- •Предисловие
- •Введение
- •Глава 1. Основные понятия теории управления
- •1.1. Объект управления
- •1.2. Управляющая система
- •1.3. Система управления
- •Глава 2. Разработка управляющих систем
- •2.1. Анализ характеристик объекта управления
- •2.2. Выбор управляющих параметров
- •2.3. Надежность управляющих систем
- •Глава 3. Автоматизация массообменных процессов
- •3.1. Ректификация
- •Хладо-носитель
- •Хладо-носитель
- •2 Дистил- лят а б
- •3.2. Абсорбция
- •3.3. Адсорбция
- •3.4. Сушка
- •Глава 4. Автоматизированные системы управления
- •4.1. Общая характеристика асутп
- •4.2. Назначение, цель, функции и состав асутп
- •4.3. Структура комплекса технических средств асутп
- •4.4. Общесистемная документация и оперативный персонал
- •4.5. Асутп нефтепереработки и нефтехимии
- •4.6. Техническое обеспечение распределенных асутп
- •4.7. Применение распределенных асутп
- •Глава 5. Идентификация технологических процессов
- •5.1. Понятие об идентификации
- •5.2. Общие сведения о математических моделях
- •5.3. Постановка задачи идентификации
- •5.4. Основные характеристики (функции) систем
- •5.5. Оценка адекватности математической модели
- •5.6. Математические модели многостадийных объектов
- •Глава 6. Оптимизация технологических процессов
- •6.1. Характеристика методов оптимизации
- •6.2. Особенности оптимизационных задач управления
- •6.3. Оптимизация технологических процессов
- •6.4. Оптимальное управление системами ректификации
- •6.5. Адаптивное управление технологическими процессами
- •Глава 7. Оптимизация производства этилена
- •7.1. Производство этилена как объект управления
- •7.2. Задачи управления установками
- •7.3. Структура подсистемы оптимизации отделения пиролиза
- •7.4. Выбор математической модели пиролизной печи
- •Ориентировочная ранжировка параметров
- •7.5. Корректировка коэффициентов адаптивной модели
- •Приложение а функциональные схемы автоматизации
- •Приложение б идентификация систем в среде matlab
- •1. Основные характеристики (функции) систем
- •2. Теоретические модели объектов
- •Приложение в задачи и методы оптимизации
- •Задачи оптимизации
- •Приложение г задачи линейного программирования
- •Библиографический список
2. Теоретические модели объектов
Рассмотрим основные виды теоретических моделей линейных непрерывных стационарных динамических объектов и их взаимосвязь (действием шума e(t) пока пренебрегаем).
Дифференциальные уравнения. Наиболее универсальная модель, основанная на дифференциальных уравнениях, описывается выражением:
, (Б.8)
где n — порядок модели (n > m); аi и bi — постоянные коэффициенты (параметры модели); x(j)(t) и y(i)(t) — производные соответственно входного и выходного сигналов.
Уравнения переменных состояния. При выборе n координат системы xi(t), i = 1, 2, ..., n в качестве переменных состояния (такими координатами, например, могут быть выходной сигнал y(t) и n - 1 его производных) данную систему можно описать уравнениями для переменных состояния
Х'(t) = AX(t) + Bu(t) ; (Б.9)
y(t) = СХ(t) + Du(t) ,
где X(t) = [x1(t), x2(t), … , xn(t)]T вектор-столбец переменных состояния; В, С и D при скалярных u(t) и y(t) соответственно матрица размера nn, векторы размера n1 и 1n и скаляр (при векторных u(t) и y(t) матрицы соответствующих размеров).
Применение преобразования Лапласа при нулевых начальных условиях к последним уравнениям позволяет получить следующее выражение для передаточной функции:
W(p) = C(pI - А)-1В + D, (Б.10)
где I единичная матрица. Отметим, что все приведенные модели являются эквивалентными, то есть, зная любую из них, можно получить все остальные.
Разностные уравнения. На практике в большинстве случаев измерение непрерывных сигналов производится в дискретные моменты времени tk = kT (в данном случае Т — интервал дискретизации), что представляет определенное удобство при последующей обработке данных на ЭВМ. Для дискретных объектов наиболее общим видом описания является разностное уравнение (аналог дифференциального):
, (Б.11)
где yk-i = y[(k-i)T] и xk-j = x[(k-j)T].
Z-преобразование. Связь сигналов может быть отражена также:
а) через дискретную свертку
, (Б.12)
где wi — ординаты весовой решетчатой функции объекта;
б) с использованием аппарата Z-преобразования при z = epT :
; (Б.13)
в) через дискретную передаточную функцию:
, (Б.14)
которая определяется на основании разностного уравнения после применения к обеим его частям Z-преобразования:
. (Б.15)
Заметим, что Z-изображением решетчатой импульсной переходной характеристики является W(z), то есть Z{wi} = W(z).
Непрерывные объекты можно приближенно отображать дискретными моделями. При этом возможны различные способы перехода от непрерывных моделей к дискретным:
а) с применением Z-преобразования со следующей цепочкой переходов:
W(p) L-1{W(p)} = w(t) w(kT) = wk W(z) = Z{wk}; (Б.16)
б) заменой производных в дифференциальном уравнении, описывающем непрерывный объект, разностями вида
и т. д. (Б.17)
(данный подход дает приемлемую точность только при малых Т);
в) с заменой (приближенный способ, предложенный А. Тастиным и называемый билинейным преобразованием), то есть
. (Б.18)
Модели авторегрессии. Приведем ниже несколько распространенных моделей дискретных объектов для временной области, учитывающих действие шума наблюдения. Заметим, что множитель z-1=е-рТ представляет собой оператор задержки, то есть z-1xk = xk-l, z-2xk = xk-2 и т. д. Моменты дискретного времени далее будем обозначать символом t, подразумевая, что в данном случае t = 0, 1, 2, ...
Модель авторегрессии AR (AutoRegressive) считается самым простым описанием:
A(z) y(t) = e(t), (Б.19)
где A(z) = 1 + a1z-1 + a2z-2+...+anz-n .
ARX-модель (AutoRegressive with eXternal input) более сложная:
A(z) y(t) = B(z) x(t) + e(t) (Б.20)
или в развернутом виде:
y(t) + a1y(t-l) + any(t-n) = b1x(t) + b2x(t-l)+...+bmx(t-m) + e(t).
Здесь и ниже e(t) — дискретный белый шум, В(z) = b1 + b2z-l+...+bnz - n+1.
ARMAX-модель (Auto Regressive-Moving Average with eXternal input модель авторегрессии скользящего среднего):
A(z) y(t) = B(z) x(t-nk) + C(z)e(t), (Б.21)
где nk величина задержки (запаздывания), C(z)=1+с1z-1+с2z-2+…+сnz-n.
Модель «вход — выход» (в англоязычных источниках такая модель называется «Output-Error», то есть «выход — ошибка», сокращенно ОЕ):
, (Б.22)
где F(z)=1+f1z-1+f2z-2+…+fnf z-nf.
Модель Бокса — Дженкинса (BJ):
, (Б.23)
(полиномы B(z), F(z), C(z) определены ранее, a F(z)=1+d1z-1+d2z-2+…+dnd z-nd).
Данные модели можно рассматривать как частные случаи обобщенной параметрической линейной структуры
, (Б.24)
при этом все они допускают расширение для многомерных объектов, имеющих несколько входов и выходов.
Модель для переменных состояния (State space):
х(t+1) = Ax(t) + Bu(t); (Б.25)
y(t) = Сх(t) + Du(t)+v(t),
где А, B, C, D — матрицы соответствующих размеров, v(t) коррелированный шум наблюдений.
Возможна и другая (так называемая обновленная или каноническая) форма представления данной модели:
x(t + 1) = Ax(t) + Bu(t) + Ke(t); (Б.26)
y(t) = Cx(t) + Du(t) + e(t),
где К некоторая матрица (вектор-столбец), e(t) дискретный белый шум (скаляр).