《外文翻译--内嵌于可编程控制器的先进控制算法 中文版》由会员分享，可在线阅读，更多相关《外文翻译--内嵌于可编程控制器的先进控制算法 中文版（20页珍藏版）》请在金锄头文库上搜索。
1、设计巴巴工作室 设计巴巴工作室 内嵌于可编程控制器的先进控制算法a Jozef Stefan 学院，卢布尔雅那，斯洛法尼亚bNova Gorica 技术学校，Nova Gorica，斯洛法尼亚c 卢布尔雅那大学，电气工程系，卢布尔雅那，斯洛法尼亚dINEA d.o.o。,卢布尔雅那，斯洛法尼亚e 计算机技术学院，雅典，希腊f 索非亚化学技术和冶金大学，索非亚，保加利亚2004 年 4 月 23 日收到； 2005 年 5 月 15 日接收摘要：本文介绍一个新颖的非线性自动调节控制器ASPECT（嵌入可编程逻辑控制器的先进控制算法） 。它打算使控制成为高度非线性的过程。过程的适当变化改善了其操作
2、范围，包括三个先进控制算法。它被设计成使用以代理为基础的概念的系统，应用的目标是自动装置一些组态任务。这个过程以一组被证明用了在线升级程序的低命令局部连接，模型为代表。程序被一套低秩序局部的线性的模型代表。这个程序将模型鉴别和前后鉴别步骤联合起来，提供可行的运算控制器监控和评估控制装置执行闭环系统。控制在PLC上被执行。这个执行装置被应用在液位控制系统领域。 （2005 Elsevier 有限公司著作权所有）关键词：控制过程；模糊模型；工业控制；基于模型的控制；可编程逻辑控制器；自调整调节器1、 序言模拟控制理论提供了很多的控制方法来完成控制，非线性过程控制比只用常规在线控制方法的效率更高，他
3、的优势在于准确的过程模型（Bequette,1991;Henson和Seboreys,1997;Murrany-Smith和Johansen,1997） 。调查（Takatsu,Itoh,和Araki,1998;Seborg,1999）指出相对于那些供给很少的建成并已交付使用的产品，先进控制器具有相当大的而且正在增长的市场需求。先进控制算法的结果是优秀的，它基于模糊的参数整定时间（Tan,Hang 和Chai,1997;Babus设计巴巴工作室 ka, Oosterhoff, Oudshoorn和Bruijn,2002）,多重模型控制(Dougherty和Cooper,2003; Gundal
4、a, Hoo和 Piovoso, 2000)和自适应控制(Henson 和Seborg, 1994; Hagglund 和Astrom,2000)，这些都在文中提到了。然而，在提供给工业用途的这些方法中有很多的限制，总结如下：1、 因为现实生活问题的差异性，一个单独的非线性控制方法有一个相邻领域的适合关系。因此工业要求更灵活的方法或实现工具。2、 新的方法通常不会在准备使用的工业类型中得到。习惯设计要求相当多的努力、时间和金钱。3、 硬件要求是比较高的，因为执行和计算要求的复杂性。4、 调节(Babuskaetal, 2002)和维护方法的复杂性使非专门研究工程师不引人注目。5、 非线性的可靠
5、性模拟通常是个问题。6、 很多非线性程序能被著名和在工业上被证实的PID控制来控制。一个大量的直接的性能增加的（金融的获得）当以高阶的取代一个传统的控制系统时被要求。不恰当的传统控制方法的维护费可能比较不明显。这些工作的目标是说明一个透过使用以代理为基础的系统概念的系统（ABS）(Wooldridge 和 Jennings, 1995)来解决上述一些问题的先进控制器。最主要的目的是用部分自动化的试车程序来简化控制器组态，这典型地被控制工程设计师执行。ABS用分配任务给网状系统软件代理来解决疑难问题。软件具有像自治权（不需要人直接干预的操作），社会能力（和其它对象交互作用），活性（对环境的感觉和
6、反应），支持活跃（面向目的的行为，自动化）等特性。这项工作不是提出ABS理论的发布，但是这些同样也适用于基于ABS概念的程序系统设计的领域。在这个上下文中，一些限制被考虑到了。例如：自主性受限制，高度的可靠性和预测等级被要求，涉及到的范围问题是受传感器的读数限制的，具体的硬件平台被使用等等。ASPECT控制器是在工业处理中的参数整定时间的控制的一个有效和使用界面友好的设计工具。控制器的功能是用自动实验和调节来简化控制。控制器的一个区别的特性是演算法在PLC或开启的工业控制器平台上的执行被适应。控制器参数从一种非线性程序模型自动地被调节。这个模型由操作模拟实验由一个新颖的在线学习程序发信号获得。
7、这个程序使用局部学习方法（Murray-Smith 和Johansen,1997, p. 188）的模型鉴别。测量数据被批量智能处理。附加的步骤是在鉴别之后被执行，是为了改进模拟的可靠性。比较自适应方法，利用循环的鉴别(Hagglund 和Astrom,2000) 是连续的。非线性模型包含一组局部的低秩序线性的模型，它们每个在一个特殊操作区域有效。使设计巴巴工作室 用一个构成的确定时间的变量活跃的局部模型( s ) 被选择。这个控制器是对于单输入单输出过程特殊设计的，可能含有一个干扰检测。另外，控制器的应用范围取决于所挑选的控制算法。控制器的一个组件允许在适用于很多不同的程序的控制算法的范围中
8、使用。控制器监控导致的控制执行结果并且对发现的错误作出反应。控制器中有实时模块（RTM）和组态工具（ CT）。RTM在PLC中运行，执行全部的实时控制功能，在线学习和控制执行监控。CT 最初组态阶段通常在个人电脑（PC ）中，通过提供引导和设置缺省参数值来简化组态步骤。下文的线索如下：第2节介绍RTM结构的概要和描述他最重要的模块。第三节给出CT 的简单描述；最后，第四节描述这个控制器在试验机械设备的应用，在这里它用在液位阀测试装置中影响不同。2、运行时间模块ASPECT控制器的RTM由一组组件连接组成一个多进程系统。图1给出RTM的概要和它的主要功能模块：信号预处理进程（SPA），在线学习进
9、程（OLA），模型信息进程（MIA），控制算法进程（CMP），运算管理（OS）。设计巴巴工作室 图1 运行时间模型概要 2.1多面体模型（MFM）ASPECT控制器建立在多面体模型的概念基础上，由Stephanopoulus, Henning, 和Leone (1990)提出，包含一些CAA 和OLA需要的模型。特别是MFM包含一组当地的由变量s(k)提供的时间之后和补偿的一、二级命令分时连接模型。这个模型方程式的局部首要模型条件是：（1）jjjijjiji rdvkcdukbyaky )()()()1( ,同时，这个模型方程式的第二条件模型是（2）)1()()1( )1() ,2,1,2 ,
10、2, jjjjjjj rdvkcdvkvcdukb ubyay 这里的k是分离的时间索引，j是局部模型的数量，y（k）是过程的输出信号u(k)是过程的输入信号，v（k）是可选择的干扰检测信号（MD），du是在模型分量中u对y的导数，dv是在模型分量中v对于y的导数，a i， j，b i,j,ci,j和r j是j 的局部模型的参变量。这组局部模型能用一个Takagi Sugeno模糊模型解释，这个模型在一个二级命令模型的情况下可用下面的方式表达：（3） mj mjjj jj jjj jmj mjjjmjj rkdvkc dvcub dukbkyakyaky1 1,2 ,1, 1,21, )()(
11、) )()() )()()()( 这里 j（ k）是j的局部，模型关于可变列表现实值 s（k）的全体函数关系的值。正常的三角函数关系功能被使用，如图2所示图2 在MFM中的局部模型的模糊成员函数确定时间的变量s ( k )被系数kr，ky，ku，和kv计算使用，使用质量总数。（4）)(1()()( kvukykrsj 系数被工程师配置成一样给非线性过程。设计巴巴工作室 2.2在线学习进程（OLA）OLA检测实时信号保护，被SPA准备，评估由信号激发的局部模型的参数。最近导出的参数只有当它们通过验证和证明是比目前的情况好的时候才被提交给MIA 。OLA662在OS或自治权的要求上被调用的，一个输
12、出信号的间隔在过程中有足够的激发因素可用。它使信号成批智能运行。用局部学习方法，一个先进的批量智能概念是决定适应模型是被实时执行还是跟着延时允许在应用前检测来鉴别结果。因此，更好的意思是数字选择控制已经给出。分配计算时间的问题要求鉴别出现大量智能数字过程（相反的在线循环过程在自适应控制器中典型应用）。这个问题用多任务操作系统来解决。OLA的典型比实时逻辑控制要求更大的计算量，它以一个低优先级任务在后台运行。2.2.1.信号复制保护实时信号的保护被SPA维持。当OLA 被调用时，保护的有关部分被复制给进一步过程。2.2.2.抑制激发快速激发的抑制在开始时被操作，因此信号的处理只能在它们包含激发因
13、素是被运行。如果标准有效的保护低于它们的下限时，执行被取消。偏离了信号r（k），y（k），u（k）和v（k）。2.2.3.从MIA复制到MFM在线学习程序一直比新的局部模型鉴别排列在参数前。因此，活动的MFM从MIA 存储的地方被复制。不履行设置的模型参数被用于局部模型不再被鉴别（见2、3节）。2.2.4.选择局部模型如果全体函数 j（k）的保护活动被超过最低保护限度的活动纠正，局部模型被选择。只有被选择的局部模型含有更多的过程。2.2.5.辨识使用被Blazicetal(2003)发展的模糊的仪器的变量( FIV )辨识方法，局部模型的模型参数被辨识。它是一种延伸指定的MFM的线性的仪器的变
14、量辨识程序( Ljung，1987 )，基于局部的学习方法( Murray史密斯与Johansen，1997年) 。局部的学习方法基于所有局部模型的参数将不再是一种单一的衰退运算中被估计的假定。与全面的方法比较它是更不容易倾向于故障条件和局部最小的问题的。这种方法充分被适于工业的运算(直觉，非线性的模型的渐进的构成，适度的计算要求)的需要。它能够使因为不足的刺激不是估计适当的局部模型的总量成为可能。当所有局部模型目前尚未被估计时，它在最初组态阶段是有效和可靠的。另一方面，在最佳附近收敛性是缓慢的。因此，它很有可能产生比使用非线性的方法适宜的一个较坏的模型。下列简要地描设计巴巴工作室 述程序。模
15、型辨识为了每一个选择的局部模型(按索引j予以指示)单独地被执行。初始估计参数向量 j被复制为活跃的MFM，以及协变性矩阵P j MIA是对10 5种初始I (单位矩阵)。FLS (模糊最小平方) 估计， j ，FLS 使用质量最最小广场辨识FLS和P jFLS被获得，而 j ( k )对于质量。计算被执行递归避免矩阵倒置。FIV (模糊的仪器的变量)估计， jFIV和P j FIV被用质量仪器的变量鉴别计算。为了防止噪音使结果退化，一个死区用于每一 FIV和FLS递归的评价的步骤。仅当程序输出和其预测之间的绝对的质量区别在构成噪音下限之上，参数和协变性矩阵的向量最新。在缺乏从到的分支中的或者从到的模型分支中的刺激的情况下u v y (，以及当措施扰动全然不是出席的)，带有减少的参数评估向量的方法的变量被使用。图3 在线学习过程2.2.6.检验与有效这个步骤由一个选择的局部模型的模拟输出与局部模型的位置近似的实际的程序输出比较执行。平均方的误差( MSEj )的正常的总数被计算。近似被全体定义功能 j。对于每个选择的局部模型，这个步骤以三套模型参数被实行： jMIA， j FLS和 j FIV 。带有最低的MSE j的装置被选择。设计巴巴工作室 全体的检验由把包括选择的装置的模糊的模型的模拟输出与实际的程序输出比较执行。平均的方的误差( MSEG )
