2.845

2023影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于 PID 自整定功能的自适应双路输出的黑体温度控制

张海弟

张海弟. 基于 PID 自整定功能的自适应双路输出的黑体温度控制. 自动化学报, 2021, 47(12): 1−9 doi: 10.16383/j.aas.c190277
引用本文: 张海弟. 基于 PID 自整定功能的自适应双路输出的黑体温度控制. 自动化学报, 2021, 47(12): 1−9 doi: 10.16383/j.aas.c190277
Zhang Hai-Di. Blackbody temperature control based on adaptive double output function of pid self-tuning. Acta Automatica Sinica, 2021, 47(12): 1−9 doi: 10.16383/j.aas.c190277
Citation: Zhang Hai-Di. Blackbody temperature control based on adaptive double output function of pid self-tuning. Acta Automatica Sinica, 2021, 47(12): 1−9 doi: 10.16383/j.aas.c190277

基于 PID 自整定功能的自适应双路输出的黑体温度控制

doi: 10.16383/j.aas.c190277
详细信息
    作者简介:

    张海弟:北京新航智科技有限公司高级工程师. 2008年获得北京理工大学电路与系统专业硕士学位. 主要研究方向为电厂自动控制. E-mail: zhd8202@163.com

Blackbody Temperature Control Based on Adaptive Double Output Function of PID Self-tuning

More Information
    Author Bio:

    ZHANG Hai-Di Senior engineer at Beijing New Intelligent Technology Co., Ltd.. He received his master degree in circuits and systems from Beijing Institute of Technology in 2008. His main research interest is automatic control of power plant

  • 摘要: 首先, 通过分析黑体温度控制系统的物理模型, 推演出黑体传递函数的表达式.推演过程中得知黑体易受环境温度和空气散热的影响, 所以黑体温度控制系统是个非线性时变系统.结合实验黑体的阶跃响应数据, 采用阶跃响应法对传递函数进行近似计算, 得出黑体温控系统的传递函数是极点在左半轴的二阶系统, 该系统等效于二阶低通滤波器.经过低通滤波器的信号, 会滤除高频部分, 当用继电器法进行参数自整定时, 仅需计算能量较大的基波信号.通过对基波信号进行比较, 得出继电器法的整定公式, 并参照Ziegler-Nichols整定法则计算出PID参数.同时, 本文针对黑体加热器具有双路输出的特点, 提出了一种双路动态输出法, 通过理论分析了该方法可以消除环境对黑体温度的影响.对于环境温度变化较大的, 采用继电器法PID参数自整定的方式来消除; 对于黑体运行过程中环境温度变化较小的, 采用双路动态输出法来减少影响.最后, 结合实验数据, 引入性能指标, 验证了本文所述方法对黑体的温度控制性能有一定的提升.
  • 黑体, 作为红外设备的高精度定标源, 采用非接触式的辐射测温方法, 具有不破坏被测物体的优点, 需要快速高稳定的控制温度[1-2]. 黑体辐射源应用于机载红外成像系统, 校正红外制导系统, 同时也是现场红外校准的主要定标源[3]. 黑体温度控制的好坏(例如温度稳定性、升降温响应速度、抗干扰能力等)直接影响了红外设备的标定, 进而影响了其他的应用领域.

    目前, 在工控领域, PID仍占据主导地位[4-5], 采用传统的单一的PID控制, 需根据不同的黑体设备由人工调节 PID参数, 无法达到快速的, 高精确, 高稳定的控制. 也有很多文献试图寻找更好的控制策略[6-10], 基本上都是在相关的特定场合进行控制. 黑体控制系统其实质为温度控制系统, 这类系统一般具有扰动性、滞后性且具有较难的系统建模, 是属于比较难的控制问题. 一些先进的控制方法不断出现, 例如模型预测控制、滑模控制、自适应控制等[11-14], 由于黑体温度控制的特殊性质使得这些方法未曾有效的应用. 下面分析一般的具有纯滞后的单回路反馈控制系统, 其控制传递函数为

    $$ \Phi(s) = \frac{Y(s)}{R(s)} = \frac{D(s)G(s)}{1+D(s)G(s)e^{-\tau{s}}}{\rm{e}}^{-\tau{s}}$$ (1)

    式(1)分母中含有${\rm{e}}^{-\tau{s}}$滞后环节, 降低了系统的稳定性, 影响了控制质量, 从而大大降低了闭环系统的控制品质. 系统辨识理论的发展, 被控对象参数的精确辨识使得系统建模更加准确[15-17], 这使得Smith预估器进行补偿的方法变得更加切实可行. 但由于黑体型号众多, 且黑体温度控制系统具有非线性、时变性, 故想采用单一的模型去匹配多种对象, 是无法达到稳定的控制目的. 采用Smith预估器的方法不是很理想, 它对模型的误差十分敏感, 抗干扰能力也比较差. 即便采用了Smith预估器, 仍需要工程师根据不同的黑体对象来调整PID参数. 时变系统一般会采用自适应的控制方式[18-19], 本文根据这种思想, 结合黑体加热器的特性, 对于环境温度变化较小的, 提出了一种自适应的方法来控制黑体温度[20-21]; 对于环境变化较大的, 通过自整定方式[22] 获得当前参数, 提高系统的控制能力. 系统整体的控制见图1的所示.

    图 1  系统总体图
    Fig. 1  System overall diagram

    总体来说是以PID控制为核心, 进行一些相关的扩展. 自整定模块负责PID参数的自动整定. 经过整定的参数需要与模糊算法的输出进行相关运算后, 进入PID运算环节. 模糊算法的加入, 进一步优化了黑体的温度控制性能. PID运算完成后, 针对黑体加热器具有加热和制冷双路输出的特点, 系统根据当前的状态进行动态分配输出. $ {\rm{SV}} $为设定值, S为选通开关, 当自整定开启后, 旁路PID输出. FUZZY模糊算法, CO为相关系数. OP是对自整定的参数与模糊算法进行运算. ALLOC为双路分配算法, 然后经过SCAL模块进行重映射.

    黑体($ G_2 $)的温度、加热器($ G_1 $)的输入与黑体($ G_2 $)本身的散热之间的关系如图2所示.

    图 2  黑体温控系统
    Fig. 2  Blackbody temperature control system

    $ G_1 $为加热器, $ G_2 $为黑体系统, $ i $为加热器驱动信号, $ Q_i $为黑体从加热器获得热量, $ Q_o $为黑体在空气中散失的热量. 下面分别求得$ G_1 $$ G_2 $. 一般的, 我们认为加热器是一阶系统, 其传递函数为

    $$ G_{1}(s) = \frac{k_{1}}{\tau _{1}s+\alpha _{1}} $$ (2)

    然后分析黑体温度与能量的关系. 由图2得知, 黑体的能量变化为

    $$ Q_{i}-Q_{o} = \frac{{\rm d} {Q}}{{\rm d} {t}} $$ (3)

    根据热力学中的比热容公式可得

    $$ {Q_{i}-Q_{o}} = {cm}\frac{{\rm d} {T} }{{\rm d} {t}} $$ (4)

    式中, $ c $为黑体材料的比热容, $ m $为黑体的质量, $ T $为黑体的温度. 散失能量$ Q_o $分为电磁辐射热交换和黑体空气流动热交换. 由于电磁辐射热交换能量较小, 此处仅考虑空气流动热交换, 所以$ Q_o $约等于黑体的散热

    $$ {Q_{0}\approx hA(T-T_{c})} $$ (5)

    式中, $ h $为热交换系数, $ A $为黑体与空气接触的表面积, $ T $为黑体当前温度, $ T_c $为空气当前温度. 将式(5)代入式(4)得到

    $$ {Q_{i}-hA(T-T_{c}) = cm}\frac{{\rm d} {T}}{{\rm d} {t}} $$ (6)

    两边求Laplace变化

    $$ {Q_{i}(s)-hAT(s) = cmsT(s)} $$ (7)

    整理可得黑体传递函数为

    $$ {G}_{2}{(s) = \frac{T(s)}{Q_{i}(s)} = \frac{1}{cms+hA}} $$ (8)

    结合加热器, 得到整个黑体温控系统的传递函数$G(s) = $$ G_{1}(s)\times G_{2}(s){\rm{e}}^{-\tau{s}}$

    $$ {G(s)} = \frac{{k}_{1}}{{\tau}_{1}{cms}^{2}+({\tau}_{1}{hA}+{\alpha}_{1}{cm}){s}+{\alpha}_{1}{hA}}{{\rm{e}}}^{{-\tau{s}}} $$ (9)

    式中, ${\rm{e}}^{-\tau{s}}$为延迟时间, 由此可得, 黑体温控系统为二阶迟滞系统, 其传递函数与黑体本身的比热容, 质量, 面积以及加热器功率等条件相关. 为了验证上述传递函数的建模是否正确, 结合实际黑体, 通过阶跃响应辨识法[23-24], 实测黑体的阶跃响应后, 估算出实验黑体的传递函数. 为了便于分析与推导, 将式(9)改写成式(10)的简单形式

    $$ {G(s)} = \frac{{k}}{{s}^{2}+{as+b}}{{\rm{e}}^{-\tau s}} $$ (10)

    式中, $ k = k_{{1}}/\tau_{1}cm $, $ \alpha = (\tau_1 hA+\alpha_1 cm)/\tau_1 cm $, $b = $$ \alpha_1hA/\tau_1cm $. 将式(10)写成时域模式

    $$ \frac{{\rm d^{2}}{y(t)} }{{\rm d} {t}^{2}}+{a\frac{{\rm d} y(t)}{{\rm d} t}+by(t) = kx(t-\tau )+e(t)} $$ (11)

    假定阶跃响应的输入信号$ x(t) = hu(t) $, $ h $为阶跃信号的幅值, $ y(t) $为黑体的温度输出数据. $ \tau $为延时, $ e(t) $为噪声. 该系统初始状态为非零, 将该非零状态作为未知数, 一共引入6个未知变量, 若采用两次积分, 则无法完全求解, 故对式(11)进行三次积分[25], 令$ t>\tau $, 得到

    $$ \begin{split} \int {y(t)} =\;& -b\iiint{y(t)}-a\iint{y(t)}+kh\frac{t^{3}}{6}+\\& \left(-kh\tau+\frac{{\rm d}y(0)}{{\rm d}t}+ay(0)\right)\frac{t^{2}}{2}+\\& \left (y(0)+\frac{kh\tau^{2}}{2}\right)t-kh\frac{\tau^{3}}{6}+\iiint{e(t)} \end{split} $$ (12)

    令初始状态$ c_0 = y(0) $, $ c_1 = \dfrac{{\rm d} y(0)}{{\rm d} t} $, 则可将式(12)改写成式(13)的形式

    $$ \begin{split} \int y (t) = &\left[ {\begin{array}{*{20}{c}} { - \displaystyle\iiint {y(t)} }\;\;{ -\displaystyle \iint {y(t)} }\;\;{\dfrac{{{t^3}}}{6}}\;\;{ - \dfrac{{{t^2}}}{2}}\;\; t \;\;{ - 1} \end{array}} \right]*\\ &\left[ {\begin{array}{*{20}{c}} b\\ a\\ {kh}\\ {kh\tau - {c_1} - a{c_0}}\\ {{c_0} + \dfrac{{kh{\tau ^2}}}{2}}\\ {kh\dfrac{{{\tau ^3}}}{6}} \end{array}} \right]\\[-50pt] \end{split} $$ (13)

    式(13)中共6个未知数, 令

    $$\begin{split} &{\boldsymbol{\phi}} (t) = \left[ {\begin{array}{*{20}{c}} { - \iiint {y(t)} }\;\;{ - \iint {y(t)} }\;\;{\dfrac{{{t^3}}}{6}}\;\;{ - \dfrac{{{t^2}}}{2}}\;\; t \;\; { - 1} \end{array}} \right]\\ &{\boldsymbol{\theta}} = {\left[ {\begin{array}{*{20}{c}} b \;\; a \;\; {kh} \;\; {kh\tau - {c_1} - a{c_0}} \;\; {{c_0} + \dfrac{{kh{\tau ^2}}}{2}} \;\; {kh\dfrac{{{\tau ^3}}}{6}} \end{array}}\right]^{\rm{T}}}\end{split} $$

    根据所采集的$ N $个采样点组成如下线性方程组

    $$ {\boldsymbol \Gamma}(t) = {\boldsymbol \Phi}(t){\boldsymbol \theta} +\xi(t) $$ (14)

    采样点必须满足$ mT_s>\tau $. 式中,

    $$ {\boldsymbol{\Gamma }}(t) = \left[ {\begin{array}{*{20}{c}} {\int_0^{m{T_s}} y (t){\rm{d}}t}\\ {\int_0^{(m + 1){T_s}} y (t){\rm{d}}t}\\ {\vdots}\\ {\int_0^{(m + N){T_s}} y (t){\rm{d}}t} \end{array}} \right] $$
    $$ {\boldsymbol{\Phi }}(t) = \left[ {\begin{array}{*{20}{c}} {{\boldsymbol{\phi}} (m{T_s})}\\ {{\boldsymbol{\phi}} ((m + 1){T_s})}\\ {\vdots}\\ {{\boldsymbol{\phi}} ((m + N){T_s})} \end{array}} \right] \hspace{5pt}$$

    $ \xi(t) $为零均值相关噪声, 对系统的识别影响很小, 很多情况下能满足实际需要[24]. 对式(14)进行运算, 使用最小二乘法估计参数得到

    $$ {\boldsymbol \theta} = ({\boldsymbol \Phi} ^{{\rm T}}(t){\boldsymbol \Phi} (t))^{-1}{\boldsymbol \Phi} ^{{\rm T}}(t){\boldsymbol \Gamma}(t) $$ (15)

    在得到$ {\boldsymbol \theta} $后, 便可以知道系统的传递函数了. 下面针对实验室的一台黑体, 进行阶跃响应(输入阶跃信号为10 %)的数据采集. 将这些采样点, 根据式(15)的计算结果, 得到黑体的传递函数为

    $$ G(s) = \frac{0.0003183}{s^{2}+0.1738s-0.0004992}{\rm{e}}^{-10s} $$ (16)

    式(16)为阶跃响应识别得到的传递函数, 图3为传递函数的理论阶跃响应与实际阶跃响应曲线, 识别的阶跃响应几乎与实际阶跃响应相重合.

    图 3  实测阶跃响应与识别阶跃响应
    Fig. 3  Measured step response and recognition of step response

    由式(16)得知, 实验黑体温控系统的传递函数为一个二阶低通滤波器, 输入信号为方波时, 其输出信号能将方波的高频部分滤除, 得到低频部分的波形. 在输入方波信号的频率分量中, 基波占据较大能量, 所以继电器法仅采取基波分量作为运算.

    根据上一节分析建立的系统模型, 当输入脉冲信号时, 频域乘机, 时域是卷积. 单脉冲信号与$ h(t) $卷积, 得到一个震荡衰减. 若加入一个负反馈, 使得输入变为周期信号, 则输出也会是一个周期信号. 输出输入的基波比值, 可理解为PID中与比例相关的部分. 继电器法的实现如图4所示.

    图 4  继电器法实现原理
    Fig. 4  Principle of relay method

    $ E = SV-PV $. 根据$ E $的变化, 可得到$ Y $的输出:

    $$ \begin{split} Y = \;&Y_{\max}\frac{1+{\rm sign}(E-\varepsilon {\rm sign}(\dot{E}))}{2}+ \\&Y_{\min}\frac{1-{\rm sign}(E-\varepsilon {\rm sign}(\dot{E}))}{2} \end{split} $$ (17)

    式中, ${\rm{sign}}(x) = \left\{ {\begin{aligned}&{1,}&{x \ge 0}\\&{ - 1,}&{x < 0}\end{aligned}} \right.$. $ Y_{\max} $$ Y_{\min} $为硬件输出上下限, $ \varepsilon $为滞回区间. 结合上述黑体传递函数, 该方法相当于引入负反馈, 使系统处在一个稳定的振荡状态.

    假定继电器法的输入信号为图5所示.

    图 5  输入方波
    Fig. 5  Square wave

    方波的函数表达式为

    $$ f(t) = \frac{h}{2}{\rm sign}\left(\sin\left(\frac{2{\text{π}} }{T}t\right)\right) $$ (18)

    式中, sign为符号函数, $ T $为方波周期. 分别求得傅里叶级数:

    $$ \left\{ {\begin{aligned} &{{a_n} = \frac{1}{{\text{π}} }\int_{ - {\text{π}} }^{\text{π}} f (x)\cos (nx){\rm{d}}x,}&{n = 0,1,2,\cdots}\\ &{{b_n} = \frac{1}{{\text{π}} }\int_{ - \pi }^{\text{π}} f (x)\sin (nx){\rm{d}}x,}&{n = 1,2,3,\cdots} \end{aligned}} \right. $$ (19)
    $$ \begin{split} a_{n} =\;& \frac{2}{T}\int_{-\frac{T}{2}}^{0}\left [ -\frac{h}{2} \right ]\cos(n\omega _{0}t){\rm d}t\;+\\ &\frac{2}{T}\int_{0}^{\frac{T}{2}}\left [ \frac{h}{2} \right ]\cos(n\omega _{0}t){\rm d}t = 0 \end{split} \hspace{50pt} $$ (20)
    $$ \begin{split} b_{n} =\;& \frac{2}{T}\int_{-\frac{T}{2}}^{0}\left [ -\frac{h}{2} \right ]\sin(n\omega _{0}t){\rm d}t\;+ \\& \frac{2}{T}\int_{0}^{\frac{T}{2}}\left [ \frac{h}{2} \right ]\sin(n\omega _{0}t){\rm d}t= \\ &\frac{h}{n\omega _{0}T}\left [ 2-2\cos(n{\text{π}} ) \right ] \end{split}\hspace{55pt} $$ (21)

    $$ {b_n} = \left\{ \begin{aligned} &\frac{{2h}}{{n{\text{π}} }},\;\;\;\;n\text{为奇数}\\ &0,\;\;\;\;\;\;\;n\text{为偶数} \end{aligned} \right. $$ (22)

    根据第1.2节描述, 输出波形为正弦波, 假定正弦波的周期是$ T $, 峰峰值为$ a $. 其傅里叶级数如下求得:

    $$ \left\{ {\begin{aligned} &{{a_n} = \frac{2}{T}\int_0^T {\frac{a}{2}} \sin ({\omega _0}t)\cos (n{\omega _0}t){\rm{d}}t,\;\;n = 0,1,2,\cdots}\\ &{{b_n} = \frac{2}{T}\int_0^T {\frac{a}{2}} \sin ({\omega _0}t)\sin (n{\omega _0}t){\rm{d}}t,\;\;\;n = 1,2,3,\cdots} \end{aligned}}\\ \right. $$ (23)

    根据三角函数的正交性

    $$ \int_{-{\text{π}} }^{{\text{π}} }\cos(mx)\sin(nx) = 0,\;\;\;m,n = 1,2,3,\cdots $$ (24)
    $$ \int_{ - {\text{π}} }^{\text{π}} {\sin } (mx)\sin (nx) = \left\{ {\begin{aligned} &0,&{m \ne n}\\ &{\text{π}},&{m = n} \end{aligned}} \right. \hspace{33pt}$$ (25)

    上述级数其余分量都为0, 仅$ b_1 $

    $$ \begin{split} b_{1} =\;& \frac{1}{T}\int_{0}^{T}a\sin(\omega_{0}t)\sin(\omega_{0}t){\rm d}t =\\ & \frac{1}{\omega _{0}T}\int_{0}^{\omega _{0}T}a\sin^{2}x{\rm d}x \end{split} $$ (26)

    因为$ \omega_o = \dfrac{2{\text{π}} }{T} $, 由此得到:

    $$ b_{1} = \frac{a}{2{\text{π}} }\int_{0 }^{2{\text{π}} }\sin^{2}(x){\rm{d}}x = \frac{a}{2} $$ (27)

    输入波形的基波分量除以输出波形的基波分量结果即为临界增益

    $$ K_{{\rm{pcrit}}} = \frac{2h}{{\text{π}} }\div \frac{a}{2} = \frac{4h}{{\text{π}} a} $$ (28)

    式中, $ h $为输入方波的峰峰值, $ a $为输出正弦波的峰峰值. 通过检测输入方波或输出正弦波的周期, 即为临界周期$T_{{\rm{crit}}}$. 自此得到了临界增益$ K_{{\rm{pcrit}}} $与临界周期$ T_{{\rm{crit}}} $. 将此值代入Ziegler-Nichols整定法则如表1所示, 即可得到相应的PID参数.

    表 1  Ziegler-Nichols整定法则
    Table 1  Ziegler-Nichols setting rule
    控制器类型 Kp Tn Tv Ki Kd
    P 0.5· Kpcrit
    PD 0.8· Kpcrit 0.12 Tcrit Kp × Tv
    PI 0.45· Kpcrit 0.85 Tcrit Kp/Tn
    PID 0.6· Kpcrit 0.5 Tcrit 0.12 Tcrit Kp/Tn Kp × Tv
    下载: 导出CSV 
    | 显示表格

    图6为是实测黑体的数据. IN为控制板输出给黑体的信号, OUT是控制板采集的黑体温度.

    图 6  实测黑体自整定数据
    Fig. 6  Measured blackbody self-tuning data

    从原始数据中可分析得到临界状态, $ T_{{\rm{crit}}} $ = 32.599998, $ h $ = 150.00, $ a $ = 0.518509. 将临界值代入式(28), 得到临界增益$ K_{{\rm{pcrit}}} $≈386.3368. 根据表1中所列的Ziegler-Nichols整定法则, 本文采用PID方式控制, 得到PID 3个参数, $ K_p $ = 231.80208, $ K_i $ = 14.2210, $ K_d $ = 906.8097. 实际系统为ADC采样, 采样时间$ T_{{\rm{adc}}} $ = 0.392 s, 将其离散化后$DK_p = $$ K_p*T_{{\rm{adc}}} $ = 90.8664, $ DK_i = T_{{\rm{adc}}}*DK_p/T_n $ = 2.1853, $ DK_d = DK_p\cdot T_v/T_{{\rm{adc}}} $ = 906.8097. 以上便是实验黑体的自整定PID参数, 按照0.392 s为周期, 进行运算.

    经过上述实验, 已经得到PID相关参数, 但这仅仅是获得了基本参数, 为了能更快、更稳地控制黑体温度, 结合黑体系统本身的特性来改进性能.

    实验黑体具有两路输入: 一路加热, 一路制冷. 从上述黑体传递函数的推导中获知, 黑体温度的控制与散热及环境温度相关, 是一个非线性时变系统. 为了减少环境的影响以及快速的稳定调节, 本文描述了一种动态双路输出算法, 包括评估器与动态分配算法两部分, 其基本原理框图如图7所示.

    图 7  自适应动态双路输出
    Fig. 7  Adaptive dynamic double output

    评估因子只是影响动态分配的功率大小, 评估因子越大, 其最后动态分配的功率越大. 为了加快评估器的运行效率, 外部独立输入$ E(t) $, d$E(t)/$d$ t $, $SV{\text{,}}$ $ T_b,\;T_e $值, 它们分别表示PID误差输入、误差的导数、设定值、黑体温度反馈以及环境温度. 在一般温差变化不大环境中, $ T_e $可以采用系统默认值, 不做动态跟随. 衰减因子由黑体加热器和制冷器的功率决定. 评估器的输出为归一化输出, 经过动态分配后, 变成符合黑体要求的信号. $ {\rm PID}_{{\rm{out}}} $为当前PID输出.

    评估器根据所给定的误差、误差变化速度、当前设定值以及环境温度等参数, 给出归一化的输出, 限定值与衰减因子. 当误差较大时, 评估器满负荷输出, 结合误差变化率, 若误差变化率大, 则评估器输出减小, 这些操作都与当前温度以及环境温度有关. 即同样的条件下, 若当前黑体温度远大于环境温度, 则需要考虑黑体散热导致的输出功率补偿. 当误差达到一定程度时, 根据评估因子的给定, 会开启双路输出, 双路输出的目的是为了消减环境造成的影响, 降低环境因素. 黑体离环境温度越高, 这种制冷补偿需要越大; 同理离环境温度越低, 加热补偿需要越大. 在环境温度附近时, 最容易被干扰, 需要提升双路输出值. 评估器包含一系列规则的总结, 给出一个合理的输出. 各因子关系为

    $$ f(n) = \left\{ {\begin{aligned} &0,\qquad\quad\;\,{\left| {e(n)} \right| > \theta }\\ &{y(n)},\qquad\,{\left| {e(n)} \right| > \theta\;\;\;\; \text{且}\;\left| {e(n - 1)} \right| < \theta }\\ &\text{保持},\qquad{\left| {e(n)} \right| < \theta } \end{aligned}} \right. $$ (29)
    $$ \begin{split} H_{{\rm{out}}} =\;& \eta _{h}(f(n),y(n)-y(n-1))*\\ &\lambda_{h}\left(SV,T_{e},e(n),\frac{\Delta e(n)}{\Delta n}\right) \end{split} \hspace{42pt}$$ (30)
    $$ \begin{split} C_{{\rm{out}}} =\;& \eta _{c}(f(n),y(n)-y(n-1))*\\ &\lambda_{c}\left(SV,T_{e},e(n),\frac{\Delta e(n)}{\Delta n}\right) \end{split} \hspace{47pt} $$ (31)
    $$ H_{{\rm{out}}}+C_{{\rm{out}}} = \varepsilon (f(n),SV,T_{e}) \hspace{66pt}$$ (32)

    式中, $ y(n) $为单次PID输出, $ \theta $为相关因子, $ e(n) $为当前归一化后的误差. 所以, 最后的动态输出与误差、误差变化率及$ f(n) $有关, 总是保持着一种动态的平衡. 双路输出具有抗环境扰动的能力. 假定环境干扰因素为$ \alpha $, 若仅采用单路加热输出, 假定输出因数为$ \beta $, 那么环境对当前调节的影响为$ \alpha/\beta $. 若采用双路方式, 假定当前制冷为$\gamma$, 制冷的扰动影响为$ \Delta \gamma $, 则最终的影响为$ (\alpha +\Delta \gamma )/((\beta +\gamma )+\gamma ) $. 对这两个影响值进行比较为$ \mu $, 该值越小, 表明环境对黑体的影响越小, $ \mu $的表达式为

    $$ \begin{split} \mu =\;& \frac{(\alpha +\Delta \gamma )/(\beta +2\gamma )}{\alpha /\beta }=\\ & \frac{(1+\Delta \gamma /\alpha )}{(1+2\gamma /\beta )} \propto\frac{\Delta \gamma /\alpha }{2\gamma /\beta } = \frac{\Delta \gamma /\gamma }{2\alpha /\beta } \end{split} $$ (33)

    式中, $ \Delta \gamma /\gamma $制冷导致的扰动, $ \alpha /\beta $为环境扰动影响(包括热交换能力和环境温度), 由于制冷输出以及制冷器的设计是满足黑体精度需求的, 所以此处的$ \Delta \gamma /\gamma \ll {\rm 2}\alpha /\beta $, 故$ \mu<1 $, 可以得出制冷$ \gamma $的加入, 能提高黑体温控系统的抗环境扰动性能, 从式(33)中看出制冷量$ \gamma $越大, 环境扰动影响值$ \mu $越小. 同理, 若处于制冷状态, 加热器的输出可作为扰动补偿. 图8中H曲线表示加热, C曲线表示制冷. 图8(a)中, 开始是稳定状态, 当设定一个阶跃值时, 加热100 %, 制冷为0 %; 当快接近目标温度时, 开始动态分配; 最后稳定时, 两个输出趋于稳定.

    图 8  双路输出数据
    Fig. 8  Dual output data

    模糊算法[7]的本质是通过判定误差以及误差的微分, 根据一定的规则, 动态修正当前PID参数. 模糊算法的引入, 大幅度提高了系统的调节速度, 阶跃响应获得较小的过冲. 在常规的模糊算法基础上, 本文做出了适当修改, 即在常规模糊算法给出的修正系数基础上, 结合当前加热制冷的功率以及温度的区间, 乘以一个相关系数(图9), 使得系统更加稳定.

    图 9  带相关因子的模糊算法
    Fig. 9  Fuzzy algorithm with correlation factor

    模糊控制器的输入为误差($ E(t) $)和误差的变化率(${\rm{d}} E(t)/{\rm{d}} t $), 并不关心当前设定值($ SV $). 本文结合黑体特性, 对模糊控制器的输出进行一个相关因子的运算, 二次修正模糊控制器的输出. 黑体实测温度越高时, 需要相关因子系数越大. 下面给出三个系数的模糊规则, 将比例、积分、微分的规则合并在一个表中, 如表2所示.

    表 2  比例积分微分模糊规则
    Table 2  Proportional integral differential fuzzy rule
    P, I, D NB(EC) NM(EC) NS(EC) ZO(EC) PS(EC) PM(EC) PB(EC)
    NB(E) PB, NB, PS PB, NB, NS PM, NM, NB PM, NM, NB PS, NS, NB ZO, ZO, NM ZO, ZO, PS
    NM(E) PB, NB, PS PB, NB, NS PM, NM, NB PS, NS, NM PS, NS, NM ZO, ZO, NS NS, ZO, ZO
    NS(E) PM, NB, ZO PM, NM, NS PM, NS, NM PS, NS, NM ZO, ZO, NS NS, PS, PS NS, PS, ZO
    ZO(E) PM, NM, ZO PM, NM, NS PS, NS, PS ZO, ZO, NS NS, NS, NS NM, NM, NS NM, NM, ZO
    PS(E) PS, NM, ZO PS, NS, ZO ZO, ZO, ZO NS, PS, ZO NS, PS, ZO NM, PM, ZO NM, PB, ZO
    PM(E) PS, ZO, PB ZO, ZO, NS NS, PS, PS NM, PS, PS NM, PM, PS NM, PB, PS NB, PB, PB
    PB(E) ZO, ZO, PB ZO, ZO, PM NM, PS, PM NM, PM, PM NM, PM, PS NB, PB, PS NB, PB, PB
    下载: 导出CSV 
    | 显示表格

    对上述理论通过实际验证. 主要是从不同条件下的阶跃响应、抗扰度、精度三个方面的实验数据进行对比. 实验数据采用绝对误差积分$ (IAE = $$ \int_{0}^{\infty }\left | e(t) \right |{\rm d}t) $, 时间乘积绝对误差积分$ (ITAE = $$ \int_{0}^{\infty }t\left | e(t) \right |{\rm d}t) $, 系统过冲$ (PV = \max(y_{n})-T) $, 输出波动总和$(TV = \sum\nolimits _{n = 0}^{N}\left | y_{n+1}-y_{n} |\right)$, 最大绝对误差$ (DEL = \max(\left | y_{n} -T\right |)) $, 绝对精度$ (AA = DEL/T) $, 均方差$(STD = \sqrt{\frac{1}{N-1}\sum\nolimits _{n = 1}^{N}\left | y_{n} -\mu \right |^{2}})$等方面进行比较, 上述公式中的$ \mu $为均值, $ T $为实验目标值. 根据不同的实验, 会采用上述不同的参数标准进行评判. 对比的实验条件进行如下约定:

    1)条件S: 控制系统只有单路输出, 即无第2.1节所描述的功能.

    2)条件D: 控制系统双路输出, 即增了第2.1节所描述的功能.

    3)条件SF: 在条件S的基础上增加了第2.2节所表述的模糊功能.

    4)条件DF:在条件D的基础上增加了第2.2节所描述的模糊功能.

    对每个实验, 做一个简单的综合指标, 即将分立指标相加, 再对条件S取归一化运算.

    先设定黑体温度为50 ℃, 稳定后, 再将温度设定为55 ℃, 观察输出曲线. 不同条件下的曲线, 如图10(a)所示, STEP为给定阶跃响应值. 黑体稳定运行时, 人为加入一个4 s的扰动信号, 如图10(b)所示. 从图10可以看出, 未做出任何改进的单路输出性能最差, 双路要优于单路. 同时, 模糊算法的加入使得系统超调量变小. 性能最好的DF曲线, 几乎没有过冲, 且调节振荡比其他3种情况都小. 阶跃响应的综合性能由优到劣依次为$DF \gg D \gg SF \gg $$ S$, 抗扰动的综合性能由优到劣依次为${\rm{D}}{{\rm{F}}_{{\rm{int}}}} \gg {{\rm{D}}_{{\rm{int}}}} \gg $$ {\rm{S}}{{\rm{F}}_{{\rm{int}}}} \gg {{\rm{S}}_{{\rm{int}}}}$. 从中也可以看出, 双路算法性能优于模糊算法. 根据原始数据, 依次计算$ IAE $, 该值反映阶跃收敛振动的强烈程度. 为了显著起见, 从阶跃跳变点开始计算. $ ITAE $值反映收敛程度, $ PV $反映过冲强度, $ TV $输出波动总和. 在同一条件下, $ TV $也可以作为阶跃响应的比较性能. 对4种情况进行比较, S条件性能最差. 为了有统一的比较准则, 将所有实验数据在S条件下做归一化运算. 阶跃响应(抗扰性能)如表3所示.

    图 10  响应数据
    Fig. 10  Response data
    表 3  阶跃响应(抗干扰)性能指标
    Table 3  Step response (anti-interference) performance index
    条件 IAE ITAE PV TV 综合1 (综合2)
    S 1.000000 (1.000000) 1.000000 (1.000000) 1.000000 (1.000000) 1.000000 (1.000000) 1.000000 (1.000000)
    D 0.847483 (0.723668) 0.562693 (0.678478) 0.442698 (0.805442) 0.762998 (0.907009) 0.653968 (0.778649)
    SF 0.943743 (0.992518) 0.807751 (1.004470) 0.633536 (0.944839) 0.851171 (1.013720) 0.809050 (0.988887)
    DF 0.843329 (0.520340) 0.525302 (0.432016) 0.042592 (0.806038) 0.642354 (0.805883) 0.513394 (0.641069)
    下载: 导出CSV 
    | 显示表格

    在黑体温度控制稳定以后, 采集一段数据进行观察并分析. 图11所示为温度轴放大后的温度采集数据.

    图 11  实测黑体稳定精度数据
    Fig. 11  Blackbody stabilization accuracy data

    表4的统计中可以看出, 双路的精度优于单路, 其均方差也是优于单路. 模糊算法的加入使得精度变差, 但仍属于同一数量级的改变, 综合考虑, 精度的损失不足以影响实际黑体控制(即DF的精度已远远满足黑体控制的需求). $ TV $ 表示输出波动总和, 对S项进行归一, 可以看出双路输出的波动性能明显优于单路.

    表 4  稳定精度测试(55 ℃)
    Table 4  Stability accuracy testing (55 ℃)
    条件 绝对误差 (℃) 绝对精度 均方差 TV 综合3
    S 0.003979 0.0000723455 0.00163144 1.000000 1.000000
    D 0.002308 0.0000419636 0.000764468 0.846146 0.844462
    SF 0.003132 0.0000569455 0.00125763 0.954824 0.953850
    DF 0.002628 0.0000477818 0.000786771 0.885582 0.884021
    下载: 导出CSV 
    | 显示表格

    通过上述三个方面的性能指标, 可以看出双路优于单路以及模糊算法的加入对阶跃响应和抗扰度有较好的性能提升, 但稳定性并无太大改进. 将上述综合指标进行加权, 得到最终的性能指标, 如表5所示.

    表 5  性能指标
    Table 5  Performance index
    条件 综合1 综合2 综合3 性能指标
    S 1.000000 1.000000 1.000000 1.000000
    D 0.653968 0.778649 0.844462 0.759026
    SF 0.809050 0.988887 0.953850 0.917262
    DF 0.513394 0.641069 0.884021 0.679495
    下载: 导出CSV 
    | 显示表格

    综合考虑各个性能指标, 并以S为参考, 值越小, 性能越好. 双路加模糊算法(DF)的性能最好, 其次是双数输出(D), 再次是单路带模糊算法(SF), 最后是单路输出(S). 实验结果与理论推导及设计思想保持一致.

    针对黑体这种具有迟滞特性的温度控制系统, 通常的做法是通过Smith预估器来弥补系统的延时, 但对现场的被控设备无法做到精确的数学建模. 同时, 黑体温度控制体统本身就是一个非线性时变系统, 无法用实验获得模型进行替代. 本文结合黑体的物理模型, 进行理论建模. 根据阶跃响应法得出系统传递函数, 然后分析继电器法的实现, 再结合Ziegler-Nichols整定规则, 得到不同黑体的PID参数, 减少现场工程师手动整定PID参数的难度. 针对黑体环境因素带来的时变性, 环境变化较大的采用自整定方式解决, 环境扰动较小的采用双路动态输出法来弥补. 最后, 通过对实际黑体的实验测量, 分析数据, 并对相关性能指标进行归一化后, 验证了本文所述方法对黑体温度控制系统的性能有较大改进和提升.

  • 图  1  系统总体图

    Fig.  1  System overall diagram

    图  2  黑体温控系统

    Fig.  2  Blackbody temperature control system

    图  3  实测阶跃响应与识别阶跃响应

    Fig.  3  Measured step response and recognition of step response

    图  4  继电器法实现原理

    Fig.  4  Principle of relay method

    图  5  输入方波

    Fig.  5  Square wave

    图  6  实测黑体自整定数据

    Fig.  6  Measured blackbody self-tuning data

    图  7  自适应动态双路输出

    Fig.  7  Adaptive dynamic double output

    图  8  双路输出数据

    Fig.  8  Dual output data

    图  9  带相关因子的模糊算法

    Fig.  9  Fuzzy algorithm with correlation factor

    图  10  响应数据

    Fig.  10  Response data

    图  11  实测黑体稳定精度数据

    Fig.  11  Blackbody stabilization accuracy data

    表  1  Ziegler-Nichols整定法则

    Table  1  Ziegler-Nichols setting rule

    控制器类型 Kp Tn Tv Ki Kd
    P 0.5· Kpcrit
    PD 0.8· Kpcrit 0.12 Tcrit Kp × Tv
    PI 0.45· Kpcrit 0.85 Tcrit Kp/Tn
    PID 0.6· Kpcrit 0.5 Tcrit 0.12 Tcrit Kp/Tn Kp × Tv
    下载: 导出CSV

    表  2  比例积分微分模糊规则

    Table  2  Proportional integral differential fuzzy rule

    P, I, D NB(EC) NM(EC) NS(EC) ZO(EC) PS(EC) PM(EC) PB(EC)
    NB(E) PB, NB, PS PB, NB, NS PM, NM, NB PM, NM, NB PS, NS, NB ZO, ZO, NM ZO, ZO, PS
    NM(E) PB, NB, PS PB, NB, NS PM, NM, NB PS, NS, NM PS, NS, NM ZO, ZO, NS NS, ZO, ZO
    NS(E) PM, NB, ZO PM, NM, NS PM, NS, NM PS, NS, NM ZO, ZO, NS NS, PS, PS NS, PS, ZO
    ZO(E) PM, NM, ZO PM, NM, NS PS, NS, PS ZO, ZO, NS NS, NS, NS NM, NM, NS NM, NM, ZO
    PS(E) PS, NM, ZO PS, NS, ZO ZO, ZO, ZO NS, PS, ZO NS, PS, ZO NM, PM, ZO NM, PB, ZO
    PM(E) PS, ZO, PB ZO, ZO, NS NS, PS, PS NM, PS, PS NM, PM, PS NM, PB, PS NB, PB, PB
    PB(E) ZO, ZO, PB ZO, ZO, PM NM, PS, PM NM, PM, PM NM, PM, PS NB, PB, PS NB, PB, PB
    下载: 导出CSV

    表  3  阶跃响应(抗干扰)性能指标

    Table  3  Step response (anti-interference) performance index

    条件 IAE ITAE PV TV 综合1 (综合2)
    S 1.000000 (1.000000) 1.000000 (1.000000) 1.000000 (1.000000) 1.000000 (1.000000) 1.000000 (1.000000)
    D 0.847483 (0.723668) 0.562693 (0.678478) 0.442698 (0.805442) 0.762998 (0.907009) 0.653968 (0.778649)
    SF 0.943743 (0.992518) 0.807751 (1.004470) 0.633536 (0.944839) 0.851171 (1.013720) 0.809050 (0.988887)
    DF 0.843329 (0.520340) 0.525302 (0.432016) 0.042592 (0.806038) 0.642354 (0.805883) 0.513394 (0.641069)
    下载: 导出CSV

    表  4  稳定精度测试(55 ℃)

    Table  4  Stability accuracy testing (55 ℃)

    条件 绝对误差 (℃) 绝对精度 均方差 TV 综合3
    S 0.003979 0.0000723455 0.00163144 1.000000 1.000000
    D 0.002308 0.0000419636 0.000764468 0.846146 0.844462
    SF 0.003132 0.0000569455 0.00125763 0.954824 0.953850
    DF 0.002628 0.0000477818 0.000786771 0.885582 0.884021
    下载: 导出CSV

    表  5  性能指标

    Table  5  Performance index

    条件 综合1 综合2 综合3 性能指标
    S 1.000000 1.000000 1.000000 1.000000
    D 0.653968 0.778649 0.844462 0.759026
    SF 0.809050 0.988887 0.953850 0.917262
    DF 0.513394 0.641069 0.884021 0.679495
    下载: 导出CSV
  • [1] Oh H U, Shin S. Numerical study on the thermal design of on-board blackbody. Aerospace Science and Technology, 2012, 18(1): 25-34 doi: 10.1016/j.ast.2011.03.011
    [2] Kim G J, Yoo Y S, Kim B H, Lim S D, Hyun Song J. A small-size transfer blackbody cavity for calibration of infrared ear thermometers. Physiological Measurement, 2014, 35(5): 753-762 doi: 10.1088/0967-3334/35/5/753
    [3] Flambaum V V, Porsev S G, Safronova M S. Energy shift due to anisotropic blackbody radiation. Physical Review A, 2016, 93(2): 022508 doi: 10.1103/PhysRevA.93.022508
    [4] Å ström K J, Hägglund T. The future of PID control. Control Engineering Practice, 2001, 9(11): 1163-1175 doi: 10.1016/S0967-0661(01)00062-4
    [5] 黄大兴, 王景辉, 陈昱卓, 王志刚. 面黑体辐射源的温度自抗扰控制. 光电子·激光, 2017, 28(4): 376-381

    Huang Da-Xing, Wang Jing-Hui, Chen Yu-Zhuo, Wang Zhi-Gang. Temperature control of plane blackbody radiation source based on ADRC. Journal of Optoelectronics·laser, 2017, 28(4): 376-381
    [6] Ramadan E A, El-Bardini M, Fkirin M A. Design and fpga-implementation of an improved adaptive fuzzy logic controller for dc motor speed control. Ain Shams Engineering Journal, 2014, 5(3): 803-816 doi: 10.1016/j.asej.2014.04.002
    [7] Sahu B K, Pati S, Mohanty P K, Panda S. Teaching-learning based optimization algorithm based fuzzy-PID controller for automatic generation control of multi-area power system. Applied Soft Computing, 2015, 27: 240-249 doi: 10.1016/j.asoc.2014.11.027
    [8] 王维洲, 吴志伟, 柴天佑. 电熔镁砂熔炼过程带输出补偿的PID 控制. 自动化学报, 2018, 44(7): 1282-1292

    Wang Wei-Zhou, Wu Zhi-Wei, Chai Tian-You. PID control with output compensation for the fused magnesia smelting process. Acta Automatica Sinica, 2018, 44(7): 1282-1292
    [9] 杨天皓, 李健, 贾瑶, 刘腾飞, 柴天佑. 虚拟未建模动态补偿驱动的双率自适应控制. 自动化学报, 2018, 44(2): 299-310

    Yang Tian-Hao, Li Jian, Jia Yao, Liu Teng-Fei, Chai Tian-You. Dual-rate adaptive control driven by virtual unmodeled dynamics compensation in industrial heat exchange process. Acta Automatica Sinica, 2018, 44(2): 299-310
    [10] 李军, 陈世和, 万文军, 王越超, 黄卫剑. 一种内反馈控制器IFC 的研究与应用. 自动化学报, 2018, 44(9): 1706-1716

    Li Jun, Chen Shi-He, Wan Wen-Jun, Wang Yue-Chao, Huang Wei-Jian. An internal feedback controller. Acta Automatica Sinica, 2018, 44(9): 1706-1716
    [11] Alvarez J D, Redondo J L, Camponogara E, Normey-Rico J, Berenguel M, Ortigosa P M. Optimizing building comfort temperature regulation via model predictive control. Energy and Buildings, 2013, 57: 361-372 doi: 10.1016/j.enbuild.2012.10.044
    [12] Boldbaatar E A, Lin C M. Self-learning fuzzy sliding-mode control for a water bath temperature control system. International Journal of Fuzzy Systems, 2015, 17(1): 31-38 doi: 10.1007/s40815-015-0015-6
    [13] Zhang Y, Tang S, Guo J. Adaptive terminal angle constraint interception against maneuvering targets with fast fixed-time convergence. International Journal of Robust and Nonlinear Control, 2018, 28(8): 2996-3014 doi: 10.1002/rnc.4067
    [14] 朱宇轩, 李少远. 双层模型预测控制系统的多包镇定域分析与系统设计. 自动化学报, 2018, 44(2): 262-269

    Zhu Yu-Xuan, Li Shao-Yuan. Analysis and system design of multi-convex hull stabilization domain for double-layered model predictive control system. Acta Automatica Sinica, 2018, 44(2): 262-269
    [15] Ding F, Xu L, Alsaadi F E, Hayat T. Iterative parameter identification for pseudo-linear systems with ARMA noise using the filtering technique. IET Control Theory & Applications, 2018, 12(7): 892-899
    [16] 丁锋. 系统辨识新论. 北京: 科学出版社, 2013.

    Ding Feng. New Theory of System Identification. Beijing: Science Press, 2013.
    [17] Zhang X, Ding F, Xu L, Yang E F. State filtering-based least squares parameter estimation for bilinear systems using the hierarchical identification principle. IET Control Theory & Applications, 2018, 12(12): 1704-1713
    [18] Huo X, Ma L, Zhao X D, Zong G D. Observer-based fuzzy adaptive stabilization of uncertain switched stochastic nonlinear systems with input quantization. Journal of the Franklin Institute, 2019, 356(4): 1789-1809 doi: 10.1016/j.jfranklin.2018.11.022
    [19] Zhao X, Wang X, Zhang S, Zong G. Adaptive neural backstepping control design for a class of nonsmooth nonlinear systems. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2018, 99: 1-12
    [20] Tan W, Fu C. Linear active disturbance-rejection control: analysis and tuning via IMC. IEEE Transactions on Industrial Electronics, 2016, 63(4): 2350-2359
    [21] Guo B Z, Wu Z H, Zhou H C. Active disturbance rejection control approach to output-feedback stabilization of a class of uncertain nonlinear systems subject to stochastic disturbance. IEEE Transhactions on Automatic Control, 2016, 61(6): 1613-1618 doi: 10.1109/TAC.2015.2471815
    [22] Jérôme Mendes, Luís Osório, Rui Araújo. Self-tuning PID controllers in pursuit of plug and play capacity. Control Engineering Practice, 2017, 69: 73-84 doi: 10.1016/j.conengprac.2017.09.006
    [23] Ahmed S, Huang B, Shah S L. Identification from Step Responses with Transient Initial Conditions. Journal of Process Control, 2008, 18(2): 121-130 doi: 10.1016/j.jprocont.2007.07.009
    [24] 王修中, 岳红, 高东杰. 二阶加滞后连续模型的直接辨识. 自动化学报, 2001, 27(5): 728-731

    Wang Xiu-Zhong, Yue Hong, Gao Dong-Jie. Direct identification of continuous second-order plus dead-time model. Acta Automatica Sinica, 2001, 27(5): 728-731
    [25] 黄存坚, 尚群立, 余善恩, 张二青. 基于阶跃响应二阶加纯滞后模型的系统辨识. 机械制造, 2010, 48(10): 19-21 doi: 10.3969/j.issn.1000-4998.2010.10.006

    Huang Cun-Jian, Shang Qun-Li, Yu Shan-En, Zhang Er-Qin. System identification based on step response second-order plus pure delay model. Machinery, 2010, 48(10): 19-21 doi: 10.3969/j.issn.1000-4998.2010.10.006
  • 加载中
计量
  • 文章访问数:  913
  • HTML全文浏览量:  378
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-04-01
  • 录用日期:  2019-10-16
  • 网络出版日期:  2021-10-22

目录

/

返回文章
返回