面向工业控制与软测量建模的系统辨识方法研究

论文摘要

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。

论文目录

文章来源

类型: 博士论文

作者: 鄢文刚

导师: 朱豫才

关键词: 系统辨识,外部激励,切换控制,数据的丰富性,软测量,模型

来源: 浙江大学

年度: 2019

分类: 基础科学,信息科技

专业: 非线性科学与系统科学,自动化技术

单位: 浙江大学

分类号: TP273;N945.14

总页数: 160

文件大小: 8824K

下载量: 402

相关论文文献

• [1].基于多模型动态融合的自适应软测量建模方法[J]. 高校化学工程学报 2015(05)
• [2].基于带惩罚因子椭球定界算法的软测量建模[J]. 控制工程 2020(01)
• [3].基于时差处理的自适应多层次软测量建模方法[J]. 自动化与信息工程 2020(05)
• [4].一种基于时序误差补偿的动态软测量建模方法[J]. 化工学报 2010(02)
• [5].一种带过程变量时滞估计的在线软测量建模方法[J]. 信息与控制 2016(06)
• [6].基于核慢特征回归与互信息的常压塔软测量建模[J]. 化工学报 2017(05)
• [7].基于多模态扰动的集成即时学习软测量建模[J]. 信息与控制 2020(03)
• [8].局部特征关系下的数据回归及软测量建模[J]. 自动化仪表 2017(06)
• [9].基于改进极限学习机的软测量建模方法[J]. 计算机工程与应用 2012(20)
• [10].基于即时学习的软测量建模实时性改进[J]. 西安工程大学学报 2014(06)
• [11].基于改进核模糊聚类算法的软测量建模研究[J]. 仪器仪表学报 2009(10)
• [12].一种动态软测量建模方法及其工业应用[J]. 自动化仪表 2011(09)
• [13].基于贝叶斯网络的软测量建模方法[J]. 计算机与应用化学 2010(10)
• [14].小波变换的数据预处理在软测量建模中的应用[J]. 计算机工程与应用 2009(14)
• [15].基于聚类的多模型蒸发过程软测量建模[J]. 系统仿真学报 2015(09)
• [16].软测量建模软件的设计与开发[J]. 电脑知识与技术 2011(04)
• [17].污水处理出水水质软测量建模研究[J]. 微计算机信息 2010(01)
• [18].基于微粒群优化算法和支持向量机的软测量建模[J]. 华东理工大学学报(自然科学版) 2008(01)
• [19].一种新的赖氨酸发酵过程软测量建模方法[J]. 中国酿造 2008(11)
• [20].基于选择性核学习的在线软测量建模方法[J]. 舰船电子工程 2018(06)
• [21].基于改进混合蛙跳算法的软测量建模方法[J]. 南京理工大学学报 2017(02)
• [22].基于非参数回归的发酵过程软测量建模[J]. 北京化工大学学报(自然科学版) 2016(05)
• [23].高斯过程集成算法的发酵过程软测量建模[J]. 计算机工程与应用 2011(33)
• [24].基于混合准则的软测量建模辅助变量选择方法[J]. 计算机测量与控制 2019(08)
• [25].基于环路能量聚类的多模型软测量建模[J]. 化工自动化及仪表 2012(11)
• [26].化工原料中对羧基苯甲醛含量的软测量建模[J]. 计算机仿真 2011(01)
• [27].一种基于改进扩张搜索聚类算法的软测量建模方法[J]. 南京理工大学学报 2017(05)
• [28].一种基于带监督局部保持投影的多模型软测量建模方法[J]. 华东理工大学学报(自然科学版) 2012(06)
• [29].基于改进极限学习机的软测量建模[J]. 计算机应用 2017(03)
• [30].贝叶斯分类器的关联向量机多模型软测量建模[J]. 计算机工程与应用 2011(05)

标签：系统辨识论文;  外部激励论文;  切换控制论文;  数据的丰富性论文;  软测量论文;  模型论文;