第8章先进过程控制技术8.1概述 从40年代启至今，采用PID控制规律的单回路系统一直是过程控制领域最主要的控制系统，单回路系统主要采用
经典控制理论的频域分析方法进行控制系统的分析和设计。PID控制算法简单、应用广泛、鲁棒性好，可以实现一般生产过程的平稳操作与运行，
是使用最广泛的闭环控制规律（控制领域的常青树）。但单回路PID控制并不适用于特性复杂（时变、非线性）的被控过程，不能满足生产工艺的
特殊需要和高精度控制的要求。从50年代开始，过程控制领域陆续出现了串级、比值、前馈、均匀和Smith预估控制等控制系统，即所谓的
复杂控制系统，这些系统在一定程度上满足了复杂生产过程、特殊生产工艺以及高精度控制的需要。从60年代初期逐渐发展起来的以状态空间为
基础的现代控制理论日趋完善，形成了状态反馈、状态观测器、最优控制等一系列多变量控制系统的设计与控制方法，对自动控制技术的发展起到了
积极的推动作用。随着过程工业规模日趋大型化、工艺复杂、对生产过程参数要求持续提高，出现了过程工艺、系统结构、运行环境和控制要
求均十分复杂的过程生产系统。与此对应，业界提出了先进过程控制（advancedprocesscontrolAPC，亦称高等过
程控制）的概念。关于先进过程控制，目前尚无严格、统一的定义。习惯上，将那些不同于常规PID控制，并具有比常规PID控制更好控制效果
的控制策略统称为先进过程控制，如自适应控制、预测控制、专家控制、模糊控制、神经网络控制、推理控制等都属于先进控制。相对于传统的
控制技术，先进控制有以下一些特点：先进控制的控制策略与传统的PID控制不同；先进控制通常用于实现复杂被控过程的自动控制；先进控制的
实现需要足够的计算能力作为支持平台。本章简单介绍近年来出现的典型先进控制方法。这些控制方法在复杂工业过程控制中得到了成功的应用，
受到工程界的欢迎和好评。8.2自适应控制前面讨论的控制系统设计和控制器参数整定，都是在假定被控过程特性呈线性、模型参数固定不变
的条件下进行。在实际生产中，由于被控(对象)过程的数学模型参数随着生产持续进行而发生变化。当被控过程特性发生变化时，采用常规PID
控制不能很好地适应工艺参数的变化，导致控制品质下降（应该重新整定控制器参数，但实际难以实现）。如果控制系统能根据被控过程特性变化情
况，自动改变控制器的控制规律和可调参数，使生产过程始终在最佳状况下进行，这种控制系统称为自适应控制系统。自适应控制系统应该具有以
下基本功能辨识被控(对象)过程特性与参数变化，确定被控过程数学模型，或确定当前的实际性能指标；能根据条件变化，自动选择合适的控制策
略或控制规律，并自动修正控制器的参数，保证系统的控制品质，使生产过程始终在最佳状况下进行。根据设计原理和结构不同，自适应控制系统可
分为两大类，即自校正控制系统和模型参考自适应控制系统。8.2.1自校正控制系统自校正控制系统的原理图如图8.1所示：r图8.1自
校正控制系统框图根据具体生产过程的特点，采用不同的辨识算法、控制规律（策略）以及参数计算方法可设计出不同类型的自整定控制器和自校
正控制系统。8.2.2模型参考自适应控制系统模型参考自适应控制系统的基本结构如图8.2所示参考模型+自适应机构—+被控过程控
制器—图8.2模型参考自适应控制系统框图模型参考自适应控制系统除了图8.2所示的并联结构之外，还有串联结构、串-并联结构等形式。按
照自适应原理不同，模型参考自适应控制系统还可分为参数自适应、信号综合自适应或混合自适应等多种类型。8.3预测控制被控过程的数学模
型的准确程度直接影响到控制的质量。对于复杂的工业过程，要建立它的准确模型是非常困难的。1978年Richalet提出的预测控制是一
种对模型精度要求不高而能实现高质量控制的方法，并很快在石化生产过程中获得了成功的应用。近年来研究人员对预测控制进行深入研究，提
出了多种预测控制算法，如模型算法控制(MAC，ModelAlgorithmicControl)、动态矩阵控制(DMC，Dyna
micMatrixControl)、广义预测控制(GPC，GeneralizedPredictiveControl)和内部
模型控制(IMC，InternalModelControl)等。虽然这些控制算法的表达形式和控制方案各不相同，但都是采用工业过
程较易得到的被控(对象)过程脉冲响应或阶跃响应曲线为依据，并将它们的采样序列数值作为描述被控过程动态特性的数据，构成预测模型，确
定控制量时间序列值，使未来一段时间被控参数与期望轨迹之间误差最小，“优化”过程在线反复进行，这就是预测控制的基本思想。8.3.1
模型算法控制MAC的原理图如图8.3所示。参考轨迹优化算法被控过程+_+_内部模型闭环预测输出图8.3MAC原理框图模型
算法控制的结构包括内部模型、反馈校正、滚动优化、参考轨迹四个环节。具体的模型算法可分为单步模型算法、多步模型算法、增量模型算法和单
值模型算法等多种算法控制。下面以多步模型算法控制为例，说明各个环节的算法和整个系统工作原理。1.内部模型对于具有自衡特性的过程
，模型算法控制采用单位脉冲响应曲线作为内部模型，如图8.4所示。图8.4单位脉冲响应模型设当前时刻为k，对于图8.4所示的内部模
型，可以根据过去和未来的输入数据，由卷积方程计算出被控过程未来k+i时刻输出y(k+i)的预测值（8.1）k+i-1
时刻预测模型输出ym(k+i)（8.2）将式（8.1）与式（8.2）相减可得增量表达式（8.3）2．反馈校正对式（8
.1）的开环预测模型的输出进行修正。通常采用第k步的实际输出测量值y(k)与预测输出值ym(k)之间的误差e(k)=y(k)-ym
(k)对模型的预测输出ym(k+i)进行修正。修正后的预测值用yp(k+i)表示（8.4）由式（8.4）可知，由于每
个预测时刻都引入了当前时刻实际对象输出和预测模型输出的偏差对开环模型预测值ym(k+i)进行修正，这样可克服模型不精确和系统中
存在的不确定性可能带来的误差。用修正后的预测值yp(k+i)作为计算最优性能指标的依据，实际上是对测量值y(k)的一种负反馈，
故称反馈校正。由于存在反馈环节，经过反馈校正，控制系统的鲁棒性就有了很大提高，这也是预测控制得到广泛应用的一个重要原因。3．参考
轨迹模型算法控制的目的是使输出y(k)沿着一条事先规定的曲线逐渐达到给定值r，这条指定曲线称为参考轨迹yr。通常参考轨迹采
用从现在时刻k对象实际输出值y(k)出发的一阶指数曲线。yr在未来k+i时刻的数值为（8.5）上式中,r为设定值；
为平滑因子；T为采样周期；T0为参考轨迹的时间常数。采用这种参考轨迹可减小过量的控制作用，使输出y(k)平滑到达设定值r。
参考轨迹的时间常数T0越大，αr值也越大，yr越平滑，系统柔性越好，鲁棒性越强，但控制快速性也会降低。4．滚动优化预测控制是一种
最优控制策略，其目标函数JP是某项性能指标最小。最常用的是二次型目标函数（8.6）上式采用滚动有限时域优化算法，优化过程在线反
复计算，对模型时变和失配等影响能及时补偿，因而称其为滚动优化算法。由于目标函数中加入了控制量的约束，可限制过大的控制量冲击，使过
程输出变化平稳，参考轨迹曲线yr(t)如图8.5所示。图8.5参考轨迹与最优控制策略8.3.2动态矩阵控制1980年由Cul
ter提出的动态矩阵控制DMC也是预测控制的一种重要算法，DMC与MAC的差别是内部模型不同。DMC采用工程上易于测取的对象阶跃响
应做为内部模型，在实际应用取得了显著的效果，并在石化领域得到广泛的应用。1．内部模型DMC的内部模型为单位阶跃响应曲线，如图8
.6所示。图8.6单位阶跃响应模型单位阶跃响应曲线同单位脉冲响应曲线一样可以表示对象的动态特性，二者之间的转换关系为（8
.7）将式（8.7）代入式（8.1）（8.8）上式中，Δu(k+i-j)=u(k+i-j)-u(k+i-j-1)，为k+i-j时
刻控制变量的增量；P为预测长度；i>N；如果以当前时刻k为界限，将控制(变量)增量分为二部分，即k之前已输入的控制增量：…
，Δu(k-1)和k之后将要输入的控制增量：Δu(k),Δu(k+1),…。对应的ym(k+i)也分为k之前已输入的控制增
量所产生的输出预测值ym0(k+i)和k之后将要输入的控制量：Δu(k),Δu(k+1),…所产生的输出预测值：则式(8.
8）可表示为（8.9）i=1,2,…，P式中的控制增量:Δu(k),Δu(k+1)…,Δu(k+M-1)是待确定的未知变量
。如果定义向量和矩阵则式（8.9）可表示为（8.10）2．反馈校正由于非线性、随机干扰等因素，模型预测值与实际输出可能存在差
异，为了减少这种影响，用对象实际输出和预测模型输出的偏差e(k)=y(k)-ym(k)，对模型预测值ym(k)进行修正（8
.11）通过对预测值进行修正，构成反馈校正，形成闭环预测输出，提高了系统的鲁棒性。如果定义向量则式（8.11）可表示为（8.1
2）其他部分与模型算法控制(MAC)相同。8.3.3广义预测控制与内部模型控制1．广义预测控制Clarke于1985年提出广义
预测控制GPC，在保留MAC、DMC算法特点基础上，采用受控自回归积分滑动平均模型(CARIMA，ControlAuto-Re
gressiveIntegratedMovingAverage)或受控自回归滑动平均模型(CARMA，ControlAut
o-RegressiveMovingAverage)作为内部模型(替代单位脉冲响应模型或单位阶跃响应模型)，吸收了自适应和在线
辨识的优点,对模型失配、模型参数误差的鲁棒性有所提高。2．内部模型控制内部模型控制（IMC）是Garcia和Morari于198
2年提出来的一种控制算法，其基本结构如图8.7所示。图8.7IMC结构框图8.4专家控制专家控制（也称专家智能控制）是专家系
统与控制理论和技术的结合，它将专家系统理论同控制理论与技术相结合，在未知环境下仿效专家的智能，实现对生产过程系统的自动控制。根据专
家系统在控制系统中应用的复杂程度，专家控制可分为专家控制系统和专家式控制器。专家控制系统具有全面的专家系统结构、完善的知识处理功能
，同时又具有实时控制的可靠性能；专家式控制器是专家控制系统的简化，二者在功能上没有本质的区别。专家控制系统能够运用控制工作者成熟的
控制思想、策略和方法，以及直觉经验和手动控制技能进行控制。专家控制系统不仅有助于提高常规控制系统的控制品质，拓宽控制系统应用范围，
而且可以对传统控制方法难以奏效的复杂生产过程实现高品质控制。1.专家控制系统的类型根据用途和功能，专家控制系统可分为直接型专家控制
系统(器)和间接型专家控制系统(器)；根据知识表达技术不同，又可分为产生式专家控制系统(器)和框架式专家控制系统(器)等。（1
）直接型专家控制系统(器)直接型专家控制系统(器)具有模拟(或延伸、扩展)操作工人智能的功能，能够取代常规PID控制，实现
在线实时控制。它的知识表达和知识库均较简单，由几十条产生式规则构成，便于修改、推理和控制策略简单，推理效率较高。（2）间接型专家控
制系统(器)间接型专家控制系统和常规PID控制器相结合，对生产过程实现间接智能控制，具有模拟控制工程师的智能功能，可实现优化、
自适应、协调、组织等高层决策。按其高层决策功能不同，可分为优化型、适应型、协调型和组织等型专家控制系统。这类专家控制系统功能复杂，
智能水平较高，相应的知识表达需采用综合技术，既用产生式规则，也要用框架和语义网络以及知识模型和数学模型相结合的综合模型化方法。系统
功能可在线实时实现，也可通过人机交互或离线实现。2.专家控制系统基本组成不同类型专家控制系统的结构可能有很大差别，但都包含算法库
、知识基系统、人-机接口、通信系统等基本组成部分，如图8.8所示。图8.8专家控制系统典型结构框图算法库控制算法根据知识基系
统的控制配置命令和对象的测量信号，按选定的控制策略或最小方差等算法计算控制信号。辨识算法和监控算法是从数值信号流中抽取特征信息，只
有当系统运行状况发生某种变化时，才将运算结果送入知识基系统，增加或更新知识。知识基系统知识基系统贮存控制系统的知识信息，包括数
据库和规则库。在稳态运行期间，知识基系统是闲置的，整个系统按传统控制方式运行。知识基系统具有定性的启发式知识，进行符号推理，按专
家系统的设计规范编码，通过算法库与对象相连。人-机接口人-机接口作为人-机界面，把用户输入的信息转换成系统内规范化的表示形式，
然后交给相应模块去处理。把系统输出的信息转换成用户易于理解的外部表示形式显示给用户，实现与知识基系统的直接交互联系、与算法库间接联
系。由于生产过程复杂性和先验知识局限性，无法完善建模。需要根据所获得的经验信息，通过学习，使控制性能逐步改善，具有学习功能的系统
才是完善的专家控制系统。8.5模糊控制在实际生产中有相当数量的过程用传统的方法难以实现自动控制。而一个熟练的操作人员可能并没有
多少控制理论知识，也不知道被控(对象)过程数学模型，却能凭自己丰富的实践经验，通过手动操作实现对复杂生产过程的控制。人们的经验知
识具有模糊性，无法用精确的数学语言表达，但可用模糊集合与模糊逻辑描述。1974年，英国的E．H．Mamdani根据美国自动控制理论
专家L．A．Zadeh于1965年提出的模糊集合理论，提出了模糊控制器的概念，标志模糊控制的正式诞生。与各种精确控制方法相比，模
糊控制有如下优点模糊控制使一些难于建模的复杂生产过程的自动控制成为可能;模糊控制具有较强的鲁棒性，被控过程特性对控制性能影响较小;
基于模糊控制规则的推理、运算过程简单，控制实时性好;模糊控制机理符合人们对过程控制作用的直观描述和思维逻辑，为人工智能和专家系统在
过程控制中的应用奠定了基础。8.5.1模糊控制系统的基本结构图8.9为模糊控制系统块图，虚线框部分为模糊控制器。系统将测得的数
据PV（被控参数）与给设值进行比较后得到的偏差e和偏差变化率?输入到模糊控制器，模糊控制器通过计算得出控制量MV，通过M
V对被控(生产)过程进行控制。图8.9模糊控制系统框图模糊控制器的输入、输出变量都是精确数值，模糊控制器采用模糊语言变量，用
模糊逻辑进行推理。模糊控制器的基本结构框图如图8.10所示。图8.10模糊控制器结构框图1.模糊化模糊化是将偏差e及其变
化率?的精确量转换为模糊语言变量，即根据输入变量模糊子集的隶属函数找出相应的隶属度，将e和?变换成模糊语言变量E、?。在实际控制过
程中，把一个实际物理量划分为“正大”，“正中”，“正小”，“零”，“负小”，“负中”，“负大”7级，分别以英文字母PB、PM、PS
、ZE、NS、NM、NB表示。每一个语言变量值都对应一个模糊子集。首先要确定这些模糊子集的隶属度函数μ(?)，才能进行模糊化。
隶属度函数曲线一般选择三角形或梯形。在某一区间内，要求控制器精度高、响应灵敏，则相应区间的分割细一些、三角形隶属度函数曲线斜率取大
一些，如图8.11(a)所示。反之，则如图8.11(b)所示。图8.11数值变量分割及语言描述a)细划分b)粗划分
2.模糊规则推理模糊控制器的核心是依据语言规则进行模糊推理，设计控制器时，首先要确定模糊语言变量的控制规则。规则的形式为：IF…
THEN…。一般描述为：IFXisAandYisB，THENZisC。模糊控制用规则来描述，可以根据输入、输出
变量个数及控制精度的要求灵活确定。模糊控制推理较常用的合成运算有最大-最小合成运算(MAX-MIN)和最大-乘积合成运算(MAX-
PROD)，常用的推理方法有Mamdani推理、Larsong推理等。3．清晰化清晰化即是将模糊语言变量转换为精确的数值，即
根据输出模糊子集的隶属度计算出确定的输出数值。清晰化有各种方法，其中最简单的一种是最大隶属度方法。在控制技术中最常用的清晰化方法则
是面积重心法(COGCenterofGravity)，其计算式为：（8.13）式中，μ(xi)为各规则结论xi的隶属度
对于连续变量，式（8.13）的和式变为积分形式来表示（8.14）此外，还有一些可供选择的清晰化计算方法，如最大值平均(MOM，M
eanofMaximum)、左取大(LM，LeftMaximum)、右取大(RM，(RightMaximum)、乘积和重
心法(PSG，Product-Sum-Gravity)等。在选择清晰化方法时，应考虑隶属度函数的形状、所选择的推理方法等因素。4
．知识库知识库中包含有关控制系统及其应用领域的知识、要达到的控制目标等，由数据库和模糊控制规则库组成。数据库主要包括各语言变量的隶
属度函数、尺度变换因子以及模糊空间的分级数等；规则库包括用模糊语言变量表示的一系列控制规则，它们反映了控制专家的经验和知识。8.5
.2模糊控制的几种实现方法1.CRI查表法CRI（CompositionRuleofInference，关系合成推理）查
表法是模糊控制最早采用的方法。所谓查表法就是将所有可能输入变量的隶属度函数、模糊控制规则及输出变量的隶属度函数都用表格（称为模糊控
制表）表示。输入变量模糊化、模糊规则推理和输出变量的清晰化均通过查表实现。2.专用硬件模糊控制器专用硬件模糊控制器是用硬件直接
实现模糊规则推理。优点是推理速度快，控制精度高。3.软件模糊推理法软件模糊推理法的特点是模糊控制过程中输入量模糊化、模糊规则推理
、输出清晰化和知识库这四部分都用软件来实现。模糊控制在复杂生产过程自动控制的应用取得了很好的效果。将模糊控制与常规PID控制策略结
合构成的各种模糊PID控制器具有良好的性能，现在许多新型DCS都有模糊控制功能。8.6神经网络控制基于神经网络的控制是一种基本上
不依赖于模型的控制方法，适用于难于建模或具有高度非线性的被控过程。8.6.1神经元模型1.生物神经元模型人的大脑是由大量的神
经细胞组合而成的，它们之间互相连接。每个脑神经细胞（也称神经元）具有如图8.12所示的结构。脑神经元由细胞体、树突和轴突构成，细
胞体是神经元的中心。树突是神经元的主要接受器，用来接受信息。轴突传导信息，从轴突起点传到轴突末梢，轴突末梢与另一个神经元的树突或细
胞体构成一种突触的机构。通过突触实现神经元之间的信息传递。图8.12生物神经元模型2.人工神经元模型人工神经元网络是利用物理
器件来模拟生物神经网络的某些结构和功能。人工神经元模型如图8.13所示。神经元模型的输入输出关系为：（8.15）（8.16）式
中，θj为阈值；wji为连接权值；f(?)为激发函数或变换函数。图8.13人工神经元模型常见激发函数（8.17）（1）阶跃函数（
图8.14a）（2）符号函数（图8.14b）（8.18）（3）饱和型函数(图8.14c)（8.19）（4）双曲函数（图8.14d）
（8.20）（5）S型函数（图8.14e）（8.21）（6）高斯函数（图8.14f）（8.22）图8.14常见激发函数曲线8.
6.2人工神经网络模型将多个人工神经元模型按一定方式连接而成的网络结构，称为人工神经网络。人工神经网络有多种结构模型，图8.15
（a）所示为前向神经网络结构；图8.15（b）为反馈型神经网络结构。图8.15典型神经网络结a)前向神经网络结构b)反馈型神经
网络结构下面简要介绍在自动控制中常用的误差反向传播神经网络。误差反向传播网络简称BP（BackPropagation）网络，
如图8.15a）所示，是一种单向传播的多层前向网络，由输入层、隐含层（可以有多个隐含层）和输出层构成，可以实现从输入到输出的任意
非线性映射。BP算法属于全局逼近方法，有较好的泛化能力，是当前应用最广泛的一种网络；缺点是训练时间长，易陷入局部极小，隐含层数和隐
含节点数难以确定。BP网络在建模和控制中应用较多。8.6.3神经网络在控制中的应用神经网络控制是指在控制系统中采用神经网络，
对难以精确描述的复杂非线性对象进行建模、特征识别，或作为优化计算、推理的有效工具。其在控制领域的应用可简单归纳为以下几个方面：在
基于精确模型的控制系统中作为被控过程模型；在反馈控制系统中直接承担控制器的作用；在传统控制系统中实现优化计算；在与其它智能控制方法
相融合中，为其提供非参数化模型和参数优化、推理模型与故障诊断等。8.7推理控制在实际生产中，常常存在这样一种情况——被控过程的主要
参数不能直接测量或者难以测量，无法实现反馈控制；或者被控过程的扰动无法测量，不能进行前馈补偿。针对这一问题，美国的Coleman
Brosilom、MarrinTong等人于1978年提出了推理控制(InferentialControl)方法。推理控制在已
建立过程数学模型的基础上，根据过程输出的性能要求，通过数学推理导出控制系统应具有的结构形式，通过辅助参数实现对不可测主要参数的反馈
控制和不可测扰动的补偿。8.7.1推理控制系统的组成推理控制系统框图如图8.16所示(图中各参数和变量的定义参见教材p276、8
.7.1)。图8.16推理控制系统框图设计推理控制部分Gc(s)，克服F(s)对Y(s)的影响。从图8.16可知，F(s)对Y
s(s)与Y(s)影响可表示如下（8.23）（8.24）设带入（8.24）可得（8.25）如果。则有Y(s)=0即完
全消除了不可测干扰F(s)对被控过程主要参数Y(s)的影响。取Y(s)=0，将式(8.26)代入式(8.24)可得推理控制部
分传递函数（8.27）若已知各环节传递函数的估计值，，可求出（8.28）则推理控制部分的输出（8.29）为了便于
分析，将式（8.29）简写为：（8.30）令，则可由式（8.24），画出图8.17所示的推理控制系统组成框图。Gic(s)称
为推理控制器，ê(s)称为估计器，R(s)设定值。图8.17推理控制系统组成框图由图8.17不难看出，推理控制部分具有如
下三个基本功能：①实现信号分离；②估计不可测扰动；③实现输出跟踪。8.7.2推理——反馈控制系统消除偏差途径之一是构成主
要被控参数反馈控制。由于主要输出(被控)参数不可测，可通过推理方法估算出主要参数，实现反馈控制。这就是推理——反馈控制系统的基本思
路，其框图如图8.18所示。图8.18推理-反馈控制系统组成框图从图8.18可得（8.31）（8.32）由（8.32）可
得（8.33）将式（8.33）代入式（8.31）可得：（8.34）图8.17所示的推理控制系统实现了对不可测扰动的补偿
，图8.18所示的推理——反馈控制系统实现了不可测被控参数的反馈控制，如果将二者结合起来，则可构成不可测干扰与不可测被控参数的(
前馈)补偿——反馈复合控制系统。8.8基于规则的仿人控制8.8.1仿人比例控制8.8.1.1仿人比例控制工作原理假定被控过程为
线性定常系统，其比例反馈控制系统如图8.19所示。er图8.19单回路比例控制系统对于具有自衡特性的被控过程，当控制器比例系
数Kp(或P)值较小(大)时，系统稳定，但静差较大如图8.20a）所示。若控制器能够模仿人的操作，不断调整给定值，使系统输出(
被控参数)不断逼近设定值r，就可以提高系统稳态精度，如图8.20b）所示。这就是一种仿人比例控制的工作原理。图8.20单位阶跃响
应曲线a)常规比例控制b)仿人比例控制8.8.1.2仿人比例控制算法仿人比例控制系统如图8.21所示。图中“设定值”调整开关
只有在满足稳态条件时才闭合一次，完成一次，运算后又立即断开。e图8.21仿人比例控制系统原理图为了判断系统处于稳态条件而不
受干扰和振荡的影响，给出如下判据：系统处于稳态的条件是存在一个k0当k0＜k＜k0+N时，|e(k)-e(k-1)|＜δ
成立其中δ是大于零的一个常数，即以连续N步满足|e(k)-e(k-1)|＜δ作为判稳条件。对仿人比例控制算法，可采用如下产
生式规则加以描述：IFk0＜k＜k0+N，|e(k)-e(k-1)|＜δTHEN8.8.2仿人积分控制8.8.2.1仿人积分控制原理引入积分控制是为了消除稳态偏差。常规PID积分作用对偏差积分过程如图8-22c）i(t)所示，记忆了偏差变化的全部信息，但存在以下缺点：①积分作用对所有偏差同等对待，没有差异化处理；②只要偏差存在就一直进行积分，容易造成“积分饱和”。正确的积分控制策略应能产生一个与偏差e(t)相反的控制作用，尽快减少偏差——能较好地模拟人的记忆特性及仿人智能控制策略，有选择地“记忆”有用信息，而略去无用信息，具有仿人智能的积分作用如图8.22d）im(t)，这种积分控制称为仿人智能积分控制。图8.22常规积分与仿人积分对比8.8.2.2仿人积分控制算法根据前面的分析，可以得到引入智能积分的判断条件为：当e·Δe＞0时，对偏差进行积分；当e·Δe＜0时，不对误差进行积分。再考虑到偏差及偏差变化的极值点的情况，即边界条件，可以把引入智能积分和不引入智能积分的条件综合如下：当e·Δe＞0，或Δe=0且e≠0时，对偏差e(t)积分；当e·Δe＜0，或e=0时，不对偏差e(t)积分。这样引入的积分即为仿人积分作用。除了前面介绍的先进控制方法之外,还有其他一些先进控制技术,如基于人工智能的控制技术(前面介绍的专家控制、神经网络控制等也属于智能控制技术的范畴)、基于知识与机器学习的控技术等,以及与过程控制系统密切相关的技术,如软测量技术、控制系统故障检测与故障诊断技术、容错控制技术等,都取得了显著的成果,并在工业生产中产生了巨大的经济效益。有关这些方面的内容以及本章各部分更深入的内容可参考相关的资料。自适应控制预测控制模糊控制专家控制神经网络控制推理控制仿人控制本章小结小结 |
|
