基于ADAM4000控制系统的A3000高级复杂实验培训

基于ADAM4000控制系统的A3000高级复杂实验培训
(版本
用户文件编号：A3000DH033
北京华晟高科教学仪器有限公司编制
前言
《基于ADAM4000控制系统的A3000高级复杂实验培训》是根据A3000过程控制实验系统的相关内容编写的，包括了如下内容：
1、计算机一般控制实验。

2、复杂控制实验。

3、高等控制实验。

为了更容易理解算法本身，所以选择最简单的控制系统ADAM4000，算法在组态软件中实现。

同时所有程序都可以在仿真系统上验证。

参考公司产品
A3000SIMU相关文件。

除了复杂控制实验之外，其他实验的对象操作过程比较简单，所以不介绍操作步骤。

本培训书缺点和错误在所难免，敬请各位专家、院校师生和广大读者批评指正。

申明：本培训书内容只适合华晟高科A3000教学实验。

范例和文档内容只用于提供信息，对本书不承担任何保证。

北京华晟高科教学仪器有限公司
二零零八年二月
目录
第一章计算机控制一般性实验.................................. 错误!未定义书签。

数字程序控制实验......................................... 错误!未定义书签。

数字滤波技术、标度变换、非线性校正实验.................. 错误!未定义书签。

数字PID控制实验......................................... 错误!未定义书签。

BANG-BANG控制.......................................... 错误!未定义书签。

校正网络数字滤波器实现.................................. 错误!未定义书签。

第二章复杂控制实验.......................................... 错误!未定义书签。

比值控制系统实验........................................ 错误!未定义书签。

串级控制实验............................................ 错误!未定义书签。

前馈-反馈控制系统实验................................... 错误!未定义书签。

经典解耦控制系统实验.................................... 错误!未定义书签。

联锁控制和超驰调节实验.................................. 错误!未定义书签。

大延迟的Smith预估补偿控制.............................. 错误!未定义书签。

第三章高等控制系统实验...................................... 错误!未定义书签。

自适应控制.............................................. 错误!未定义书签。

专家系统................................................ 错误!未定义书签。

模糊控制................................................ 错误!未定义书签。

神经网络................................................ 错误!未定义书签。

推理控制................................................ 错误!未定义书签。

第一章计算机控制一般性实验
为了方便控制，所以计算机控制一般性实验和复杂控制将在ADAM4000上实现。

数字程序控制实验
1.1.1工艺过程描述
模拟一个纯净水处理过程。

水在经过反渗透之前，两个水泵向精滤膜供水。

由于水中杂质比较多，在一定时间后，精滤膜的透过流量变小。

48小时之后，精滤膜需要进行反冲洗。

但是向反渗透供水的工作不能停止。

一般采用如下数字程序控制。

我们模拟这个过程，但是时间大大缩短。

控制流程图如图1.1.1所示。

图1.1.1 程序控制流量流程图
1.1.2 算法实现和关键操作步骤
采用PID控制。

两个PID，但是程序控制其给定值。

界面如图所示。

程序代码如下：
1.1.31.1.21.
2.11.2.1 1.2.11.2.2-25厘米
1.2.31.2.21.3.13.1.1
3.1.13.1.13.1.1
1.3.2
∑-
Kd
t e
*
t e
)(t e
Kp
Pout
t
)(
t e
Ki
=))
+
*
-
1
+
(*
)(
)(
(
∑-
)1
(t e
*
)1
t e
*
(
t
Pout
(
Kp
t e
Ki
Kd
t e
+
-
-
-
)1
-
=
+
-))
(*
(
)1
(
2
e
t
e
t
-
Kd
-
=
∆t
e
e
+
Kp
t
Pout 1.3.32.2.3 t
e
e
Ki
t
t
)(
*
2
)(
(*
(
)1
))
2
(
+
)(
+
-
-
)(-
(*
))
*
1
(
1.4.11.4.1 1.4.11.4.2
1.4.31.5.11.5.
1 1.5.11.5.2
2
2
1
)
(
/)
*
(H
R
R
H
k
Q
H-
-
-
=
∆2)
/
1(
1
/)R
H
H-
-
非线性
截面积
等截面积
特性
1.5.3
2.1.12.1.1
2.1.12.1.12.1.1
K
手动给值
两个支路并管1.1.42.2.12.2.1
2.2.12.2.12.2.1
2.3.12.3.1
I I
2.3.12.3.22.3.32.3.41.1.6
1.1.6
2.4.12.4.1
2.4.12.4.12.4.1
2.4.22.4.22.4.3
y P μ=⎥⎦⎤⎢⎣⎡⎥⎦⎤⎢⎣⎡=⎥⎦⎤⎢⎣⎡212221121121U U G G G G Y Y 1.2.1⎥⎦⎤
⎢⎣⎡⎥⎦⎤⎢⎣⎡=⎥⎦⎤⎢⎣⎡212221121121C C U U D D D D U U 1.2.2
⎥⎦⎤⎢⎣⎡⎥⎦⎤⎢⎣⎡⎥⎦⎤⎢⎣⎡=⎥⎦⎤⎢⎣⎡21222112112221121121C C U U D D D D G G G G Y Y 1.2.3⎥⎦⎤
⎢⎣
⎡x)/75-(80 5)/75-(x 5)/75-(x x)/75-(80 1.2.2⎥⎦⎤⎢⎣⎡2x)-x)/(85-(80 2x)-x)/(85-(52x)-x)/(85-(5 2x)-x)/(85-(80 1.2.5⎥⎦
⎤
⎢⎣⎡2x)-x)/(85-(80 2x)-x)/(85-(52x)-x)/(85-(5 2x)-x)/(85-(80 1.2.52.4
.3
-
G c1
G c2
U c1
U c2
Y 1 Y 2
D 11 D 22
D 12 D 21
-
G 11 G 22
G 12 G 21 U 1 U 2
r 1给定值
r 2给定值
调节器
解耦器 对象系统 -
-
-
-
低限
高限
2
2)/1(1R H K --
么-b(NL)-3b/4(NM)-b/2(NS)-b/4(NOPO)b/4(PS)b/2(PM)*3b/4(PL)b,选择中间值
启动频率
截止频率 工作频率
不稳定区
)()()()(2k e K k e K k e K k u D P I ∆+∆+=∆)
(k y r )
(k y )
()()()()2()1(2)()()
()()()(321k e k y k y k z k e k e k e k x k e k x k e k x r =-=-+--=∆==)3,2,1)((=i k w i )
(k x i )()()(3
1
k x k w k k u i i i ∑==∆)3,2,1)((=i k w i )(),(k k r i i )
()()1()1(k r k w c k w i i i η+-=+转换器
Σ f
K
过程
Z -1
+Δu
+
Z
y r
y
x 1
X 2 X 3
W 1
W 2 W 2
)()()()(k x k u k z k r i i =)()()(k y k y k z r -=)]
()()()([)(k x k u k z c
k w c k w i i i η
--=∆)]
(),(),(),([k x k u k z k w f i i i )](),(),([)(k x k u k z r c k w w f i i i i i η
-=∂∂)
((.))(k w f c k w i i
i ∂∂-=∆)(k w i 对应)(k w i 的负梯度方向进行搜索，应用随机理论可以证明，当c 充分小时，使用上
述算法，)(k w i 可收敛到某一个稳定值，且其与期望值的偏差在允许范围内。

为保证上述单神经元自适应PID 控制学习算法，即公式的收敛性和鲁棒形，对学习算法
进行规范化处理。

)
()()()()1()()()()()1()()()()()1(|
)(|/)()()
()()1()(3332221113
1
'
3
1
'k x k u k z k w k w k x k u k z k w k w k x k u k z k w k w k w k w k w k x k w k k u k u D P I i i i i i i ηηη+=++=++=+=+-=∑∑== 积分、比例、微分的学习速率；
)
2()1(2)()()()
()()()(2321-+--=∆=∆==k e k e k e k e k x k e k x k e k x
PID 学习算法的运行效果和可调参数D P I K ηηη,,,的选取有关，再次研究的选择规律归纳如下：
1）对阶跃输入，若输出有大的超调，且多次出现正弦衰减现象，应减少K ，维持D η不变，若上升时间长，无超调，应增大K ，保持D P I ηηη,,不变。

2）对阶跃输入，若被控对象产生多次正弦衰减现象，应减少P η，其他参数不变。

3）若被控对象相应特性出现上升时间短，超调过大现场，应减少I η，其他参数不变。

4）若被控对象相应特性出现上升时间长，增大I η又导致超调过大，可适当增加P η，其他参数不变。

5)在开始调整时，D η选择较小值，当调整K P I ,,ηη，使被控对象具有良好特性，逐步增大D η，而其他参数不变，使系统输出基本无纹波。

具体理论请参考相关书籍。

组态王实现的算法如下：
初始值，作为学习开始：
\\本站点\神经W1=1;
\\本站点\神经W2=1;
\\本站点\神经W3=1;
\\本站点\神经K=;
\\本站点\神经P=;
\\本站点\神经I=20;
\\本站点\神经D=;
\\本站点\神经C=;
神经u0=0;
神经u1=0;
后面的代码1秒之行一次。

使用了偏差和偏差的变化率，完全类似于PID控制。

float all;
PID0_PV=AI0;
float ZK;
ZK=PID0_SP-PID0_PV;
数字PID_ET0=PID0_SP-PID0_PV;//相同
神经x1=数字PID_ET0;
神经x2=数字PID_ET0-数字PID_ET1;
神经x3=数字PID_ET0-2*数字PID_ET1+数字PID_ET2;
all=Abs(神经W1)+Abs(神经W2)+Abs(神经W3);
神经u0=神经u1+神经K*(神经W1*神经x1+神经W2*神经x2+神经W3*神经x3)/all;
神经W1=神经W1+神经I*ZK*神经u0*神经x1;
神经W2=神经W2+神经P*ZK*神经u0*神经x2;
神经W3=神经W3+神经D*ZK*神经u0*神经x3;
//判定
if(神经u0>100)
神经u0=100;
if(神经u0<0)
神经u0=0;
//输出
PID0_MV=神经u0;
AO0=神经u0;
//递推
神经u1=神经u0;
数字PID_ET2=数字PID_ET1;
数字PID_ET1=数字PID_ET0;
实验结果及记录
参考的控制曲线如图所示。

图神经网络PID控制推理控制
工艺过程描述
使用单容下水箱液位推理流量，流程图如图所示。

图单容下水箱液位控制
算法实现
使用下水箱液位来推理流量。

一定的液位对应一定的流量。

突变的液位可以用来显示当前的流量，具有一定的误差。

但是由于系统测量具有一定的误差，所以利用突变的液位来反推流量难以获得准确的数值，所以只有稳态具有意义。

但是要获得这个推理公式，首先建立流量和液位的稳态对应曲线，10毫米闸板。

流量20%-50%之间，采用简单U=K*SQRT(H)+C拟合。

显示值流量根据这个曲线加上变化量/截面积。

算法如下：
包括//中间变量1记录上次液位
float K;
float C;//稳态流量=K*sqrt(稳态液位)+C,认为和sqrt(h)成正比
if(推理测试==1)
{
PID0_SP=流量推理给定值;
PID0_PV=AI1;
}
if(推理测试==0)
{
PID0_PV=AI0;
IF(推理流量50液位==推理流量30液位)//不能相等
推理流量50液位=推理流量30液位+10;
K=30/(sqrt(推理流量50液位)-sqrt(推理流量30液位));//(sqrt(50)-sqrt(10));
C=50-K*sqrt(推理流量50液位);
//给定一个流量，计算出液位给定值
PID0_SP=(流量推理给定值-C)*(流量推理给定值-C)/(K*K);
中间变量1=PID0_PV;//记录上次液位
}
//输出
AO0=PID0_MV;
实验结果及记录
参考的控制曲线如图所示。