一种控制被控对象的预测控制方法及使用该方法的系统
专利汇可以提供一种控制被控对象的预测控制方法及使用该方法的系统专利检索，专利查询，专利分析的服务。并且本 发明 涉及一种控制被控对象的预测控制方法，尤其是用在多种复杂因素扰动下的具有灰色信息特征的过程控制方法，该方法能适应各种复杂被控对象，即使在扰动因素复杂、扰动原因不明的情况下也能获得良好的控制品质，而且该控制方法能充分发挥数字装置的作用，简化系统构成，尽量减少人工干预。本发明还涉及供这种方法使用的控制系统。，下面是一种控制被控对象的预测控制方法及使用该方法的系统专利的具体信息内容。
1.一种控制被控对象[1]的预测控制方法，尤其是用在多种复杂因素扰动下的具有灰色信息特征的过程控制方法，其特征在于：取样单元[2]所采集的原始信息数据首先按新陈代谢方式进行取舍，并对所取信息数据作以“积分”或“微分”为特征的生成处理，然后，在此基础上根据构造的灰色模型对现时刻模型参数进行辨识，获得该时刻暂态白化模型，并通过超前预测环节得到该状态下的发展预测结果，最后将预测结果及被控对象[1]的不确定信息输入决策处理单元[14]产生控制信号实现对执行机构的控制。
2.根据权利要求1所述的预测控制方法，其特征在于：数据生成处理过程可以由基本的加、减法单元完成，也可由复杂的运算单元完成。
3.根据权利要求1所述的预测控制方法，其特征在于：所构造的灰色模型是灰色GM(n，h)(n≥1，h≥1)微分方程描述的模型，并且该模型置于模型参数辨识单元[6]中。
4.根据权利要求1或2或3所述的预测控制方法，其特征在于：在进入决策控制前将引入一个不确定信息引导函数，该函数由式Ugd＝r*[SV－Y(t)(0)＋Y(t)(0)求得，式中Ugd表示不确定信息引导函数；0≤r≤1，一般设定为0.5；SV为被控制对象的给定值；Y(t)(0)为被控制对象现时刻数据采集值。
5.根据权利要求4所述的预测控制方法，其特征在于：决策控制方程式根据最优控制准则而产生：SFU(t)=-(Ugd-Y^(t+FS))*(a-a2+m/n)+SFU(t-1),]]>式中Ugd表示不确定信息引导函数；a为所辨识的灰色模型的一个参数；m，n为被控对象的性能指标参数，当对控制精度要求较高时m＞n，当对调节动作频率要求较低时n＞m，一般情况下，可以设定m＝n；或者：SFU(t)=-(Ugd-Y^(t+FS))*(a-a2+m/n)+β1*SFU(t-1)+β2*SFU(t-2)+]]>……＋βn*SFU(t－n)，式中βK=Σi=1kβi=[0,1]]]>
6.根据权利要求4所述的预测控制方法，其特征在于：决策控制方程式根据仿生学及类神经元为工作过程产生：当Y≤SV时，SFU(t)=(Ugd(t)-Y^(t+FS))/Y(t)+β1*SFU(t-1)+β2*SFU(t-2)]]>＋……＋βn*SFU(t－n)，式中，βk=Σi=1kβi=[0,1],]]>否则：SFU(t)=[Ugd(t)-Y^(t+FS)]/[2*Ugd(t)-Y(t)]+β1*SFU(t-1)]]>＋β2*SFU(t－2)＋……＋βn*SFU(t－n)，式中，βk=Σj=1kβi=[0,1]]]>
7.一种使用对被控对象进行过程控制的预测控制方法的控制系统，包括产生原始数据的取样装置[2]，对原始数据进行处理，并通过被控对象的灰色模型产生控制信号的预测控制系统[15]，其特征在于：预测控制系统[15]包括对原始数据按新陈代谢方式进行取舍，并对所取信息作以“积分”或“微分”为特征的生成处理的数据处理系统[3]，还包括通过对灰色模型的参数进行辨识，并由超前预测单元[9]进行预测和生成数的还原处理后得到该状态下被控对象的发展态势预测结果的预测系统[7]。
8.根据权利要求7所述的控制系统，其特征在于：预测控制系统中设有被控对象不确定信息引导函数发生单元[13]它由减法单元[9]，系数单元[10]，加法单元[11]组成。
一种控制被控对象的预测控制方法及使用该方法的系统
本发明涉及一种对具有灰色信息特征的对象进行过程控制的预测控制方法，尤其是用以在多种复杂因素扰动下的过程控制方法。本发明还涉及该方法使用的控制系统。
目前在控制领域中应用最广泛的控制方法为PID控制方法，使用该方法的前提是假定被控对象是不大于二阶的对象，且该对象是在线性的、时不变的状态下工作，可用表达式KGG(S)＝KGe-τs/(T1S＋1)(T2S＋1)近似地描述，但在实际应用中，被控对象是千变万化的，不可能总是不大于二阶的导数可描述的系统，且许多被控对象都是工作在多种干扰不明确，波动因素不清晰的环境中，这样P.I.D参数便需不断重新整定，而参数的整定是由人工进行的，因此极不利于保证系统的控制品质，虽然现在出现的“二自由度PID控制方法”等对这些问题作了部分改进，但仍未能保证系统始终收敛于最佳状态。
为此本发明的目的在于克服上述现有技术之不足，并提供一种新的控制方法，它能适用各种复杂被控对象，即使在扰动因素复杂、扰动原因不明的情况下也能获得良好的控制品质，而且该控制方法能充分发挥数字装置的作用，简化系统构成，尽量减少人工干预。本发明的目的还在于提供一种供这种方法使用的控制系统。
实现本发明目的的技术方案是：一种控制被控对象的预测控制方法，尤其是用以在多种复杂因素扰动下的具有灰色信息特征的过程控制方法，其步骤为取样单元所采集有原始信息首先由数据处理单元进行以新陈代谢为特征的取舍，并对所取信息数据作以“积分”或“微分”为特征的生成处理，在此基础上，再根据构造的灰色模型对现时刻模型参数进行辨识处理，获得该时刻暂态白化模型，并通过超前预测环节得到该状态下的发展预测结果，最后将预测结果及被控对象的不确定信息输入决策处理单元产生控制信号实现对执行机构的控制。
而且，数据生成处理过程可以由基本的加、减法单元完成，也可由复杂的运算单元完成。
而且，所构造的灰色模型是灰色GM(n，h)(n≥1，h≥1)微分方程描述的模型，并且该模型置于辨识单元中。
而且，在进入决策控制前将引入一个不确定信息引导函数，该函数由式Ugd＝r*[SV-Y(t)(0)＋Y(t)(0)求得，式中Ugd表示不确定信息引导函数；0≤r≤1，一般设定为0.5；SV为被控制对象的给定值；Y(t)(0)为被控制对象现时刻数据采集值。
而且，决策控制方程式根据最优控制准则而产生：SFU(t)=-(Ugd-Y^(t+FS))*(a-a2+m/n)+SFU(t-1),]]>式中m，n为被控对象的性能指标参数，当对控制精度要求较高时m＞n，当对调节动作频率要求较低时n＞m，或者：SFU(t)=-(Ugd-Y^(t+FS))]]>*(a-a2+m/n)+β1*SFU(t-1)+β2*SFU(t-2)+···+βh*SFU(t-n)]]>式中要求βK=Σi=1kβi=[0,1]]]>。
而且，决策控制方程式根据仿生学及类神经元为工作过程产生：当Y≤SV时：SFU(t)=Ugd(t)-Y^(t+FS)Y(t)+β1*SFU(t-1)+β2*SFU(t-2)]]>＋……＋βn*SFU(t－n)，式中，βk=Σj=1kβi=[0,1],]]>否则：SFU(t)=[Ugd(t)-Y^(t+FS)]/[2*Ugd(t)-Y(t)]+β1*SFU(t-1)]]>＋βn*SFU(t－2)＋……＋βn*SFU(t－n)，式中，βk=Σj=1kβi=[0,1]]]>一种使用对被控目标进行过程控制的预测控制方法的控制系统，包括产生原始数据的取样装置，对原始数据进行处理，并通过被控对象的灰色模型产生控制信号的预测控制系统，预测控制系统包括对原始数据按新陈代谢方式进行取舍，并对所取信息作以“积分”或“微分”为特征的生成处理的数据处理系统，还包括通过对灰色模型的参数进行辨识并由超前预测环节进行预测和生成数的还原处理后，得到该状态下被控对象的发展态势预测结果的预测系统。
而且，预测控制系统中设有被控对象不确定信息引导函数发生单元。
由于在本发明所涉及的预测控制方法中，取样单元所采集的原始数据首先按新陈代谢方式进行取舍，这样控制装置始终采用的是代表系统动态过程中最新状态的数据，保证了系统信息始终收敛于该系统的现时刻状态，而且本发明考虑到无论是对物理过程或化学过程的控制都必须消耗一定的时间来完成这个过程，因此本发明没有采用用现时刻的输出状态信息进行反馈的方式，而是采用了向未来时刻预测的时间与系统自身的滞后时间相等且用一个等式约束方程对系统的未来时刻发展趋势进行预测，这样便保证了系统能获得较高的控制品质，另外，在下面的具体叙述中可以看出，本发明所述的预测控制方法中所需整定的参数与PID控制方法相比大幅度减少了，这不但减少了人工干预，而且简化了系统构成。
以下将结合附图对本发明作进一步详细说明。
参照附图，本发明所涉及的预测控制方法及供其使用的系统可具体描述如下(以下所涉及的基本概念和技术术语可参阅华中理工大学出版社1993年9月出版的邓聚龙著《灰色控制系统》)：取样装置2根据设定的信息更新尺度即采样周期t不断采集原始数据，原始数据经过转换后便进入数据处理系统3进行处理，首先这些数据将由数据取舍单元4按新陈代谢方式进行取舍，例如假定现时刻取样周期为tn，则所取信息数据可为tn，tn－1，tn－2，…tn－m各时刻所采集的数据，其中n，m为正整数，n≥m，m的最小值可为4或5，这样随着被控对象的不断变化便不断加入新信息，抛弃旧信息。为了揭示被控对象的潜在规律，所取数据再由数据生成单元5作以“积分”或“微分”为特征的信息生成处理，依据差分方程的算法原则，这里数据生成单元5由基本的加、减法单元构成，也可由复杂的运算单元构成，假定处理前的信息为Yn(0)Yn－1(0)，Yn－2(0)，……Y0(0)，则处理过程及处理后的结果为Y1(1)＝Y1(0)，Y2(1)＝Y1(1)＋Y2(0)，Y3(1)＝Y2(1)＋Y3(0)，……，Yn(1)＝Yn－1(1)＋Yn(0)，即Yk(1)=ΣYi,(0)i=1k]]>经处理后的信息便进入预测系统7，预测系统7根据灰数学原理，将被控对象1的动态规律“构造”成可用灰色微分方程描述的系统，本实施例中所用的是灰色GM(n，h)微分方程(式中n≥1，h≥1，并为正整数)，又由于被控对象的动态过程可由不断变化的定结构变参数模型描述，因此本发明的模型参数辨识单元6是针对灰构造模型参数的辨识，其辨识过程举例说明如下：假定n＝1，h＝1，则模型构造为dy/dt＋ay＋b＝0，根据生成处理后的信息数据Yk(0)=Σi=1kYi(0)]]>按参数辨识式a^=(BTB)-1BTYn,]]>式中 Yn＝[Y2(0)，Y3(0)，Y4(0)…，Y11(0)]τ得到所构造模型的参数a^=abT]]>这样便获得了该时刻的暂态白化模型，在此基础上，预测系统中的超前预测单元8根据向未来时刻预测的时间与被控对象1的系统自身滞后时间相等的原则构造出超前预测环节(即eτs环节)Y^=(t+FS)=(Y1(0)-a/b)*e-a(t+FS)+a/b,]]>Y^(t+FS-1)=(Y1(0)-a/b)*e-a(t+FS-1)+a/b,]]>式中FS≥1，为外推预测步距，根据被控对象动态指标的要求设定，并且，依Y^(t)=Y^(t+FS)-Y^(t+FS-1)]]>进行生成数据的还原处理，于是，由超前预测单元8得到的预测结果最后被输入预测控制系统15的决策控制单元14，产生控制信号，为了避免现有控制系统只有在被控对象的输出量在给定量附近(±20％)才投入自动控制的状况，本发明所述的预测控制方法在进行决策控制前经过减法单元12引入了不确定信息引导函数，该函数由不确定信息引导函数发生单元14产生，它由减法单元9，系数单元10，加法单元11组成，由式Ugd＝r*(SV-Y(t)(0)＋Y(t)(0)求得，式中，0≤r≤1，一般可置为0.5，SV为被控对象的给定值，Y(t)(0)为被控对象现时刻数据采集值，所获得的不确定信息引导函数及预测结果同时进入决策控制单元15产生控制信息，决策控制单元中所用的决策变量产生方式可有两种，其一根据最优控制准则产生：SFU(t)=-(Ugd(t)-Y^(t+FS))*(a-a2+m/n)+SFU(t-1),]]>式中m，n为被控对象1的性能指标参数，当对控制精度要求较高时m＞n，或者SFU(t)=-(Ugd-Y^(t+Fs))*(a-a2+m/n)+β1*SFU(t-1)+···+βn*SFU(t-n)]]>式中要求βk=Σi=1kβi=[0,1],]]>其二是根据仿生学及类神经元为工作过程，按如下方式构成的决策变量，当Y≤SV时：SFU(t)=(Ugd(t)-Y^(t+FS))/Y(t)+β1*SFU(t-1)+β2*SFU(t-2)]]>＋……＋βn*SFU(t－n)，式中，βk=Σj=1kβi=[0,1],]]>否则：SFU(t)=(Ugd(t)-Y^(t+Fs))/2*Uqd(t)-Y(t))+β1*SFU(t-1)]]>＋β2n*SFU(t－2)＋……＋βn*SFU(t－n)，式中，βk=Σi=1kβi=[0,1]]]>通过这个具有新陈代谢能力的决策过程所获得的结果，去驱动被控系统的执行机构，就实现了对具有不确定特征的灰色被控对象的闭环自动控制。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种带有仿生锯齿尾缘结构的跨音速压气机平面叶栅 | 2020-05-11 | 854 |
| 膜制造方法 | 2020-05-12 | 554 |
| 一种仿生学重型卡车气动减阻装置 | 2020-05-13 | 95 |
| 液态金属复合高分子刷马达的制备及做为纳米马达的应用 | 2020-05-15 | 8 |
| 带有仿生波状结构前缘的跨音速压气机平面叶栅 | 2020-05-08 | 871 |
| 一种利用半仿生学原理提取黄芪多糖的制备方法 | 2020-05-12 | 763 |
| 一种用于智能网联车测试的通信拓扑结构 | 2020-05-16 | 872 |
| 一种髋关节术后翻身装置 | 2020-05-16 | 92 |
| 一种利用动物仿生学的咬合式置物架结构 | 2020-05-14 | 59 |
| 风光互补发电装置 | 2020-05-14 | 243 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
