下载文档原格式
多变量解耦控制方法随着被控系统越来越复杂，如不确定性、多干扰、非线性、滞后、非最小相位等，需要控制的变量往往不只一个，且多个变量之间相互关联，即耦合，传统的单变量控制系统设计方法显然无法满足要求，工程中常常引入多变量的解耦设计．．．．．．．．。
其思想早在控制科学发展初期就已形成，其实质是通过对一个具有耦合的多输入多输出控制系统，配以适当的补偿器，将耦合程度限制在一定程度或解耦为多个独立的单输入单输出系统。
其发展主要以Morgan于1964年提出的基于精确对消的全解耦状态空间法．．．．．．．．及Rosenbrock于20世纪60年代提出的基于对角优势化的现代频率法．．．．．为代表，但这两种方法都要求被控对象精确建模，在应用上受到一定的限制。
近年来，随着控制理论的发展，如特征结构配置解耦、自校正解耦、线性二次型解耦、奇异摄动解耦、自适应解耦、智能解耦、模糊解耦等等。
解耦控制一直是一个充满活力、富有挑战性的问题。
本文针对解耦方法进行了概述，并分析了其应用现状。
一、解耦控制的现状及问题1.1 传统解耦控制传统解耦方法包括前置补偿法和现代频率法。
前者包括矩阵求逆解耦、不变性解耦和逆向解耦；后者包括时域方法，其核心和基础是对角优势，奈氏(Nyquist)稳定判据是其理论基础，比较适合于线性定常MIMO系统。
主要包括：1)逆奈氏阵列法逆奈氏阵列法是对控制对象进行预先补偿，使传统函数的逆成为具有对角优势和正规性的矩阵。
由于正规阵特征值对摄动不敏感，因而有较强的鲁棒性，其应用广泛。
当然，当正规阵的上(下)三角元素明显大于下(上)三角元素时，可采用非平衡补偿法进行修正来提高鲁棒性，同时由于利用逆奈氏判据选择反馈增益时并不能保证闭环传递函数本身的对角优势，因此需反复调整补偿器的参数，使设计结果真正符合对角优势。
2)特征轨迹法特征轨迹法是一种分析MIMO系统性态的精确方法。
当采用其中的增益平衡法和特征向量配正法对补偿器进行近似处理时，其精确性难以得到保证，因而工程应用有限。
过程控制系统多变量解耦控制系统过程控制系统多变量解耦控制系统（Multivariable Decoupling Control System）是一种能够同时控制多个相关变量的控制系统。
在传统的控制系统中，通常只有一个控制回路，而多变量解耦控制系统则可以通过多个回路同时对多个变量进行控制，从而实现变量之间的解耦。
在实际的工程应用中，往往需要控制多个相关的变量。
这些变量之间可能存在交互作用，控制其中一个变量可能会对其他变量产生影响。
传统的单变量控制系统无法有效地解决这个问题，因为它们无法考虑到变量之间的相互关系。
多变量解耦控制系统通过建立多个独立的控制回路，每个回路分别控制一个相关变量，从而实现变量之间的解耦。
解耦的目标是使每个回路的输出变量不再受到其他变量的影响，即通过调整每个回路的控制器参数，使得系统变得稳定并能够达到预期的控制效果。
多变量解耦控制系统的设计一般包括两个主要步骤：解耦器设计和控制器设计。
解耦器的作用是抑制变量之间的相互干扰，从而实现变量的解耦。
解耦器通常根据系统的数学模型来设计，通过调整解耦器的参数，可以实现变量之间的解耦效果。
在解耦器设计的基础上，需要设计每个回路的控制器。
控制器的设计一般采用传统的控制方法，如PID控制器或者先进的控制算法。
控制器的目标是为每个回路选择合适的控制参数，使得系统的稳定性和控制精度得到保证。
多变量解耦控制系统在实际应用中具有广泛的应用。
例如，在化工过程中，需要控制多个过程变量，如温度、压力和流量等。
传统的单变量控制方法无法满足工艺的需求，而多变量解耦控制系统可以通过解耦变量之间的相互作用，实现高效的过程控制。
总之，多变量解耦控制系统是一种用于控制多个相关变量的控制系统。
它通过建立多个独立的控制回路，实现变量之间的解耦，并通过调整控制器参数，使得系统达到稳定和预期的控制效果。
在工程应用中，多变量解耦控制系统具有广泛的应用前景，可以提高工艺的控制精度和稳定性，从而实现更高效的过程控制。
多变量解耦控制方法研究多变量解耦控制是现代控制理论中的重要分支，也是工业过程控制的关键技术之一、在实际工程应用中，往往需要同时控制多个输入输出变量，而这些变量之间往往存在相互影响和耦合关系。
多变量解耦控制方法旨在消除这种耦合，实现多变量系统的分离控制和单变量控制。
多变量解耦控制方法主要应用于工业过程控制、化工过程控制、电力系统控制等领域。
其核心思想是通过对系统进行建模和分析，利用现代控制理论中的方法和技术，将多变量系统转化为多个单变量的子系统，从而实现系统的解耦控制。
多变量解耦控制方法通常包括模型预测控制（MPC）、广义预测控制（GPC）、自适应控制等。
模型预测控制（MPC）是一种基于优化理论和动态系统模型的先进控制方法，广泛应用于工业过程控制领域。
MPC通过建立系统的数学模型，根据系统状态的变化进行预测，并在每个控制周期内进行优化求解，以实现对系统变量的控制。
在多变量系统中，MPC通过对多个子系统进行分析和建模，将多变量控制问题转化为多个单变量的优化控制问题，然后采用协调控制策略来实现解耦控制。
广义预测控制（GPC）是一种通过在线参数估计和模型预测来实现多变量控制的方法。
GPC通过对系统建立动态模型，利用过去时刻的控制输入和输出数据，通过在线参数估计来更新模型的参数，实现对系统的预测和控制。
与MPC相比，GPC更加适用于动态环境下的多变量系统控制，具有良好的鲁棒性和自适应性。
自适应控制是一种利用自适应算法和参数估计方法来实现多变量解耦控制的方法。
自适应控制能够根据系统的变化和模型的误差，自动调整控制器的参数，以实现对系统的自适应控制。
在多变量系统中，自适应控制方法可以通过在线参数估计和优化算法，实现对多个子系统的解耦控制和优化控制。
总之，多变量解耦控制方法是实现多变量系统控制的重要技术，对于提高系统的性能和稳定性具有重要意义。
未来，随着控制理论的不断发展和应用领域的扩大，多变量解耦控制方法将得到进一步的研究和应用，并在各个领域中发挥更大的作用。
多变量过程的耦合性分析及其分散PID控制器设计大多数大规模复杂的工业过程都是多变量系统。
与单变量系统相比,由于输入变量和输出变量之间的耦合,多变量系统更难控制。
多变量系统的控制器有两种结构形式:即一个多变量控制器和一组分散控制器,控制器结构的复杂程度和参数整定的难易程度取决于变量之间的耦合程度。
因此,如何衡量变量之间的耦合作用强弱,并依据耦合作用分析对操纵变量和被控变量进行配对,是多变量系统控制器设计的重要步骤。
本文主要围绕这一问题,从以下三方面进行了系统地研究:(1)通过系统内部闭合回路个数变化时,各个回路开环稳态增益的变化情况反映回路之间耦合作用的强弱。
稳态增益变化幅度越大说明回路之间的耦合作用越强。
本文引入各个回路的增益变化表和增益变化图,形象直观地对任意两个回路之间的耦合关系加以分析,在此基础上提出了一种描述回路间耦合作用强弱的新指标,并提出了相应的配对方法。
(2)从系统的动态特征出发,分析不同回路之间耦合作用的强弱。
利用等效开环过程(EOP)计算考虑其他回路耦合作用下各个回路的开环等效传递函数,通过分析各个回路在不考虑其他回路的耦合作用和考虑其他回路耦合作用两种情况下有效增益的变化,计算有效相对增益序列(ERGA)来分析回路之间耦合作用的强弱。
(3)在(2)提出的EOP基础上,提出了一种多变量过程分散PID控制器的设计方法。
首先对多变量过程进行变量配对,然后利用EOP将多变量系统等效为一组SISO系统,对EOP进行近似和模型简化,针对简化的EOP分别设计独立的控制器,并且给出了所设计的分散控制系统的稳定性条件。
同主题文章[1].杨凤山,李颖宏,李正熙. 混合PID的设计及仿真研究' [J]. 北方工业大学学报. 2003.(03)[2].李健云,张振辉,訾壮辉. 一种新型恒温控制系统' [J]. 黑龙江大学自然科学学报. 1998.(01)[3].苏薇. 模糊PID的研究' [J]. 工业仪表与自动化装置. 2001.(02)[4].朱彤,任庆昌. PID一模糊控制的应用探讨' [J]. 电气传动自动化. 2002.(03)[5].刘昭斌. 单片机控制的温度控制系统' [J]. 兰州石化职业技术学院学报. 1999.(02)[6].李国勇. 一种改进的自适应PID控制器' [J]. 太原理工大学学报. 2003.(01)[7].黄伟,张军. SR70A 系列PID 调节器' [J]. 仪表技术与传感器. 1998.(02)[8].刘国光. 基于模糊算法的自适应温度控制器' [J]. 仪器仪表用户. 2002.(02)[9].李国勇. 一种新型的模糊PID控制器' [J]. 系统仿真学报. 2003.(10)[10].黄天戍,罗璠,徐长宝,任清珍. 一种可灵活使用的温度控制系统设计方法研究' [J]. 中国仪器仪表. 2003.(07)【关键词相关文档搜索】：控制理论与控制工程; 耦合作用; 配对; 增益变化图; 增益变化表; 等效开环过程; 有效相对增益序列; 分散PID控制器【作者相关信息搜索】：上海交通大学;控制理论与控制工程;李少远;成永芳;。
多变量解耦控制方法多变量解耦控制（Multivariable Decoupling Control）是一种用于多变量控制系统的控制方法，旨在解决多变量系统中变量之间相互影响的问题，以实现对个别变量的独立控制。
本文将重点介绍多变量解耦控制的基本原理、应用领域以及实现方法。
多变量解耦控制的基本原理是将多变量控制系统转化为一组耦合度相对较小的单变量子系统，从而能够实现对这些单变量子系统的相对独立控制。
在多变量控制系统中，由于变量之间存在相互耦合的影响，当控制一些变量时，其他变量的变化也会受到影响，导致控制效果不理想。
多变量解耦控制通过重新设计系统的控制结构，使得系统中的耦合影响尽可能减小，从而实现对每个变量的独立控制。
多变量解耦控制在许多工业领域中得到广泛应用，如化工过程控制、能源系统控制、飞行器控制等。
这些系统通常由多个变量组成，变量之间存在耦合关系。
例如，在化工过程控制中，系统的温度、压力、流量等变量相互影响，为了实现对每个变量的独立控制，需要采用多变量解耦控制方法。
多变量解耦控制的实现方法有多种，其中最常用的方法是基于传递函数模型的解耦控制设计。
这种方法通常包括两个步骤：模型建立和解耦控制器设计。
首先，通过系统辨识方法获得多变量系统的传递函数模型，然后根据系统的传递函数模型设计解耦控制器。
在解耦控制器设计中，通常采用频域设计方法，通过对系统的传递函数进行频域分析，确定解耦控制器的参数。
除了基于传递函数模型的解耦控制方法，还有一些其他的多变量解耦控制方法，如基于状态空间模型的解耦控制、模型预测控制、自适应控制等。
这些方法基于不同的控制原理和数学模型来实现多变量系统的解耦控制，可以根据实际需要选择适当的方法。
总结起来，多变量解耦控制是一种用于多变量控制系统的控制方法，通过重新设计系统的控制结构，实现对每个变量的独立控制。
它在工业领域中得到广泛应用，可以通过基于传递函数模型、状态空间模型、模型预测控制、自适应控制等方法来实现。
关于解耦控制的研究和发展现状言1 引和Boksenhom多变量系统设计思想在控制学科发展初期就已经形成，在的报告和钱学森的著作中就已得到了基本研究；在现代控制理论的框架内Hood年正式提出。
随着被控系统越来越复杂，被控对象1964这个问题由Morgan在存在着更多难以控制的因素，如不确定性、多干扰性、非线性、滞后和非最小相位特性等，使得工程对耦合控制系统的设计要求越来越高，设计难度越来越大。
所以一直以来理论与工程界将其作为一个解耦问题成为学术与工程上一大难题，热点问题。
2 工程背景在现代化的工业生产中，不断出现一些较复杂的设备或装置，这些设备或装置的本身所要求的被控制参数往往较多，因此，必须设置多个控制回路对该种设备进行控制。
由于控制回路的增加，往往会在它们之间造成相互影响的耦合作用，也即系统中每一个控制回路的输入信号对所有回路的输出都会有影响，而每一个回路的输出又会受到所有输入的作用。
要想一由于耦合关”系统。
个输入只去控制一个输出几乎不可能，这就构成了“耦合系，往往使系统难于控制、性能很差。
解耦控制系统3如上图所示，所谓解耦控制系统，就是采用某种结构，寻找合适的控制规律来消除系统种各控制回路之间的相互耦合关系，使每一个输入只控制相应的一个输出，每一个输出又只受到一个控制的作用。
解耦控制是一个既古老又极富生命力的话题，不确定性是工程实际中普遍存在的棘手现象。
解耦控制是多变量系统控制的有效手段。
3.1 解耦控制系统的特点1. 解耦控制系统一般都是多输入多输出系统，而且输入和输出之间的关系是复杂的耦合，一个输入量影响多个输出量，一个输出量受多个输入量的影响。
实际被控对象不同，输入、输出之间的关系也不同。
被控对象的某个输2.出和某个输出具有明显的“一一对应”的“依赖”性，而其他输出和输出的相互关系则很弱，可以忽略。
此时的多输入多输出关系，可以简化为多个单输入单输出的单回路控制系统，而把其他的影响因素看成干扰。
关于解耦控制的研究和发展现状言1 引和Boksenhom多变量系统设计思想在控制学科发展初期就已经形成，在的报告和钱学森的著作中就已得到了基本研究；在现代控制理论的框架内Hood年正式提出。
随着被控系统越来越复杂，被控对象1964这个问题由Morgan在存在着更多难以控制的因素，如不确定性、多干扰性、非线性、滞后和非最小相位特性等，使得工程对耦合控制系统的设计要求越来越高，设计难度越来越大。
所以一直以来理论与工程界将其作为一个解耦问题成为学术与工程上一大难题，热点问题。
2 工程背景在现代化的工业生产中，不断出现一些较复杂的设备或装置，这些设备或装置的本身所要求的被控制参数往往较多，因此，必须设置多个控制回路对该种设备进行控制。
由于控制回路的增加，往往会在它们之间造成相互影响的耦合作用，也即系统中每一个控制回路的输入信号对所有回路的输出都会有影响，而每一个回路的输出又会受到所有输入的作用。
要想一由于耦合关”系统。
个输入只去控制一个输出几乎不可能，这就构成了“耦合系，往往使系统难于控制、性能很差。
解耦控制系统3如上图所示，所谓解耦控制系统，就是采用某种结构，寻找合适的控制规律来消除系统种各控制回路之间的相互耦合关系，使每一个输入只控制相应的一个输出，每一个输出又只受到一个控制的作用。
解耦控制是一个既古老又极富生命力的话题，不确定性是工程实际中普遍存在的棘手现象。
解耦控制是多变量系统控制的有效手段。
3.1 解耦控制系统的特点1. 解耦控制系统一般都是多输入多输出系统，而且输入和输出之间的关系是复杂的耦合，一个输入量影响多个输出量，一个输出量受多个输入量的影响。
实际被控对象不同，输入、输出之间的关系也不同。
被控对象的某个输2.出和某个输出具有明显的“一一对应”的“依赖”性，而其他输出和输出的相互关系则很弱，可以忽略。
此时的多输入多输出关系，可以简化为多个单输入单输出的单回路控制系统，而把其他的影响因素看成干扰。
本科毕业设计论文题目多变量解耦控制方法研究专业名称学生姓名指导教师毕业时间毕业一、题目多变量解耦控制方法研究二、指导思想和目的要求通过毕业设计，使学生对所学自动控制原理、现代控制原理、控制系统仿真、电子技术等的基本理论和基本知识加深理解和应用；培养学生设计计算、数据处理、文件编辑、文字表达、文献查阅、计算机应用、工具书使用等基本事件能力以及外文资料的阅读和翻译技能；掌握常用的多变量解耦控制方法，培养创新意识，增强动手能力，为今后的工作打下一定的理论和实践基础。
要求认真复习有关基础理论和技术知识，认真对待每一个设计环节，全身心投入，认真查阅资料，仔细分析被控对象的工作原理、特性和控制要求，按计划完成毕业设计各阶段的任务，重视理论联系实际，写好毕业论文。
三、主要技术指标设计系统满足以下要求：每一个输出仅受相应的一个输入控制，每一个输入也仅能控制相应的一个输出。
四、进度和要求1、搜集中、英文资料，完成相关英文文献的翻译工作，明确本课题的国内外研究现状及研究意义；（第1、2周）2、完成总体设计方案的论证并撰写开题报告；（第3、4周）3、分析控制系统解耦；（第5、6周）4、应用前馈补偿法进行解耦；（第7、8周）5、应用反馈补偿法进行解耦；（第9、10周）6、利用MATLAB对控制系统进行仿真；（第11周）7、整理资料撰写毕业论文；（1）初稿；（第12、13周）（2）二稿；（第14周）8、准备答辩和答辩。
（第15周）五、主要参考书及参考资料[1]卢京潮.《自动控制原理》，西北工业大学出版社，2010.6[2]胡寿松.《自动控制原理》，科学2008，6出版社，2008.6[3]薛定宇.陈阳泉，《系统仿真技术与应用》，清华大学出版社，2004.4[4]王正林.《MATLAB/Simulink与控制系统仿真》，电子工业出版社，2009.7[5]刘豹.《现代控制理论》，机械工业出版社，2004.9[6]古孝鸿.周立群.线性多变量系统领域法[M].上海:上海交通大学出版社,1990.[7]李帆.不确定系统的解耦控制与稳定裕度分析[D].西安:西北工业大学,2001.[8]柴天佑.多变量自适应解耦控制及应用[M].北京:科学出版社,2001.[9]张晓婕.多变量时变系统CARMA模型近似解耦法[J].中国计量学院学报,2004,15(4):284-286.学生指导教师系主任摘要随着被控系统越来越复杂，如不确定性、多干扰、非线性、滞后、非最小相位等，需要控制的变量往往不只一个，且多个变量之间相互关联，即耦合，传统的单变量控制系统设计方法显然无法满足要求，工程中常常引入多变量的解耦设计。
品质管理十个误区在激烈的市场竞争中，只有靠品质才能赢得市场，要有效的达到品质管理的目标，必须由企业的管理层开始做起，那么品质管理的误区有哪些?误区之一：片面依赖于事后把关质量部门，就是单纯的质量检验部门，只有质量检验功能，而没有或弱化了质量管理体系保持功能、质量改进和完善功能。
宁愿将大量的人力、物力和精力投入到质量检验和不合格品处理，而不愿意将丝毫的资源投入到质量管理体系保持、改进和完善。
事前策划不落实，事中控制不到位，事后再追究不合格责任也不会有很好的效果。
忽视质量管理体系全面、系统控制，结果就是质量问题频发、合格率水平得不到提高、不良成本居高不下，向质量要效益也就是一句空话。
误区之二：忽视科学的措施和方法最主要的表现为：更多的依靠个人经验和喜好行事，以人为因素为主导，管理行为存在较大的主观随意性，而抛开文件化的质量管理体系，不讲究质量管理措施和方法的科学性、合理性。
与现代质量管理的科学原则相比，忽视科学的措施和方法，类似于“头痛医头、脚痛医脚”和漫无目标地将资源、精力分散到各种不知是否正确的事情上。
因此，忽视科学的措施和方法的质量管理，不得要领，自然不会有明显成效，事倍功半甚至徒劳。
误区之三：不注重质量管理体系系统的建设和完善片面强调员工个人改进而不注重质量管理体系系统的建设和完善，忽视了系统环境对个人意识和能力的影响，没有认识到两者的相辅相成的关系。
凡出现质量问题，只向员工个人追究责任，而不寻找质量管理体系的系统漏洞和缺陷。
片面要求员工提高改进个人意识和技能，而忽视创造员工提高改进意识和技能的条件，不提供培训资源、管理制度保障和激励等改进的环境。
陷于处理具体的质量问题、不合格品泥潭，只知道埋头“发现问题-处理问题-再发现问题”的无穷恶性循环，并将问题的原因归咎于员工个人素质的不足，只知追究员工的不合格责任，而忽视导致这些质量问题的管理体系系统漏洞和缺陷。
误区之四：对不良品质现象只治标不治本对不良品质现象只治标不治本，就好比治理环境污染，只清理污染物，而不去堵塞污染的源头，结果是永远忙于“污染-清理-再污染”的无尽循环。
单神经元PID多变量解耦控制研究摘要对于具有非线性、大迟滞、强耦合特点的多变量系统，研究人员很难找到理想方法解决控制中的诸多问题。
对于多变量系统之间的耦合，有些可以采取被调量和调节量之间的适当匹配，和重新整定调节器的方法加以克服。
PID控制方法是经典控制算法中的典型代表，并在多种控制场合取得了很好的效果，但随着生产工艺的日益复杂和人们对工业过程总体性能要求的不断提高，传统的PID控制方法往往难以满足闭环优化控制的要求。
基于知识且不依赖于模型的智能控制为解决这类问题提供了新的思路，成为目前提高过程控制质量的重要途经。
而神经网络作为现代信息处理技术的一种，正在很多应用中显示它的优越性，它在自动控制领域的应用成果---神经网络控制也成为令人瞩目的发展方向。
单神经元作为构成神经网络的基本单位，具有很强的信息综合、学习记忆和自学习、自适应能力，可以处理那些难以用模型和规则描述的过程，而且结构简单易于计算。
若将这两者结合，则可以在一定程度上解决传统PID调节器不易在线实时整定参数、难于对一些复杂过程和参数慢时变系统进行有效控制的不足。
正是利用它们的优点做成单神经元自适应PID控制器对多变量系统进行解耦控制会起到一个很好的控制效果。
关键字：解耦控制系统；多变量解耦；单神经元自适应PIDThe Research Of Si ngle Neuro n PID Multivariable Decoupli ng Con trolAbstractFor the nonlinear, heavy delay, the strong coupling characteristics of multivariable systems, Research ers are difficult to find an effective control strategy. For multivariable systems, the coupling, and some can be taken to adjust capacity and tran sfer the appropriate amount of matchi ng, and re -tuning regulator approaches to overcome. PID con trol method is one of the traditional c ontrol methods and gets good effects under many application situati ons. But with the in crease in complexity of manu facture tech no logy and dema nds of in dustrial process performa nee, the conven tio nal PID con trol can not meet the requireme nt of closed loop optimized con trol, I ntellige nt con trolin depe ndent of model of a pla nt and based on kno wledge offers a new idea for improving the process control quality, of which neural network as one of moder n in formati on process tech no logies, has some adva ntages in man yapplicati ons. Neural n etwork con trol became a regarded research directi on. Sin gle neuron as a n eural n etwork the basic un it, has the very strong ability in information synthesis, study memory, self -study, and adaptation, so, it can deal with some processes that are difficult to describe with the model or rule, structure is simple and calculati on is very easy. * If they comb in ati on, they can to some extent solve the traditional PID controller difficult online real-time sett ing parameters, some difficult to deal with complex process and parameters slow time-vary ing systems for effective con trol in adequate. It is use the single neuron adaptive PID controller's advantages for multivariable con trol systems decoupli ng will play a very good con trol effect.Keywords : Decoupling Control System; Multivariable Decoupling;Sin gle Neuro n Adaptive PID目录摘要................................ IAbstract ............................................................................................................................... II 第1章绪论. (1)1.1课题研究背景 (1)1.1.1 工业控制中常见的耦合现象 (1)1.1.2 研究解耦控制系统目的及意义 (2)1.2解耦控制的国内外研究现状 (3)1.2.1 解耦控制研究现状和成果 (3)1.2.2 解耦控制的研究方法和内容 (3)第2章数字PID控制简介 (4)2.1 PID 控制的基本原理 (4)2.2 数字PID控制算法 (4)2.2.1 位置式PID控制算法 (5)2.2.2 增量式PID控制算法 (5)第3章单神经元PID控制系统 (7)3.1 单神经元简介 (7)3.1.1 单神经元模型 (7)3.1.2 单神经元学习规则 (7)3.2 基于单神经元的PID控制 (8)3.2.1 基于单神经元的自适应PID控制器 (8)第4章多变量解耦控制 (12)4.1多变量过程控制系统解耦控制 (12)4.1.1 多变量过程控制系统解耦原理与方法 (12)4.1.2 多变量过程控制系统智能解耦技术 (17)4.2 单神经元自适应PID多变量解耦控制 (18)结论 (20)致谢 (21)参考文献 (22)第1章绪论多输入多输出（MIMO ）系统内部结构复杂，往往存在有一定程度的耦 合作用，一个输入信号的变化可能会使多个输出量发生变化，每个输出 量也不只受一个输入信号的影响。
单神经元PID多变量解耦控制研究摘要对于具有非线性、大迟滞、强耦合特点的多变量系统，研究人员很难找到理想方法解决控制中的诸多问题。
对于多变量系统之间的耦合，有些可以采取被调量和调节量之间的适当匹配，和重新整定调节器的方法加以克服。
PID控制方法是经典控制算法中的典型代表，并在多种控制场合取得了很好的效果，但随着生产工艺的日益复杂和人们对工业过程总体性能要求的不断提高，传统的PID控制方法往往难以满足闭环优化控制的要求。
基于知识且不依赖于模型的智能控制为解决这类问题提供了新的思路，成为目前提高过程控制质量的重要途经。
而神经网络作为现代信息处理技术的一种，正在很多应用中显示它的优越性，它在自动控制领域的应用成果---神经网络控制也成为令人瞩目的发展方向。
单神经元作为构成神经网络的基本单位，具有很强的信息综合、学习记忆和自学习、自适应能力，可以处理那些难以用模型和规则描述的过程，而且结构简单易于计算。
若将这两者结合，则可以在一定程度上解决传统PID调节器不易在线实时整定参数、难于对一些复杂过程和参数慢时变系统进行有效控制的不足。
正是利用它们的优点做成单神经元自适应PID控制器对多变量系统进行解耦控制会起到一个很好的控制效果。
关键字：解耦控制系统；多变量解耦；单神经元自适应PIDThe Research Of Single Neuron PID Multivariable Decoupling ControlAbstractFor the nonlinear, heavy delay, the strong coupling characteristics of multivariable systems, Research ers are difficult to find an effective control strategy. For multivariable systems, the coupling, and some can be taken to adjust capacity and transfer the appropriate amount of matching, and re-tuning regulator approaches to overcome. PID control method is one of the traditional control methods and gets good effects under many application situations. But with the increase in complexity of manufacture technology and demands of industrial process performance, the conventional PID control can not meet the requirement of closed loop optimized control, Intelligent control independent of model of a plant and based on knowledge offers a new idea for improving the process control quality, of which neural network as one of modern information process technologies, has some advantages in man y applications. Neural network control became a regarded research direction. Single neuron as a neural network the basic unit, has the very strong ability in information synthesis, study memory, self-study, and adaptation, so, it can deal with some processes that are difficult to describe with the model or rule, structure is simple and calculation is very easy. *If they combination, they can to some extent solve the traditional PID controller difficult online real-time setting parameters, some difficult to deal with complex process and parameters slow time-varying systems for effective control inadequate. It is use the single neuron adaptive PID controller's advantages for multivariable control systems decoupling will play a very good control effect. Keywords:Decoupling Control System; Multivariable Decoupling;Single Neuron Adaptive PID目录摘要 (I)Abstract (II)第1章绪论 (1)1.1 课题研究背景 (1)1.1.1 工业控制中常见的耦合现象 (1)1.1.2 研究解耦控制系统目的及意义 (2)1.2 解耦控制的国内外研究现状 (3)1.2.1 解耦控制研究现状和成果 (3)1.2.2 解耦控制的研究方法和内容 (3)第2章数字PID控制简介 (4)2.1 PID控制的基本原理 (4)2.2 数字PID控制算法 (4)2.2.1 位置式PID控制算法 (5)2.2.2 增量式PID控制算法 (5)第3章单神经元PID控制系统 (7)3.1 单神经元简介 (7)3.1.1 单神经元模型 (7)3.1.2 单神经元学习规则 (7)3.2 基于单神经元的PID控制 (8)3.2.1 基于单神经元的自适应PID控制器 (8)第4章多变量解耦控制 (12)4.1 多变量过程控制系统解耦控制 (12)4.1.1 多变量过程控制系统解耦原理与方法 (12)4.1.2 多变量过程控制系统智能解耦技术 (17)4.2 单神经元自适应PID多变量解耦控制 (18)结论 (20)致谢 (21)参考文献 (22)第1章绪论多输入多输出(MIMO)系统内部结构复杂，往往存在有一定程度的耦合作用，一个输入信号的变化可能会使多个输出量发生变化，每个输出量也不只受一个输入信号的影响。
1999年 6月第20卷第3期东北大学学报(自然科学版)Journal of Northeastern U niversity(Natural Science)Jun.1999Vol 120,No.3多变量系统的神经网络解耦新方法X靳其兵¹ 曾东宁º 王云华¹ 顾树生¹(¹东北大学信息科学与工程学院,沈阳 110006;º东北电业管理局,沈阳 110006)摘 要 利用前馈补偿的原理,设计了两种多变量系统的神经网络解耦方法#一种利用神经网络实现前馈补偿,使补偿以后的系统实现解耦,且解耦单变量系统具有原对象主通道的特性#第二种方法将解耦和神经网络逆动态控制结合起来,使对象的输出跟随对应输入值的变化#两种方法均可适用于多变量非线性系统#关键词 神经网络,前馈补偿,非线性系统,解耦,神经网络逆控制#分类号 TP 2731112对多变量系统实现解耦控制是目前普遍采用的方法#在闭环自适应解耦控制中,实现解耦的基本思想可归结为[1,2]:对于某一通道,可以将其余通道对它的影响看成是干扰信号,用前馈补偿的方法进行消除#本文就借鉴这一思想,设计了两种多变量系统的神经网络解耦新方法,这两种方法均可适用于非线性系统#1 方法1:基于神经网络的开环前馈解耦以一个二输入、二输出对象为例,神经网络开环前馈解耦示于图1,其中f 11,f 12,f 21,f 22为对象特性,且y i (k +1)=62j=1f ij [y i (k),y i (k -1),,,y i (k -n i j ),u j (k),,,u j (k -m ij )] (i =1,2)(1)N 12,N 21为神经网络解耦环节#对于第一个主通道f 11和输出y 1(k +1),可以将第二通道的输入u 2(k)看成一个可测干扰,通过引入前馈补偿环节N 12进行消除,根据前馈补偿的原理可知,当取N 12=f 12#f -111时,就可以消除u 2(k)对y 1(k +1)的影响#同理,当取N 21=f 21#f -122时就可消除u 1(k)对y 2(k +1)的影响#不难看出,引入N 12,N 21以后,y 1(k +1)只受r 1(k)的控制,且两者之间的映射关系为f 11,y 2(k +1)只受r 2(k)的控制,两者之间的映射关系为f 22,即解耦以后的单变量系统具有原对象主通道的特性#f 11和f 22通常是未知的,可预先建立它们的估计模型f ^11和f ^22,并且利用下列J 1和J 2分别作为对N 12,N 21进行训练的性能指标函数:J 1=12[y *1(k +1)-y 1(k +1)]2J 2=12[y *2(k +1)-y 2(k +1)]2(2)其中,y *1(k +1),y *2(k +1)分别是r 1(k),r 2(k)作用于f ^11和f ^22产生的输出(如图1所示)#图1 神经网络开环前馈解耦下面讨论N 12,N 21的神经网络实现#由于N 12=f 12#f-111,所以N 12的功能可以看成由f 12和f -111两部分串接而成(如图2)#由式(1)所确定的输入输出关系可知,将u 2(k),u 2(k -1),,,u 2(k -m 12),w 1(k),w 1(k -1),,,w 1(k -n 12)(3)X 19980904收到# 靳其兵,男,28,博士研究生;顾树生,男,59,教授,博士生导师#辽宁省自然科学基金资助项目(编号:970514)#图2 解耦环节N 12的功能分解作用于f 12产生w 1(k +1);f -111为f 11的逆,由神经网络逆动态控制的原理可知,再将w 1(k +1),y 1(k),,,y 1(k -n 11),v 1(k -1),v 1(k -2),,,v 1(k -m 11)(4)作用于f-111将产生v 1(k),v 1(k)作用的结果就可以消除耦合#把w 1(k +1-i )(i =0,,,n 12)看成中间过程,由式(3),(4)可知,用一个输入为u 2(k),u 2(k -1),,,u 2(k -m 12),y 1(k),,,y 1(k -n 11),v 1(k -1),v 1(k -2),,,v 1(k -m 11)(5)输出为v 1(k)的神经网络实现N 12时,就可达到解耦#以上讨论的是当f ^11=f 11时N 12实现的情形#由于对N 12,N 21训练的目的是使性能指标函数J 1和J 2极小,即解耦的目的是使解耦单变量系统的特性逼近f ^11,f ^22,而f ^11,f ^22通常和f 11,f 22存在误差,利用文献[3]的知识可知,此时,为了达到完全解耦,必须提高式(5)中各变量的阶次,而如何提高式(5)中变量的阶次是一个较为复杂的问题,特别对于非线性对象分析更为困难#由于动态递归神经网络可以减少网络的输入个数,避免输入各变量阶次的困扰[4],因此这里予以采用#由式(5)可知,取动态递归神经网络的输入为三个:[u 2(k),y 1(k),v 1(k -1)],输出为v 1(k),并且适当选取中间神经元的个数,就可以实现N 12,使f ^11与f 11存在误差和f ^11=f 11两种情况下都可以实现完全解耦#同样,一个输入为[u 1(k ),y 2(k ),v 2(k -1)],输出为v 2(k),且具有适当中间层神经元个数的动态递归神经网络就可以实现N 21#由图1,得到u 1(k)=r 1(k)-N 12[u 2(k),y 1(k),v 1(k -1)]u 2(k)=r 2(k)-N 21[u 1(k),y 2(k),v 2(k -1)]可以看出,为了求得u 1(k),要求u 2(k)已知,而u 2(k)的求取又要求u 1(k)已知,这种以已知对方最优解来设计自身最优解的问题是一个标准的纳什(Nash )优化问题,可以用纳什优化的方法解决[5]#开环自适应解耦的步骤如下:¹给定网络权值的初值;º给定k 时刻的r 1(k),r 2(k),u 01,u 02;»解纳什优化问题,得到u 1(k),u 2(k);¼u 1(k),u 2(k)加入被控对象,得到y 1(k +1),y 2(k +1);½利用(2)更新神经网络N 12和N 21的权值;¾k =k +1,转向步骤º#解耦以后,就可以按单变量系统进行设计,文献[3]中对解耦以后的单变量系统按f ^11,f ^22的特性进行了广义预测控制,是一种较好的方法#2 方法2:神经网络解耦逆动态控制对象特性仍由式(1)表示,神经网络解耦逆控制的结构示于图3#图3 神经网络解耦逆动态控制图中,取N 12=f 12,N 21=f 21#f -111,f-122分别为f 11,f 22的逆,N 12,N 21,f -111,f -122用4个神经网络分别予以实现#因为u 2(k)通过f12产生的输出量将由u 2(k)通过N 12,f -111,f 11构成的通路达到抵消,因此,y 1(k +1)只受r 1(k +1)的影响#r 1(k +1)对y 1(k +1)的影响,通过r 1(k +1)先后作用于f 11和f -111完成(r 1(k +1)通过f -111,N 21,f -122,f 12对y 1(k +1)产生的影响归入了u 2(k)的作用,已被抵消),因此,有y 1(k +1)=r 1(k +1)#同理,y 2(k +1)=r 2(k +1)(这一结论也可通过数学关系式的推理得到)#本方案中,用神经网络实现f -111时,根据神经网络逆动态控制的原理,输入应选为r 1(k +1)-v 1(k +1),y 1(k),y 1(k -1),,,y 1(k -n 11),u 1(k -1),,,u 1(k -m 11)(6)输出为u 1(k)#在式(6)中,v 1(k +1)为N 12的输出#网络权值的训练采用以下性能指标函数J 3J 3=12[r 1(k +1)-y 1(k +1)]2同理,可以用一个输入为(其中v 2(k +1)为N 21的输出)r 2(k +1)-v 2(k +1),y 2(k),y 2(k -1),,,y 2(k -n 22),u 2(k -1),,,u 2(k -m 22)251第3期 靳其兵等:多变量系统的神经网络解耦新方法输出为u2(k)的神经网络实现f-122,网络权值的训练采用以下性能指标函数J4J4=12[r2(k+1)-y2(k+1)]2因为N12=f12,N21=f21,所以,可以用一个神经网络构成对象的辨识模型,利用对象的输入输出数据对这一模型进行辨识,得到f12,f21#再将和f12,f21一样的神经网络结构分别赋予N12, N21,就可以得到N12,N21的神经网络实现#由图3可知,已知r1(k+1),r2(k+1),求解u1(k),u2(k)的过程也是纳什(Nash)优化求解问题[5]#神经网络解耦逆动态控制的自适应步骤如下:¹给定四个网络的初始权值;º给定k+1时刻的r1(k+1),r2(k+1);»解纳什优化问题,得到u1(k),u2(k);¼u1(k),u2(k)加入被控对象,得到y1(k +1),y2(k+1);½利用u1(k),u2(k),y1(k+1),y2(k+1)的数据辨识对象模型,得到f12,f21,相应的得到N12和N21的网络权值;¾利用性能指标函数J3,J4修正f-111,f -1 22所对应的神经网络的权值;¿k=k+1,转向步骤º#3研究实例对文献[3]中描述的如下对象进行研究:Y(k+1)=012424010997 011322014265Y(k)+ 013426012105 011070012404Y(k-1)+ 010576010424997 010*********U(k)+ 010********* 010*********U(k-1)在方法1中,取估计特性f^11,f^22如下:f^11:y1(k+1)=016689y1(k)+014928y1(k-1)-011659y1(k-2)-010598y1(k-3)+010576u1(k)+010293u1(k-1)-010256u1(k-3)-010044u1(k-3) f^22:y2(k+1)=016689y2(k)+014928y2(k-1)-011659y2(k-2)-010598y2(k-3)+010751u2(k)+010530u2(k-1)-010329u2(k-3)-010190u2(k-3)取r1(k),r2(k)在两种方法中相同,控制结果示于图4~6,其中,对象的初始输出均为零,各神经网络均进行了预训练#图4输入(a)r1(k)和(b)r2(k)图5方法1中(a)y1(k)对^f11和(b)y2(k)对^f22输出的跟踪)期望输出;(()实际输出#图6方法2中(a)y1(k)对r1(k)和(b)y2(k)对r2(k)的跟踪由仿真结果可以看出,方法1中对象的输出很好地跟踪了理想输出,方法2中对象的输出很好地跟踪了输入值r1(k),r2(k)的变化,仿真结果证明了本文所提出的方法是有效的#4结论(1)提出了两种新的神经网络解耦方法,大量试验表明方法是有效的,且两种方法均适用于非线性系统#(2)由于采用了前馈补偿的原理,所以可以实现局部解耦,而其它的一些方法则不具有这一功能#252东北大学学报(自然科学版)第20卷参考文献1余文#多变量自适应解耦:[学位论文]#沈阳:东北大学.19942Chai T Y.A self 2tuning decoupling controller for a class of multivari able s ystems and gl obal convergence analysis.IEE E trans on Automation Control,1988,33(8):767~7713舒迪前,奉川东,尹怡欣#多变量系统神经网络解耦广义预测控制及其应用#电气传动,1996,26(4):44~514Chao 2Chee K,Kwang Y L.Diagonal recurrent neural networks for dynam i c systems control.IEEE Trans on Neural Networks,1994,6(1):144~1565席裕庚#预测控制#北京:国防工业出版社,1993.212~226New Decoupling Method Based on Neural Network for MultivariableSystemJin Qibing ¹,Zeng Dongning º,W a ng Y unhua ¹,Gu Shusheng ¹(¹School of Information Science and Engineering,Northeastern University,Shenyang 110006,China;ºNortheasternElectric Power Administration,Shengyang 110006,China)ABSTRACT T wo new neural network decoupling methods for multivar iable system were presented by using the pr inciple of feedforward compensation.One is that neural networ k is used to realize feedforward compensation and to make the compensated system deco upling.The decoupling single variable system has the characteristics of main channel of the plant.The other is that decoupling is combined with neural networ k inverse control.T he output of the plant tracks t he variation of the input.The two schemes are also suitable for multivariable nonlinear systems.KEY WORDS neural network,feedfor ward compensat ion,nonlinear system,decoupling,neural network inverse control.(Received September 4,1998)253第3期 靳其兵等:多变量系统的神经网络解耦新方法。
万方数据
万方数据
万方数据
多变量系统解耦现状的分析
作者：达成莉
作者单位：西安建筑科技大学控制理论与控制工程专业,陕西西安,710055
刊名：
工业控制计算机
英文刊名：Industrial Control Computer
年，卷(期)：2011,24(12)
被引用次数：1次
1.闵娟;黄之初多变量解耦控制方法 2004(z2)
2.王启智工程解耦控制系统的研究 2002
3.史继森精馏塔的控制[期刊论文]-自动化博览 2008(08)
4.王诗宓多变量系统分析和设计 1992
5.李旭;张殿华;何立平特征轨迹法解耦活套高度和张力控制系统 2006(01)
6.古孝鸿;周立峰线性多变量系统频域法 1990
7.蒋慰孙;叶银忠多变量控制系统分析与设计 2001
8.Kouvaritaskis B;Rossiter J A Multivariable Nyquist self-tuning:a general approach 1989(05)
9.Wittenmark B;Middleton R;Goodwin G C Adaptive decoupling of multivariable systems 1987(06)
10.舒迪前;奉川东;尹怡欣多变量系统神经网络解耦广义预测控制及应用 2006(04)
11.平玉环;于希宇;孙剑多变量系统模糊解耦方法综述[期刊论文]-仪器仪表用户 2010(01)
12.曾静;薛定宇;袁德成非线件系统的多模型预测控制方法[期刊论文]-东北大学学报(自然科学版) 2009(01)
13.尹成强;岳继光多变量时滞过程的鲁棒解耦控制 2009
14.王晓燕多变量解耦内模控制在锅炉燃烧系统中的应用研究[学位论文] 2008
15.戴文战;丁良;杨爱萍内模控制研究进展[期刊论文]-控制工程 2011(04)
1.张建华.鞠晓峰基于LMDI的中国石化产业CO2排放的解耦分析[期刊论文]-湖南大学学报（自然科学版） 2012(10)本文链接：/Periodical_gykzjsj201112033.aspx。
