-
-
手机阅读
PID控制
许多工业过程都处于手动控制状态或者仍然使用具有60多年历史的PID（比例-积分-微分）控制器。PID是一种简单易懂的通用型控制器，适用于控制简单的过程。但是，PID有其局限性：
1. PID能控制基本线性的系统和定常系统，但不能有效地控制那些非线性、时变、耦合、时滞，干扰大和不确定因素多的复杂过程。燃烧和操作条件变化的工业过程属于复杂过程，用PID控制很难达到满意的效果。
2. 控制一个过程对象前必须要整定好PID的参数，包括比例增益Kp，积分时间Ti和微分时间Td。如果由于燃料发生了变化或负荷变化而引起过程动态特性的改变，就需要重新整定PID的各个参数。整定PID的参数通常是一件令人头痛的事，而且非常耗时。
3. PID是一种固定参数的控制器，这样的控制器并不能作为一个理想的控制系统的核心。
自整定PID
自整定和自调节PID就是为了处理PID参数整定问题而开发出来的。这些特殊的PID能很好的应用于一些场合，但是它们仍然存在着一些问题。
对于基于模型的自整定PID来说，建立和保持过程模型是一大挑战。由于需要经常给过程施加额外的激励信号，这就给生产过程引入扰动，因此操作人员很难自己作出决定是否要调整基于模型的自整定PID的参数。
对于基于规则的自整定PID，很难区别由负载干扰引起的影响和过程动态特性变化引起的影响，因此受到干扰的影响控制器会产生超调，产生一个不必要的调节过程。另外，由于基于规则的系统没有成熟的稳定性判据，因此参数整定的可靠程度任可能会存在问题。
最重要的是，PID控制器不能控制复杂过程，无论怎么调参都没用。因此，自整定或自调节PID不是最理想控制器。
MFA与PID控制的比较
与PID相比，MFA有非常出色自适应能力。从MFA（上方）和PID（下方）控制效果的比较中，可以看出当过程动态特性发生变化的时候，MFA是如何产生自适应控制作用的。
控制同一个不稳定的对象，PID控制的过程依然是不停的振荡，而MFA能很快的适应对象，取得很好的控制效果。当设定值再次变化的时候，MFA再也不会出现振荡。
如果两个控制器都控制一个迟缓的过程，MFA将比PID控制的更快更好。
-
-
-
一条游鱼 发表于 2006/12/18 14:39:40
2楼 回复本楼无模型自适应控制的概念和意义
无模型自适应控制系统应具有如下属性或特征：
• 无需过程的精确的定量知识；
• 系统中不含过程辨识机制和辨识器；
• 不需要针对某一过程进行控制器设计；
• 不需要复杂的人工控制器参数整定；
• 具有闭环系统稳定性分析和判据，确保系统的稳定性。
下面结合燃烧过程的控制详细讨论以下五个问题，阐述无模型自适应控制理论的精髓：
过程知识
大多数先进控制技术都需要对过程及其环境有较深的了解，一般用拉普拉斯变换或动态微分方程来描述过程动态特性。然而在过程控制领域，许多系统过于复杂，或者其内在规律难以了解，因此很难得到过程的定量知识，这通常称为“黑箱”问题。
在许多情况下，我们可能掌握了一些过程知识但是不知道这些知识是否精确。在包括燃烧控制的过程控制中，经常碰到进料的波动，燃料类型和热值的改变，下游需求不可预测的变化以及产品尺寸、配方、批次和负荷等频繁的切换。这些就导致一个问题：即无法确定所掌握的过程知识的精确程度。这种现象通常被叫做“灰箱”问题。
如果能掌握过程的大量知识，那就是一个“白箱”问题。在这种情况下，基于对过程的了解，利用成熟的控制方法及工具设计控制器就容易多了。
尽管无模型自适应控制器可以解决黑箱、灰箱和白箱问题，但更适用于灰箱问题，事实上大多数工业过程都是灰箱问题。
过程辨识
对于传统的自适应控制方法，如果不能获得过程的定量信息，一般需要采用某种辨识机制，以在线或离线的方式获得系统的动态特性。由此产成了以下一些难以解决的问题：
• 需要离线学习；
• 辨识所需的不断的激励信号与系统平稳运行的矛盾；
• 模型收敛和局部最小值问题；
• 系统稳定性问题。
基于辨识的控制方法不适用于过程控制的主要原因是控制和辨识是一对矛盾体。好的控制使系统处于一个稳定状态，这种情况下设定值（SP）、控制器输出（OP）和过程变量（PV）在趋势图中显示出来的都是直线。任何稳定系统都会达到另一个稳定状态，而其中的过程动态特性的变化却不能被察觉，因此通常需要施加激励信号来进行有效的过程辨识。然而，实际生产过程很难容许这样做。
MFA控制系统中没有辨识环节因此可以避免上述问题。一旦运行，MFA控制器就可立刻接管控制。MFA控制器中刷新权值的算法是基于一个单一的目标，即缩小设定值和过程变量之间的偏差。这意味着当过程处于稳定状态，偏差接近零时，不需要对MFA控制器的权值进行修改。
控制器设计
PID控制器仍然被广泛使用的主要原因就在于它是一种通用型控制器，无需进行专门的控制器设计。为特殊的应用设计控制器需要有丰富的经验。由于大多数先进控制器是基于模型的，其通用型性不够，所以尽管这些方法已经有三四十年的历史了，至今还不能在过程控制领域得到广泛的应用。
MFA控制器是通用型控制器，并已经开发出一系列MFA控制器用于控制各种问题回路。如SISO MFA控制器可直接取代PID，免去了复杂的控制器参数整定；非线性MFA控制器能控制极端非线性过程；抗滞后MFA控制器能控制大滞后过程；MIMO MFA控制器能控制多变量过程；前馈MFA控制器能抑制可测的扰动；以及鲁棒MFA控制器能迫使过程变量维持在预定的范围。
MFA控制器的用户，无需对控制器进行设计，只要选择相应的控制器并简单地设定控制器参数就可以将MFA控制器投入使用。这是无模型自适应控制器与其它基于模型的先进控制器的一个主要区别。
控制器参数整定
自适应控制器不需要人工整定参数，无模型自适应控制器真正实现了这一点。无需参数整定，MFA就能自适应过程动态特性的变化并克服潜在的扰动以满足新的操作条件。用户友好的MFA控制器保留了一些参数允许用户及时地调整控制效果。
系统稳定性
控制系统的闭环稳定性对于控制器是否实用是非常重要的。如果掌握了闭环控制系统的稳定性判据，就可以利用它来判断控制系统能否安全地投入使用。如图1所示，传统的基于模型的自校正控制系统主要由三个部分组成：控制器、过程和模型。这里模型是指可以描述过程输出和输入关系的数学表达式，通常是通过辨识器来建立的。辨识器利用过程输入输出的数据通过一定的学习算法减小模型的偏差em（t）（PV与模型输出y2（t）之间的偏差）。
符号：
r(t) – 设定值
u(t) – 控制器输出
y(t) – 过程变量
x(t) – 过程输出
d(t) – 干扰
e(t) – 偏差
e(t) = r(t) - y(t)
y2(t) – 模型输出
em(t) – 模型偏差
em(t) = y2(t) - y(t)图1. 基于模型的自适应控制系统在这个系统中，整个闭环系统的稳定性与过程、控制器和模型有着以下几个方面的联系：
• 假设过程是稳定的（即过程开环稳定）；
• 控制回路的稳定性是由模型的收敛性来保证的；
• 模型的收敛性需要控制回路稳定并持续地发出激励信号。
这几个条件形成了一个难以解决的死圈。因此，基于模型的自适应控制系统没有通用的稳定性判据。也就是说，每次使用基于模型的自适应控制器前，不得不分析它的稳定性。显然，这也是使用基于模型的自适应控制方法的一个主要技术壁垒。
相比之下，由于MFA不存在辨识环节，因此论证出了一个通用的系统稳定性判据。即，只要是一个无源过程（本身不产生能量或热量的过程），闭环MFA控制系统的稳定性就可以得到保证，过程可以是线性/非线性，定常/时变等等。燃烧过程时一个无源的过程，其热量的产生是由燃料燃烧带来的。
单回路MFA控制系统结构
单输入单输出（SISO）MFA控制系统的结构如图2所示。其结构同传统的单回路控制系统一样简单，包括一个单输入单输出过程，一个MFA控制器和一个反馈回路。
图2. 单回路MFA控制系统
符号：
r(t) – 设定值，SP
u(t) – 控制器输出，OP
y(t) – 过程变量，PV
x(t) – 过程输出
d(t) – 干扰
e(t) – 偏差
e(t)=r(t)-y(t)控制目标
这种控制器的控制目标是产生一个输出u（t），迫使过程变量y（t）在设定值变化，存在扰动和过程动态特性改变的情况下仍然能跟踪设定值r（t）。也就是，MFA控制器以在线的方式不断减小设定值r（t）和过程变量y（t）之间的偏差e（t）。根据以下两点使偏差e（t）最小：（i）MFA控制器的调节控制能力；（ii）不断调整MFA控制器的权重因子，使得控制器有能力处理过程动态特性的改变，扰动和其它不确定因数。
与图1相比，MFA控制系统没有过程模型和辨识器。因此也没有模型偏差em（t），只有设定值（r（t）或SP）和过程变量（y（t）或PV）之间的偏差e（t）是唯一的控制目标。
MFA控制器结构
图3显示了一个单输入单输出MFA控制器的基本结构。该控制器在设计上采用了一个多层感知器结构的人工神经网络（ANN），有一个输入层、一个具有N个神经元的隐含层和一个单个神经元的输出层。
在这个神经网络中有一组可以根据需要而改变的权重因子（Wij和hi），从而对控制器的行为进行调整。更新权重因子的算法是以缩小设定值与过程变量之间的偏差为目标。由于其效果与控制目标是一致的，因此，采用权重因子能帮助控制器在过程动态特性发生变化的时候减小偏差。
图3. SISO MFA控制器结构此外，基于人工神经网络的MFA控制器保存了一部分历史数据，为了解过程动态特性提供有价值的信息。相比之下，数字式PID控制器只保留当前的和之前的2个采样数据。在这一点上，PID控制器几乎没有任何记忆能力，而MFA拥有一个“聪明”的控制器所必需的记忆能力。
MFA控制系统的要求
作为一个反馈控制系统，MFA对被控对象有以下几点要求：
• 过程对象可控；
• 开环稳定；
• 正作用或反作用（过程不变方向）。
对于不可控的过程对象，则需要改进过程的结构或匹配系统变量。
对于开环不稳定的过程对象，则需使它先稳定下来。不过，对于某些开环不稳定的过程，如无自衡的液位回路，使用MFA时就不需要进行特殊的处理。
对于在操作范围内变方向的过程，则需要特殊的MFA控制器。仅需简单地配置少量的MFA控制器的参数。
引用 一条游鱼 2006/12/18 14:39:40 发表于2楼的内容
-
-
-
-
一条游鱼 发表于 2006/12/18 14:46:55
1. 自适应控制3楼 回复本楼自适应控制可以看作是一个能根据环境变化智能调节自身特性的反馈控制系统以使系统能按照一些设定的标准工作在最优状态。
一般地说，自适应控制在航空、导弹和空间飞行器的控制中很成功。可以得出结论，传统的自适应控制适合（1）没有大时间延迟的机械系统；（2）对设计的系统动态特性很清楚。
但在工业过程控制应用中，传统的自适应控制并不如意。PID自整定方案可能是最可靠的，广泛应用于商业产品，但用户并不怎么喜欢和接受。
传统的自适应控制方法，要么采用模型参考要么采用自整定，一般需要辨识过程的动态特性。它存在许多基本问题（1）需要复杂的离线训练；（2）辨识所需的充分激励信号和系统平稳运行的矛盾；（3）对系统结构假设；（4）实际应用中，模型的收敛性和系统稳定性无法保证。
另外，传统自适应控制方法中假设系统结构的信息，在处理非线性、变结构或大时间延迟时很难。2. 鲁棒控制
鲁棒控制是一个着重控制算法可靠性研究的控制器设计方法。鲁棒性一般定义为在实际环境中为保证安全要求控制系统最小必须满足的要求。一旦设计好这个控制器，它的参数不能改变而且控制性能保证。
鲁棒控制方法，是对时间域或频率域来说，一般假设过程动态特性的信息和它的变化范围。一些算法不需要精确的过程模型但需要一些离线辨识。
一般鲁棒控制系统的设计是以一些最差的情况为基础，因此一般系统并不工作在最优状态。
鲁棒控制方法适用于稳定性和可靠性作为首要目标的应用，同时过程的动态特性已知且不确定因素的变化范围可以预估。飞机和空间飞行器的控制是这类系统的例子。
过程控制应用中，某些控制系统也可以用鲁棒控制方法设计，特别是对那些比较关键且（1）不确定因素变化范围大；（2）稳定裕度小的对象。
但是，鲁棒控制系统的设计要由高级专家完成。一旦设计成功，就不需太多的人工干预。另一方面，如果要升级或作重大调整，系统就要重新设计。3. 预测控制
预测控制或称为模型预测控制（MPC）是仅有的成功应用于工业控制中的先进控制方法之一。
各类预测控制算法都有一些共同的特点，归结起来有三个基本特征：（1）预测模型，（2）有限时域滚动优化，（3）反馈校正。这三步一般由计算机程序在线连续执行。
预测控制是一种基于预测过程模型的控制算法，根据过程的历史信息判断将来的输入和输出。它强调模型的函数而非模型的结构，因此，状态方程、传递函数甚至阶跃响应或脉冲响应都可作为预测模型。预测模型能体现系统将来的行为，因此，设计者可以实验不同的控制律用计算机仿真观察系统输出结果。
预测控制是一种最优控制的算法，根据补偿函数或性能函数计算出将来的控制动作。预测控制的优化过程不是一次离线完成的，是在有限的移动时间间隔内反复在线进行的。移动的时间间隔称为有限时域，这是与传统的最优控制最大的区别，传统的最优控制是用一个性能函数来判断全局最优化。对于动态特性变化和存在不确定因素的复杂系统无需在全局范围内判断最优化性能，因此这种滚动优化方法很适用于这样的复杂系统。
预测控制也是一种反馈控制的算法。如果模型和过程匹配错误，或者是由于系统的不确定因素引起的控制性能问题，预测控制可以补偿误差或根据在线辨识校正模型参数。
虽然预测控制系统能控制各种复杂过程，但由于其本质原因，设计这样一个控制系统非常复杂，要有丰富的经验，这也是预测控制不能预期那样广泛得到应用的主要原因。
预测控制适用于先进过程控制（APC）和监督控制场合，其控制输出作用主要是跟踪设定值的变化。但预测控制并不能很好地处理调节控制难题。4. 最优控制
最优控制是现代控制理论的一个重要组成部分。成功应用于航天航空和军事领域，在许多方面改变了人们的生活。
一个典型的最优控制问题描述如下：被控系统的状态方程和初始条件给定，同时给定目标函数。然后寻找一个可行的控制方法使系统从输出状态过渡到目标状态，并达到最优的性能指标。
动态规划、最大值原理和变分法是最优控制理论的基本内容和常用方法。庞特里亚金极大值原理和贝尔曼动态规划是在约束条件下获得最优解的两个强有力的工具，应用于大部分最优控制问题。
在实际应用中，最优控制很适用于航天航空和军事等领域，例如空间飞行器的登月、火箭的飞行控制和防御导弹的导弹封锁。
工业系统中也有一些最优控制的应用，例如生物工程系统中细菌数量的控制等。然而，绝大多数过程控制问题都和流量、压力、温度和液位的控制有关，用传统的最优控制技术来控制它们并不合适。5. 智能控制
智能控制是现代控制技术的又一个重要领域。关于智能控制有不同的定义。参考一个应用各种人工智能技术的范例，智能控制可以包括如下几种方法：（1）学习控制系统；（2）专家系统；（3）模糊控制；（4）神经网络控制。
学习控制系统
学习控制系统采用模式识别技术获得控制回路当前的状态，然后根据回路状态和储存的历史信息和经验知识作出控制决定。由于学习控制系统受储存的知识的限制，它至今还没有得到广泛的应用。
专家系统
专家系统是根据专家系统技术，使用一个知识库来作出控制决定的。知识库由专家的经验知识，在线获得的系统信息和推理机组成。由于专家系统的知识以符号表示而且总是离散的，因此它适用于生产计划、调度和故障诊断等决策问题。但不适用于解决连续控制问题。
模糊控制
与学习控制系统和专家系统不同，模糊控制是模糊推理和控制技术相结合的产物。用模糊集合和模糊概念描述过程系统的动态特性，以数学公式的形式来代表系统的信息或经验知识。根据模糊集和模糊逻辑来作出控制决策。
虽然模糊控制在解决复杂控制问题方面有很大的潜力，但是其设计过程复杂而且要求具备相当的专业知识。另外，由于没有许多基本的数学运算，所以模糊数学不属于数学领域的范畴。例如，模糊控制中并不一定存在加法的逆。因此，解一个模糊方程很困难，而传统控制理论和应用中解微分方程是最基本的。所以，缺乏好的数学工具是模糊控制需要克服的根本问题。
神经网络控制
神经网络控制是一种使用人工神经网络的控制方法。因为人工神经网络是建立在强有力的数学基础上，所以它有很大的潜力，这个数学基础包括了各种各样的已被充分理解的数学工具。在无模型自适应控制器中人工神经网络也是一个重要组成部分。
引用 一条游鱼 2006/12/18 14:46:55 发表于3楼的内容
-
-
-
-
一条游鱼 发表于 2006/12/18 14:48:35
4楼 回复本楼
下表列出了PID，模型预测控制（MPC），鲁棒控制，基于模型的自适应控制和无模型自适应（MFA）控制之间的比较。从表中可以看出MFA结合了所有控制方法的优点，是下一代主流过程控制器的最佳候选人。控制算法的比较
比较内容 PID 模型预
测控制鲁棒
控制基于模型的
自适应控制无模型自适应
（MFA）控制通用性好 是 否 否 否 是 自适应能力强 否 否 否 是 是 无需建立过程模型 是 否 否 否 是 无需过程辨识 是 是 是 否 是 无需控制器设计 是 否 否 否 是 无需控制器参数整定 否 是 是 是 是 有稳定性判据 是 是/否 是 是/否 是 使用维护简单 否 否 否 否 是 下一代主流过程控制器的最佳候选人 否 否 否 否 是
引用 一条游鱼 2006/12/18 14:48:35 发表于4楼的内容
-