4.先进控制系统介绍.ppt

* 4.1.1辅助变量选择 选择影响主导变量的可测相关变量作为辅助变量。 例:估计精馏塔塔顶产品的成分软测量 选择初始辅助变量 塔的进料特性 塔釜加热特性 塔顶回流特性 塔顶操作状态 塔底出料特性 * 对初始辅助变量降维 方法一：通过机理分析，选择响应灵敏、测量精度高的变量作为最终辅助变量。 方法二：主元分析法，可利用现场历史数据作统计分析计算，将原始辅助变量与被测量变量的关联度排序，实现变量精选。 * 4.1.2数据采集与处理 过程数据包含了工业对象的大量相关信息，因此采集被估计变量和原始辅助变量的历史数据时，数据的数量越多越好。 要求： 数据覆盖面在可能条件下应宽一些，以便软测量具有较宽的适用范围。 为了保证软测量精度，数据的正确性和可靠性十分重要，因此现场数据必须经过显著误差检测和数据协调，保证数据的准确性。 采集的数据要注意纯滞后的影响。 * 4.1.3软测量模型建立 建模方法有机理建模、经验建模及两者结合等方法。 机理建模是从内在物理和化学规律出发，通过物料平衡、能量平衡和动量平衡建立模型。可充分利用过程知识，依据过程机理，有较大的适用范围。 经验建模是通过实测或依据积累的操作数据，采用数学回归方法或神经网络等方法得到经验模型。 软测量模型选择时，还应考虑模型的复杂性，以及在实际系统硬件、软件平台的可实现性。 静态线性模型实施成本较小，神经网络模型所需计算资源较多。 * 4.1.4模型校正 当对象特征发生较大变化，软测量经过在线学习无法保证预估精度时，须利用测量器运算所累积的历史数据，进行模型更新或在线校正。 软测量模型的在线校正可表示为模型结构和模型参数的优化。模型结构修正往往需要大量样本数据和较长计算时间，难以在线进行。为解决模型结构修正耗时长和在线校正的矛盾，提出短期学习和长期学习的校正方法。 短期学习算法简单，学习速度快，便于实时应用。 长期学习是当软测量仪表在线运行一段时间积累足够的新样本模式后，重新建立软测量模型。 * 4.2时滞补偿控制 控制通道不同程度存在纯滞后(时滞)。 例：皮带传送存在纯滞后。 衡量纯滞后常采用纯滞后时间τ和时间常数T之比。当τ／T0.3，是一般纯滞后过程；当τ／T0.3，为大纯滞后过程。 * 4.2.1 Smith预估补偿控制 为改善大滞后系统控制品质，1957年Smith提出预估补偿控制。在PID反馈控制基础上，引入预估补偿环节，使闭环系统方程不含纯滞后项，提高了控制质量。 * 为实施Smith预估补偿控制，必须求取补偿器的数学模型。若模型与过程特性不一致，则闭环系统方程中还会存在纯滞后项，两者严重不一致时，甚至会引起系统稳定性变差。 实际工业过程的被控对象通常是参数时变的。当参数变化不大时可近似作为常数处理，采用Smith预估补偿控制方案有一定的效果。 * 4.2.2控制实施中若干问题 Smith预估补偿控制是基于模型已知的情况下进行，实现Smith预估补偿控制必须已知动态模型，即过程数学关系和纯滞后时间。 经预估补偿后，系统闭环方程已不含纯滞后项，因此，常规控制参数整定与无纯滞后的控制参数相同。但是，通常纯滞后环节采用近似表示，实施会造成误差，再者，补偿器模型与对象参数间存在偏差，因此，应适当减小控制器增益，减弱控制作用，以满足系统稳定要求。 Smith预估补偿控制对预估器精度要求较高，过程模型精确时，对纯滞后补偿效果较好，弱点是对模型的误差十分敏感。当过程参数变化10％～15％时，预估补偿就失去了良好的控制效果。 * 4.3解耦控制 4.3.1耦合现象影响及分析 例：精馏塔塔顶、塔釜温度控制的耦合实例。 * 被控变量为塔顶温度T1和塔底温度T2，操纵变量为回流量和蒸气流量。 u1变化不仅影响T1，同时还影响T2；同样，u2变化在影响T2同时，还影响T1。 这种情况，称两个控制回路间存在耦合。 * 解耦是使一个控制变量的变化只对与其匹配的被控变量影响，而对其他回路被控变量没有影响或影响很小。 使耦合的多变量控制系统分解为若干个独立的单变量控制系统，称为解耦控制。 * 4.3.2 解耦控制方法 （1）正确匹配被控变量与控制变量。 （2）整定控制器参数，减小系统关联 具体实现方法：通过整定控制器参数，把两个回路中次要系统的比例度和积分时间放大，使它受到干扰作用后，反应适当缓慢一些，调节过程长一些，这样可达到减少关联的目的。 缺点：次要被控变量的控制品质往往较差，这一点在工艺允许的情况下是值得牺牲的，但在另外一些情况下却可能是个严重缺点。 * (3)减少控制回路 把方法(2)推到极限，次要控制回路的控制器比例度取无穷大，此时这个控制回路不存在，它对主要控制回路的关联作用也消失。 例如，在精馏塔控制系统设计中，工艺