【文章內(nèi)容簡(jiǎn)介】 方法是將被控對(duì)象的解耦、控制和辨識(shí)結(jié)合起來(lái) ,可以實(shí)現(xiàn)參數(shù)未知或時(shí)變系統(tǒng)的在線精確解耦控制。 自適應(yīng)解耦的方法將耦合項(xiàng)作為可測(cè)干擾 ,采用自校正前饋控制的方法 ,對(duì)耦合進(jìn)行動(dòng)、靜態(tài)補(bǔ)償。對(duì)最小相位系統(tǒng) ,采用最小方差控制律可以抑制交連 ,對(duì)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(yù)報(bào)和性能指標(biāo)函數(shù)中含有耦合項(xiàng) ,就可以達(dá)到消除耦合的目的。上述解耦方法設(shè)計(jì)時(shí)需求解 Diophantine 方程 ,而方程的求解 ,未知數(shù)個(gè)數(shù)會(huì)少于方程個(gè)數(shù) ,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(shí)現(xiàn)靜態(tài)解耦 ,但動(dòng)態(tài)解耦仍不能完全實(shí)現(xiàn)。將開(kāi)環(huán)解耦補(bǔ)償器與廣義預(yù)測(cè)控制結(jié)合提出的多變量自適應(yīng)解耦控制算法 ,在線設(shè)計(jì)解耦補(bǔ)償器 ,實(shí)現(xiàn)了動(dòng)態(tài)解耦 ,但算法復(fù)雜不便于在 DCS 上實(shí)現(xiàn)。而 將前饋解耦控制同廣義預(yù)測(cè)控制結(jié)合起來(lái) ,可實(shí)現(xiàn)動(dòng)態(tài)解耦又易于在 DCS 上實(shí)現(xiàn)。 多變量自適應(yīng)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(yīng)解耦 ,大型火力發(fā)電機(jī)組的機(jī)爐協(xié)調(diào)自適應(yīng)解耦控制等 ,都取得良好控 中國(guó)礦業(yè)大學(xué) 2021 屆本科生畢業(yè)設(shè)計(jì) 第 4 頁(yè) 制品質(zhì)?？梢钥闯? ,多變量自適應(yīng)解耦控制技術(shù)在解 決復(fù)雜工業(yè)過(guò)程的自動(dòng)控制問(wèn)題方面有其獨(dú)到的優(yōu)勢(shì)和廣泛的應(yīng)用前景。自適應(yīng)解耦雖在一些領(lǐng)域獲得了成功的應(yīng)用 ,但是要使這項(xiàng)技術(shù)得到廣泛應(yīng)用 ,還需開(kāi)展多變量自適應(yīng)解耦控制技術(shù)與實(shí)際工業(yè)過(guò)程結(jié)合的應(yīng)用研究。因?yàn)樽赃m應(yīng)解耦雖在一定程度上解決了系統(tǒng)不確定性問(wèn)題 ,但是其本質(zhì)要求在線辨識(shí)對(duì)象模型 ,所以算法復(fù)雜 ,計(jì)算量大 ,且它對(duì)過(guò)程動(dòng)態(tài)建模和擾動(dòng)的適應(yīng)能力差 ,系統(tǒng)的魯棒性問(wèn)題尚有待進(jìn)一步解決 ,而且實(shí)際工業(yè)過(guò)程的動(dòng)態(tài)特性往往比所建模型復(fù)雜得多 ,因此其應(yīng)用范圍受到了一定限制。如何設(shè)計(jì)一個(gè)具有強(qiáng)魯棒性的多變量自適應(yīng) 解耦控制系統(tǒng)是當(dāng)前十分重要的理論課題 ； 在自適應(yīng)情況下實(shí)現(xiàn)動(dòng)態(tài)解耦的各種算法 ,也是有待進(jìn)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(gè)方向 ,其實(shí)質(zhì)是通過(guò)設(shè)計(jì)魯棒預(yù)補(bǔ)償器 ,使攝動(dòng)系統(tǒng)為魯棒對(duì)角優(yōu)勢(shì) ,從而將多變量系統(tǒng)化為若干單變量系統(tǒng)來(lái)設(shè)計(jì)。 Arkun 首先給出了魯棒對(duì)角優(yōu)勢(shì)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(jié)構(gòu)奇異值理論 ； ②線性矩陣不等式方法 (LMI) ； ③代數(shù)方法。解耦控制器對(duì)系統(tǒng)的不確定性往往比較敏感 ,對(duì)于 解耦參數(shù) 不確定性 ,提出了消除參數(shù)的魯棒動(dòng)態(tài)解耦和魯棒靜態(tài)解耦方法。 運(yùn)用 Doyle 的結(jié)構(gòu)奇異值理論提出的不確定系統(tǒng)解耦控制器的設(shè)計(jì)方法 ,在保證閉環(huán)系統(tǒng)穩(wěn)定和動(dòng)態(tài)性能前提下 ,使解耦控制器對(duì)范數(shù)約束的不確定系統(tǒng)做最大限度的解耦。 但總的看來(lái) ,迄今所做的魯棒解耦只是針對(duì)特定系統(tǒng)討論特殊的解耦設(shè)計(jì)方法 ,以減少解耦控制器對(duì)系統(tǒng)參數(shù)的敏感性 ,但沒(méi)有系統(tǒng)地解決一般不確定系統(tǒng)的魯棒解耦問(wèn)題 ,即怎樣恰當(dāng)設(shè)計(jì)解耦控制器 ,使之在滿足穩(wěn)定性和魯棒性前提下 ,達(dá)到最大限度解耦。此外 ,解耦控制系統(tǒng)的動(dòng)態(tài)性能和解耦性能往往是一對(duì)很 突出的矛盾。怎樣在保證起碼的動(dòng)態(tài)性能前提下 ,設(shè)計(jì)最佳解耦控制器或者犧牲部分動(dòng)態(tài)性能以換取解耦性能的改善 ,這些都是亟待解決的問(wèn)題。目前 ,魯棒解耦已逐步由理論研究轉(zhuǎn)向應(yīng)用研究 ,并得到了很好的應(yīng)用效果。 智能解耦方法 智能解耦控制主要是指神經(jīng)網(wǎng)絡(luò)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(dú)特優(yōu)勢(shì) ,使它在非線性系統(tǒng)解耦控制方面得到了廣泛的關(guān)注。它可以實(shí)現(xiàn)對(duì)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(shí)現(xiàn)精確解耦的問(wèn)題。 其中神經(jīng)網(wǎng)絡(luò)由于可 以任意精度逼進(jìn)任意函數(shù) , 并具有自學(xué)習(xí)功能 ； 當(dāng)對(duì)象的輸入輸出之間沒(méi)有明確的映射關(guān)系時(shí) , 通過(guò)建立相應(yīng)的模糊規(guī)則進(jìn)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(jìn)行參數(shù)優(yōu)化和數(shù)值尋優(yōu)時(shí) , 遺傳算法更具有獨(dú)特的優(yōu)勢(shì)。 [6] 中國(guó)礦業(yè)大學(xué) 2021 屆本科生畢業(yè)設(shè)計(jì) 第 5 頁(yè) (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(guó)內(nèi)外研究較多的一種解耦方法。直接解耦法一種是對(duì)控制對(duì)象進(jìn)行解耦 ,然后針對(duì)解耦而成的各單變量過(guò)程進(jìn)行模糊控制系統(tǒng)設(shè)計(jì)。 運(yùn)用模糊系統(tǒng)的串聯(lián)補(bǔ)償解耦 ,當(dāng)適 當(dāng)確定模糊解耦補(bǔ)償器時(shí)有可能達(dá)到解耦的目的。 目前已知道 解耦的充分條件 ,但模糊解耦補(bǔ)償器的解耦和參數(shù)是采用經(jīng)驗(yàn)試湊法離線確定的 ,沒(méi)有通用算法 ,很難實(shí)現(xiàn)完全解耦。后來(lái) ,又提出模糊關(guān)系系統(tǒng)的反饋解耦并能夠給出實(shí)現(xiàn)解耦的一個(gè)充分條件 ,但尚有遺留問(wèn)題 ,例如 :當(dāng)輸入個(gè)數(shù)和輸出個(gè)數(shù)不等時(shí) ,解耦群怎么確定等。另一種直接模糊解耦方法是對(duì)控制器的解耦。通過(guò) 對(duì)多變量模糊控制算法進(jìn)行研究 ,利用多維模糊條件語(yǔ)句的分解定理 ,引進(jìn)模糊子集的交叉系數(shù) ,獲得多變量模糊控制算法的簡(jiǎn)捷表達(dá)式 ,再借助于多變量系統(tǒng)解耦設(shè)計(jì)原理 ,用多個(gè)單變量模糊控制器來(lái)表示一個(gè)解耦多變量模糊控制器。這樣不僅實(shí)現(xiàn)方便 ,也減少了對(duì)計(jì)算機(jī)內(nèi)存和計(jì)算時(shí)間的要求。缺點(diǎn)是仍然要求已知一組多維模糊控制規(guī)則 ,這給實(shí)際應(yīng)用帶來(lái)了很大困難。文獻(xiàn) [4]用相干系數(shù)的方法 ,解決了煙葉燒烤過(guò)程雙輸入雙輸出交叉耦合系統(tǒng)的模糊控制問(wèn)題 ,避免了合成運(yùn)算法則的復(fù)雜計(jì)算以及對(duì)模糊運(yùn)算量論域的限制。根據(jù)不同的情況確定出相應(yīng)的相干系數(shù) ,可以在線調(diào)查、修改 ,使整個(gè)過(guò)程具有較大的靈活性。但是 ,針對(duì)模糊控制器的直接解耦法 ,仍然要由操作人員對(duì)受控對(duì)象模糊信息的歸納和操作經(jīng)驗(yàn)的總 結(jié) ,以建立一組模糊控制規(guī)則或控制查詢表 ,這在實(shí)際應(yīng)用中會(huì)很困難。 間接解 耦法是通過(guò)對(duì)多變量模糊控制規(guī)則進(jìn)行模糊子空間的分解實(shí)現(xiàn)解耦。通過(guò) 引入隨機(jī)相關(guān)因子 ,利用此類因子構(gòu)造出多維概率模糊控制器。 文獻(xiàn) [7]提出了采用相關(guān)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(chǔ)上 ,提出通過(guò)對(duì)多變量模糊控制規(guī)則進(jìn)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(duì)計(jì)算機(jī)內(nèi)存容量的要求 ,減少了計(jì)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(duì) Gupta 解耦算法中采用的 Mamdani 推理合成規(guī)則做了改進(jìn) ,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(jié)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(jī)制相結(jié)合 ,得到一類統(tǒng)一的多變量模糊方程 ,并引入復(fù)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(jié)論只是理論推導(dǎo) ,還不能進(jìn)入實(shí)驗(yàn)室加以驗(yàn)證。同時(shí) ,針對(duì)解耦之后控制系統(tǒng)穩(wěn)定性、可控可觀性的研究也沒(méi)有成熟。因此 ,無(wú)論是針對(duì)控制對(duì)象還是針對(duì)控制器解耦 ,當(dāng)前急需解決的問(wèn)題是如何由模糊關(guān)系方程求解各個(gè)解耦后的模糊子關(guān)系 ,盡量減少前述方法所加的約束 ,得到令人滿意的仿真結(jié)果。 中國(guó)礦業(yè)大學(xué) 2021 屆本科生畢業(yè)設(shè)計(jì) 第 6 頁(yè) (2)神經(jīng)網(wǎng)絡(luò)解耦控制 由于神經(jīng)網(wǎng)絡(luò)可以在指定的緊集上以任意精度逼進(jìn)任意解析非線性函數(shù) ,而且具有學(xué)習(xí)、自適應(yīng)能力 ,使它能夠處理系統(tǒng)的非線性特性 ,同時(shí)又有很強(qiáng)的容錯(cuò)能力。因此神經(jīng)網(wǎng)絡(luò)成為了實(shí)現(xiàn)非線性系 統(tǒng)控制的有力工具。但是單獨(dú)的神經(jīng)網(wǎng)絡(luò)控制很難滿足系統(tǒng)的要求 ,它常同其他算法結(jié)合實(shí)現(xiàn)解耦控制。 神經(jīng)網(wǎng)絡(luò)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(wǎng)絡(luò)。為了實(shí)現(xiàn)更好的解耦控制效果 ,對(duì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和激勵(lì)函數(shù)的選取都進(jìn)行了改進(jìn)。為了提高參數(shù)收斂速度 ,學(xué)者又對(duì)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法也進(jìn)行了改進(jìn)。有的解耦方法是用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn) NN? 階積分逆系統(tǒng) ,把非線性多變量系統(tǒng)補(bǔ)償為 SISO 偽線性積分系統(tǒng)。 神經(jīng)網(wǎng)絡(luò)解耦還有基于自適應(yīng)思想的解耦方法 :一種是神經(jīng)網(wǎng) 絡(luò)前饋?zhàn)赃m應(yīng)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(cè)干擾 ,采用前饋補(bǔ)償方法加以消除 ,再借助多變量線性系統(tǒng)的自適應(yīng)解耦控制算法的思路 ,實(shí)現(xiàn)多變量非線性系統(tǒng)的神經(jīng)網(wǎng)絡(luò)自適應(yīng)解耦控制 ； 另一種是利用神經(jīng)網(wǎng)絡(luò)逼近高階項(xiàng)、耦合項(xiàng)和未建模動(dòng)態(tài) ,采用廣義預(yù)測(cè)控制的性能指標(biāo) ,實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)廣義預(yù)測(cè)自適應(yīng)解耦控制 ； 再一種是神經(jīng)網(wǎng)絡(luò)開(kāi)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(jīng)網(wǎng)絡(luò)解耦器 ,通過(guò)對(duì)廣義對(duì)象的時(shí)域相應(yīng)曲線的學(xué)習(xí)訓(xùn)練神經(jīng)網(wǎng)絡(luò) ,從而消除耦合影響 ,使得廣義對(duì)象成為無(wú)耦合或耦合程 度較小的系統(tǒng) ,然后對(duì)解耦后的各回路設(shè)計(jì)單回路控制器。其他的神經(jīng)網(wǎng)絡(luò)解耦方法還有 :神經(jīng)網(wǎng)絡(luò)同遺傳算法結(jié)合將遺傳算法用于前向神經(jīng)網(wǎng)絡(luò)的連接權(quán)系數(shù)的學(xué)習(xí) ,克服了 BP 算法易陷入局部極值的缺點(diǎn) ； 神經(jīng)網(wǎng)絡(luò)同預(yù)測(cè)控制結(jié)合先用神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)補(bǔ)償環(huán)節(jié) ,然后對(duì)解耦后各子系統(tǒng)進(jìn)行單變量預(yù)測(cè)函數(shù)控制以確定各個(gè)控制量 ； 神經(jīng)網(wǎng)絡(luò)同內(nèi)?？刂平Y(jié)合實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)內(nèi)模解耦等等。 神經(jīng)網(wǎng)絡(luò)解耦已初步在工業(yè)控制中應(yīng)用 ,并取得了好的控制效果。 文獻(xiàn) [8]工程師對(duì)鋼球磨中儲(chǔ)式制粉系統(tǒng)實(shí)施神經(jīng)網(wǎng)絡(luò)解耦控制后 ,現(xiàn)場(chǎng)測(cè)試結(jié)果表明 ,該系統(tǒng)具有很強(qiáng)的 自適應(yīng)能力 ,能夠在相當(dāng)大的范圍內(nèi)適應(yīng)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(fèi)問(wèn)題 ； 實(shí)現(xiàn)了低制粉單耗 ,即使在煤質(zhì)和設(shè)備特性發(fā)生變化時(shí) ,系統(tǒng)也能保證穩(wěn)定 ,能夠自動(dòng)處理斷煤、堵磨、超溫等異常工況。盡管神經(jīng)網(wǎng)絡(luò)解耦的研究已有一些研究成果 ,但是神經(jīng)網(wǎng)絡(luò)有著自身無(wú)法解決的問(wèn)題 ,而且非線性對(duì)象不像線性對(duì)象那樣容易分解和交換 ,因此非線性解耦理論與神經(jīng)網(wǎng)絡(luò)結(jié)合較為困難 ,難以找到通用的解耦條件判據(jù)。所以神經(jīng)網(wǎng)絡(luò)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(lái)佐證 ,只有少數(shù)情況下對(duì)某一特定類別的系統(tǒng)可以進(jìn)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(biāo)函數(shù)轉(zhuǎn)化為基因組群，以適應(yīng)度函數(shù)為優(yōu)化目標(biāo)，通過(guò)基因操作得到下一代優(yōu)化基因組合，如此反復(fù)迭代，直至搜索到全局最優(yōu)解。 中國(guó)礦業(yè)大學(xué) 2021 屆本科生畢業(yè)設(shè)計(jì) 第 7 頁(yè) 如何將實(shí)際控制系統(tǒng)需要解決的問(wèn)題合理地轉(zhuǎn)化為用遺傳算法能夠處理和解決的優(yōu)化問(wèn)題，這是一個(gè)具有理論價(jià)值和實(shí)際意義的課題。目前遺傳算法在控制領(lǐng)域中得到了廣泛的應(yīng)用 ,已被廣泛用于各種優(yōu)化和參數(shù)尋優(yōu)問(wèn)題，能夠處理傳 統(tǒng)優(yōu)化算法難以解決的復(fù)雜問(wèn)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(lǐng)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(yù)測(cè)解耦 [9]、 塊解耦 [10]、干擾解耦 [11],以及 模糊 自適應(yīng)解耦 [12],模糊神經(jīng)解 耦 [13]神經(jīng)網(wǎng)絡(luò)自適應(yīng)解耦 [14]這類混合解耦方式 等。應(yīng)該說(shuō)每種解耦方法均有其獨(dú)特優(yōu)點(diǎn) ,也有其局限性。 [15] 傳統(tǒng)解耦綜述 生產(chǎn)過(guò)程中的控制系統(tǒng)往往不止一個(gè) ,各個(gè)控制系統(tǒng)之間會(huì)相互影響 ,這種影響稱為控制系統(tǒng)的關(guān)聯(lián)或 耦 合 。 從而使生產(chǎn)不能正常運(yùn)行 。 控 制系統(tǒng)之間的關(guān)聯(lián)程度可用傳遞函數(shù)矩陣表示 ,如果除了 過(guò)程 傳遞函數(shù)矩陣的主對(duì)角線元素外 ,其他項(xiàng)元素均為 0,則被控系統(tǒng)沒(méi)有關(guān)聯(lián) 。 對(duì)解耦控制系統(tǒng)的設(shè)計(jì)應(yīng)遵循自治的原則 對(duì)于多個(gè)變量控制系統(tǒng) ,由于系統(tǒng)之間的關(guān)聯(lián) 。 因此 ,在設(shè)計(jì)時(shí)應(yīng)合適地對(duì)被控變量與操縱變量配對(duì) ,使他們的相對(duì)增益盡量接近 1。 從而把對(duì)變量控制系統(tǒng)轉(zhuǎn)化為自治的單變量控制系統(tǒng) ,我們就可以運(yùn)用單輸入單輸出的控制理論 ,很輕松地對(duì)系統(tǒng)進(jìn)行設(shè)計(jì) ,使之成為一個(gè)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(duì)是一種很好的方式 ,也是我們首先的方法 。 但在關(guān)聯(lián) 非常嚴(yán)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(gè)特性相同的回路尤其麻煩 ,因?yàn)樗鼈冎g具有共振的動(dòng)態(tài)響應(yīng) 。 如果都是快速回路 (例如流量回路 ),把一個(gè)或更多的調(diào)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(duì)于關(guān)聯(lián)嚴(yán)重的系統(tǒng)需要進(jìn)行解耦 ,否則系統(tǒng)不可能穩(wěn)定 。 傳統(tǒng)解耦方法以現(xiàn)代頻域法為代表 , 也包括時(shí)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(duì)角矩陣法、相對(duì)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