参数自调整

参数自调整（精选7篇）

参数自调整 篇1

汽车空调工作环境多变, 条件复杂, 很难建立一个精确的数学模型, 因而汽车空调的控制是一个很难解决的问题。模糊控制方法与传统控制方法相比具有无需建立被控对象数学模型、对被控对象的非线性和时变性具有一定的适应能力, 即鲁棒性较好等特点, 因而对于汽车空调这种复杂的系统具有很好的实用性。

但是模糊控制方法稳态精度较差, 波动性较大, 为了改善模糊控制效果, 本文采用参数自调整模糊控制的方法, 提高汽车空调模糊控制的控制效果。

一、汽车空调模糊控制的实现

将温度设定值与车内温度的差值及其变化率作为汽车空调模糊控制系统的输入控制量, 得到的输出控制量为鼓风机转速、混合风门开度、压缩机的启停和热水阀的开关。为了简化模糊控制器的设计, 根据模糊控制系统的分解原理, 二输入四输出的模糊控制系统可以分解为四个二输入单输出的模糊控制器。因此汽车空调模糊控制系统可分解为空调鼓风机模糊控制器、混合风门模糊控制器、压缩机启停模糊控制器和热水阀开关模糊控制器。汽车空调模糊控制原理图见图1。

二、模糊控制器参数自调整方案

根据模糊控制代数模型对典型的二输入单输出模糊控制器进行分析, 有:

式中:u为控制器的控制作用因子;ku为比例因子;f为非线性函数;e为偏差;ec为偏差变化率;ke和kec分别为偏差和偏差变化率的量化因子。本文利用模糊控制的方法, 对模糊控制器的量化因子进行在线调整, 其数学模型如下:

式中:α为调整因子, 其他符号定义同公式 (1) 。通过对调整因子α的在线调整实现对比例因子的调整, 从而优化模糊控制效果, 原理图见图2。

对于一个经典的二输入单输出模糊控制器, 量化因子ke和kec分别相当于模糊控制的比例作用和微分作用, 比例因子ku则相当于总的放大倍数。由实验数据和理论分析可以总结出量化因子和比例因子与系统性能的影响如下:

(1) ke对系统性能的影响

1) 越大, 系统调节惰性越小, 上升速率越快;

2) ke过大, 系统上升速率过大, 产生的超调大, 使调节时间增长, 严重时还会产生振荡乃至系统不稳定;

3) ke过小, 系统上升速率过小, 系统调节惰性变大, 同时也影响系统的稳态性能, 使稳态精度降低。

(2) kec对系统性能的影响

1) kec越大, 对系统状态变化的抑制能力增大, 增加了系统的稳定性;

2) kec过大, 系统输出上升速率过小, 系统的过渡过程时间变长;

3) kec过小, 输出上升速率增大, 可能导致系统输出产生过大超调和振荡。

(3) ku对系统性能的影构

1) ku增大, 相当于系统总的放大倍数增大, 系统响应速度加快;

2) ku过大, 会导致系统输出上升速率过大, 从而产生过大超调乃至振荡和发散;

3) ku过小, 系统的前向增益很小, 系统输出上升速率较小, 快速性变差, 稳态精度变差。

由上述分析可知, 要保证一定的系统稳态精度, ke应该足够大。根据实际对象允许的最大稳态误差, 按一定比例先取定ke然后由上述量化因子和比例因子对系统性能的影响关系, 可建立如下的参数调整规则:

(1) 当系统发散时, 则根据系统的发散程度以较大的幅度减小ku;

(2) 当系统振荡时, 则根据振荡的程度以适当程度减小ku;

(3) 当系统存在稳态误差时, 则根据稳态误差的程度以适当的幅度增大ku同时以较小的幅度增大kec;

(4) 当系统过渡过程较长时, 则根据过渡过程时间以较小的幅度减小kec;

(5) 当超调过大时, 则根据超调的大小以适当的幅度增加kec。

三、调整参数模糊控制器的设计

根据上述模糊控制器参数调整的原则, 针对汽车空调模糊控制系统, 本文采用单输入单输出的模糊控制器对传统的模糊控制器的参数进行在线调整。将温度偏差作为控制输入量, 输出控制量调整因子α按照式 (2) 对量化因子ke和kec进行调整。

温度偏差E的模糊论域取为[-5, 5], 模糊子集取为:

{负大 (NB) , 负小 (NS) , 零 (Z) , 正小 (PS) , 正大 (PB) }

隶属函数采用三角形隶属函数, 其曲线如图3所示:

输出控制量α的模糊论域为[0, 1]。当温度偏差较大时, 为了迅速减小偏差, 需要加大ke的权重, 因而就要求取较大的α;当温度偏差较小时, 为了减小温度的波动, 需要加大kec的权重, 选取较小的α;当温度偏差变化中等时, 为了防止温度变化过快而超过设定值, 应该选取中等大小的α, 所以其模糊子集取为:

{正小 (PS) , 正中 (PM) , 正大 (PB) }

隶属函数选择三角函数, 表达式如下:

隶属函数选择三角函数, 其曲线见图4。

通过上述分析, 可得到如下的模糊控制规则:

(1) if E is NB thenαis PB, 权重为1;

(2) if E is NS thenαis PM, 权重为1;

(3) if E is Z thenαPS, 权重为1;

(4) if E is PS thenαis PM, 权重为1;

(5) if E is PB thenαis PB, 权重为1;

四、汽车空调参数自调整模糊控制仿真分析

汽车空调模糊控制系统仿真由模糊控制机构仿真模块和执行机构仿真模块两部分组成, 把它们在Simulink中连接起来就可以得到所需的整个系统的仿真模型, 见图5。

根据模糊控制器参数调整原则和参数调整模糊控制器, 对传统的汽车空调模糊控制系统进行改进, 见图6。

将改进后的汽车空调模糊控制器与执行机构连接起来进行仿真, 仿真环境参数的设定如下:

(1) 夏天环境的仿真参数

当汽车处于夏天环境时, 车外温度较高, 假设为35℃, 空调开启前车内的温度也为35℃。车内乘客数目为2, 太阳辐射强度为0.2kJ/m2。我国的推荐车内设定温度值为25℃。

(2) 冬天环境的仿真参数

当汽车处于冬天环境时, 车外温度较低, 取为0℃, 空调开启前车内的温度也设为0℃。车内乘客数目为2, 太阳辐射强度取为0, 车内设定温度为18℃。

(3) 春秋环境的仿真参数

当汽车处于春秋两季时, 车外温度可取为25℃, 空调开启前车内温度也设为25℃。车内乘客数目设为2, 太阳辐射强度取为0.1kJ/m2, 车内设定温度为20℃。

根据四季不同的温度环境进行仿真分析, 得到不同环境下的与传统模糊控制的对比仿真曲线如图7所示。从对比仿真曲线可以看出, 参数自调整模糊控制器过渡时间与传统模糊控制器相比稍有延长, 这是采用调整因子加权, 使ke减小的结果, 对于车厢环境来说这段延长是可接受的。当系统进入稳态后, 参数自调整模糊控制器的温度波动较小, 稳态精度有了明显的改善, 这是当温度偏差较小的时候采用了较小的加权因子, 从而减小了ke, 增大了kec的结果。综上, 参数自调整模糊控制系统的控制效果与传统模糊控制器相比有了较大的改善。

五、结论

本文的汽车空调参数自调整模糊控制器, 利用模糊控制方法在线调整传统模糊控制系统的量化因子。通过对比仿真分析可知, 控制系统的稳态精度有了较大的提高, 控制效果有了明显的改善。

参数自调整的分数阶控制器设计 篇2

神经网络具有逼近任意非线性模型的特性。在文献[2]中, 将神经网络与分数阶控制器结合, 通过对系统性能的学习确定最优控制参数, 为分数阶控制器参数自调整开辟出新思路。但以上系统的神经网络结构一般为人为确定, 缺乏理论指导, 在网络训练中可能存在收敛速度过慢或不收敛等问题。考虑上述因素, 笔者将分数阶控制器与神经网络相结合实现控制器参数的自调整, 并根据系统实际情况, 利用节点输出的线性相关系数将高度相关的隐节点进行合并, 得到系统适合的网络结构。实验结果表明:隐节点的合并增强了BP神经网络的适应能力, 与分数阶控制器的结合取得了良好的控制效果。

1 基于Al-alaoui算子的分数阶控制器的设计*

对分数阶控制器笔者采用的数学模型为:

其中, λ和β是整数阶PID不具备的微积分阶次, 为任意大于零的实数。

其中, P和Q表示多项式的展开式, p和q表示多项式的阶次。

当p=q=3时, 将式 (2) 代入式 (1) , 得到控制器数学模型的离散表达式:

式 (3) 中分子与分母的展开式见表1。

2 分数阶控制器的参数自调整

笔者利用BP神经网络实现分数阶控制器5个控制参数的自调整, 并针对常规BP网络结构固定、不能根据系统实际情况而实时调整网络结构的问题, 实时优化网络结构, 以期提高控制器实际应用的灵活性。

2.1 BP网络结构的确定

BP神经网络是当前使用最为广泛的神经网络, 其详细的学习算法已经在很多文献中做了介绍[4], 这里不再赘述。网络的构建主要确定输入层、隐层和输出层的节点数。输入层的节点考虑当前时刻和前一时刻的误差和误差变化率, 选用4个节点;输出层确定分数阶控制器的5个控制参数, 选用5个节点, BP神经网络结构如图1所示。

根据确定的网络结构, 各层的表达式如下。

输入层:

隐层:

将Sigmoidal函数作为隐层节点的激活函数, 表达式如下:

输出层:

考虑输出层的5个参数取值不能小于零, 选择的激活函数如下:

2.2 分数阶控制器参数自调整算法

笔者采用三层BP神经网络实现参数自调整, 根据隐节点之间的线性相关系数自动调整隐节点的数量。

任意两个隐节点x和y输出的线性相关系数表示为[5,6]:

对于任意隐节点a的输出标准差表示为:

若|rxy|≥α1, 且sx2>α2、sy2>α2, 则说明隐节点x和y具有很强的线性相关性, 可以将其合二为一。其中α1、α2为阈值, α1∈[0.8, 0.9]、α2∈[0.001, 0.010]。

高度线性相关隐节点x、y满足一元回归线性方程:

珚Ox。则对于输出层的任意节点k, 其输入可表示为:

将表达式 (14) 代入式 (15) , 得到:

式中wkb———节点k的阈值。

当隐节点x、y合二为一, y被删除时, 由式 (16) 得到输出层任意节点k的权值应调整为:

根据以上优化原则, 分数阶控制器的参数自调整采用以下步骤[5,6]:

a.网络的初始化。确定参数有系统输入层、输出层和隐层节点数, 学习系数, 各层初始权值, 合成时刻误差ε1, 目标误差ε2, 节点相关性阈值和输出标准差阈值。

b.BP神经网络的训练。利用2.1节的相关函数, 根据BP网络学习算法对各层权值进行调整, 并对所有样本计算隐节点输出。

d.相关系数的计算。根据式 (12) 、 (13) 计算隐节点输出的相关系数和标准差。

e.隐节点的合并。如果隐节点x和y满足合并原则, 则将x和y合并, 转步骤b。

3 算法有效性验证

高阶惯性系统是一类变化缓慢的动态系统, 对此类系统采用常规控制很难获得令人满意的控制效果[7]。笔者使用参数自调整的分数阶控制器对文献[8]中设计的双惯性电机驱动系统模型进行仿真。在忽略阻尼的情况下, 双惯性电机的模型为:

式中JM———驱动等效惯量, JM=0.004kg·m2;

ω0———系统的振动频率, ω0=317.55rad/s;

ωd———反振动频率, ωd=226.57rad/s。

该系统模型的bode图如图2所示。

利用分数阶控制器对上述被控对象进行控制, 初始化参数见表2。当误差error=5.0×10-12时, 学习停止。神经网络结构优化为4-5-5网络, 5个控制参数分别调整为Kp=0.248 4, Ki=0.104 9, Kd=0.001 1, λ=0.104 8, β=0.184 4。分数阶控制器的输出响应曲线和训练样本的学习曲线如图3所示, 可以看出系统的响应曲线上升时间约为10s, 超调量几乎为零。而使用传统的整数阶PID控制器对上述双惯性系统模型的控制效果并不理想。

4 结束语

详细介绍了分数阶PIλDβ控制器的设计, 利用AL-alaoui算子对其进行离散化, 采用优化的BP神经网络实现了控制器参数的自整定。在双惯性电机驱动系模型上的仿真实验结果表明:与传统的整数阶PID控制器相比, 使用优化的BP神经网络分数阶PIλDβ控制器控制速度快, 控制效果好, 为具有分数阶特性的复杂被控对象控制提供了新思路。

参考文献

参数自调整 篇3

1 模块化可重构机械臂PID参数自调整总体结构

模块化可重构机械臂PID参数自调整总体结构, 如图1所示。该控制系统下控制器的PID参数整定, 主要有粗调和精调两大部分。第一部分为粗调部分, 采用基于构形辨识的PID参数调整方法, 由上位机完成, 该部分首先对进行机械臂系统进行构形识别, 确定组成该机械臂系统的模块的类型、数量和排列顺序等;其次, 建立已知构形下的运动学模型和力学模型, 确定相应模块的质量、速度、转矩等参数;最后, 根据关节模块的类型和输出的转动惯量值在上位机的PID参数库中提取每个关节模块控制器的初始PID参数值。第二部分为精调部分, 采用基于模糊自适应的PID参数调整方法, 依据模糊PID控制, 对每个关节控制器的PID参数进行精确的整定, 以关节模块输出的位置与期望位置的偏差和偏差的变化率作为系统的输入, 运用模糊推理实现对原始的PID参数的优化自调整, 使得PID参数达到动、静态性能指标, 提高路径跟踪的精度, 提高系统的鲁棒性和快速性。

2 基于构形辨识的PID参数调整方法

该部分为整个PID参数调整方法中的粗调部分, 完全由上位机完成, 包括对机械臂系统的构形辨识、建立相应构形下的运动学模型与力学特性、建立PID参数库。

2.1 构形辨识

上位机软件对模块化可重构机械臂依次通过同类构形生成树辨识、同序构形树枝辨识和边约束条件辨识三个步骤, 来确定关节模块的类型和数量、关节模块的排列顺序和连杆模块的类型。

2.2 模块化可重构机械臂运动学及力学特性

通过对可重构机械臂系统的构形的辨识, 分别对每个关节在当前位姿下所应具有的速度和加速度的大小, 计算出关节所要输出的力矩值的大小, 从而建立模块化可重构机械臂构形与关节力矩的映射关系。

2.3 建立PID参数库

初始PID参数库中的参数是在模块化可重构机械臂构形确定和已知每个关节模块的输出力矩的前提下, 依靠单关节模块加载模拟负载的情况下, 离线调试出来的, 这些PID参数能够在给定负载下使关节平稳运行, 能够满足伺服要求。建立的PID参数库存储在上位机中, 为机械臂系统的关节控制器提供初始的PID参数值。

3 基于模糊自适应的PID参数调整方法

本系统设计的位置伺服模糊PID控制器是两输入、三输出的结构。以位置误差e=θr-θ以及误差变化率ec=e (k) -e (k-1) 为输入, 位置环PID控制器参数调整量ΔKp、ΔKi、ΔKd为输出量。利用模糊控制规则对PID参数在线调整, 来满足任意时刻偏差和偏差变化对PID参数整定的要求。

3.1 确定变量的隶属度函数

位置误差是由码盘检测到的模块实际的位置信息与上位机传来的目标位置相比较, 得到的位置偏差。根据专家经验设计位置误差e和位置置误差变化量ec的论域都为[-10, +10], 选取7个语言变量, 其模糊子集为{NB, NM, NS, ZO, PS, PM, PB}。

输出ΔKp、ΔKi、ΔKd为模糊集上的归一化论域为[-1, +1], 模糊子集同样为{NB, NM, N S, ZO, PS, PM, PB}。

3.2 确定模糊控制规则

基于工程设计人员的技术知识和实际操作经验的总结, 利用e和ec对系统不确定量的估计, 对PID三个参数ΔKp、ΔKi、ΔKd在线调整估计, 所建立的模糊矩阵, 如表1所示。

3.3 解模糊化过程

本文采用重心法将模糊量转变成精确量, 即:

4 系统实验

本实验的实验系统为模块化可重构机械臂。PID参数的调试使用TI提供的DSP系列芯片的集成开发环境CCS进行, 通过CCS软件实时的对位置反馈信息进行观测与记录。本实验以其中一个中关节为观察对象。

首先, 应用基于构形辨识的PID参数调整方法, 进行机械臂系统构形在线辨识, 获取该关节的初始PID参数值, 得到辨识结果如图2所示, 得到的该关节的位置环初始PID参数为:Kp=30, Ki=0;Kd=5。单纯使用该初始值对关节控制器中的PID参数进行初始化, 通过CCS软件, 观测该关节的位置信息, 所记录的该中关节的位置反馈曲线, 系统超调量较大, 调节时间大约为229ms, 如图3所示。然后, 在加载模糊自适应的PID参数自调整方法下, 所记录的该中关节的位置反馈曲线, 系统的超调量较小, 调节时间大约为104ms, 并且记录此时的位置环PID参数为:Kp=30, Ki=5;Kd=5, 如图4所示。

5 结束语

本文提出一种适用于本模块化可重构机械臂系统的PID参数自调整控制算法, 主要是上位机系统和下位机系统的相互配合, 实现了对构形变化后的PID参数自调整。通过上位机对模块化可重构机械臂系统进行构形辨识, 给出各个关节控制器的初始PID值。然后, 进行关节模块的位置伺服控制, 当实现构形变化时, PID参数可以在线自调整。该算法可以有效的改善系统的动、静态性能, 提高系统的鲁棒性, 并具有实际的应用价值。

参考文献

[1]刘明尧, 谈大龙, 李斌, "可重构模块化机器人现状和发展[J].机器人, 2001.

[2]张晓东, 孙汉旭, 贾庆轩, 周留栓, "机器人模块化关节模糊自适应伺服控制系统[J].北京邮电大学学报, 2007.

[3]姜勇, 王洪光, 潘新安, 余岑, 何能.模块化可重构机器人的构形在线自主辨识[J].机械工程学报, 2011.

抽油机井调整参数的认识 篇4

1 调小参数对产量、含水的影响

1.1 对油井产量影响

对供液能力不强或示功图显示供液不足的抽油机井来讲, 理论排量越大, 实际产量与供液能力强时的实际产量相比, 产量降的越多。, 调小参数后, 理论排量减小, 井底供液能力保持不变, 必然会导致井底压力逐步回升, 全井的生产压差逐步变小, 动液面逐步升高, 沉没度加大, 抽油泵的充满程度变大, 泵效有所提高, 产量变化不大。

1.2 对油井含水的影响

随着调小参数后生产时间的延长, 井底压力上升, 全井的生产压差越来越小。这样, 薄差低含水油层的压力可能与全井的井底压力相近, 因而出油出油少甚至不出油, 而高压层虽然产量有所降低, 但所受影响不大, 从而全井含水上升。当调小参数后生产时间过大, 尤其是高含水层的压力恢复波传到连通水井时, 油井井底压力不再回升, 水驱动力趋于稳定, 注入水在地层中的渗流速度降低, 含水趋于稳定。

2 调整参数依据

根据历年以来的工作实际以及对实际生产数据进行分析, 我们总结归纳出一矿地区的抽油机井可以用以下原则采取调参措施。

(1) 通过调大参数可以增加油井的产油量, 调小参数可以降低能耗, 增加泵效及提高系统效率, 改善抽油机井工况, 降低井下故障率。

(2) 一矿地区沉没度在0m至200m之间调小参数, 日产液量、日产油量及流压基本稳定, 能达到降耗增效的目的。

(3) 一矿地区沉没度在200m至300m之间调大参数, 要考虑其抽油泵的供排关系, 如果已经达到平衡, 参数调整要结合泵况控制图及功图类型进行综合分析, 确定调整方案。

(4) 调整抽汲参数, 要考虑到流饱压差之间的关系, 根据现有的合理流压的研究成果, 经计算、对比分析后确定调整方案。

3 调小参数效果分析

3.1 调小参数后的沉没度变化分析

对比分析一矿20011年3-8月期间调小参的238口井, 得出沉没度150米以下的井最好。

调小参数的抽油机沉没度变化实际情况是:调小冲次167口井调参后的沉没度上升了19m;调小冲程的71口井调参后沉没度上升了33m。这样可以看出调小参数确实能够提升抽油机井的沉没度。

3.2 调小参数后的产量变化分析

调小参数的抽油机产量变化实际情况是:调小冲次167口井调参前后的平均日产液与日产油基本一致;调小冲程的71口井平均日产液与日产油基本一致。这样可以看出调小参数对产量影响不大。

3.3 调整冲程与调整冲次的效果比较

由71口调冲程与167口调冲次井对比分析, 两种调整措施之间区别不大。于是, 选择对同一区块产液量在5t以上的单井进行调冲程、调冲次进行对比分析 (表1) 。

得出调冲次效果明显好于调冲程效果。

3.4 电流变化情况分析

例芳60-78:调参前最大电流51A, 最小电流32A调参后最大电流40A, 下降了11A, 最小电流35, 上升3A。电流曲线有了明显变化, 从气体影响恢复到正常曲线。

从沉没度, 示功图, 电流曲线分析来看, 采用长冲程, 慢冲次, 小泵径效果最好, 尤其对于流压和动液面较低、供液不足的井, 调冲次可以可以明显提高液面高度, 提高泵的充满系数, 以及减小气体影响。

3.5 节能降耗效果分析

调小参数后, 转速降低, 抽油机皮带磨损减轻, 电机消耗降低, 节约电能, 增加效益。如采油106队2011年一季度皮带消耗量为53条, 2011年三季度皮带消耗量为42条, 节省皮带11条, 总计经济价值5500元。其中调小参采油井30口。在30口采油井中调参前耗电量为3740K W.h/d, 调小参数后耗电量3024KW.h/d, 节约电能716 KW.h/d。

4 结论

(1) 采取合理调小参数的措施能够改善抽油机及抽油泵的工作状况, 有效提高沉没度, 提高泵效, 延长抽油机及抽油泵的有效工作时间, 降低维护性投入。

(2) 采取合理调小参数的措施能够起到节能降耗的作用, 节省生产成本, 提高经济效益, 减轻员工劳动强度。

(3) 量化合理工作参数, 应充分利用示功图、电流对比分析法。

(4) 采用长冲程、慢冲次、小泵径效果好, 尤其对于流压和动液面较低、供液不足的抽油机井, 应调冲次为主。

参考文献

粉状乳化炸药的工艺参数调整 篇5

关键词：粉乳炸药,设备,油相材料,产品质量

粉状乳化炸药生产线是2006年鸡西分公司与石家庄成功科技有限公司合作开发的新一代粉乳炸药生产线。它是将氧化剂水相溶液和油相溶液通过混合形成混合液, 再经真空干燥制得粉体, 加密度调节剂成药。几年间, 先后对生产线进行了设备改造, 为解决药粉输送过程中隔爆问题改造了悬挂式轨道输送系统, 为解决药温高问题, 原混合机改为敞开式螺旋冷却水输送系统, 为解决药量不足问题, 增设压辊装置, 为解决真空度不足问题, 改造了真空冷却系统, 为粉乳生产线的本质安全生产, 优质生产创造了有利条件。

1 制粉工艺的控制

粉乳炸药制粉:本工艺采用连续静态制粉, 一定流量的水相溶液与油相溶液, 经混合器混合后泵入制粉机内, 真空度达到 (-0.09MPa) — (-0.093MPa) 。水相温度和油相温度适中, 得到结构膨松、表面粗糙、多空穴的片状晶体。这种晶体结构包含了过量的微气泡和大的表面积, 经历减压升温、高温沸腾、强制析晶。汽化干燥的过程, 整个膨化过程快速。由于负压的作用, 硝酸铵混合液快速析晶。其中油相溶液初步包覆氧化剂的颗粒, 这要求油相中乳化剂含量适中, 过多的乳化剂使混合液内的水份难以蒸发出去, 导致不膨化。分散剂应该适中, 过少也会导致膨化效果不好。我公司生产的粉乳炸药为连续式制粉机和交替式卸料装置, 保持了氧化剂与可燃剂紧凑均匀接触的特点, 无需引入敏化气泡, 具有良好爆炸性能, 其制粉技术具有创造性为粉乳炸药的应用开辟了新途径。

控制好膨化后粉体的质量决定着药卷的质量。当膨化不好时, 粉体水份大, 严重影响产品质量。另外, 真空度是非常重要的因素, 真空度提高, 溶液沸点温度低于溶液结晶温度的差值增大, 有利于水分蒸发, 使成品中的残留水分减少, 真空度高一些为好, 一般控制在 (-0.09MPa) — (-0.093MPa) , 由于体系中分散剂的加入使膨化过程发生强制性定向性的质的变化;结晶过程中, 结晶热足以保证把加入的水汽化蒸发, 而不需要外部热量, 实际生产中如水相温度超过120℃, 油相温度超过83℃时, 由于硝酸铵混合液在膨化过程中放出大量的热, 导致, 制粉机内温度过高, 不利于硝酸铵混合溶液的析晶汽化过程, 导致粉体发粘, 有大块出现, 下料困难, 水份偏大, 直接影响粉乳炸药的产品质量。

2 油相材料的作用及选择

2.1 粉状炸药的油相材料即是可燃剂又是敏化剂, 在爆破反应能迅速参与反应, 又具有良好的抗水性能和良好的成粉状态, 粉状炸药的状态取决于油相材料中的复合蜡, 随着复合蜡的颜色、熔点、粘度的改变而改变。2.2粉乳炸药由于自身的特性, 还存在着密度小的问题。单位体积的装药量降低, 导致做功能力的明显不足。经过试验, 反复筛选, 选择1#复合蜡作为油相的主要原材料。这是因为:1#复合蜡具有高达13mm2/s-16mm2/s的运动粘度、密度在0.90g/cm3-0.92g/cm3, 较好地包覆在粉体表面, 对预防吸温, 增加药卷密度, 起到了较好的作用, 并提高炸药殉爆距离2cm-3cm。

3 油相配比的选择

粉乳炸药稳定性与油相材料的选择及配比有直接联系, 它决定着炸药外观状态及产品稳定性和抗水性能, 经过反复筛选, 我们选择了自备油相 (乳化剂、分散剂、专用蜡按比例配制) =1:3:21, 加密度调节剂, 性能如表1及与使用复合油相不加密度调节剂 (固态油相、液态油相、按比例调制) 试验对比样品贮存期如表2。

由表2可看出, 使用自备油相生产的粉状乳化炸药, 经过夏季, 储存期内性能良好, 而使用复合油相, 经过夏季, 储存期内有硬化现象且炸药吸湿严重, 性能下降。

4 药量控制

膨化后的粉体要加适当的密度调节剂, 膨化后粉体状态直接影响药量控制, 生产状态呈动态状况, 为提高混合液的均匀性, 增设了动态混合器, 在0-50Hz内调整, 对粉体膨化的程度起到一定的辅助作用, 还需掌握恰当的粉体水分及密度, 从而保证装药质量。经过多次实验, 摸索我们选择了适宜的配方, 良好的真空系统, 增加水相中硝酸钠的含量1.5%—2%, 选择高粘度、高密度1#复合蜡, 适宜的密度调节剂, 既保证炸药良好性能又基本保证了装药质量。

5 改善吸湿性及防硬化

5.1 硝酸铵最本质的缺陷是它的吸湿性, 硝酸铵的吸湿性是不能消除的, 虽然粉体表面包覆层已经大大降低了它的吸湿能力, 但由于表面积增大和生产过程中硝酸铵粉碎时断裂面的生成使它宏观的吸湿性仍表现得比较明显。从其结构特性来看, 它的多气隙, 多微孔, 使水分子很容易侵入, 我们采取加入一定量的表面活性剂, 使硝酸铵新生的断裂面被快速包覆。另一方面, 增大油相含量, 增加油相粘度, 加入表面活性剂和提高混合均匀性等措施, 都可以改善粉乳炸药的吸湿性, 从而也达到防止药卷硬化的产生, 粉乳炸药的生产在保证产品质量的同时也就是防硬化的过程。值得注意的是生产实际中, 过多的机械碾压、剪切、粉碎作用也会导致“微气隙”减少, 炸药的起爆感度降低, 性能下降。5.2粉粒状物质失去松散状态, 自然积聚形成密实物块, 硝酸铵结块是自身特性决定的, 其结块的机理多用“盐桥”理论来解释, 即硝酸铵在水中溶解的温度系数很大, 硝酸铵吸湿以后, 颗粒表面形成一层饱和水溶液膜, 由于表面张力作用, 相邻颗粒间形成“液桥”, 当外界温湿度减小时, “液桥”中溶解的硝酸铵析晶出来, 形成所谓“盐桥”, 正是这些“盐桥”, 将硝酸铵颗粒紧紧地连接成一体, 形成密实的硬块, 根据“盐桥”理论, 影响硝酸铵结块的主要因素应该是温度, 水分和晶变, 实践证明, 多次跨越晶变点32.3℃的温度变化, 导致硝酸铵结块严重, 但当水分含量小于0.2%时, 温度变化大也无明显结块现象, 在生产实际中粉状炸药中硝酸铵含量占80%左右, 由于工艺条件的限制, 炸药中水分含量较大时, 或装药温度在32℃以上, 硬化现象较为严重, 严重影响产品质量, 基于这种状况, 我公司对设备进行了改进, 改为敞开式螺旋输送系统, 螺旋输送采用冷却水降温, 并控制药粉水分小于0.2%, 在夏季也使药粉温度降至32℃以下, 为防硬化创造了基础条件。

敞开式螺旋输送系统的改善, 使药粉在输送的同时起到良好的冷却降温作用, 药粉温度降至32℃以下, 为防止药卷硬化创造了基础条件。

6生产过程中的质量控制

6.1 严格控制水相析晶点, 班中及时抽查。6.2及时标定水相、油相流量计, 保证水相、油相流量稳定。6.3选择优质的原材料。6.4含分散剂的油相配制后不可放置过久。6.5真空度控制为 (-0.09MPa) — (-0.093MPa) 。6.6水相、油相罐注意有水进入, 否则会影响膨化效果, 导致粉体水分过大。6.7混合器下端平螺旋应先充满混合液体后再启动, 否则会混合不均匀, 影响膨化效果, 或出现不膨化现象。

7 结论

通过几年的生产实际, 经过不断改进设备, 生产过程中工艺技术条件的控制, 粉乳炸药产品质量得到了显著提高, 由于粉乳炸药是近几年发展起来的新生事物, 还有着不尽人意之处, 几点建议如下: (1) 使用一种理想的密度调节剂, 密度达到2.0 g/cm3——2.5g/cm3, 最少限度的影响爆炸性能。 (2) 降低生产成本, 更好的适应市场经济的发展。 (3) 进一步完善装药设备, 减少在线人数。

随着全球经济的迅速发展, 市场的优胜劣汰, 我们还面临许多挑战, 这要求我们立足本企业, 加快技术进步, 实现本质安全生产, 优质高效生产, 为民爆行业多做贡献。

参考文献

[1]吕春绪.工业炸药理论[M].北京:兵器工业出版社, 2003.

参数自调整 篇6

在回归模型y = f ( x) + ui的经典假定中, 随机误差项ui无自相关, 即Cov ( ui, uj) = 0 ( i≠j) , 如果该假设不能满足, 就称ui和uj存在自相关, 即不同观测点上的误差项彼此相关. 此时, 如果依然用最小二乘法去估计参数, 会低估参数估计值的方差, 因此, 必须消除自相关的影响.

ut的一阶自回归形式为: ut= ρut - 1+ υt, 其中, ρ < 1, υt满足经典假定.

假设检验包括4个步骤: 第一步, 提出假设; 第二步, 构造适当的检验统计量, 并根据样本计算统计量的具体数值;第三步, 规定显著性水 平, 建立检验 规则; 第四步, 作出判断.

引理多元线性回归模型总体回归函数的一般形式为: Yt= β1+ β2X2t+ … + βkXkt+ ut.

多元线性回归模型的样本回归函数为:

其中: et是Yt与其估计Y^t之间的残差.

若记: Y = [y1, y2, …, y n]T, U = [u1, u2, …, u n]T,

B = [β1, β2, …, β k]T,

则总体回归模型的矩阵形式为: Y = XB + U, 样本回归函数的矩阵形式为: Y = X^B+ e.

多元模型中回归系数的检验采用t—检验, t统计量公式为

其中: βj是回归系数估计值, n是βj的标准差估计值, , ψjj是 ( X'X) - 1的第j个对角线元素.

二、线性自回归模型的假设检验

已知时间序列 {X t}: X1, X2, …, Xn, 建立线性自回归模型:

由引理, 回归系数的显著性检验中t统计量为:βj是回归系数的估计值, 是βj的标准差估计值ψjj是 ( X'X) - 1的第j个对角线元素.

三、幂函数自回归模型的假设检验

已知时间序列 {X t}, 建立幂函 数自回归 模型Xt=αXβt - 1expμt ( μt= ρμt - 1+ υt) , 则

用 ( 1) - ρ× ( 2) , 得

由引理, 回归系数的显著性检验中t统计量为:ψjj是 ( X'X) - 1的第j个对角线元素.

四、指数函数自回归模型的假设检验

已知时间序列 {X t}, 建立指数函数自回归模型Xt=αβXt - 1expμt ( μt= ρμt - 1+ υt) , 则

用 ( 1) - ρ× ( 2) , 得

参数自调整 篇7

在现代工业尤其是高速高精的机械系统中,永磁同步电机(PMSM)得到了广泛应用,其控制参数的好坏对交流伺服系统的动态性能有重要影响。传统的Z-N法等PID整定方法需要准确了解被控对象的模型和参数,容易陷入局部最优[1];许多现代的智能自整定方法需要不断根据伺服系统运行时每组PI控制参数的阶跃输入响应来搜索最优参数[2],整定时间长且电机易出故障。随着控制理论的不断发展,出现了一些采用遗传算法[3]、比例增益调节法[4]、自适应同步参数辨识法[5]、卡尔曼滤波和Elman神经网络结合法[6]等精确辨识PMSM的电阻、电感和惯量[7,8]等参数,进而整定系统比例积分(PI)控制参数的方法,但在线的高阶矩阵求逆[9]需要进行大量的实时计算,对系统硬件要求较高[10],且一般工业系统大多是固定参数的PI控制器,因而限制了这些复杂算法的应用。

系统辨识是一种获得伺服电机系统模型进而进行参数整定的有效途径,模型的获取一般通过开环辨识[1],但在实际中,集成化的工业对象一般不允许断开反馈做开环控制实验,且直接将开环模型应用于闭环系统也会因噪声扰动而产生偏差[11]。目前,国内外已有许多学者在闭环辨识方面进行了深入研究。文献[11]采用两阶段闭环辨识算法实现了闭环辨识,但需构造无噪声污染的中间信号。文献[12-13]在系统阶跃响应的开闭环转换上近似地求出了二阶加时滞系统传递函数。文献[14-15]分别采用最小二乘法和辅助变量法实现了对闭环系统的间接辨识,但都未针对具体的电机对象。文献[16]通过正交投影迭代法辨识了直线伺服系统位置环被控对象的高阶连续模型。文献[17]采用自适应卡尔曼滤波算法实现了对无刷直流电机的系统辨识,但对于伺服系统来说仍然是开环情况下的辨识。

相对于开环辨识,系统的闭环辨识由于会产生较大的估计误差,目前较少应用于伺服系统。本文在分析闭环辨识序列的基础上,将自适应卡尔曼滤波算法应用于PMSM的闭环系统辨识,抑制由不同工况引起的输出波动特性变化对系统辨识精度的影响,克服了直接通过伺服系统已知参数建模优化出的PI参数因驱动器和电机等内部结构不同而难以应用的问题。

1 伺服系统闭环模型分析

根据某轻工机械的高速高精状况,各主要轴系均采用PMSM替代传统的齿轮传动。为保证各轴的跟随精度和相邻轴的同步精度,对各轴的PI控制参数进行整定优化。

假设空间磁场呈正弦分布,忽略铁心饱和,不计磁滞和涡流损耗的影响,PMSM为隐极式结构,并忽略齿槽转矩和其他扰动力的影响,采用id=0的矢量控制策略,则PMSM的电压方程为

式中,Ud、Uq、id、iq分别为d、q轴定子的电压与电流分量;ω 为转子机械角速度;Ra、La分别为定子的电阻和等效电感。

PMSM转矩方程为

式中,Te、Tl分别为电磁转矩和负载转矩;B为黏滞摩擦因数;Pn为极对数;ψf为永磁体磁链;J为转动惯量。

根据伺服系统三环结构,电流环是内环,为保证系统稳定且带宽较大,其闭环控制系统可等效为一阶惯性环节,时间常数为Ti;速度环控制参数是伺服系统抑制波动、减少超调和振荡、提高精度的关键环节,PMSM伺服系统速度环控制结构如图1a所示。

对于图1虚线框中的模型,简化扰动部分的影响,将负载Tl及其他转矩扰动等效为系统内部的扰动。当负载一定或变化较小时,电机控制电压与转速近似为线性关系[18],从而将虚线框中的整体近似为二阶模型进行系统闭环辨识,等效的闭环系统结构见图1b。其中,r(t)、y(t)为闭环系统的输入和输出信号,u(t)为被控对象的输入,η(t)为系统的扰动,ξ(t)为不可测噪声干扰,e(t)为误差。由此可得

消去中间变量得

式(5)说明,不可测噪声干扰ξ(t)通过反馈环节与控制输入u(t)直接相关,导致许多算法用于闭环辨识时结果有偏[11]。进一步化简可得

从式(5)、式(6)可以看出,当闭环系统的输入r(t)=0时,系统的扰动和不可测噪声使闭环辨识所用的输入u(t)和输出y(t)产生不同幅值的噪声干扰,且对于误差e(t)而言不可忽略。一种可行的方法是增大闭环系统的输入r(t),并使误差e(t)以较大的速率改变,使系统的内部噪声干扰对于辨识所用的输入输出信号而言可以忽略,同时对信号进行滤波辨识。但系统的变化需要一定的时间,且受采样频率影响,对闭环系统的输入频率有一定的限制,缺少开环辨识时所需各频率成分,文献[9]也指出速度环被控对象因存在积分环节而不能直接辨识,故基于固定频率闭环辨识出的对象只是实际对象在中低频段的一种输入输出拟合。

2 闭环自适应系统辨识及整定

根据图1,被控对象的传递函数为

离散化变换形式为

式中,a1、a2、b1、b2为被控对象待辨识参数。

考虑噪声干扰的影响,伺服系统速度环被控对象的差分方程模型为

定义数据向量φ(k)= (-ω(k-1),-ω(k-2),u(k-1),u(k-2)),参数向量θ= (a1,a2,b1,b2)T,则式(9)可改写为

式(10)是一种近似的线性关系,可看作卡尔曼滤波算法的测量方程,根据卡尔曼滤波算法可得

其中,K(k)为滤波增益矩阵,P(k)为滤波协方差矩阵,R(k)为量测噪声干扰ξ(k)的理论方差。在系统辨识中,以被估参数向量θ作为状态变量,则可得卡尔曼状态更新方程为

卡尔曼状态值是状态θ(k)的最小方差估计,属于无偏估计,通过当前时刻的量测数据ω(k)与观测数据之差经增益加权不断优化得到。注意到ξ(k)的理论方差R(k)并不是固定不变的,随着电机型号的不同以及干扰和负载的变化,R(k)的幅值大小等特性随之改变,即R(k)应随着量测数据特性的变化而自适应地改变。根据新息自适应卡尔曼方程[19?20],R(k)的特性变化可以反映到系统辨识的新息误差序列e(k)和新息协方差Cv(k)中,变换形式可得

式中,m为新息的开始计算点;n为计算的长度。

m点前采用常规卡尔曼算法,为减少计算并方便工程应用,Cv(k)简写为

注意到Cv(k)即为滤波增益矩阵K(k)中元素的分母,滤波增益K(k)可改写成:

设定初值后,无需闭环系统速度输出波动干扰R(k)的先验知识,经过不断地递推运算,得到被控对象的模型参数θ,具体的计算循环过程依次为

采用实数编码的遗传算法对速度环PI控制参数通过仿真进行整定,这里选用偏差积分性能指标(ITAE)来计算系统的适应度函数,考虑到超调的影响,改进性能指标为

其中,λ为惩罚因子,tr为上升时间。遗传算法的选择算子根据适应度大小按比例法进行排列,交叉和变异算子分别以概率pc和pm通过产生随机数的方式在相邻两行之间进行运算,根据设定的阶跃响应搜索出最优的速度环PI参数。遗传算法的整定过程如图2所示,其中,为实验辨识后的离散传递函数所计算的输出角速度。

3 仿真与实验分析

本文在西门子伺服驱动实验平台上对闭环辨识及速度环PI参数整定的有效性进行验证,硬件平台包括上位机、西门子Simotion D455控制器、西门子双轴驱动器、科尔摩根CH044A系列永磁同步电机及某轻工机械实际工况下的负载等,如图3所示。其中,上位机与控制器之间通过Eth-ernet总线来通信,用于数据采集和检测,控制器与驱动器之间通过DRIVE-CLIQ总线通信,编码器的反馈信号经SMC模块转换后传输到驱动器。软件系统使用Simotion Scout实现信号的输入和采集,采集的数据经MATLAB/Simulink处理并优化整定出最优的速度环PI控制参数,再输入实验平台进行验证。

实验根据轻工机械的实际工况,目标转速约400r/min,参考系统辨识对输入数据的要求,将闭环辨识所用的输入信号激励设定为幅值为400r/min的正弦速度信号。 给定初值,P(0)=5000I4,R(0)=10,m =30,n=20,遗传算法的种群和代数分别设定为80和50,采样时间为2ms,采集速度环PI控制器的输出转矩u和实际速度输出ω(或转速n0)进行系统辨识。

3.1 空载条件下的闭环辨识整定

首先采用一组Simotion默认的速度环PI参数:比例参数P=0.009N·m·s/rad、积分参数I=10ms,经单位换算后得到速度环PI仿真参数分别为0.000 94、0.094,实验采集被控对象的输入输出数据。为验证闭环辨识的可行性,使用不同频率的输入信号激励系统,实验结果如表1所示。

由表1可知,当速度环无输入激励时,被控对象输入输出随机扰动的最大值分别为0.018N·m和20r/min;当速度环输入幅值为400的不同频率的正弦激励时,随着频率的不断增加,被控对象的输入信号幅值不断增大,输出幅值由于谐振和频率等因素影响先增大后减小,但都呈现出正弦变化规律,并叠加干扰。由图4a可知,实际系统速度环的有效频率在200Hz以内,超出部分的伯德图因剧烈振动而不稳定,考虑辨识序列的信噪比,若采用过小的输入频率,输出转矩的幅值与无输入时的扰动最大值0.018相差不大,信号和干扰区分不明显,如表1的部分速度实际幅值输出因谐振超调而大于400r/min的输入。图4b所示,20Hz频段、幅值为400的正弦波辨识结果比较接近实际系统在200Hz频段内的Bode图模型,在仿真Bode图上幅频部分在0以上,则反映表1中在50Hz内的速度幅值超调,而实验Bode图因采用随机信号测得而未表现出来。频率太小未能充分激励系统,太大则受采样频率限制,均恶化辨识结果,减小带宽。

为了体现自适应卡尔曼滤波(AKF)算法抑制噪声干扰的有效性,在相同的实验数据条件下与工程中广泛采用的因能避免数据饱和而用于参数在线实时估计的递推最小二乘法(RLS)相比较,其辨识结果和辨识误差如图5所示,可见在电机未运行而处于噪声扰动时,RLS算法的辨识结果受系统扰动影响较大,辨识参数不断波动,AKF算法因带有噪声滤波而不受系统扰动的影响,辨识参数皆为零,且辨识最大误差较最小二乘法减小了50%。AKF算法辨识得到的离散系统模型为

设定遗传算法速度环PI参数整定范围分别为(0,0.09]和(0,100],通过幅值为400的阶跃响应仿真搜索得到最优PI参数为:P =0.0105N·m·s/rad,I=21.526ms,整定前后仿真及实验结果如图6所示。

图6说明,电机在0.1s内未运行和稳定时的闭环速度输出扰动幅值均为±20r/min,AKF算法辨识的被控对象离散模型经仿真能够较好地拟合实际伺服系统速度环的动态输入输出特性,整定前速度环超调约为54r/min,整定后超调约为20r/min,与空载无激励情况下系统的扰动幅值相同。

3.2 实际负载下的闭环辨识整定

为进一步验证AKF辨识算法在实际工程应用中的可行性,实验采集了轻工机械在实际负载工况运行过程中被控对象的输入输出数据。由于实际工况的限制,实际过程中速度环PI控制器的输出转矩有限幅,且伺服系统的正弦运行频率一般不会很高,经反复实验采用0.25 Hz幅值为400的正弦波辨识,其速度环PI的最大输出转矩接近限幅。实验所用的速度环PI参数为Simo-tion提供的一组参考数据:P=10N·m·s/rad,I=30ms,速度环PI控制器的转矩输出限幅为±13.9026N·m,速度闭环系统的辨识结果如图7所示。

由图7 可知,与空载情形相似,RLS算法在伺服系统未运行而处于系统噪声扰动时辨识结果上下波动较大。此外,电机运行时RLS算法辨识结果有一定的波动,而AKF算法通过滤波过程使辨识的结果较平滑。电机在实际负载运行条件下AKF算法的辨识结果为

遗传算法速度环PI参数的范围分别设定为(0,100]和(0,200],通过仿真搜索得到最优PI参数为P =24.851N·m·s/rad,I=26.614ms,实际负载条件下整定前后的仿真及实验结果如图8所示。

通过图8可以看出,实际系统闭环辨识的离散模型经仿真能够较好地拟合速度环实际系统的动态输入输出特性,但由于辨识模型的微小误差,仿真曲线在最大转矩输出的速度上升阶段存在较小的超前时间累积。电机在0.1s内未运行时速度噪声扰动幅值为0.01r/min,速度环PI的电磁输出转矩在稳态时约为1.5N·m,整定前后速度稳态误差皆在±0.6r/min以内,整定前电机超调约3r/min,达到稳态时间约0.77s,整定后超调约为0.6r/min且响应较快,达到稳态时间约为0.72s,整定后的伺服系统速度环性能得到了较大提高。

4 结论

(1)本文提出了一种新型实用的PMSM伺服系统速度环PI控制参数自整定方法,该方法针对伺服系统速度环的闭环模型,无需闭环系统速度输出的噪声扰动特性先验知识和具体的伺服系统参数数值,通过闭环被控对象的辨识来仿真整定速度环PI参数,避免了在线整定过程中的反复调节和参数切换冲击等问题。