控制的基本特征3）实现理想控制

简化推理控制的基本特征3）实现了理想控制推理控制系统的实现问题4、推理控制器的实现问题推理控制系统的实现问题控制器难以实现推理控制系统的实现问题推理控制器的实现推理控制器的实现

在工业实际中使输出完全跟踪输入设定值经常是不现实的，这将导致控制量的剧烈波动甚至达到饱和！给系统引入一个滤波器使系统“柔化”则系统的特性会更为理想！如果合适的副参数找不到也可考虑串接滤波器！

使用推理控制最早是为了解决输出和干扰均不可测的控制系统，但使用中发现对于输出可测，扰动不可测的系统控制效果也比传统PID好！简化！5、输出可测条件下的推理控制输出可测条件下的推理控制系统框图1）系统构成这里不需要副参数输出，只需要估算一个估计模型分子分母同乘2）模型误差的影响可见模型误差对稳态响应没有影响！GF(∞)=1，则该项为03）等效变换6性能分析：1）与前馈－反馈控制相比

a）不要求扰动可测；b)无需建立扰动通道的数学模型；c)前馈控制只对特定的扰动有效，而推理控制则不然。2)与预估控制的区别及联系推理控制的Smith预估控制系统框图7推理控制系统的应用要使模型尽可能逼近实际系统就必须给模型加入限副器！理论上推理控制没有输出限幅的问题，但实际的执行器却存在饱和问题。饱和问题会使实际输出与模型输出产生偏差并在系统中积累！这个问题存在于所有用模型估计系统输出的场合，包括Smith预估和其他多种控制方法！示例：该过程的主要输出和干扰不可测，要求设计其推理控制系统，并确定估计器和推理控制器的模型。解：估计器模型设惯性滤波器的模型为推理控制器的模型为8推理—反馈控制系统

在实际生产中，过程模型不可能与实际过程完全匹配，因而系统的主要输出也不可避免地存在稳态误差。为了消除主要输出的稳态误差，应引入主要输出的反馈。但由于主要输出又不可测量，所以必须采用推理方法估算出主要输出量，从而构成推理——反馈控制系统。

推理—反馈控制系统框图

由上图可得：

不可测干扰的估算式为将上式代入主要输出变量的表达式可得上式表明，主要输出变量的估计值是可测的辅助输出变量和控制变量的函数，将它作为反馈量可构成推理－反馈控制系统。当模型不存在误差时，则有

上式说明反馈信号是实际的主要输出变量，此时只要控制器中包含积分调节规律，就能够保证主要输出的稳态误差为零；当存在模型误差时，同样可以通过适当选择调节规律，也能够实现对设定值变化的良好跟踪和对干扰的有效抑制。四、预测控制系统有什么问题？回顾基于这种思路的控制方法就是预测控制系统！预测控制的思想三项关键技术：

预测模型滚动优化反馈校正

如果系统的模型已知，则在施加控制前就可以根据期望的输出求解一个合适的控制量，理想情况下采用该控制量对系统施加控制即可达到预期的输出！模型预测控制(MPC)原理框图

模型预测控制（ModelPredictiveControl：MPC）是20世纪80年代初开始发展起来的一类新型计算机控制算法。该算法直接产生于工业过程控制的实际应用，并在与工业应用的紧密结合中不断完善和成熟。模型预测控制算法由于采用了多步预测、滚动优化和反馈校正等控制策略，因而具有控制效果好、鲁棒性强、对模型精确性要求不高的优点。实际中大量的工业生产过程都具有非线性、不确定性和时变的特点，要建立精确的解析模型十分困难，所以经典控制方法如PID控制以及现代控制理论都难以获得良好的控制效果。而模型预测控制具有的优点决定了该方法能够有效地用于复杂工业过程的控制，并且已在石油、化工、冶金、机械等工业部门的过程控制系统中得到了成功的应用。目前提出的模型预测控制算法主要有基于非参数模型的模型算法控制（MAC）和动态矩阵控制（DMC），以及基于参数模型的广义预测控制（GPC）和广义预测极点配置控制（GPP）等。其中，模型算法控制采用对象的脉冲响应模型，动态矩阵控制采用对象的阶跃响应模型，这两种模型都具有易于获得的优点；广义预测控制和广义预测极点配置控制是预测控制思想与自适应控制的结合，采用CARIMA模型（受控自回归积分滑动平均模型），具有参数数目少并能够在线估计的优点，并且广义预测极点配置控制进一步采用极点配置技术，提高了预测控制系统的闭环稳定性和鲁棒性。。

2

yu143未来过去k时刻

1—控制策略Ⅰ

2—控制策略Ⅱ

3—对应于控制策略Ⅰ的输出

4—对应于控制策略Ⅱ的输出基于模型的预测控制示意图1预测模型(内部模型)

预测模型的功能

根据被控对象的历史信息和未来输入，预测系统未来响应。预测模型形式参数模型：如微分方程、差分方程非参数模型：如脉冲响应、阶跃响应2滚动优化(在线优化）控制目的通过某一性能指标的最优,确定未来的控制作用优化过程随时间推移在线优化，反复进行每一步实现的是静态优化全局看却是动态优化2滚动优化(在线优化)滚动优化示意图

uuyryryk时刻优化213yk+1时刻优化213k+1kt/T1─参考轨迹yr(虚线)2─最优预测输出y(实线)3─最优控制作用u3反馈校正

预测控制是一种闭环控制算法，在通过优化确定了一些列未来的控制作用后，为了防止模型失配或环境干扰引起的偏差，预测控制通常不把这些控制作用逐一全部实施，而只是实现本时刻的控制作用，到下一个新的采样时刻，都要通过实际测到的输出信息对基于模型的预测输出进行修正，然后再进行新的优化。不断根据系统的实际输出对预测输出值作出修正使滚动优化不但基于模型，而且利用了反馈信息，构成闭环优化。反馈校正的形式是多样的，可以在保持预测模型不变的基础上对未来的误差作出预测并加以补偿，也可以根据在线辨识的原理直接修改预测模型。误差校正示意图yukk+141231─k时刻的预测输出2─k＋１时刻实际输出

3─预测误差4─k＋１时刻校正后的预测输出t/T3反馈校正(误差校正)

预测控制是一种基于模型、滚动实施并结合反馈校正的优化控制算法；一般用于采样系统，由计算机实现。预测控制原理总结优化策略意义：反映了人们在处理不确定性问题时的一种通用思想方法。如人在过马路时，不必去看左右很远处有无车辆，而只需看近几十米处，但需要边走边看，以防意外！基于被控对象的单位阶跃响应适用于渐近稳定的线性对象即，设一个系统的离散采样数据{a1，a2，…，aN}，则有限个采样周期后，满足

4动态矩阵控制(DMC)4动态矩阵控制(DMC)DMC算法中的模型参数有限集合aT={a1，a2，…，aN}中的参数可完全描述系统的动态特性，N称为建模时域。系统的渐近稳定性保证模型可用有限的阶跃响应描述系统的线性则保证了可用线性系统的迭加性等模型截断y0123a3a2

a1NN-1aNaN-1t/TDMC的预测模型(1)系统的单位阶跃采样数据示意图DMC的预测模型(2)t=kT时刻预测未来N个时刻的输出无控制作用

u(k)的预测输出为（零输入）

考虑有控制作用

u(k)时的预测输出为

k

根据输入控制增量预测输出的示意图aP-M+1Δu(k+M-1)a1Δu(k+1)

k+1k+2

k+3

k+Pt/Ta1Δu(k)a2Δu(k)a3Δu(k)a2Δu(k+1)a1Δu(k+2)aP-1Δu(k+1)aPΔu(k)DMC的预测模型(3)

M个连续的控制增量

u(k)，

u(k+1)，…

u(k+M-1)作用下，系统在未来P时刻的预测输出A称为DMC的动态矩阵，P是滚动优化时域长度，M是控制时域长度。DMC的滚动优化(1)滚动优化的性能指标通过优化指标，确定出未来M个控制增量，使未来P个输出预测值尽可能地接近期望值W。不同采样时刻,优化性能指标不同,但都具有同样的形式,且优化时域随时间而不断地向前推移。其中为权系数，分别表示对跟踪误差及控制量变化的抑制。未来P个时刻:

DMC的滚动优化(2)控制增量的最优开环解在采样时刻t=kT,

根据性能指标，可求出控制增量的最优开环解由于完全根据预测模型，故为开环解。动态矩阵控制的优化策略示意图

k

k+Mk+Pt/TΔu(k+M-1)u(k+i)(i≥M-1)u(k)Δu(k)u(k+1)ΔuM(k)w(k+1)TMTP

k

k+Mk+Pt/TwP(k)w(k+2)w(k+P)优化问题(1)无约束优化问题：求优化变量：优化问题(2)约束优化问题：求优化变量：无约束优化问题求解(1)思路：代入预测方程，对控制向量求导无约束优化问题求解(2)首先，写出预测模型向量形式：其中A是由阶跃响应系数组成的矩阵，称为动态矩阵。性能指标写成向量形式：其中无约束优化问题求解(3)将式(2)代入式(1)可得：(1)(2)由极值必要条件可得：获得的最优值。无约束优化问题求解(4)滚动实施DMC只取即时控制增量构成实际控制到下一时刻，提出类似的优化问题，求解其中，M维行向量表示取首元素的运算P维行向量为控制向量

一旦优化策略确定（即P、M、Q、R

已定），则可一次离线计算出。在线求解就可简化为直接计算控制律(3)。(3)DMC的反馈校正模型失配环境干扰…利用实时信息对基于模型的预测进行修正，再进行新的优化。

预测模型(不变)+未来的误差

直接修改预测模型(在线辨识）反馈校正－校正误差

k时刻:把控制作用u(k)加于对象,利用预测模型可知其作用下未来时刻的输出预测值一步滚动后,它们可作为时刻k+1的初始预测值k+1时刻：检测对象的实际输出y(k+1),与模型预测值相比较，得到输出误差：反馈校正－修正方式采用对误差e(k+1)加权的方式修正对未来的预测其中反馈校正－状态更新

k+1时刻：预测未来时间点转移到k+2,…,k+1+N

设置初始预测值：其中k+1时刻的初始预测值按以上步骤可进行k+1时刻的优化计算，计算。DMC的反馈校正误差校正及移位设初值示意图

k

k+3

k+1k+2k+Nk+N+1t/Th2e(k+1)

y(k+1)e(k+1)h3e(k+1)

y(k)

实际轨迹

DMC小结基于预测模型和线性系统比例、叠加性质的输出预测基于最优跟踪和控制软约束性能指标的在线滚动优化基于实时检测信息的误差预测与校正举例：单变量DMC设计过程单变量DMC设计过程预测模型滚动优化反馈校正单变量DMC(1)1.

预测输出P

维预测输出值P维初始预测值P×M维动态矩阵AM维控制增量历史信息每一时刻信息已知动态更新模型信息离线辨识获得一旦确定保持不变未来输入在线优化获得单变量DMC(2)2.

目标函数P维期望参考轨迹w

P×P维误差权矩阵Q

M×M维控制权矩阵R单变量DMC(3)3.

控制增量其中，M维行向量表示取首元素的运算P维行向量为控制向量

4.

控制作用输出N维预测输出值N维初始预测值N维模型向量单变量DMC(4)5.

反馈校正6.

状态更新单变量DMC(5)对象

++--控制预测校正单变量动态矩阵控制离线计算检测对象的阶跃响应，经光滑后得到模型系数利用仿真程序确定优化程序，计算控制系数选择校正系数单变量DMC算法离线计算(1)单变量DMC算法离线计算(2)所需内存入口检测实际输出y并计算误差y-y(1)→e预测值校正移位设置该时刻初值设置控制增量计算控制量计算输出预测值返回单变量DMC算法在线计算(1)DMC在线计算流程单变量DMC算法在线计算(2)所需内存DMC参数设计原始参数采样周期T优化性能指标有关：优化时域P控制时域M误差权矩阵Q控制权矩阵R校正参数hDMC参数设计(1)1.

采样周期T与模型长度N采样周期T的选择应满足香农采样定理，并取决于被控对象的类型及其动态特性：对单容对象，可取，这里是对象的惯性时间常数对振荡对象，可取，这里是振荡周期对滞后对象，可取，这里是对象的纯滞后时间DMC参数设计(1)1.

采样周期T与模型长度N计算机内存和实时计算的需求:模型维数N保持在20~50模型参数尽可能地包含对象的动态信息:t=NT之后阶跃响应已经接近稳态值，即。计算量增加抗干扰能力弱DMC参数设计(1)1.

采样周期T与模型长度N对于电气、机械等动态较快的对象，T

选择较小适合过程动态要求。对于过程量（如温度、液位、流量等）控制，取N为20～50。若对抗干扰性要求高，则需进一步减小T。为避免N过高，采用截断模型。对第N

个输出之后的预测值，采用指数式递推形式：对于过渡时间长的对象，先用PID控制加速其动态后，再用DMC进行优化控制，该为“透明控制”结构。抗干扰由内部PID控制处理，因此可采用较大的T和较低的N。DMC参数设计(2)2.

优化时域P和误差权矩阵Q优化时域P和误差权矩阵Q对应着性能指标中的下述项：P：表示对k时刻起未来多少步的输出逼近期望值感兴趣Q：权系数、反映了对不同时刻逼近的重视程度DMC参数设计(2)优化范围必须包含装置的主要动态变化部分，因此优化时域P必须超过装置阶跃响应的时滞部分，或由非最小相位特性引起的反向部分，并覆盖动态响应的主要部分。为使系统稳定，通常选择P和Q满足如下条件(必要条件)：P＝1，优化问题退化为最小拍控制，快速但稳定性和鲁棒性差P

取充分大，优化问题接近稳态优化，稳定性好但动态响应缓慢2.

优化时域P

和误差权矩阵QDMC参数设计(2)首先令，然后选择P，使优化时域包含对象阶跃响应的主要动态部分。以此初选结果进行仿真。若快速性不够，可适当减小P；若稳定性差，则可加大P。2.

优化时域P

和误差权矩阵

Q对应误差大，则加大权值。DMC参数设计(3)3.

控制时域M控制时域M在性能指标中表示了所要确定的未来控制量改变的数目，一般M

≤P。M是优化变量的个数，在P已确定的情况下，M越小，越难保证输出在各个采样点紧密跟踪期望值，所得性能指标越差。需要增加M（控制变量的个数）来提高控制的能力。M

对应于矩阵的维数，在计算动态控制系统时，必须对该矩阵求逆。减少M

有利于控制系统的计算。减少M

有利于控制系统的计算。增大（减小）P与减少（增大）M有着类似的效果。通常可根据对象的动态特性首先选定M，然后只需对P进行整定。系统越容易稳定DMC参数设计(4)4.

控制权矩阵R在整定时，可先置r=0，若相应的控制系统稳定而控制量变化太大，则可略为加大r。实际上取一个很小的r值，就足以使控制量的变化趋于平缓。DMC参数设计(5)5.校正参数h误差校正向量h

的选择独立于其它设计参数，是DMC算法中唯一直接可调的运算参数。形式1：

相当于滤波器形式选择

控制系统的鲁棒性随的减小而增强当，鲁棒性增强，但对扰动的灵敏度下降，抗干扰性差

当，则抗干扰性增强，鲁棒性差DMC参数设计(5)5.校正参数h

相当于滤波器形式选择

由于滤波器中近似引入一个零点，有助于部分抵消扰动响应的极点，故具有较好的抗干扰性，但对模型失配的鲁棒性将会变差。形式2：DMC参数设计(5)5.校正参数h选择校正系数h

遵循的两个原则：

校正参数h的选择归结为参数的有规则的简易表达式，使得h的整定简易可行。

h的类型可根据控制要求的侧重选择形式，但其中参数的选择应该兼顾到抗干扰性和鲁棒性的要求。校正系数h

可在算法中在线设置和改变。DMC参数整定DMC控制的参数整定步骤根据对象的类型和动态特性确定采样周期T，获得相应的经光滑的阶跃响应系数取优化时域P

覆盖阶跃响应的主要动态部分，P的取值可按1，2，4，8，…的序列挑选。初选P后，取初选r=0，并取定控制时域DMC参数整定计算控制系数d，仿真验证控制系统的动态响应。

(1)若部稳定或动态过于缓慢，可调整P直至满意为止。

(2)若对应上述满意控制的控制量变化幅度偏大，可略为加大r。5.根据控制要求的侧重点，选择校正参数h的类型，通过仿真选择参数，兼顾鲁棒性和抗干扰要求。MATLAB编程离散化T=0.01;%离散化时间plant=c2d(system,T);nump=get(plant,'num');nump=nump{:};%获得分子项系数denp=get(plant,'den');denp=denp{:};%获得分母项系数nnump=length(nump)-1;%分子项系数个数（阶次）ndenp=length(denp)-1;%分母项系数个数（阶次）3.574e-006z^3+3.912e-005z^2+3.9e-005z+3.539e-006plant=-------------------------------------------------------------------------------------------

z^4-3.957z^3+5.898z^2-3.925z+0.9841MATLAB编程作阶跃响应（粗）step(system);分析阶跃响应曲线，确定截断时间、采样周期和模型长度截断时间tend=8模型长度N=40采样周期Ts=0.2作阶跃响应stepresp=step(plant,[T:T:tend]);MATLAB编程获得模型向量aa=stepresp((Ts/T):(Ts/T):tend/T);%获得模型向量a，N*1维a＝[0.37281.81381.63521.13350.22510.71