现代自动化装备控制技术

《现代自动化装备控制技术》的认识新时期,随着我国经济的不断发展,科学技术水平的不断提高。我国在制造业等工业技术方面也得到了高质量、高速度的发展,自动化技术也得到了广泛的发展。自动化仪器被应用到了多重领域:现代建筑业、制造业、科学研究、国防工业、以及农业和交通业等多方面均涉及到自动化控制技术的应用。其次，科学技术的不断发展与创新，自动化装备控制技术的发展也越来越迅速。自动化装备控制技术是一门综合性的技术，与其他行业有着紧密地联系，共同促进了科学的发展。本文首先介绍了自动化装备控制技术的概念以及我国的发展现状，然后对自动化装备控制控制技术的控制系统及控制方案进行研究，最后总结了自动化控制技术的发展趋势和前景分析，从而更好的促进我国自动化控制技术应用更加广泛的发展。一．自动化控制技术的介绍自动化控制技术，就是指在没有人员参与的情况下，通过使用特殊的控制装置来使得被控制的对象或者过程自行按照预定的规律运行的一门技术。它是以数学理论知识为基础，利用反馈原理来来自动的影响动态系统，使得输出值接近或者达到人们的预定值。自动化控制系统的大量应用，不仅提高了工作效率，也提高了工作质量，改善了人员的工作环境。我国工业控制自动化的发展道路，大多是在引进成套设备的同时进行消化吸收，然后进行二次开发和应用。目前我国工业控制自动化技术、产业和应用都有了很大的发展，我国工业计算机系统行业已经形成。目前，工业控制自动化技术正在向智能化、网络化和集成化方向发展，特别是一些先进控制技术的研究。图1，给出了现代工业网络化的结构。图1工业网络化结构二．现代工业自动化的控制系统1.以PLC为主控器的先进控制系统长期以来，PLC始终处于工业控制自动化领域的主战场，为各种各样的自化控制设备提供非常可靠的控制方案，与DCS和工业PC形成了三足鼎立之势。可编程逻辑控制器（PLC），它采用一类可编程的存储器，用于其内部存储程序，执行逻辑运算、顺序控制、定时、计数与算术操作等面向用户的指令，并通过数字或模拟式输入/输出控制各种类型的机械或生产过程。微型化、网络化、PC化和开放性是PLC未来发展的主要方向。在基于PLC自动化的早期，PLC体积大而且价格昂贵。但在最近几年，微型PLC(小于32I/O)经出现，价格只有几百欧元。随着软PLC(SoftPLC)控制组态软件的进一步完善和发展，安装有软PLC组态软件和PC—based控制的市场份额将逐步得到增长。2.面向测控管一体化设计的DCS系统集散控制系统DCS(DistributedControlSystem)问世于1975年，生产厂家主要集中在美、日、德等国。我国从20世纪70年代中后期起，首先由大型进口设备成套中引入国外的DCS，首批有化纤、乙烯、化肥等进口项目。当时，我国主要行业(如电力、石化、建材和冶金等)的DCS基本全部进口。20世纪80年代初期在引进、消化和吸收的同时，开始了研制国产化DCS的技术攻关。小型化、多样化、PC化和开放性是未来DCS发展的主要方向。目前小型DCS所占有的市场，已逐步与PLC、工业PC、FCS共享。今后小型DCS可能首先与这三种系统融合，而且“软DCS”技术将首先在小型DCS中得到发展。PC-based控制将更加广泛地应用于中小规模的过程控制，各DCS厂商也将纷纷推出基于工业PC的小型DCS系统。开放性的DCS系统将同时向上和向下双向延伸，使来自生产过程的现场数据在整个企业内部自由流动，实现信息技术与控制技术的无缝接，向测控管一体化方向发展。3．现场总线(FCS)新的工业系统发展趋势现场总线是安装在制造或过程区域的现场装置与控制室内的自动控制装置之间的数字式、双向传输、多分支结构的通信网络。现场总线使测控设备具备了数字计算和数字通信能力，提高了信号的测量、传输和控制精度，提高了系统与设备的功能、性能。计算机控制系统的发展在经历了基地式气动仪表控制系统、电动单元组合式模拟仪表控制系统、集中式数字控制系统以及集散控制系统(DCS)后，将朝着现场总线控制系统(FCS)的方向发展。虽然以现场总线为基础的FCS发展很快，但FCS发展还有很多工作要做，如统一标准、仪表智能化等。另外，传统控制系统的维护和改造还需要DCS，因此FCS完全取代传统的DCS还需要一个较长的过程，同时DCS本身也在不断的发展与完善。可以肯定的是，结合DCS、工业以太网、先进控制等新技术的FCS将具有强大的生命力。三．先进控制技术方法1.神经网络学习智能控制神经网络是指由大量与生物神经系统的神经细胞相类似的人工神经元互连而组成的网络；或由大量象生物神经元的处理单元并联互连而成.这种神经网络具有某些智能和仿人控制功能.学习算法是神经网络的主要特征，也是当前研究的主要课题.学习的概念来自生物模型，它是机体在复杂多变的环境中进行有效的自我调节.神经网络具备类似人类的学习功能.一个神经网络若想改变其输出值，但又不能改变它的转换函数，只能改变其输人,而改变输人的唯一方法只能修改加在输人端的加权系数.神经网络的学习过程是修改加权系数的过程，最终使其输出达到期望值，学习结束.常用的学习算法有：Hebb学习算法，widrowHoff学习算法，反向传播学习算法一BP学习算法，Hopfield反馈神经网络学习算法等。神经网络是利用大量的神经元按一定的拓扑结构和学习调整方法.它能表示出丰富的特性：并行计算、分布存储、可变结构、高度容错、非线性运算、自我组织、学习或自学习等.这些特性是人们长期追求和期望的系统特性.它在智能控制的参数、结构或环境的自适应、自组织、自学习等控制方面具有独特的能力。2.自适应控制自适应控制的研究对象是具有一定程度不确定性的系统，这里所谓的“不确定性”是指描述被控对象及其环境的数学模型不是完全确定的，其中包含一些未知因素和随机因素。自适应控制和常规的反馈控制和最优控制一样，也是一种基于数学模型的控制方法，所不同的只是自适应控制所依据的关于模型和扰动的先验知识比较少，需要在系统的运行过程中去不断提取有关模型的信息，使模型逐步完善。具体地说，可以依据对象的输入输出数据，不断地辨识模型参数，这个过程称为系统的在线辩识。随着生产过程的不断进行，通过在线辩识，模型会变得越来越准确，越来越接近于实际。既然模型在不断的改进，显然，基于这种模型综合出来的控制作用也将随之不断的改进。在这个意义下，控制系统具有一定的适应能力。比如说，当系统在设计阶段，由于对象特性的初始信息比较缺乏，系统在刚开始投入运行时可能性能不理想，但是只要经过一段时间的运行，通过在线辩识和控制以后，控制系统逐渐适应，最终将自身调整到一个满意的工作状态。再比如某些控制对象，其特性可能在运行过程中要发生较大的变化，但通过在线辩识和改变控制器参数，系统也能逐渐适应。3.鲁棒控制鲁棒控制（RobustControl）方面的研究始于20世纪50年代。在过去的20年中，鲁棒控制一直是国际自控界的研究热点。所谓“鲁棒性”，是指控制系统在一定（结构，大小）的参数摄动下，维持某些性能的特性。根据对性能的不同定义，可分为稳定鲁棒性和性能鲁棒性。以闭环系统的鲁棒性作为目标设计得到的固定控制器称为鲁棒控制器。其中，主要的鲁棒控制理论有：（1）Kharitonov区间理论；（2）H∞控制理论；（3）结构奇异值理论（μ理论）等等。四．总结现代自动化装备控制技术主要是针对运动控制，通过学习现代自动化装备控制技术使我们更好的了解运动控制的相关解决方案和先进的检测、传输、控制等新策略。但是由于实践和条件的制约，我们对这些技术都还是停留在大致知晓其概念的步伐。但是，如果今后有机会，我们将会深入对某以特定技术进行探讨。带有纯滞后环节高阶系统的内模控制及仿真分析一．内模控制内模控制(InternalModelControl,简称IMC)是一种基于过程数学模型进行控制器设计的新型控制策略。由于其设计简单、控制性能好和在系统分析方面的优越性，内模控制不仅是一种实用的先进控制算法，而且是研究预测控制等基于模型的控制策略的重要理论基础，以及提高常规控制系统设计水平的有力工具。二．内模控制的特点1.内模控制不仅在工业过程控制中获得了成功的应用，而且表现出在控制系统稳定性和鲁棒性理论分析方面的优势。2.在工业过程中，内模控制用于强耦合多变量过程、强非线性过程和大时滞过程。3.无需精确的对象模型，并且在控制器参数调节时比较方便。三．内模控制的结构下图2中显示了内模控制结构。图中虚线框内是整个控制系统的内部结构，由于该结构中除了有控制器外，还包含了过程模型，内模控制因此而得名。图2内模控制结构框图其中：———实际对象———对象模型———给定值———系统输出———在控制对象输出上叠加的扰动)(IMCsG)(sU)(sY)(sGp)(sR)(ˆsGp)(sD)(msY)(ˆsD)(sGp)(ˆsGp)(sR)(sY)(sD内模控制器的设计思路是从理想控制器出发，然后考虑了某些实际存在的约束，再回到实际控制器的。讨论两种不同输入情况下，系统的输出情况:1）当时：假若模型准确，即由图可见假若“模型可倒”，即可以实现，则令可得：由此可见，不管如何变化，对的影响为零。表明控制器是克服外界扰动的理想控制器。2）当时：假若模型准确，即又因为则当模型没有误差，且没有外界扰动时其反馈信号表明控制器是跟踪变化的理想控制器。四．内模控制的主要性质0)(,0)(sDsR)()(ˆsGsGpP)()(ˆsDsD)](ˆ)(1)[()]()(1)[()(IMCIMCsGsGsDsGsGsDsYpp)(ˆ1sGp)(ˆ1)(IMCsGsGp0)(sY)(sD)(sY0)(,0)(sRsD)()(ˆsGsGpP0)(sD0)(ˆsD)()()()(ˆ1)()()()(IMCsRsRsGsGsRsGsGsYppp)()]()(1[)()()()(IMCIMCsDsGsGsRsGsGsYpp0)()()](ˆ)([)(ˆppsDsUsGsGsD)(sY)(sR