吴斌[1]2008年在《多变量系统的辨识及其PID整定》文中研究说明传统的系统辨识及其PID控制器的设计方法,虽然在很大程度上能满足工业系统的控制要求,但对一些具有MIMO、强藕合性、不确定性、非线性、信息不完全性和大纯滞后性等特征的工业控制系统,这些经典方法无法得到满意的效果,迫切需要对多变量系统的辨识及其PID参数整定进行研究,以求整定出合理的、最优的PID参数,以获得比传统的PID参数整定法更好的控制效果,更能适应复杂多变的工业生产过程的需要。论文主要分成两部分来展开论述:多变量系统的辨识部分和PID整定方法部分,其中对多变量系统的辨识方法未涉及太深,只是做了初步研究,重点在多变量系统的PID整定方法上,做了大量工作,取得了一定的成果。在进行多变量PID参数整定方法的研究之前,首先介绍了两种多变量系统的辨识方法:最小二乘法和递阶随机梯度法。在论述了算法基本原理和实现步骤的基础上,通过仿真实验证明了算法的有效性。在多变量PID参数整定部分,首先对PID控制的基本原理与特点进行了概述,然后说明了PID参数整定的分类和传统方法,针对多变量系统的特点,概述了多变量PID的设计方法。而后对这些方法进行了具体研究,主要有预测PID参数整定、内模PID参数整定和鲁棒PID参数整定,分别在文中的第四章、第五章和第六章展开论述:第四章在研究预测控制算法基本原理的基础上,将预测控制算法与PID参数整定相结合,形成预测PID整定算法,考虑到对预测PID参数的优化,提出了改进型预测PID整定算法,并将单变量预测PID控制推广,设计出符合多变量特点的预测PID控制器。比起传统的PID参数整定法(如Z-N整定法),预测PID整定法对模型失配、大滞后等传统整定法难以控制好的情况均有满意的控制效果。第五章介绍了内模控制器的基本原理,在此基本上,将内模控制算法与PID参数整定相结合,形成IMC-PID整定算法,并将单变量IMC-PID控制推广,设计出符合多变量特点的IMC-PID控制器,主IMC-PID控制器用于保证输出的动态响应,副IMC-PID控制器用于及时克服回路间的耦合干扰,实现控制器解耦。并通过仿真实例证明了IMC-PID参数整定算法的有效性和鲁棒性。第六章基于鲁棒控制的相关理论,介绍了两种多变量鲁棒PID控制器参数整定的方法,一种为多指标相容下多变量PID参数整定,该算法保证了闭环系统的稳定性,并具有一定衰减度,且符合鲁棒性能指标H_∞约束;另一种为基于结构Lyapunov矩阵的多变量PID参数整定,保证了闭环系统的稳定性,且符合鲁棒性能指标H_2/H_∞约束。最后对化工生产中的实际模型,进行了仿真,以证明算法的有效性。在论文的最后,对所做的工作做了总结与前景展望。
吴亭[2]2018年在《基于参数估计的多变量自适应解耦控制算法的研究》文中研究说明随着工业生产的快速发展,其过程日益复杂,生产条件的频繁变化,被控对象复杂化,呈现特点有强耦合性、多变量等,无法用确切的数学模型来描述被控对象的性能。这些复杂的特征使得常规的PID控制器难以对实际的操作系统达到较好的控制效果,影响生产效率和产品质量。提高多变量控制系统的控制性能的前提是解除多变量之间的耦合作用。本文针对结构已知、参数未知的多变量系统,将自适应解耦控制算法与参数估计相组合,提出了在线辨识控制器参数的多变量自适应解耦控制算法。本文最开始论述了有关系统辨识的相关理论知识,对结构已知、参数未知的离散时间随机线性单变量系统模型用随机梯度算法、改进的随机梯度算法和递推最小二乘算法进行了参数辨识的仿真研究。对比以上算法的研究结果,证实了改进的随机梯度算法的优越性;其次,简要阐述了多变量控制系统,对其耦合性加以分析,并阐述了叁种常见的解耦方法,最终针对多变量系统间耦合性问题提出了基于参数估计的多变量自适应解耦算法。本研究进一步针对多变量控制系统之间的耦合特性,应用了广义最小方差自适应解耦控制算法。通过自适应解耦实验前后对比、自适应解耦与PID解耦对比,研究表明自适应解耦算法的控制效果最佳,系统稳定性能最好。自适应解耦控制算法是在参数估计的基础上实现的,针对多变量广义最小方差自适应解耦控制中参数估计方法的缺点,提出了改进的随机梯度辨识算法,替代递推最小二乘法,并且对自适应解耦控制算法的收敛性进行了研究,解除了多变量之间的解耦作用,实现了较好的控制性。研究结果表明:改进的随机梯度辨识算法对参数的辨识精度更高,将其用于控制器的参数估计时,与常规PID解耦算法进行相比,采用改进的随机梯度自适应解耦算法抗干扰性能更佳。实验仿真结果验证了算法的优越性,得到的控制器参数能迅速收敛于真值,且解耦性能更好。
孙延鹏[3]2008年在《QR分解技术在递推系统辨识中的应用》文中指出系统辨识是现代控制理论的重要组成部分。对系统的结构和参数进行辨识在工程上和理论上都占有重要的地位。最小二乘法是系统参数辨识中的重要估计方法,并在众多领域和场合得到了广泛的应用。本文主要对线性系统最小二乘法的具体实现方法进行了改进,通过引入QR分解来加速参数辨识的实现。根据算法的特点,对系统分块Hankel矩阵的QR分解用GIVENS变换来实现,并在此基础上对系统参数进行递推辨识。论文主要进行了以下几个方面的研究:首先研究了系统辨识的最小二乘法,通过对系统的输出方程模型进行分析,利用采样获得的输入输出数据得到最小二乘估计的结果:接着分析参数的最小二乘估计结果存在的不足,通过引入QR分解来对递推辨识算法进行改进。QR分解有多种实现方法,本文通过对比各种典型分解方法的特点,针对本算法选用形式最简单的2×2的GIVENS变换来进行QR分解。在此基础上对单变量系统的辨识算法进行改进,将改进后的算法用于递推辨识和含有遗忘因子的情况,并分析了单变量参数递推辨识的数据启动问题。然后通过对多变量系统的数学模型进行分析,改变传递函数的形式,将多变量系统化为若干个单输出的子系统,通过对子系统进行参数辨识来实现多变量系统参数的递推辨识。由于各个子系统具有统一的输入,通过对输入部分进行统一处理,并直接调用结果可以快速实现各个子系统参数的递推辨识。通过对多变量系统进行降维的子系统法可以迅速实现对系统参数的递推辨识,数据启动问题也能够得到有效解决。考虑工业过程中的实际情况,用子系统法对多变量系统进行参数辨识是不适合的,有必要对多变量系统的参数进行整体辨识。通过分析多变量系统的最小二乘法,得到了下叁角矩阵的结构特点,在此基础上得到了多变量系统参数进行递推辨识的形式。最后利用GIVENS变换来实现分块Hankel矩阵的QR分解,得到多变量系统的递推算法,通过对数据处理进行递推调用可以快速实现多变量系统参数的递推辨识。
丁锋[4]2016年在《系统辨识算法的复杂性、收敛性及计算效率研究》文中研究指明实践中经常会遇到大型计算问题和优化问题,使得求解问题算法的复杂性、计算量和计算精度等成为突出问题,特别是大规模非线性多变量系统的辨识.对此,提出几个有趣的研究课题:1)利用信息滤波技术和多新息辨识理论研究能提高辨识精度的大规模系统辨识理论与方法;2)利用递阶辨识原理研究维数高、变量数目多、计算量小的多变量系统递阶辨识方法;3)利用鞅收敛理论建立非线性多变量系统辨识方法的收敛理论;4)利用并行计算与递阶计算技术提高辨识算法的计算效率,以解决一类大规模非线性多变量系统的模型化问题.
刘波[5]2008年在《多变量系统辨识中的测试信号分析与研究》文中研究说明任何预测控制中的基本问题都是选择表示系统的模型,系统辨识则是在实际工业中获得系统模型的主要方法。针对目前系统辨识主要是加测试信号的辨识,本文对系统辨识测试信号的设计和分析进行了深入研究。本文的主要研究成果和创新如下:1.得到了最小二乘法的参数估计值的无偏一致性的充要条件,并讨论了辨识结果和噪声的关系。2.由过程的可辨识性的定义,提出2n阶持续激励条件只是过程可辨识性的一个充分条件而非必要条件,只有在最小二乘法下才是充分必要条件。3.提出了一种多通道测试伪随机信号的设计方法。该方法对于稳定时间相差较大的多变量系统,可以显着缩短测试时间。设计出一种白噪声广义二进制序列,该信号与白噪声的特性类似,生成该信号也简单,可以被广泛地当做系统辨识的测试信号。4.提出了一种多通道测试二进制多频序列的设计方法,该方法可以大大缩短测试时间。设计了高通和低通复合的多变量系统二进制多频序列,对于同时含有高通和低通通道的多变量系统,可以提高系统辨识精度。5.针对带约束的多变量系统,从稳态控制和动态控制的角度,分别提出了测试信号的设计方法。使得测试信号在满足约束的前提下,幅度达到最大,以提高系统的信噪比。对于闭环系统的动态约束测试,设计从稳态到动态的两阶段过程,并对两个阶段都设计了测试信号。6.基于渐近理论,提出了一种多变量系统测试信号的设计方法,并针对系统辨识的四个基本问题分四个步骤设计了辨识方法,该设计方法辨识精度较高且数值稳定性较好同时容易实现,而且能辨识带有工业有色的噪声的系统。
袁平[6]2008年在《多变量系统辨识方法比较研究（Ⅰ）》文中指出随着现代工业的发展,越来越多的工业系统已不再局限于单变量系统,而是结构复杂的多变量系统,所以对多变量系统辨识方法的研究越来越重要.本文拟定了多变量系统辨识方法比较研究课题,选题具有学术意义和应用前景。作者在查阅了相关文献的基础上,对辨识算法的计算量和收敛性进行了深入的分析和研究,取得了下列创新性研究成果.1.针对多变量系统,利用梯度搜索原理,提出了多变量系统的随机梯度辨识算法和分子系统随机梯度辨识算法,并与现存递阶随机梯度算法在计算量、参数估计精度和算法收敛速度进行了仿真比较研究:叁个算法中递阶随机梯度辨识算法计算量最少,计算效率最高,但参数估计性能介于随机梯度算法和分子系统随机梯度算法之间。2.针对多变量系统,利用梯度迭代技术,提出了多变量系统的梯度迭代辨识算法和分子系统梯度迭代算法,与递阶梯度迭代辨识算法相比,它们的性能与上述随机梯度算法性能类似,但算法中收敛因子的取值影响着算法的收敛性能.对于确定性系统,在容许范围内收敛因子越大,参数估计误差越小。最后通过仿真例子比较了这些算法性能。3.针对多变量系统,利用递推最小二乘原理,提出了分子系统最小二乘算法,并与现存多变量系统递推最小二乘算法和递阶最小二乘算法相比,叁个最小二乘算法参数估计收敛性能基本相近,但递阶最小二乘算法计算量是叁者中最小的,提出的分子系统最小二乘算法介于二者之间。4.针对多变量系统,利用最小二乘迭代技术,提出了多变量系统的最小二乘迭代算法、分子系统最小二乘迭代算法,与现存递阶最小二乘迭代算法相比,叁个算法参数估计收敛性能基本相近,但递阶最小二乘迭代算法计算量是叁者中最小的,提出的分子系统最小二乘迭代算法介于二者之间。并对每个算法进行了Matlab仿真,仿真结果证实了理论分析。5.在研究了多变量系统分子系统随机梯度算法的基础上,通过对算法的分解,使其耦合变量最少,避免分子系统随机梯度算法的重复估计参数的缺点,提出了多变量分子系统随机梯度部分耦合算法,不必重复估计参数,计算量也减小,最后通过计算机仿真比较研究.6.多变量系统递推最小二乘算法计算量很庞大,为减小计算量,将子系统分解思想与递阶辨识原理相结合,提出多变量分子系统最小二乘递阶辨识算法,大大减小了计算量。文中还运用鞅收敛定理证明了在持续激励条件下,提出算法参数估计误差收敛于零,并进行了计算机仿真研究。7.针对多变量系统,将多新息辨识理论与递阶辨识原理相结合,提出了递阶多新息随机梯度辨识算法和递阶多新息最小二乘辨识算法.由于引入了新息长度参量,抑制了坏数据对参数估计的影响,算法的收敛速度和辨识精度有明显提高,并进行了计算机仿真比较研究。论文最后给出了一个总结和展望,并对所面临的一些困难和尚待深入研究的内容作了简单介绍,比如有些算法给出了具体的推导过程但是缺乏理论证明,另外,辨识算法在复杂工业控制过程的应用有待进一步的深入研究。
王谦[7]2014年在《基于粒子群算法的多变量闭环系统辨识》文中研究指明近些年来,闭环系统辨识一直是自动控制领域的研究热点之一。对于闭环系统的辨识,其有效特征信息要比开环系统辨识少很多,并且由于反馈的存在,使得系统的输出噪声和输入总是相关的,那么用传统的辨识方法对含有反馈通道的对象模型进行辨识,很难得到精确的结果。基于以上原因,本文提出了一种对输入信号不敏感,可以用任意信号作为输入信号的新的辨识方法CPSO,用此方法来辨识多变量闭环系统,可以得到良好的辨识效果。本文首先介绍了课题研究的背景和目的,经典的最小二乘辨识法、辅助变量法以及递推广义增广最小二乘法,比较了这几种方法的适用噪声模型并分别对其进行仿真；然后针对闭环时滞系统模型的结构特点,提出用粒子群优化算法对其进行辨识,通过仿真实例证明该方法的可行性；基本的粒子群算法虽然可以用来辨识闭环时滞系统,但是由于基本的粒子群算法容易陷入局部最优,导致辨识结果不够准确,所以在此基础上本文提出了基于CPSO算法的闭环系统的辨识方法。该方法主要是通过混沌系统所特有的遍历性特点来实现的,可以防止搜索过程中的演化算法陷入局部极小的优化机制。用该方法分别对单变量系统和多变量系统进行了仿真研究,对于单变量系统的辨识采用基于CPSO频域响应的辨识方法；对于多变量系统的辨识,首先把多变量系统经过多次加入阶跃响应测试来转化成多个单变量系统,然后再用CPSO算法对多变量系统的每个子系统进行辨识,最终得到待辨识的多变量系统的模型参数。
刘海[8]2012年在《基于继电反馈的闭环系统辨识及其在预测控制中的应用》文中研究说明近些年来,闭环系统辨识以及基于系统模型的预测控制一直是自动控制领域的研究热点之一。然而,目前在工业过程控制领域中,大约85%的回路仍然采用PID控制策略,预测控制在实际工业过程中的应用还不广泛。究其原因,主要有两方面：系统辨识得到的动态模型不够精确,利用辨识出的数学模型作为预测模型,预估的过程未来偏差不够准确,导致预测控制的实际效果还不如PID控制；另一方面,在预测控制中,不论是动态矩阵控制(DMC),还是广义预测控制(GPC),都存在待调参数较多,参数选取复杂,控制算法中含有高维矩阵求逆,计算量较大等问题,这都为预测控制在工程上的实现增加了难度。本文基于以上两点出发。在模型辨识上,由于大多数工业过程都需要处于闭环被控状态,本文采用适用于工业过程的继电反馈闭环辨识方法。在单变量预测模型的辨识上,经过大量的继电反馈试验分析与推理,本文改进了一阶惯性纯滞后模型参数辨识公式。在饱和继电反馈下,改进的辨识公式能够准确的辨识出被控对象的模型参数,即使辨识过程中存在一定的测量噪声,辨识精度依然较高,满足工业应用要求；由于大部分工业过程都是多变量系统,所以本文采用分散继电反馈,将单变量继电反馈辨识推广至多变量继电反馈辨识,并根据分散解耦得到对应回路的等效传递函数,减小了回路间的耦合作用；在预测控制的工程实现上,预测函数控制由于其控制算法简单,在线计算量小等特点,非常适用于工业过程中。本文利用继电反馈闭环辨识的结果,在西门子集散控制系统APACS+上设计预测函数控制器,仿真结果显示,不论在单变量系统还是多变量系统中,预测函数控制都能取得较好的控制效果,具有一定的工程应用价值。
王明明[9]2008年在《多变量闭环辨识》文中认为目前,工业过程控制中较为常用的PID控制和一些先进控制算法如预测控制、内模控制均是以过程模型为基础的,因此,系统辨识的研究成为控制理论中重要分支之一。在PID控制中,仍存在大量的单回路,单变量辨识仍然占有重要的地位。本文中研究基于NLJ算法的连续模型辨识,能够很好的应用于工业过程。目前,此算法已开发成独立的控制软件,另外此控制软件中还包括了基于小波变换的数据预处理部分以及基于辨识得到的系统模型开发了基于NLJ算法和IMC-PID两种算法的控制器设计。目前很多先进算法均是基于多变量模型的,因此多变量闭环辨识也成为研究的热点之一。针对多数系统为闭环系统的情况,本文详细研究了闭环系统多变量辨识,包括子子模型辨识和子空间辨识。由于国内介绍的大多数子空间辨识算法在变量有误差时和闭环辨识时辨识结果是有偏的,因此本文中主要研究了利用主元分析(PCA)来获取系统矩阵,避免了其他算法中的投影过程,使得此算法在变量有误差和闭环辨识的情况下,辨识结果也是无偏的。最后,本文详细介绍了控制软件开发过程中的一些关键技术,包括如何开发基于vc++的小波滤波器系数、矩阵连接法和多项式连接法等等。本文还将通过具体例子,演示了控制软件的各项功能。
庞强[10]2014年在《流程工业的预测控制及操作优化方法研究》文中指出钢铁、石化等工业是一类以化学反应为主的流程工业。流程工业的生产过程普遍存在难以实现优化操作、扰动参数难以检测、生产工况复杂多变、多个操作变量相互关联等特点,使得其生产过程控制极为复杂。虽然模型预测控制(MPC)已经成功应用于流程工业中的很多生产过程,但是还会经常面临着如上问题。本文以流程工业为背景,分别研究了预测控制的操作优化、不可测扰动、模型失配和强耦合问题。1)针对存在积分特性的非自衡系统的模型不确定性对稳态目标计算的影响,提出了一种基于“点”模型的操作优化方法和判断操作优化问题可行解的检验方法。操作优化方法实现了在双层结构架构下的积分过程的稳态优化,能够为积分过程建立一个稳态预测模型,在每个采样周期不断的补偿“点”模型与实际过程之间存在的误差。通过仿真,可以看出稳态预测模型能够准确的预测积分变量的未来输出。2)针对不可测扰动对非自衡系统的控制精度的影响,提出了一种抑制不可测扰动的自适应MPC方法。该方法基于递推增广最小二乘算法实时估计不可测扰动,通过计算扰动在预测误差中所占的比例,实时更新旋转因子的数值实现对积分过程的自适应预测控制。该方法的有效性在VCM精馏过程中得到了验证。3)针对非自衡系统的稳态目标计算中的稳态预测方程难以建立的问题,本文提出了一个同时确定操作优化和预测控制的集成方法。该方法创建了一个能够反映操作变量动态执行过程的稳态预测模型,以输入增量序列作为决策变量,建立了一个带输入、输出、输入增量约束的二次规划模型。仿真结果表明表明本文提出的方法能在考虑输入输出变量的经济最优的情况下,有效解决积分过程的稳态优化问题。4)针对MPC长时间运行存在模型失配的问题,提出一种基于模型参考自适应辨识的半自适应预测控制方法。该方法采用在模型失配时对被控对象迭加持续激励信号的半自动模式,通过改进的模型自适应辨识方法实现多变量辨识。仿真结果显示辨识的传递函数模型的动态特性更加清晰,便于分析和修改；经过拉氏逆变换得到的FSR模型更加平滑,能够消除因模型误差引起的静差。5)针对强耦合的线性时不变系统可控性比较差的问题,利用分布式预测控制方法来提高系统的部分动态特性。基于分支定界法对分布式控制系统结构进行最优设计,根据回路之间关联性的强弱来设计通讯网络的拓扑结构。仿真结果显示分布式模型预测控制的调节时间比集中式模型预测控制明显缩短；与分散式模型预测控制相比,控制精度又有所提升。
参考文献：
[1]. 多变量系统的辨识及其PID整定[D]. 吴斌. 北京化工大学. 2008
[2]. 基于参数估计的多变量自适应解耦控制算法的研究[D]. 吴亭. 南昌航空大学. 2018
[3]. QR分解技术在递推系统辨识中的应用[D]. 孙延鹏. 北京交通大学. 2008
[4]. 系统辨识算法的复杂性、收敛性及计算效率研究[J]. 丁锋. 控制与决策. 2016
[5]. 多变量系统辨识中的测试信号分析与研究[D]. 刘波. 浙江大学. 2008
[6]. 多变量系统辨识方法比较研究（Ⅰ）[D]. 袁平. 江南大学. 2008
[7]. 基于粒子群算法的多变量闭环系统辨识[D]. 王谦. 华东理工大学. 2014
[8]. 基于继电反馈的闭环系统辨识及其在预测控制中的应用[D]. 刘海. 华东理工大学. 2012
[9]. 多变量闭环辨识[D]. 王明明. 北京化工大学. 2008
[10]. 流程工业的预测控制及操作优化方法研究[D]. 庞强. 东北大学. 2014
标签：非线性科学与系统科学论文; 自适应论文; 系统辨识论文; 模型预测控制论文; 多变量分析论文; 预测模型论文; 随机算法论文; 参数估计论文; 控制变量论文; 过程控制论文; 仿真软件论文; 闭环控制论文; 控制测试论文; 测试过程论文; 变量论文; pid控制器论文; 算法论文;