第三部分先进控制系统解析.pptVIP

第三章 先进控制系统 3.1 软测量和推断控制 3.2 时滞补偿控制 * 3 Advanced control system 过程控制工程发展的原因： 计算机应用与生产过程控制 使原来难于实施的控制系统可以实现 现代控制理论得到发展 理论与实践相结合 生产过程控制要求提高 大型化、精细化提出更高控制要求 本章主要内容： 多变量控制：状态反馈、预测控制 复杂过程的控制：解耦、时滞补偿、软测量、适应性控制、鲁棒控制 智能控制：模糊控制、专家控制、神经网路 监督控制：操作优化、统计过程控制 故障诊断和容错控制、综合自动化 3.1 Soft sensor and inferential control 一、软测量技术 1.存在的问题 数据处理中的问题 如何从大量的过程数据中挖掘出有用的信息 可测量过程数据类型的问题 过程数据中物性和成分类型的数据少 物性数据常用人工分析，周期长，间歇分析 自动分析仪表检测周期长，时滞大，价格贵，维护要求高 2.发展方向 开发研制可靠、响应迅速、在线连续应用的仪表 采用软测量技术，从大量大量的过程数据中推断出未被测量的变量 3.软测量技术 对于一些难于直接测量或不能直接测量的过程变量， 例如，反应物浓度、干点、凝固点等 通过另外一些可测量的过程变量，用模型来推断和估计 这种用软件的方法来完成测量的技术称为软测量技术 可以看到，软测量是间接检测方法。 它的性能与过程的描述、噪声的特性等有关，也与辅助变量的选择、对过程的模型的校正等有关 3.1 Soft sensor and inferential control 软测量技术组成 1.辅助变量选择：辅助变量选择时考虑下列各点 关联性：辅助变量应与主导变量有关联，能直接影响主导变量 特异性：辅助变量应具有特异性，可与其他过程变量区别 工程适用性：容易获得，并能反映生产过程变化 精确性：变量有一定测量精确度，模型具有足够精确度 鲁棒性：对模型误差不敏感 辅助变量的数量：为使模型方程有唯一解，辅助变量数至少等于主导变量数，不宜过多 2.数据采集和处理：数据的覆盖面应宽，具代表性，符合正态分布 数据处理：对数据的归一处理和不良数据的剔除 3.软测量数学模型建立： 方法有：机理建模、经验建模、机理建模和经验建模混合建模 4.模型在线校正：数学模型在线校正是模型结构和参数的优化 分：短期校正和长期校正 3.1 Soft sensor and inferential control 基本原理 过程的输入变量：控制变量u；扰动变量d(含可测和不可测) 过程的输出变量：主导变量Y(可测和不可直接测量)；辅助变量 (可测和不可直接测量) 基本原理：根据可测量得到的变量(u(t)和可测量的Y(t)，d(t)和 (t)) 通过模型推算和估计出不可直接测量的输出变量Y(t) 软测量就是构造一个模型，建立辅助变量与主导变量Y间的映射关系 与动(静)态数学模型的区别: 动(静)态数学模型是建立输出Y与输入u和d的关系，根据u，d求Y 测量数学模型是建立输入 与输出Y的关系，根据 求Y 2.建模方法： 基于动态数学模型的建模方法 把不可测量变量作为状态变量来处理，用状态观测或估计的方法建模对确定性系统用状态观测器，随机性系统用卡尔曼状态估计器 基于稳态回归模型的建模方法 在系统非线性不严重时，可采用线性回归建模 当精度要求较高时，采用非线性回归建模 例如采用非线性函数或神经网络建模 3.1 Soft sensor and inferential control 软测量技术实施时的注意事项 自变量的选取 数量不宜过多，一般在8-10个 应选择起主导作用的变量，可用工艺机理和主元分析等方法选取 自变量应与辅助变量有单值关系 回归模型的形式 非线性函数的回归模型：常采用下列形式 非线性神经网络的模型：常采用三层BP网络或RBF网络 样本精度和输出精度 样本数据的复现性、代表性和可信性，模型的精度 模型的校正和更新 交叉校验：采用交叉校验优于自身校验 在线校正、离线校正和模型的更新 样本的泛化 样本应在工作范围内均匀分布，自变量应落在样本集内 应避免外推，但可以内插 动态效应的考虑：回归模型只考虑稳态 建模数据是稳态数据，应用时应对实时数据进行滤波等处理 3.1 Soft sensor and inferential control 多元线性回归(MLR: Multiple Linear Regression) 对n组m个输入变量 x1、x2、…、xm与输出变量y之间多元线性回归公式： 是第i组输出变量的估计值。 （j=1,…,m）是回