【文章內容簡介】 方法是將被控對象的解耦、控制和辨識結合起來 ,可以實現參數未知或時變系統(tǒng)的在線精確解耦控制。 自適應解耦的方法將耦合項作為可測干擾 ,采用自校正前饋控制的方法 ,對耦合進行動、靜態(tài)補償。對最小相位系統(tǒng) ,采用最小方差控制律可以抑制交連 ,對非最小相位系統(tǒng) ,可以采用廣義最小方差控制律。只要最優(yōu)預報和性能指標函數中含有耦合項 ,就可以達到消除耦合的目的。上述解耦方法設計時需求解 Diophantine 方程 ,而方程的求解 ,未知數個數會少于方程個數 ,因此解出的只能是最小 二乘解 ,即近似解。如果增加“靜差 = 0”的約束 ,可以實現靜態(tài)解耦 ,但動態(tài)解耦仍不能完全實現。將開環(huán)解耦補償器與廣義預測控制結合提出的多變量自適應解耦控制算法 ,在線設計解耦補償器 ,實現了動態(tài)解耦 ,但算法復雜不便于在 DCS 上實現。而 將前饋解耦控制同廣義預測控制結合起來 ,可實現動態(tài)解耦又易于在 DCS 上實現。 多變量自適應解耦控制用于工業(yè)界 ,如工業(yè)電加熱爐上下加熱段爐溫的多變量自適應解耦 ,大型火力發(fā)電機組的機爐協(xié)調自適應解耦控制等 ,都取得良好控 中國礦業(yè)大學 2021 屆本科生畢業(yè)設計 第 4 頁 制品質?？梢钥闯? ,多變量自適應解耦控制技術在解 決復雜工業(yè)過程的自動控制問題方面有其獨到的優(yōu)勢和廣泛的應用前景。自適應解耦雖在一些領域獲得了成功的應用 ,但是要使這項技術得到廣泛應用 ,還需開展多變量自適應解耦控制技術與實際工業(yè)過程結合的應用研究。因為自適應解耦雖在一定程度上解決了系統(tǒng)不確定性問題 ,但是其本質要求在線辨識對象模型 ,所以算法復雜 ,計算量大 ,且它對過程動態(tài)建模和擾動的適應能力差 ,系統(tǒng)的魯棒性問題尚有待進一步解決 ,而且實際工業(yè)過程的動態(tài)特性往往比所建模型復雜得多 ,因此其應用范圍受到了一定限制。如何設計一個具有強魯棒性的多變量自適應 解耦控制系統(tǒng)是當前十分重要的理論課題 ； 在自適應情況下實現動態(tài)解耦的各種算法 ,也是有待進一步深入研究、發(fā)展和完善的理論課題。 魯棒控制 多變量魯棒解耦理論是魯棒控制理論的一個方向 ,其實質是通過設計魯棒預補償器 ,使攝動系統(tǒng)為魯棒對角優(yōu)勢 ,從而將多變量系統(tǒng)化為若干單變量系統(tǒng)來設計。 Arkun 首先給出了魯棒對角優(yōu)勢的定義。 目前魯棒解耦的研究主要使用以下幾種工具 : ① H∞方法和結構奇異值理論 ； ②線性矩陣不等式方法 (LMI) ； ③代數方法。解耦控制器對系統(tǒng)的不確定性往往比較敏感 ,對于 解耦參數 不確定性 ,提出了消除參數的魯棒動態(tài)解耦和魯棒靜態(tài)解耦方法。 運用 Doyle 的結構奇異值理論提出的不確定系統(tǒng)解耦控制器的設計方法 ,在保證閉環(huán)系統(tǒng)穩(wěn)定和動態(tài)性能前提下 ,使解耦控制器對范數約束的不確定系統(tǒng)做最大限度的解耦。 但總的看來 ,迄今所做的魯棒解耦只是針對特定系統(tǒng)討論特殊的解耦設計方法 ,以減少解耦控制器對系統(tǒng)參數的敏感性 ,但沒有系統(tǒng)地解決一般不確定系統(tǒng)的魯棒解耦問題 ,即怎樣恰當設計解耦控制器 ,使之在滿足穩(wěn)定性和魯棒性前提下 ,達到最大限度解耦。此外 ,解耦控制系統(tǒng)的動態(tài)性能和解耦性能往往是一對很 突出的矛盾。怎樣在保證起碼的動態(tài)性能前提下 ,設計最佳解耦控制器或者犧牲部分動態(tài)性能以換取解耦性能的改善 ,這些都是亟待解決的問題。目前 ,魯棒解耦已逐步由理論研究轉向應用研究 ,并得到了很好的應用效果。 智能解耦方法 智能解耦控制主要是指神經網絡解耦控制 [3]、 模糊解耦控制 [4]、以及遺傳算法解耦控制 [5], 由于它在解決非線性方面的獨特優(yōu)勢 ,使它在非線性系統(tǒng)解耦控制方面得到了廣泛的關注。它可以實現對線性和非線性系統(tǒng)在線精確解耦 ,解決了傳統(tǒng)解耦方法不易實現精確解耦的問題。 其中神經網絡由于可 以任意精度逼進任意函數 , 并具有自學習功能 ； 當對象的輸入輸出之間沒有明確的映射關系時 , 通過建立相應的模糊規(guī)則進行模糊解耦控制是常用的一種選擇。 遺傳算法由于具有全局優(yōu)化能力 , 因此在解耦控制中需要進行參數優(yōu)化和數值尋優(yōu)時 , 遺傳算法更具有獨特的優(yōu)勢。 [6] 中國礦業(yè)大學 2021 屆本科生畢業(yè)設計 第 5 頁 (1)模糊解耦控制 主要有兩大類方法 :一類是直接解耦方法 ； 另一類是間接解耦方法。直接解耦法是國內外研究較多的一種解耦方法。直接解耦法一種是對控制對象進行解耦 ,然后針對解耦而成的各單變量過程進行模糊控制系統(tǒng)設計。 運用模糊系統(tǒng)的串聯(lián)補償解耦 ,當適 當確定模糊解耦補償器時有可能達到解耦的目的。 目前已知道 解耦的充分條件 ,但模糊解耦補償器的解耦和參數是采用經驗試湊法離線確定的 ,沒有通用算法 ,很難實現完全解耦。后來 ,又提出模糊關系系統(tǒng)的反饋解耦并能夠給出實現解耦的一個充分條件 ,但尚有遺留問題 ,例如 :當輸入個數和輸出個數不等時 ,解耦群怎么確定等。另一種直接模糊解耦方法是對控制器的解耦。通過 對多變量模糊控制算法進行研究 ,利用多維模糊條件語句的分解定理 ,引進模糊子集的交叉系數 ,獲得多變量模糊控制算法的簡捷表達式 ,再借助于多變量系統(tǒng)解耦設計原理 ,用多個單變量模糊控制器來表示一個解耦多變量模糊控制器。這樣不僅實現方便 ,也減少了對計算機內存和計算時間的要求。缺點是仍然要求已知一組多維模糊控制規(guī)則 ,這給實際應用帶來了很大困難。文獻 [4]用相干系數的方法 ,解決了煙葉燒烤過程雙輸入雙輸出交叉耦合系統(tǒng)的模糊控制問題 ,避免了合成運算法則的復雜計算以及對模糊運算量論域的限制。根據不同的情況確定出相應的相干系數 ,可以在線調查、修改 ,使整個過程具有較大的靈活性。但是 ,針對模糊控制器的直接解耦法 ,仍然要由操作人員對受控對象模糊信息的歸納和操作經驗的總 結 ,以建立一組模糊控制規(guī)則或控制查詢表 ,這在實際應用中會很困難。 間接解 耦法是通過對多變量模糊控制規(guī)則進行模糊子空間的分解實現解耦。通過 引入隨機相關因子 ,利用此類因子構造出多維概率模糊控制器。 文獻 [7]提出了采用相關因子分解控制規(guī)則的多變量模糊控制器。 Gupta 等人在這些研究的基礎上 ,提出通過對多變量模糊控制規(guī)則進行子空間的分解 ,然后用一組二維模糊方程描述多維模糊控制規(guī)則。這種方法降低了對計算機內存容量的要求 ,減少了計算量。但其最大缺陷是不滿足一致性條件 ,從而難以得到良好的控制效果。隨后有人對 Gupta 解耦算法中采用的 Mamdani 推理合成規(guī)則做了改進 ,提出一種新算法 ,將 maxmin 合成算子修改為 max∧ ,并從理論上證明了新的合成算子所得推理結論更為確定 ,并且滿足一致性條件。 . Kiszka 等人研究了 Go del 模糊推理下多變量模糊控制器輸出的上界 , 推廣了 Gupta 的解耦算法。將模糊規(guī)則與廣義推理機制相結合 ,得到一類統(tǒng)一的多變量模糊方程 ,并引入復合算子、分配算子、聚合算子等概念。 模糊解耦控制系統(tǒng)的研究 尚處于發(fā)展階段 ,很多結論只是理論推導 ,還不能進入實驗室加以驗證。同時 ,針對解耦之后控制系統(tǒng)穩(wěn)定性、可控可觀性的研究也沒有成熟。因此 ,無論是針對控制對象還是針對控制器解耦 ,當前急需解決的問題是如何由模糊關系方程求解各個解耦后的模糊子關系 ,盡量減少前述方法所加的約束 ,得到令人滿意的仿真結果。 中國礦業(yè)大學 2021 屆本科生畢業(yè)設計 第 6 頁 (2)神經網絡解耦控制 由于神經網絡可以在指定的緊集上以任意精度逼進任意解析非線性函數 ,而且具有學習、自適應能力 ,使它能夠處理系統(tǒng)的非線性特性 ,同時又有很強的容錯能力。因此神經網絡成為了實現非線性系 統(tǒng)控制的有力工具。但是單獨的神經網絡控制很難滿足系統(tǒng)的要求 ,它常同其他算法結合實現解耦控制。 神經網絡解耦基于逆系統(tǒng)控制的思想 ,NN 一般采用三層前向靜態(tài)網絡。為了實現更好的解耦控制效果 ,對神經網絡的結構和激勵函數的選取都進行了改進。為了提高參數收斂速度 ,學者又對神經網絡的學習算法也進行了改進。有的解耦方法是用神經網絡實現 NN? 階積分逆系統(tǒng) ,把非線性多變量系統(tǒng)補償為 SISO 偽線性積分系統(tǒng)。 神經網絡解耦還有基于自適應思想的解耦方法 :一種是神經網 絡前饋自適應解耦控制算法 ,其基本思路是將高階非線性部分的影響視為可測干擾 ,采用前饋補償方法加以消除 ,再借助多變量線性系統(tǒng)的自適應解耦控制算法的思路 ,實現多變量非線性系統(tǒng)的神經網絡自適應解耦控制 ； 另一種是利用神經網絡逼近高階項、耦合項和未建模動態(tài) ,采用廣義預測控制的性能指標 ,實現神經網絡廣義預測自適應解耦控制 ； 再一種是神經網絡開環(huán)解耦控制算法。其基本思路是在多變量非線性系統(tǒng)前面加上神經網絡解耦器 ,通過對廣義對象的時域相應曲線的學習訓練神經網絡 ,從而消除耦合影響 ,使得廣義對象成為無耦合或耦合程 度較小的系統(tǒng) ,然后對解耦后的各回路設計單回路控制器。其他的神經網絡解耦方法還有 :神經網絡同遺傳算法結合將遺傳算法用于前向神經網絡的連接權系數的學習 ,克服了 BP 算法易陷入局部極值的缺點 ； 神經網絡同預測控制結合先用神經網絡設計補償環(huán)節(jié) ,然后對解耦后各子系統(tǒng)進行單變量預測函數控制以確定各個控制量 ； 神經網絡同內?？刂平Y合實現神經網絡內模解耦等等。 神經網絡解耦已初步在工業(yè)控制中應用 ,并取得了好的控制效果。 文獻 [8]工程師對鋼球磨中儲式制粉系統(tǒng)實施神經網絡解耦控制后 ,現場測試結果表明 ,該系統(tǒng)具有很強的 自適應能力 ,能夠在相當大的范圍內適應工況變化要求。避免了人工操作情況下 ,因堵煤、超溫等異常情況而造成的大量電能浪費問題 ； 實現了低制粉單耗 ,即使在煤質和設備特性發(fā)生變化時 ,系統(tǒng)也能保證穩(wěn)定 ,能夠自動處理斷煤、堵磨、超溫等異常工況。盡管神經網絡解耦的研究已有一些研究成果 ,但是神經網絡有著自身無法解決的問題 ,而且非線性對象不像線性對象那樣容易分解和交換 ,因此非線性解耦理論與神經網絡結合較為困難 ,難以找到通用的解耦條件判據。所以神經網絡解耦理論發(fā)展較為緩慢 ,更多的解耦策略都帶有嘗試性只能依靠仿真 來佐證 ,只有少數情況下對某一特定類別的系統(tǒng)可以進行可解耦性分析。 (3)遺傳算法解耦控制 遺傳算法 (GA)是一種基于自然界優(yōu)勝劣汰原理的具有極高魯棒性和廣泛適用的全局優(yōu)化搜索算法。它將目標函數轉化為基因組群，以適應度函數為優(yōu)化目標，通過基因操作得到下一代優(yōu)化基因組合，如此反復迭代，直至搜索到全局最優(yōu)解。 中國礦業(yè)大學 2021 屆本科生畢業(yè)設計 第 7 頁 如何將實際控制系統(tǒng)需要解決的問題合理地轉化為用遺傳算法能夠處理和解決的優(yōu)化問題，這是一個具有理論價值和實際意義的課題。目前遺傳算法在控制領域中得到了廣泛的應用 ,已被廣泛用于各種優(yōu)化和參數尋優(yōu)問題，能夠處理傳 統(tǒng)優(yōu)化算法難以解決的復雜問題，顯示了它在解決控制系統(tǒng)優(yōu)化方面的巨大潛力 ,在解耦控制領域正處在緊張的理論研究階段 。 在 MIMO解耦控制系統(tǒng)中 ,除了以上方法外 ,還有預測解耦 [9]、 塊解耦 [10]、干擾解耦 [11],以及 模糊 自適應解耦 [12],模糊神經解 耦 [13]神經網絡自適應解耦 [14]這類混合解耦方式 等。應該說每種解耦方法均有其獨特優(yōu)點 ,也有其局限性。 [15] 傳統(tǒng)解耦綜述 生產過程中的控制系統(tǒng)往往不止一個 ,各個控制系統(tǒng)之間會相互影響 ,這種影響稱為控制系統(tǒng)的關聯(lián)或 耦 合 。 從而使生產不能正常運行 。 控 制系統(tǒng)之間的關聯(lián)程度可用傳遞函數矩陣表示 ,如果除了 過程 傳遞函數矩陣的主對角線元素外 ,其他項元素均為 0,則被控系統(tǒng)沒有關聯(lián) 。 對解耦控制系統(tǒng)的設計應遵循自治的原則 對于多個變量控制系統(tǒng) ,由于系統(tǒng)之間的關聯(lián) 。 因此 ,在設計時應合適地對被控變量與操縱變量配對 ,使他們的相對增益盡量接近 1。 從而把對變量控制系統(tǒng)轉化為自治的單變量控制系統(tǒng) ,我們就可以運用單輸入單輸出的控制理論 ,很輕松地對系統(tǒng)進行設計 ,使之成為一個穩(wěn)定可控系統(tǒng) 。 怎樣減小系統(tǒng)的耦合呢 ?正確的變量配對是一種很好的方式 ,也是我們首先的方法 。 但在關聯(lián) 非常嚴重的情況下 ,即使采用最好的回路匹配也得不到滿意的控制效果 。 兩個特性相同的回路尤其麻煩 ,因為它們之間具有共振的動態(tài)響應 。 如果都是快速回路 (例如流量回路 ),把一個或更多的調節(jié)器加以特殊的整定就可以克服相互影響 ； 但這并不適用于都是慢速回路 (如成分回路 )的情況 。 因此 ,對于關聯(lián)嚴重的系統(tǒng)需要進行解耦 ,否則系統(tǒng)不可能穩(wěn)定 。 傳統(tǒng)解耦方法以現代頻域法為代表 , 也包括時域方法 , 主要適用于線性定常MIMO系統(tǒng)。 隨著工程師們研究的不斷深入 ,以對角矩陣法、相對增益分析法、特征曲線分析法、狀態(tài)變量法、逆奈氏陣列法 ( INA)為代表的傳統(tǒng)解耦思想