论文部分内容阅读
通过可观测的信息,建立系统的模型是对系统进一步认知与研究的有效途径。尤其是在工业、航天等领域,有了系统的模型,便可以对系统设计合适的控制算法、对系统的输出进行预测、对系统的目标进行优化等。系统辨识是获取系统动态模型的重要手段,因此研究系统辨识具有十分重要的理论和实用价值。首先,本文以工业控制系统中常见的两种控制回路——比例、积分、微分(PID)控制以及模型预测控制(MPC)回路为研究对象,从降低辨识实验成本的角度提出了一种无外部激励闭环辨识的方法,并对模型在闭环无外部激励情况下的可辨识条件进行了理论上的分析;本文的另一贡献是拓展了系统辨识在软测量建模领域的应用。本工作主要的研究内容与结果如下:1.以单变量PID闭环系统为研究对象,提出了基于无外部激励辨识的PID整定策略。首先,引入了数据的丰富性与模型的可辨识性这两个闭环辨识中的重要概念,通过这两个概念探讨了不添加外部激励的情况下,能否通过噪声激励的数据估计出系统模型的问题。研究结论表明,当控制器阶次高于模型阶次时,可以在不添加外部激励的情况下辨识得到系统的模型。对于PID控制的闭环控制系统,在不添加外部激励的情况下,仅利用线性控制系统产生的数据辨识不了系统的模型。然后,为了解决这一问题,提出了基于切换控制器的无外部激励辨识方法,该方法不仅能使得数据足够丰富保证模型可辨识,而且能够在辨识实验阶段提升控制品质,降低辨识成本。最后,基于上述无外部激励辨识实验,提出了完整的基于无外部激励辨识的PID参数整定策略,并通过仿真实验验证了该方法的有效性。2.推导出了多变量系统在闭环无外部激励的情况下,数据足够丰富保证多变量模型可辨识的充分条件。现有文献的研究结论表明,当控制器的结构足够复杂时,多变量系统所产生的数据是足够丰富能够保证模型可辨识的,但该结论是定性的,因此并不实用。本文通过输入输出个数以及模型与控制器的阶次来定量地刻画模型与控制器的复杂度,给出了多变量闭环系统在线性时不变控制器以及切换控制器下,数据足够丰富保证模型可辨识的定量条件,该条件为研究多变量系统的无外部激励辨识方法提供了理论基础。3.以多变量MPC闭环系统为研究对象,提出了无外部激励的闭环辨识算法。首先,分析了在无约束或不触发约束条件下,MPC等效的最小传递函数实现形式,并通过该等效形式分析了在MPC闭环系统中,数据足够丰富保证多变量模型可辨识的条件。其次,探讨了MPC闭环系统在模型失配情况下,系统输出方差与权重矩阵的关系,并通过该关系设计出了针对MPC闭环系统的切换控制辨识实验。同样地,通过该基于切换控制的辨识实验,能够估计出系统模型的同时提升闭环系统的控制性能,降低辨识实验成本。最后,通过仿真实验验证了提出方法的有效性。4.提出了使用多模型结构的线性参变(LPV)模型进行软测量建模的辨识算法。首先,在估计LPV模型参数时,使用了输出误差法,并依据该模型结构的特点,提出了一种基于松弛策略的数值优化算法,该算法能保证迭代过程中数值的稳定性。其次,在对模型的结构和输入变量进行选择时,提出了一种工程的方法,该方法结合了最终输出误差(FOE)准则和对过程的先验知识(模型增益的方向)。最后,通过一个仿真算例和实际的精馏塔数据验证了算法的有效性。工业实例的研究结果表明,LPV模型软测量的效果要比线性模型和非线性静态模型的效果要好。