。为避免完全解耦时出现的这种问题, 很多文献都采取了折中的算法,即只实现不完全解耦或静态解耦。
(4)部分解耦利用相对增益作为衡量多变量系统性能尺度的方法,能够对系统的耦合性质及耦合程度有充分的了解,可以用来衡量一个预先选定的调节量μj 对一个特定的被调量yi 影响。在关联过程中,每个调节量不只影响一个被调量,对于一个双输入、双输出的系统,用kij 表示每个环节的静态增益λ21= ， λ12= λ11= ， λ12= 当系统中出现静态相对增益λ11>1时,就必然存在着小于零的增益,意味着系统存在着不稳定回路。
采用部分解耦,则从u1通过回路2到y1的第三个反馈回路,在方向上是正的,因此,它不会影响负反馈回路的相位滞后,回路周期不会受耦合影响,但设定值响应还是受到耦合的影响。
(5)神经网络解耦神经元网络解耦控制是当前控制理论界的重大课题之一,尤其适用于传统控制方法难以解决的问题,因此更具有研究价值。由于神经网络辨识本质上是一种黑箱辨识方法,所以更适用于研究对象具有不确定性模型、高度非线性、复杂任务的要求等。
将神经网络用于解耦能够解决应用对角矩阵等方法时,对象模型无法准确建立或求出的解耦器中含有不可实现项,解耦性能差的缺点。 图1 神经网络解耦控制系统结构对具有双输入双输出的非线性系统纸机,设计一个含有输入层、隐含层和输出层的BP解耦网络,BP网络属于多层感知器网络的一种,为前向静态网络。
相应于活化函数选取的不同,如取s型函数其输出量可以是0到1之间的连续量,如果取双曲函数则是-1到1之间的连续量,可实现从输入到输出的任意非线性变换 对其连接权的调整采用梯度下降法,是一种全局逼近的方法,具有较好的泛化能力。网络根据训练数据的输入和输出,按预先设定的算法,调节本身的权重,使网络的输出符合于期望的输出。
BP算法本质上是以误差平方和为目标函数,用梯度法求其最小值的算法。对于大多数实际问题,一个隐含层(即三层网络)就已经足够了。
而且,采用越多的隐含层,不但训练时间会急剧增加,陷入“局部最小值”陷阱的机会也会增加,从而给训练带来更大的复杂性。BP网络如果有足够的隐层和隐节点,就可以逼近任意的非线性映射关系。
且是全局逼近的方法,因而具有较好的泛化能力。但收敛速度慢,有局部极值,难以确定隐层和隐节点的个数。
可以引入动量项和应用变尺度法来改进BP网络神经网络解耦仿真结果,解耦效果非常好。采用神经网络解耦控制技术对于一个强耦合的多变量非线性时变并且存在许多不确定性的干扰因素的系统的解耦问题,提供了简单有效的解决方法。
尤其对于复杂的工业过程本身机理复杂,难以建立精确的数学模型,神经网络更体现了其优越性。当其在工作点附近时解耦效果很好,如果不在工作点附近时,将神经网络解耦与专家控制相结合,该算法会具有更强的鲁棒性(6,
7)。参考文献2.1课题要求1．了解造纸工艺过程,掌握其控制要求;2．根据定量水分间关系,建立数学模型;3．选择合适的控制算法,利用仿真软件研究各方案控制效果;4．选择最优控制方案,说明原因。
2.2拟采用的手段和方法1．根据定量水分间关系,建立数学模型
(1)定量和水分的解耦控制在传统解耦控制中,前馈补偿解耦法原理简单,所以初步打算采用前馈补偿和闭环自校正解耦法对定量和水分之间的耦合关系进行解耦。
(2)定量控制方法定量控制是通过控制上网纸浆流量,实际上是控制流过浓浆阀的绝干量(绝干量= 定量×(1-水分)+常量)来实现,这个流量控制系统本身由3个控制回路组成。 图2 内模控制器等效结构图在纸页定量主控回路,定量传感器完成一次横向扫描之后,计算出纸页的平均定量,并与给定值比较得出绝干纤维量信号。
在纸浆浓度的前馈回路,从主控回路得出的绝干纤维量信号通过纸浆浓度前馈信号的修正,计算出纸浆流量的给定值。在纸浆流量的控制回路,从去流浆箱的浆管上取得的纸浆流量信号,通过DDC控制回路调整放料浆阀的开度。
由于定量对流量的控制无法直接实现,所以通过一个压力环节对阀的开度进行间接控制。
(3)水分控制方法纸页水分控制是通过调整纸机烘缸的进气蒸汽压力达到的。该过程是一个标准的串级控制回路。
在纸页水分主控回路,水分传感器完成一次横向扫描之后,计算出纸页的平均水分,并与给定值比较,通过主控制器得出一段烘缸的进气蒸汽压力设定值。在纸浆浓度的控制回路,从主控回路得到的进气蒸汽压力设定值,通过DDC 控制回路来调整进气蒸汽阀的开度。
同纸浆流量的控制回路相似,通过改变阀的开度达到控制压力的目的。2．选择纯滞后补偿控制算法PID控制是过程控制中应用最广的一种控制算法，但是对于大纯滞后的对象，PID控制器就不能取得良好的控制效果，而且容易振荡甚至发散。
Smith预估器是一种人们熟知的解决大滞后问题的有效方法，但它对数学模型的要求较高，当模型失配时容易引起系统不稳定，带Smith补偿的PID控制在正常工况下能克服纯滞后。