模型驱动控制

2024-10-07

模型驱动控制（共7篇）

模型驱动控制篇1

0引言

随着信息技术、计算机技术尤其是工业自动化技术的发展,工业控制经历了模拟控制、直接数字控制以及PLC、DCS等专用控制系统3个主要阶段。Rockwell、Siemens、Honeywell、ABB等专用PLC以及DCS使得工业过程控制越来越简易化和集中化,并可使工业过程能够按一定的工况条件连续运行。然而,原料成分及性质的波动、工艺设备的磨损和老化等因素形成了对工业过程运行的持续扰动。这种情况下,之前设定的过程运行工作点不再与当前工况条件相匹配,即不是最优的。为此,需要根据运行工况和过程干扰的变化,通过上层监督或相关运行控制系统自动修改和调整底层基础反馈控制回路的设定值,使工业过程能长时间保持在最优运行状态,从而达到提高产品质量和生产效率,减少原材料和能源消耗的运行控制目标。这就是工业运行控制的范畴,其与传统过程控制有着本质不同[1,2,3,4,5,6]。

传统过程控制在假定可以获得控制器设定值的条件下,研究集中在如何设计控制器,使被控对象在闭环系统稳定的前提下使得输出尽可能好地跟踪设定值,从而完成特定的过程控制指标控制,如响应速度、稳定性、收敛性、干扰抑制能力等。传统过程控制通常忽略了偏离理想设定点的反馈控制无法实现工业过程或系统的整体优化运行的事实[2,3,4,5,6,7]。

而工业过程运行控制是在保证过程安全运行的条件下,不仅使过程底层局部单元的基础反馈控制系统输出很好地跟踪设定值,而且要控制整个过程运行,通过调整基础控制系统的设定值,使反映产品加工过程中产品质量、生产效率和消耗的运行控制指标( 即运行指标) 控制在目标值范围内,同时,尽可能提高产品加工过程的产品质量和生产效率的运行指标,降低消耗的运行指标,实现工业过程优化运行[2,3,4,5,6,7]。

流程工业中,选矿是极为重要的金属原材料工业。特别是在中国,主要以低品位的赤铁矿、菱铁矿、褐铁矿、镜铁矿等贫矿为主,97% 的铁矿石需经选矿处理得到有用成分含量高的精矿后, 才能再进行金属的冶炼及相关处理。选矿工业中,磨矿是最为关键的生产过程,起着承上启下的作用,其任务就是将破碎后的矿物原料粉碎到适宜的粒度,使有用矿物与脉石单体解离或使不同的有用矿物相互解离,为后续选别作业提供原料。磨矿是典型的高耗能、低效率过程,其电能消耗约占整个选矿厂的45% ~ 70% ,生产成本约占40% ~ 60% 。在磨矿生产中,磨矿运行指标即磨矿产品粒度( 质量指标) 、磨矿生产效率等决定选矿精矿品位的好坏和生产能力的高低,并与整个选矿厂经济技术指标密切相关[1,2,3]。

长期以来,磨矿过程控制及优化被认为是提高磨矿产品质量、生产效率以及整个选矿厂经济利润的关键,受到国内外学者的广泛关注和重视。以多回路PI /PID和多变量预测控制为主的控制技术,虽然均在一定程度上达到了调控磨矿设备局部单元、使其按照期望目标运行的目的[1],然而,从过程工程的角度来看,磨矿自动控制不仅仅是使磨矿设备局部单元系统尽可能好地跟踪期望设定值,而且要控制整个过程运行, 实现表征过程整体运行性能的磨矿粒度和生产效率等运行指标的优化。因此,将复杂磨矿生产与各磨矿设备作为紧密联系的整体,构建磨矿整体运行的分层反馈控制结构,实现控制指标、运行指标以及经济性能指标的集成控制与优化,是各选矿企业提高自身市场竞争力的重要手段。

磨矿过程流程长、滞后大、影响因素众多且彼此相互制约和关联耦合。磨矿运行指标不仅与回路控制的关键过程变量密切相关,而且其动态特性还受原矿成分和性质、生产技术规范和操作规范、设备能力以及各种未知动态干扰的影响,具有较强的时变特性。因此,磨矿过程运行控制研究具有挑战性,受到工程技术界和控制学术界的广泛关注和重视。本文在描述冶金磨矿过程及其运行控制问题的基础上,详细综述了基于模型的冶金磨矿过程运行控制方法,并探讨了磨矿过程运行控制研究的几点展望。

1冶金磨矿过程及其运行控制问题

1.1磨矿过程

冶金选矿行业中,矿石冶炼入选前的准备工作包括破碎和磨矿两大作业,其中磨矿作业是破碎作业的继续,是入选前矿料准备的最后一道作业。下面以典型的单阶段磨矿回路为例说明磨矿过程。磨矿过程开始时,原矿石以一定速度由给矿机经给矿皮带输送到磨机进行研磨,同时按比例添加一定量的水。矿石在磨机内研磨时,一方面,矿石和磨矿介质随着磨机的旋转被带到一定高度,在磨机旋转离心力和摩擦力作用下自由下落或滚下,这时,矿石受到磨矿介质的不断冲击; 另一方面,磨矿介质在磨机内沿磨机轴心的公转和自转又产生对矿石的挤压和磨剥,从而将矿石磨碎。磨碎后的矿石输送到分级机( 螺旋分级机或水力旋流器等) 进行粒度分级,粒度合格的矿浆从分级机排出进入下段磨矿或者直接进入浮选、磁选等选别工序进行矿浆分选,不合格的矿浆继续送入磨机研磨。

1.2磨矿过程运行指标及其影响因素

1.2.1运行指标

无论从工艺角度还是从控制角度,磨矿过程都需要满足生产对如下运行指标的需求:

( 1) 磨矿产品粒度( 简称磨矿粒度) 。磨矿生产最为重要的质量指标,直接影响选矿产品精矿品位的好坏和金属回收率的高低。磨矿粒度通常以某特定粒度( 如小于0. 074 mm) 的矿石在矿浆中的含量来表示。

( 2) 循环负荷。可用返回矿浆量的绝对值表示,用绝对值表示的循环负荷即为磨机返砂量; 也可用返回矿浆量与新给矿量的比值表示。根据磨矿动力学原理,循环负荷与磨矿生产率和磨矿粒度指标直接相关。

( 3) 磨机台时处理量。在一定给矿和产品粒度条件下,单位时间内单台磨机能够处理的原矿量。根据磨机台时处理量可以判别磨机工作的好坏和磨矿生产率的高低。

( 4) 磨机作业率。磨矿机组实际工作小时占同期日历小时的百分比。磨机作业率反映磨机利用程度,也是反映磨矿生产率以及运行安全的综合性指标。

( 5) 能耗。实际磨矿操作中,通常认为合格的磨矿粒度、较高的磨矿台时处理量和磨机作业率意味着能耗最小。

除以上几个主要指标外,还需考虑的其他指标有: 磨矿生产率、磨矿效率、磨矿产量、磨机负荷等。但这些指标在实际操作中通常可用循环负荷、磨机台时处理量和磨机作业率间接表示。

1.2.2运行影响因素

影响磨矿运行性能的主要因素有如下几类:

( 1) 原矿成分和性质主要包括矿石硬度、韧性和矿粒大小。在实际工程中,通常用矿石可磨性参数来表示这些参数对磨矿过程的影响,可磨性参数越大表明矿石越容易磨细。

( 2) 磨机操作参数。主要指磨机给矿量和磨矿浓度( 或磨机给水量) 。磨机给矿量指单位时间内进入磨机的矿量,为了增加磨矿效率,应当保持充分大的给矿量,但是不能超过磨机最大允许给矿量,否则将造成磨机过负荷故障工况。磨矿浓度指磨机内的矿浆浓度,通过给矿水量调节,研究表明,磨矿浓度随被磨物料性质以及具体的磨矿工艺而定,硬度大或者密度大的矿石磨矿浓度大; 反之,磨矿浓度小。

( 3) 分级机操作参数。从某种角度来说,磨机操作主要影响磨机台时处理量和磨矿效率,而分级机操作主要影响磨矿粒度。相对于磨机的慢动态特性,分级机的操作响应速度较快,因而其对磨矿粒度的影响也最为重要。分级机主要包括螺旋分级机和水力旋流器,其中,螺旋分级机的操作参数主要是通过稀释水量调节分级机矿浆溢流浓度,它影响分级机的生产率; 水力旋流器的操作参数主要是旋流器给矿流量或压力、给矿浓度等,给矿流量或压力影响旋流器的处理量及分级粒度,而给矿浓度影响产品的浓度、粒度和分级效率。

1.3运行控制复杂性

磨矿过程的复杂性表现如下:

( 1) 关键参量难以直接在线检测。由于磨机运行时封闭且高速运转,因而难以对磨机内矿浆浓度和磨机负荷进行实时在线检测,磨矿粒度虽然有专门的粒度仪对其进行在线检测,但是粒度仪一般只适用于矿石成分和物性比较单一且稳定的情况。

( 2) 多变量耦合特性。闭路磨矿是一个复杂多变量动态系统,具有多运行控制指标、多过程控制变量及多元外部干扰等特点。另外,多运行控制指标与多过程控制变量之间及不同阶段的磨矿回路之间均存在强烈的耦合和交互作用。

( 3) 非线性特性。磨矿过程影响因素众多, 虽然在做了一些假设和限定条件后,部分因素之间可能具有明显的线性关系,但是大部分磨矿系统变量基本都是未知的非线性动态关系,如磨矿浓度与循环负荷、磨矿粒度与磨机给矿量和给矿水量等。

( 4) 时变特性。磨矿介质和磨机衬板、螺旋分级机螺旋片以及水力旋流器给料口、溢流口、沉砂口的磨损,都会改变磨矿过程的时变特性。另外,矿石可磨性和矿石块粉比等参数随原矿石种类和性质的变化而变化,且同一类型矿石的这些参数也往往不完全相同。

( 5) 时滞特性。磨矿过程是典型的长流程、大时滞系统。磨机、螺旋分级机、水力旋流器、泵池以及给矿皮带对原矿石的运送和管道对矿浆的运送等是典型的时滞对象,再加上闭路磨矿自循环再磨影响,使得从磨机给矿到形成磨矿产品的过程具有很长的滞后时间。

2基于模型的磨矿过程运行控制

针对磨矿过程及其特点,冶金磨矿过程基于模型的运行控制主要采用磨矿过程监督、磨矿过程运行实时优化以及运行反馈等控制方法。

2.1磨矿过程监督控制

早在20世纪80年代,Herbst及Massacci等[6,7]就较早地探讨了基于模型的磨矿过程监督控制问题。之后,Herbst等在文献[8]中指出基于模型的监督控制和决策依赖于优质在线模型以及基于准确测量与适宜分布控制的精确参数估计,作者深入研究了几种基于模型的选矿监督控制方案,其中3种是针对磨矿过程的: 第1种是针对半自磨回路的基于模型的监督控制方案,采用卡尔曼滤波器对矿石硬度和磨矿介质等参数进行估计; 第2种是针对一段棒磨开路、二段球磨 - 旋流器闭路磨矿产品粒度和泵池矿浆体积优化设定的监督控制策略; 第3种是可以动态优化磨机给矿和磨矿粒度的单段磨矿模型辅助控制策略。Radhakrishnan[9]针对由球磨机和水力旋流器构成的典型闭路磨矿,研究了基于模型的磨矿过程监督控制问题,底层基础反馈控制采用常规多回路PID控制技术进行设计,上层监督层为基于经济性能指标的优化模型,用于在线求解适合于底层基础反馈控制系统的设定值。 Borell等[10]研究了基于经验模型的自磨过程监督控制问题,其控制目标是通过严格的磨机功率控制最大化磨机处理量,当矿石性质发生变化时,监督控制系统能够自动调节控制回路设定值从而优化过程运行性能,所采用的监督控制方法可使磨机处理量提高5% 。

2.2磨矿过程运行优化控制

Duarte等[11]利用子优化控制策略研究了CODELCO-Andina选矿厂的磨矿运行优化问题, 子优化控制算法分三步进行: 辨识磨矿对象模型; 估计用于求解参数估计矩阵方程的汉密尔顿 ( Hamiltonian) 梯度; 进行最优控制问题求解。文献[11]提出的运行控制方法的基本思想就是在不超过磨机最大容量的基础上最大化磨机处理量,同时力求以 - 100目表示的磨矿粒度不超过工艺要求的限值。

Lestage等[12]采用稳态线性规划( LP) 优化技术研究了磨矿过程带有约束的实时优化控制问题,底层采用多变量预测控制技术,上层为基于实时优化控制( RTO) 的模型优化器,其运行控制目标是最大化磨机处理量,约束为循环负荷、泵池液位以及旋流器溢流和底流浓度的上下限值, 为了便于优化计算,作者采用泰勒近似算法将非线性性能函数转化为关于底层控制回路设定值的线性函数,然后采用线性规划方法对其进行优化求解。Muoz等[13]采用类似技术对具有多个并行磨矿回路和一个浮选机的选矿厂进行最优经济优化,其中底层控制采用基于线性模型的多变量约束预测控制,而上层优化器的经济性能函数为具有线性约束的非线性动态模型,运行优化的目标是最大化经济利润,以此求解底层控制器的最优设定值。

为最大化浮选过程的经济效益,Sosa-Blanco等[14]针对一个具有磨矿 - 浮选的仿真选矿过程进行了运行优化控制研究,建立的优化模型包括质量模型、产量模型以及经济性能指标模型,决策变量为磨矿过程给矿量、磨机给水量和磨机排水量等调节变量以及旋流器结构参数、磨矿介质等参数。最后,采用step by step方法对建立的3个性能指标分别进行优化求解。

李勇[15]研究的磨矿过程综合优化控制模型由3部分组成: 磨矿生产率模型、能耗模型及优化求解模型。由于过程动态机理模型难以得到, 因此作者采用回归试验建模技术建立磨矿生产率E与磨矿浓度等参数之间的回归分析模型。由于磨矿能耗可用磨机驱动功率P( 包括有用功率和机械损耗功率) 表示,为此作者通过分析磨机运行机理,建立P与磨机内部参数之间的近似数学模型,磨机内部参数包括磨矿浓度、介质填充率、料球比及磨机转速、磨机驱动转矩、物料密度、介质密度、物料间空隙、介质间空隙等。基于这些模型,李勇[15]最后通过下面求解式所示的综合优化问题对决策变量即磨矿浓度、介质填充率、料球比3个基础控制回路的设定值进行求解。

上述式中: J为单位时间磨矿生产利润的倒数,θb为磨矿生产率产值系数,θi为单位时间能耗成本系数,它们都是关于磨矿浓度、介质填充率、料球比的未知非线性函数; 另外,γ 为任意小正数。由于上述优化目标函数J为多变量、光滑非线性函数,因此作者采用序列二次规划( SQP) 方法进行优化计算,在实际操作中可以通过调整 θb和 θi使磨矿生产利润根据市场需求的变化而变化。

2.3磨矿过程运行反馈控制

目前,大部分运行控制方法没有考虑实际运行指标的实时反馈信息,因而没有真正实现运行指标的运行反馈控制,因此难以根据复杂运行环境的动态变化对运行磨矿过程进行及时调整。另外,由于磨矿粒度和生产率等运行指标和基础反馈控制回路输出之间表现为多变量耦合、多时滞特性,因而要求运行控制时必须具有良好的解耦和多时滞补偿能力。现有可对运行指标进行多变量解耦的方法主要为基于模型预测控制 ( MPC) 的方法。近年来,笔者[16,17]研究了基于扩展多变量解耦的大时滞磨矿过程运行反馈控制方法,将对设定值跟踪和干扰抑制分别优化设计的双自由度( 2-DOF) 解析解耦技术[17]在运行控制过程进行扩展和推广,提出基于改进2DOF解耦的大时滞磨矿过程多层次运行反馈控制方法。首先,通过最优化特定的经济性能函数计算出最上层的稳态最优运行点; 然后,运行反馈控制系统的回路预设定控制器根据稳态最优运行点计算出底层基础控制的标称设定值。方法采用反馈补偿器增强系统的控制性能,即根据大测量滞后得到的磨矿运行指标控制误差,通过反馈补偿算法计算出基础反馈控制系统相应的补偿增量。基础反馈控制系统跟踪修改后的设定值,从而快速消除或减小过程运行指标控制误差,获得期望的磨矿运行指标。

针对冶金磨矿过程运行中存在的各种动态干扰( 如原矿石颗粒大小和矿石硬度的波动、各种不确定动态以及耦合效应等) 以及常规基于MPC运行反馈控制方法在控制具有强外部干扰和不确定动态过程时控制性能的不足,笔者引入干扰观测( DOB) 技术[18,19,20,21,22],研究了具有层次结构的基于DOB与MPC的磨矿过程集成运行反馈控制方法[18,19,20]。通过最大化经济利润函数计算出最上层磨矿运行的最优运行点,并下达给运行层MPC系统。MPC运行控制器根据最优运行点和相关边界约束条件,通过最优化特定的性能指标( 如最优跟踪性能) 计算出底层基础控制系统的回路预设定值。DOB作为运行控制系统的反馈补偿器根据观测到的各种动态干扰给出基础控制设定值的补偿增量以增强系统的运行控制性能。在具体设计方法方面,文献[18]针对已有DOB设计仅适用于最小相位时滞或非时滞系统的问题,提出非最小相位时滞系统的改进DOB ( IDOB) 设计方法,在此基础上,文献[19]提出基于IDOB-MPC的集成运行反馈方法及在一段棒磨开路、二段球磨机 - 旋流器闭路磨矿的仿真实验及比较研究,文献[20]针对已有DOB技术的单变量本质,提出基于多输入多输出( MIMO) 系统近似逆的多变量干扰观测器( MDOB) 设计方法,并提出基于MDOB-MPC的集成运行反馈控制方法及磨矿过程的仿真实验和比较研究。

3基于模型的磨矿过程运行控制软件

在基于模型的磨矿过程运行优化与控制专用技术及软件方面,美国Honeywell公司推出了基于现场基金会总线的Plant Scape系统[23,24]。该系统中包含两个用于选矿行业的软件包: Smart Grind和Smart Float。Smart Grind使用Honeywell公司的鲁棒多变量预测控制技术,通过分析过程的动态因素,包括操作模式、产量和进料质量等, 在保证过程约束的同时,对磨矿控制系统进行优化设定; 而Smart Float采用相同的技术对浮选过程控制系统进行优化设定。据报道,使用Smart Grind先进控制软件能够稳定磨矿过程运行,优化磨矿产品粒度,使矿石处理量提高2% ~ 5% , 磨矿系统运行能耗降低1% ~ 2% ; 而Smart Float可以稳定精矿品位并使其增加1% ,回收率提高1 % ~ 3 % ,药剂消耗减少2 % ~ 20 % ,带来可观的利润。

南非Mintek公司采用优化控制技术和软测量技术开发了磨矿过程优化控制的一系列软件系统[25,26],包括磨矿过程优化控制软件系统Mill Star、磨矿粒度软测量软件系统PSE、旋流器非接触角度测量软件系统CYCAM等。其中, Mill Star软件系统通过上层在线优化调整底层给矿、给水以及旋流器给矿压力等基础控制的设定值参数以稳定磨矿粒度; 另外,通过引入给矿量的摄动自动寻找最佳磨机负荷,以适应矿石性质的变化。据报道,Mill Star软件系统在稳定旋流器溢流浓度和粒度的前提下,可提高磨机处理能力6% ~ 16% 。

澳大利亚Manta Controls Pty Ltd. 公司开发了Manta Cube控制软件系统[23,24,25,26]用于磨矿先进控制。该系统采用基于模型的约束控制、前馈控制、解耦控制、增益调度等控制技术,能够有效克服给矿量和矿石成分的扰动,稳定磨矿生产与产品质量,使磨矿处理量提高约6% 。

4结论与展望

现有磨矿过程运行优化与控制方法虽然对磨矿过程的节能降耗、优质高效生产起到积极作用,但是在以下方面还有待进一步深入或进行后续研究。

( 1) 磨矿运行指标多目标智能优化决策。磨矿过程的运行与优化控制需要将磨矿产品质量、效率和消耗等多运行指标控制在目标值范围内, 尽可能提高质量和效率指标,尽可能降低消耗指标。因此,如何决策运行指标的优化目标值成为关键。磨矿运行指标与选矿生产全流程的产品质量、产量、能耗等指标密切相关,其动态特性随原料成分波动、生产设备磨损等生产条件的变化而变化。因此运行指标优化决策涉及到多目标智能优化,研究以选矿全局优化为目标的运行指标多目标智能优化决策方法,对于实现磨矿过程的运行控制至关重要。

( 2) 多模型运行控制系统设计。复杂磨矿生产中,原矿石成分和性质以及颗粒大小的显著波动、各种磨矿运行设备或子系统故障、其他外部不可测干扰等多种因素常常导致磨矿系统从一个工作点变到另一个工作点,造成系统参数往往发生大范围跳变,这时常规基于单一模型的运行控制系统设计方法无法得到令人满意的控制效果。为了解决上述问题,必须研究基于多模型的磨矿过程运行控制方法。

( 3) 故障工况诊断和自愈控制。磨矿运行控制系统运行过程中,尽管控制器、执行机构、检测仪表均运行正常,但操作不当造成基础控制系统的设定值不合理将导致故障工况。故障工况直接影响磨矿运行指标,会造成产品质量下降、效率降低、消耗增高,甚至造成磨矿系统瘫痪并危及操作者人身安全。因此,必须研究磨矿故障工况的诊断、预报及排除故障工况的自愈控制方法。

( 4) 多网络环境下的磨矿运行控制。为了保证磨矿运行控制的可靠性,常规磨矿过程运行控制采用基础反馈控制层和运行控制层两层结构实现。基础反馈控制层输入与输出信息传输采用设备网,运行控制的信息传输采用工业以太网,而采用工业以太网传输信息有时可能出现丢包、延时等现象。为了克服复杂磨矿过程的运行过程动态特性的不确定性,通常需要采用运行反馈控制来实现磨矿过程的运行优化和控制[27], 此种情况下,就必须考虑以太网可能出现的丢包、延时等对闭环运行控制的影响。

( 5) 磨矿运行控制系统性能分析。磨矿过程运行控制要将运行指标控制在目标值范围内。因此,对于磨矿过程运行反馈控制,不仅要具有良好的动态性能,还必须考虑运行反馈控制系统的稳定性。由于磨矿过程运行反馈控制具有分层反馈控制结构,难以采用已有的控制系统稳定性分析工具,因此,采用解析方法与实验方法相结合,研究磨矿过程运行反馈控制的动静态性能分析方法,是解决这一问题的可能途径之一。

摘要：描述冶金磨矿工艺流程、运行指标及其影响因素,分析磨矿过程运行控制的复杂性,介绍磨矿过程监督控制、磨矿过程运行优化控制、磨矿过程运行反馈控制等基于模型的磨矿过程运行控制方法和技术以及磨矿运行控制软件的发展,最后指出在磨矿运行指标多目标智能优化、磨矿多模型运行控制、磨矿故障工况诊断和自愈控制、多网络环境下磨矿运行控制等方面的未来研究方向。

关键词：运行控制,磨矿过程,运行指标,运行优化

模型驱动控制篇2

欠驱动机器人是指独立控制输入少于系统自由度的机器人[1],对欠驱动机械臂而言,则是指某个或某些关节没有驱动装置,即关节是被动的,也称自由的。欠驱动机器人由于驱动器的减少而具有质量轻、成本低、能耗低等众多优点,因此成为机器人研究领域的新热点[2]。

欠驱动机器人的研究问题包括平衡流形控制、PTP控制、多臂协调操作,甚至其他更复杂的机器人工作任务。为了使欠驱动机器人能像全驱动机器人一样实现各种灵活的操作,人们基于不同的分析工具和方法,对这类非完整系统进行了深入的研究并提出了多种控制方案(如PID控制、自适应控制[3]、滑模变结构控制[2]、智能控制[1]、鲁棒控制[3]等),实现了对某些欠驱动机器人的有效控制。

自T-S模糊建模方法提出以来,基于模糊模型的控制方法已经成为解决某些非线性问题的强有力工具[4,5,6,7]。该建模方法通过IF-THEN规则将非线性系统描述为若干个线性子系统的动态组合,先针对线性子系统单独设计满足一定性能的控制器,然后在并行分布补偿[8](parallel distributed compensation,PDC)设计框架下构建全局控制器,用线性系统理论去分析并解决非线性系统的控制问题。近年来,系统的非脆弱性成为人们感兴趣的课题[9,10,11,12]。现有文献多考虑的是线性系统的非脆弱控制问题,对非线性机器人系统的非脆弱控制问题研究较少。

本文研究欠驱动机器人系统的非脆弱保性能H∞控制问题。利用LMI(linear matrix inequality)方法[13],给出模糊非脆弱保性能H∞控制器存在的充分条件,并证明了闭环系统的稳定性。最后用实例仿真验证了本方法的有效性。

1 欠驱动机器人动力学模型变换

机器人完整的动力学模型描述为

$Μ (q) \ddot{q} + C (q, \dot{q}) + G (q) = Γ$ (1)

式中,M(q)∈Rn×n为对称正定惯性矩阵; $C (q, \dot{q}) \in R^{n}$ 为向心力和哥氏力作用项;G(q)∈Rn为重力作用项;Γ∈Rn为力矩输入项;q、 $\dot{q}$ 、 $\ddot{q}$ 分别为关节的位置向量、速度向量和加速度向量。

欠驱动机器人的动力学模型可以用以下分块形式表示

式中,下标a和o分别表示主动关节和被动关节。

由式(2)的第2行得

$\ddot{q}_{a} = - Μ_{o a}^{- 1} (Μ_{o o} \ddot{q}_{o} + C_{o} (q, \dot{q}) + G_{o} (q))$ (3)

将式(3)代入式(2)的第1行得

$\begin{array}{l} \ddot{q}_{o} = (Μ_{a o} - Μ_{a a} Μ_{o a}^{- 1} Μ_{o o})^{- 1} {Γ_{a} + Μ_{a a} Μ_{o a}^{- 1} (C_{o} (q, \dot{q}) + \\ G_{o} (q)) - C_{a} (q, \dot{q}) - G_{a} (q)} (4) \end{array}$

由式(4)可知,适当选取主动关节控制输入Γa,就可以通过动力学耦合作用控制被动关节到设定角度。在此采用PD型计算力矩控制,控制律表示为

$\begin{array}{l} Γ_{a} = (Μ_{a o} - Μ_{a a} Μ_{o a}^{- 1} Μ_{o o}) (\ddot{q}_{o d} - k_{v} \dot{e}_{o} - k_{p} e_{o}) - \\ Μ_{a a} Μ_{o a}^{- 1} [C_{o} (q, \dot{q}) + G_{o} (q)] + C_{a} (q, \dot{q}) + G_{a} (q) (5) \end{array}$

式中,kv、kp分别为恒定对角正定比例矩阵和微分增益矩阵;e为位置误差,eo=qo-qod;qod为关节期望位置。

将式(5)代入式(4)得误差方程:

$\ddot{e}_{o} + k_{v} \dot{e}_{o} + k_{p} e_{o} = 0$ (6)

式(6)表明如果适当选择反馈增益矩阵kv、kp,位置误差可以渐近收敛到零,即可以实现被动关节的位置跟踪控制。

当被动关节到达期望位置时,锁定被动关节,系统的动力学模型(式(2))转化为

$Μ_{a} (q) \ddot{q}_{a} + C_{a} (q, \dot{q}) + G_{a} (q) = Γ_{a}$ (7)

2 非脆弱保性能H∞控制器的设计

2.1 T-S模型的建立

系统(式(7))的T-S模糊模型描述如下:

Ri:if z1(t) is Ni1 and … and zl(t) is Nil

$t h e n \dot{X}_{1} = (A_{i} + Δ A_{i}) X_{1} + (b_{i} + Δ b_{i}) Γ_{a} (8)$

i=1,2,…,r

式中,Nij为模糊集合,j=1,2,…,l; $X_{1} = [q_{o}^{Τ} q_{a}^{Τ} \dot{q}_{a}^{Τ}]^{Τ}$ 为系统的状态;zj(t)为已知的前件变量;r为模型规则数;Ai和bi为适当维数的已知常数矩阵;ΔAi和Δbi表示系统的不确定性。

对所有的i,用中心平均法解模糊,可得系统模型:

$\begin{array}{l} \dot{X}_{1} = \frac{\sum_{i = 1}^{r} μ_{i} [z (t)] [(A_{i} + Δ A_{i}) X_{1} + (b_{i} + Δ b_{i}) Γ_{a} (t)]}{\sum_{i = 1}^{r} μ_{i} [z (t)]} = \\ \sum_{i = 1}^{r} h_{i} [z (t)] [(A_{i} + Δ A_{i}) X_{1} + (b_{i} + Δ b_{i}) Γ_{a} (t)] (9) \end{array}$

$μ_{i} [z (t)] = \prod_{j = 1}^{l} Ν_{i j} [z_{j} (t)]$

$h_{i} [z (t)] = μ_{i} [z (t)] / \sum_{i = 1}^{r} μ_{i} [z (t)]$

z(t)=(z1(t),z2(t),…,zl(t))

式中,z(t)为向量,其中的元素为已知的前件变量;Nij[zj(t)]为zj(t)对于Nij的隶属度,并且 $h_{i} [z (t)] \geq 0 ‚ \sum_{i = 1}^{r} h_{i} [z (t)] = 1$ 。

取 $X = [\begin{matrix} e_{o}^{Τ} & e_{a}^{Τ} & \dot{e}_{a}^{Τ} \end{matrix}]^{Τ} ‚ Q_{d} = [\begin{matrix} q_{o d}^{Τ} & q_{a d}^{Τ} & 0 \end{matrix}]^{Τ}$ 容易看出

X1=X+Qd (10)

将式(10)代入式(9)得

$\begin{array}{l} \dot{X} = \sum_{i = 1}^{r} h_{i} [z (t)] [(A_{i} + Δ A_{i}) (X + Q_{d}) + \\ (b_{i} + Δ b_{i}) Γ_{a} (t)] (11) \end{array}$

假定式(11)中的ΔAi和Δbi有界,且满足如下约束条件 $[\begin{matrix} Δ A_{i} & Δ b_{i} \end{matrix}] = D_{i} F_{1 i} [\begin{matrix} E_{1 i} & E_{2 i} \end{matrix}] ‚ F_{1 i}^{Τ} F_{1 i} - Ι \leq 0$ (文中,矩阵后的符号“>0、<0、≥0、≤0”分别表示矩阵正定、负定、非负定、非正定),其中,Di、E1i、E2i为反映系统不确定性结构的矩阵;F1i为具有Lebesgue可测元素的未知矩阵。将(Ai+ΔAi)Qd看作系统扰动ω,则系统模型可写为

$\dot{X} = \sum_{i = 1}^{r} h_{i} [z (t)] [(A_{i} + Δ A_{i}) X + (b_{i} + Δ b_{i}) Γ_{a} + ω]$ (12)

2.2 控制器的设计

采用PDC结构的模糊控制器,并考虑其脆弱性,有如下模糊控制规则:

Ri:if z1(t) is Ni1 and…and zl(t) is Nil

then Γa=(ki+Δki)X (13)

整个系统的反馈控制律为

$Γ_{a} = \sum_{i = 1}^{r} h_{i} [z (t)] (k_{i} + Δ k_{i}) X$ (14)

式中,ki为确定的反馈增益矩阵;Δki为控制器的参数变化,表示实现的不确定性。

考虑加法式增益摄动,即Δki=Df iEf iFf i,其中,Df i、Ef i为反映控制器不确定性结构的矩阵;Ff i为具有Lebesgue可测元素的未知矩阵,且满足FTf iFf i-I≤0。

则闭环系统全局T-S模型为

$\begin{array}{l} \dot{X} = \sum_{i = 1}^{r} \sum_{j = 1}^{r} h_{i} [z (t)] h_{j} [z (t)] {[A_{i} + \\ Δ A_{i} + (b_{i} + Δ b_{i}) (k_{j} + Δ k_{j})] X + ω} (15) \end{array}$

选被调输出φ(t)=X。

对系统(式(12))定义系统性能指标:

J=∫∞0(XTQX+ΓTaRΓa)dt

式中,Q、R为给定的正定加权矩阵。

在给出结论前先给出下列引理。

引理1[12](Schur补引理) 对给定的对称矩阵,其中S11为m×m维的矩阵。以下3个条件等价:

(1)S<0

(2)S11<0,S22-ST12S $_{11}^{- 1}$ S12<0

(3)S22<0,S11-S12S $_{22}^{- 1}$ ST12<0

引理2[12] 给定适当维数的矩阵Y、D和E,其中Y是对称的,则有

Y+DEF+ETFTDT<0

对所有满足FTF-I≤0的矩阵F成立,当且仅当存在常数ε>0,使得

Y+εDDT+ETE/ε<0

定理1 对于给定的系统(式(12)),式(14)的反馈控制律是一个非脆弱保性能H∞控制律,如果存在公共正定矩阵P和ki,使得下列不等式组成立:

θ=P-1Bi=kiθBj=kjθ

Uab=(E1iθ+E2iBj)T+(E1jθ+E2jBi)T

U*i=(Aiθ+biBi)T+(Aiθ+biBi)+εi1DiDTi

U*ij=(Aiθ+biBj)T+(Aiθ+biBj)+εij1DiDTi

U*ji=(Ajθ+bjBi)T+(Ajθ+bjBi)+εji1DjDTj

Uc=εij2biDf j+εji2bjDf i

Ud=εij2E2iDf j+εji2E2jDf i

i,j=1,2,…,r,且i<j

式中,εij1、εji1、εij2、εji2、εi1、εi2、ε′、γ为正常数,

下面给出定理1的证明。

取Lyapunov函数

V(X)=XTPX

则

$\begin{array}{l} \dot{V} (X) = \sum_{i = 1}^{r} h_{i}^{2} (Ψ_{1} - Q - k_{i}^{Τ} R k_{i} + ω^{Τ} Ρ X + X^{Τ} Ρ ω) + \\ \sum_{i < j, i = 1}^{r} \sum_{j = 1}^{r} h_{i} h_{j} (Ψ_{2} - 2 Q - k_{i}^{Τ} R k_{j} - k_{j}^{Τ} R k_{i} + \\ 2 ω^{Τ} Ρ X + 2 X^{Τ} Ρ ω) \\ Ψ_{1} = Q + k_{i}^{Τ} R k_{i} + A_{i i}^{Τ} Ρ + Ρ A_{i i} \\ Ψ_{2} = 2 Q + k_{i}^{Τ} R k_{j} + k_{j}^{Τ} R k_{i} + A_{i j}^{Τ} Ρ + Ρ A_{i j} + A_{j i}^{Τ} Ρ + Ρ A_{j i} \\ A_{i i} = A_{i} + Δ A_{i} + (b_{i} + Δ b_{i}) (k_{i} + Δ k_{i}) \\ A_{i j} = A_{i} + Δ A_{i} + (b_{i} + Δ b_{i}) (k_{j} + Δ k_{j}) \\ A_{j i} = A_{j} + Δ A_{j} + (b_{j} + Δ b_{j}) (k_{i} + Δ k_{i}) \end{array}$

当ω(t)为零矩阵时只需保证Ψ1<0,Ψ2<0,则

$\dot{V} (X) < \sum_{i = 1}^{r} \sum_{j = 1}^{r} h_{i} h_{j} X^{Τ} (- Q - k_{i}^{Τ} R k_{j}) X < 0$ (18)

由Lyapunov稳定性理论可知系统在无外部扰动时全局渐近稳定。对式(18)两边从t=0到t=T积分,因为系统渐近稳定,则X(∞)=0,所以我们可以得到J≤J*=XT(0)PX(0),即该控制律为非脆弱保性能控制律。

当ω(t)为非零矩阵时,对于给定常数γ>0,有

$\begin{array}{l} \dot{V} (X) + φ^{Τ} (t) φ (t) - γ^{2} ω^{Τ} (t) ω (t) < \\ \sum_{i = 1}^{r} h_{i}^{2} [\begin{matrix} X^{Τ} & ω^{Τ} (t) \end{matrix}] [\begin{matrix} Ψ_{1} + Ι & Ρ \\ Ρ & - γ^{2} Ι \end{matrix}] [\begin{matrix} X \\ ω (t) \end{matrix}] + \\ \sum_{i < j, i = 1}^{r} \sum_{j = 1}^{r} [\begin{matrix} X^{Τ} & ω^{Τ} (t) \end{matrix}] [\begin{matrix} Ψ_{2} + 2 Ι & 2 Ρ \\ 2 Ρ & - 2 γ^{2} Ι \end{matrix}] [\begin{matrix} X \\ ω (t) \end{matrix}] (19) \end{array}$

只需保证和,则

$\dot{V} (X) + φ^{Τ} (t) φ (t) - γ^{2} ω^{Τ} (t) ω (t) \leq 0$ (20)

对式(20)两端从t=0到t=T积分,可得

V(X)+∫ $_{0}^{Τ}$ [φT(t)φ(t)-γ2ωT(t)ω(t)]dt≤0

因为V(X)≥0,则

‖φ(t)‖2≤γ‖ω(t)‖2 (21)

即系统为H∞稳定的。

由引理1得,要保证和只需保证

因为PP>0则满足式(22)即可保证ψ1<0,ψ2<0,即满足式(22)则可保证系统是非脆弱保性能H∞稳定的。令Φ1=Ψ1+I+PP/γ2,Φ2=Ψ2+2I+2PP/γ2。

下面先求解Φ1<0成立的充分条件:

应用引理2和Schur补引理我们可以得到Φ1<0的充分条件为存在常数εi1>0,使得式(24)成立:

将式(24)分解,并再次应用引理2和Schur补引理可得式(24)成立的充分条件为存在常数εi2>0,使得式(25)成立:

将式(25)分解,并应用Schur补引理可得式(25)等价于:

${\bar{U}}^{'}_{i} = (A_{i} + b_{i} k_{i})^{Τ} Ρ + Ρ (A_{i} + b_{i} k_{i}) + ε_{i 1} Ρ D_{i} D_{i}^{Τ} Ρ$

式(26)两边分别左右乘diag(P-1,I,I,I,I,I,I,I),并令θ=P-1,Bi=kiθ,即得定理1中的式(16)。

下面求解使Φ2<0成立的充分条件。应用Petersen引理得

只需保证Φij<0且Φji<0便可以实现Φ2<0。与Φ1<0成立条件的求解过程相同,可以求得Φij<0成立的充分条件为存在常数εij1>0和εij2>0使得式(28)成立:

i,j=1,2,…,r且i<j

U*ij=(Aiθ+biBj)T+(Aiθ+biBj)+εij1DiDTi

kj=Bjθ-1

Φji<0成立的充分条件为存在常数εji1>0和εji2>0使得式(29)成立:

i,j=1,2,…,r且i<j

U*ji=(Ajθ+bjBi)T+(Ajθ+bjBi)+εji1DjDTj

ki=Biθ-1

式(28)与式(29)相加得到定理1中的式(17)。定理1得证。

3 仿真研究

为验证上述方案的正确性,本节对两连杆串联机械臂中第一关节为被动关节的情况进行仿真试验。两连杆串联机械臂动力学方程如下:

$\begin{array}{l} m_{11} = m_{1} L_{g 1}^{2} + Ι_{1} + m_{2} L_{g 2}^{2} + Ι_{2} + m_{2} L_{1}^{2} + \\ 2 m_{2} L_{1} L_{g 2} \cos q_{2} \\ m_{12} = m_{21} = m_{2} L_{g 2}^{2} + Ι_{2} + m_{2} L_{1} L_{g 2} \cos q_{2} \\ m_{22} = m_{2} L_{g 2}^{2} + Ι_{2} \\ c_{1} (q, \dot{q}) = - m_{2} L_{1} L_{g 2} \dot{q}_{2} (2 \dot{q}_{1} + \dot{q}_{2}) \sin q_{2} \\ c_{2} (q, \dot{q}) = m_{2} L_{1} L_{g 2} q_{1}^{2} \sin q_{2} \\ g_{1} (q) = - (m_{1} L_{g 1} + m_{2} L_{1}) g \sin q_{1} - m_{2} L_{g 2} g \sin (q_{1} + q_{2}) \\ g_{2} (q) = - m_{2} L_{g 2} g \sin (q_{1} + q_{2}) \end{array}$

式中,m1、m2分别为两杆的质量,m1=m2=1kg;L1、L2分别为两杆的长度,L1=1m,L2=2m;Lg1、Lg2分别为两杆的质心距,Lg1=0.5m,Lg2=1m;I1、I2分别为两杆的转动惯量,I1=0.083N·m2,I2=0.330N·m2。

针对此系统在控制的第一阶段,采用PD型计算力矩控制。控制器参数为kv=3,kp=5。

被动关节被锁定后,取z=|q1|/|q2|为前件变量,则可以构造如下T-S模型:

$\begin{array}{l} \begin{array}{l} R_{1} : i f z i s h_{1}, t h e n \\ \dot{X} (t) = (A_{1} + Δ A_{1}) X (t) + (b_{1} + Δ b_{1}) Γ_{a} (t) \\ R_{2} : i f z i s h_{2}, t h e n \\ \dot{X} (t) = (A_{2} + Δ A_{2}) X (t) + (b_{2} + Δ b_{2}) Γ_{a} (t) \end{array}} (31) \\ A_{1} = [\begin{matrix} 0 & 0 & 0 \\ 0 & 0 & 1.0000 \\ - 14.7325 & 29.5830 & 0 \end{matrix}] \\ b_{1} = [\begin{matrix} 0 & 0 & 6.0332 \end{matrix}]^{Τ} \\ A_{2} = [\begin{matrix} 0 & 0 & 0 \\ 0 & 0 & 1.0000 \\ - 7.8176 & 15.7068 & 0 \end{matrix}] \\ b_{2} = [\begin{matrix} 0 & 0 & 3.2029 \end{matrix}]^{Τ} \\ h_{1} (z) = {\begin{cases} 0 0 \leq z \leq 0.1 \\ 1 / 2 + \sin [\frac{π (z - 2.05)}{3.9}] / 2 0.1 < z \leq 4 \\ 1 z > 4 \end{cases} \end{array}$

h2(z)=1-h1(z)

描述不确定性的矩阵如下:

$\begin{array}{l} D = [\begin{matrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{matrix}] E_{11} = [\begin{matrix} 0 & 0 & 0 \\ 0 & 0 & 0 \\ 6.0 & 5.3 & 5.2 \end{matrix}] \\ E_{12} = [\begin{matrix} 0 & 0 & 0 \\ 0 & 0 & 0 \\ 4 & 6 & 2 \end{matrix}] E_{21} = [\begin{matrix} 0 & 0 & 8 \end{matrix}]^{Τ} \\ E_{22} = [\begin{matrix} 0 & 0 & 7 \end{matrix}]^{Τ} \end{array}$

假定控制器存在可加性摄动,并且选择描述不确定性的矩阵为

$\begin{array}{l} E_{f 1} = [\begin{matrix} 0 & 0 & 0 \\ 0 & 0 & 0 \\ 5 & 8 & 9 \end{matrix}] E_{f 2} = [\begin{matrix} 0 & 0 & 0 \\ 0 & 0 & 0 \\ 3.1 & 5.9 & 6.7 \end{matrix}] \\ D_{f} = [\begin{matrix} 2 & 5 & 3 \end{matrix}] \end{array}$

选取Q为3维单位阵,R取1,应用定理1解LMI可以得到非脆弱保性能H∞控制器的参数

$\begin{array}{l} k_{1} = [\begin{matrix} - 1274.5 & - 121.9 & - 397.9 \end{matrix}] \\ k_{2} = [\begin{matrix} - 436.9838 & - 42.5378 & - 136.6250 \end{matrix}] \end{array}$

由图1可以看出,控制的第一阶段在PD型计算力矩控制器的作用下,第一关节可以有效实现位置跟踪。在t=5s时对其进行制动,并采用基于T-S模型的非脆弱保性能H∞控制器,使第二关节实现位置跟踪。由图2可以看出,控制的第二阶段在基于T-S模型的非脆弱保性能H∞控制器的作用下,即使系统具有扰动且控制器参数发生摄动,第二关节仍然可以在很短的时间内有效的实现位置跟踪。

4 结束语

针对欠驱动机器人系统,将非脆弱控制、保性能控制以及H∞控制结合,提出了基于T-S模型的欠驱动机器人非脆弱保性能H∞控制策略并进行了仿真研究。仿真结果表明被动关节锁定后,当系统具有外部扰动和控制器参数不确定性时,在基于T-S模型的欠驱动机器人非脆弱保性能H∞控制律的作用下,第二关节能够实现位置跟踪。

改进的曲率驱动降噪模型篇3

图像与任何其他携带信息形式的数据一样, 在每张图片的信息可能受到噪声的影响。图像在获取、传输和存储的过程中都有可能混入噪声, 使图像模糊不清, 影响图像的分割、重建等后续处理。特别是在低照度环境下, 光波粒子较少, 不能在图像传感器的所有像素点产生有效的光电效应, 进而导致输出的图像与目标图像差别较大, 噪点较多, 这一点在移动通信设备上尤为明显。由于移动设备体积有限, 光圈进光量不足, 单像素传感器面积小, 导致移动设备对降噪算法依赖极大。

关于图像降噪的算法常见的有:中值滤波法, 均值滤波法, 双边滤波法, 最小均方差滤波等传统的滤波方法, 也有基于傅立叶变换的方法和小波变换方法。偏微分方程 (PDE) 自上个世纪80年代末开始被用于解决传统的计算机视觉问题, 近年来在图像去噪与修复等方向的应用中已经取得了不错的成果。

曲率驱动与边缘停止相结合的非线性扩散模型

偏微分方程是以运动的视角来处理图像问题, 起源于物理环境中热传导方程初始值问题:

其中表示拉普拉斯算子, 可以用高斯函数与初始图像的卷积来表示:

其中,

x和y方向上的等效宽度均为。

由于梯度算子有各向同性的特性, 而导致其在图像去噪过程中不能很好的保持边缘信息。为了解决由于该梯度算子各向同性所引起的问题, Perona和Malik提出了一种非线性的各向异性扩散的图像去噪模型P-M模型。P-M模型利用一个扩散系数函数替代高斯平滑滤波, 其模型为:

为了克服热方程各项同性模糊图像的问题, 以及达到对图像各区域内部平滑, 而边缘区域增强的各向异性扩散效果。P-M模型采用扩散系数函数用以判断算法在t时刻处理的图像区域为平坦区域还是边界区域。当处理区域为平坦区域时, 设定扩散系数为1, P-M模型退化为热方程, 模型进行平滑处理;当处理区域为边界区域时, 设定扩散系数为0。

随着对图像表征认识的深入, 人们逐渐认识到一阶微分量 (梯度) 并不是唯一的图像局部特征, 而二阶微分量中含有更丰富的局部信息, Alvarez, Lions和Morel提出了一种沿垂直于图像梯度方向的偏微分扩散方程, 模型为:

随后又有人对其作适当变换, 可以得到如下方向扩散模型:

其中表示曲率:

由于图像的任一水平集的曲率可以表达为 (1) 式, 方向扩散模型等价于对图像的所有水平集曲线C作曲率运动。这里的应使时值为0, 值较大时值为1, 即该方法平滑较大的等照度线, 保护较小的等照度线, 同时保护图像的边缘信息, 因此对梯度模值足够大的区域应该加以保护。

改进的曲率模型

弱光环境下采集到的图像有一个比较明显的特点是“暗斑”比较大, 这主要是由于光照不足, 从物体上返回的光波粒子不足以在感光器件上产生足够的电荷, 使得获取的图像与实际物体误差较大, 不能真实地反映现实世界, 故此有必要适当增强图像的强度弥补光粒子不足产生的偏差。

由上一节知, 曲率驱动与边缘停止相结合的非线性扩散模型对曲率较大的非边缘区域做平滑处理, 对区域边缘或曲率小的区域实施保护不做平滑处理, 但是该模型并没有对光照较弱的区域做强化处理, 于是加入强度补偿因子。

低照度环境的图像强度通常较低, 并且强度越低, 所需补偿越大;强度较大时不需要做补偿, 于是该因子需满足如下两个条件:

曲线如图1所示 (其中) , 由图可见该式满足上述条件。

加入强度补偿因子后得到如下模型:

图2为加入强度因子前后处理结果的直方图分析结果, 上图是引入强度因子前原模型处理后的分析结果, 下图为改进版模型分析结果, 上下两图对比可以看出加入强度因子后低强度像素明显减少。

由照度低引起的强度偏差得到了修正, 即与原图像的偏差被缩小, 因此用该方法降噪比原方法在信噪比的表现上也有一定程度提升。

实验结果

为了验证并比较本文提出的方法, 首先对图片进行了多种强度噪声的干扰。

由于处理的是弱光条件下的噪声, 这里添加的噪声均值和方差均较强, 混入不同强度噪声的噪效果如图3所示。

为了验证本文改进模型的效果, 采用多种降噪方法进行对比, 分别是中值滤波法, 双边滤波法, 和原曲率模型。

对加入µ=-10, σ=50噪声的图像进行降噪处理得到如图4所示结果。

从图4中可以看出本文方法在暗处对暗斑较少, 而亮处并无明显去斑处理, 符合预期。

为分析几种模型对图像强度分布的影响, 对以上结果进行直方图分析, 如图5所示。

由图5可见, 加入噪声后像素值较低的点大幅增多, 四种滤波方法均可不同程度的提升像素分布, 原模型由于曲率的作用, 对强度分布有较明显拉升, 低强度像素点大为较少, 改进的曲率模型在此基础上又有一定的提高。

下面采用PSNR峰值信噪比对模型降噪性能进行分析。

其中MSE为均方误差

表1是对不同强度噪声下四种处理方法的结果对比, 可以看出本文方法处理后PSNR较高。

结语

基于模型驱动的测试架构篇4

软件测试在软件开发中占有非常重要的位置。然而为缩短产品的开发周期,各商家又不得不从测试环节中节省时间。所以如何在确保软件质量的前提下缩短测试周期便成了各测试领域专家研究的重点。

随着UML 2.0 Testing Profile的发布,模型驱动测试作为一种全新的测试思想已由前期的理论探索论证转入了发展与实践阶段。模型驱动测试就是通过对SUT的功能与系统结构进行分析,然后结合测试策略构建起全面、清晰的测试模型,最后通过测试模型自动生成测试用例驱动测试人员完成SUT的测试。模型驱动测试的优点主要有两方面:

(1)测试模型为用户提供了更加清晰、准确和系统地测试设计;

(2)减少了测试用例的维护工作,实现了测试资源的重利用,有效缩短了测试周期。

1 基于模型驱动的测试架构

1.1 测试架构

MDT-TA(Model Drive Testing Testing Architecture)的系统结构如图一所示,该系统将所有模块分成三层。

(1)模型处理层---核心层

该层是整个测试架构中的核心层。在本层中提供可视化的建模工具来支持系统设计建模和测试设计建模。当系统模型设计完成后,“模型转换器”就可以根据模型转换算法自动将系统模型转换成测试模型。

(2)测试用例抽象层

为了增加本测试架构的扩展性,在本测试架构中提炼出了测试用例抽象层。该层根据已建立的测试模型和测试策略,自动生成测试逻辑和测试数据池,而不直接生成具体的测试用例脚本。具体的实现与执行将由测试人员根据系统的要求在第三层的用例实现与执行层进行适配。

(3)测试用例实现与执行层

有了测试逻辑和测试数据后,系统就可以根据SUT的特性选用一种最合适的测试语言生成具体的测试脚本实施测试。本层的功能就是用测试数据实例化测试逻辑从而形成测试用例,然后生成测试脚本。

1.2 模型自动转换技术

在文献[2]中描述“软件的测试内容与方法由被测系统决定”,文献[3]中则称“测试模型与系统设计模型之间有一种天然的联系”,由此可见测试设计模型与系统设计模型之间存在着一种强关联。本文的模型转换技术就是通过解析系统设计模型与测试设计模型之间的关联关系来实现从UML模型到U2TP模型的自动转换。图二展示了设计模型与测试活动的对应关系。

在UML建模语言中,用例是用来描述业务功能的,它的执行有明确的前因和后果事件,一般由几个有序的步骤来完成。由用例组合而成的用例图明确地划定了系统所能提供的服务(即系统功能),而系统序列图(用例描述中步骤的体现)则清晰地描述出了每一个功能的详细操作步骤和激励。本文的模型转换技术就是通过分析用例图和系统序列图来构建系统测试模型,其构建过程如图三所示。

生成测试系统模型的过程如下:

(1)根据用例图分析出所有的参与者;

(2)根据用例描述图分析出参与者的活动和系统活动;

(3)根据参与者活动和系统活动的基本流程和备选流程生成系统测试模型。

下面通过ATM系统的实现用例来演示模型转换技术,图四和表一分别为ATM机系统的用例图和用例描述表。

模型转换器通过扫描分析系统设计模型的MOF文件,得到当前系统的参与者和系统活动。然后将系统活动集转换成测试模型中的状态图,同时将参与者的活动转换成激励,每一状态迁移时输出的信息作为测试结果仲裁的输入。基于用例图自动生成的ATM系统测试模型如图五所示。在生成的测试模型中存在两个激励和三个观察点,通过对激励点的不同组合就可以完成对ATM系统查询功能的系统测试。

1.3 测试逻辑自动生成技术

为了实现与平台无关和提高系统的可扩展性,本文提出了“测试逻辑”的概念,其定义如下:

(1)有特定的测试目的且在当前测试中是唯一的;

(2)不含测试数据;

(3)是一系列有序的测试步骤集合。

测试模型生成测试逻辑的过程可以根据测试策略选用不同的算法来实现。本文结合深度优先算法和广度优先算法,从测试模型状态图的初始状态开始遍历,将遍历过程中产生的每一条完整的状态转换路径都记录下来,这样每一条完整的路径就是一个测试逻辑。算法描述如下:

第一步:检查出当前状态图的所有回路并在相应的节点做上标记;

第二步:采用深度优先算法打上一级步骤编号;

第三步:采用广度优先算法打上二级步骤编号;

第四步:根据编号生成测试逻辑。

1.4 测试数据自动生成技术

测试数据的好坏直接决定了测试用例的质量。测试数据如果过多,则会加重对测试资源的消耗(包括人力资源);如果过少,又有可能导致覆盖不全面,容易造成漏测。本文的测试数据自动生成技术是针对系统测试用例而提出的,所以它只关注激励数据而不关注程序实现本身。算法描述如下:

第一步:获取测试模型中的所有激励(即标识为“IN”的变量)与约束,约束即密码不能为空且为6位数字,不能以0开头。

第二步:根据激励的合法性约束划分出有效等价类和无效等价类的边界,如表二所示。

第三步(可选):如果激励的约束中确定了值的范围、个数或者先后顺序,则标识该激励的边界值,如表三所示。

第四步:根据Pair Wise算法,生成有效等价类解集和无效等价类解集。在生成的测试数据中,根据测试策略中的权值表(该表从XML模板文件中读取,表中的权值因测试的目的不同而判定每一级的条件不同。例如在性能测试策略中,靠近阀值或极限值的数据优先级别为最高;而在基本功能测试中,为上点、离点或内点的数据的优先级要高于阀值)设定每一个测试数据的优先级,如表四所示。

2 结论与展望

目前基于MDT-TA指导开发的全流程测试管理与执行工具Test Studio已进入用户体验阶段。从用户反馈的结果看,一方面证实了本架构在实现测试前移、缩短开发周期和降低维护成本的优势;另一方面也暴露出了本架构的不足之处:

(1)只能证实,不能证伪。如果系统设计模型错误,则测试模型无法自动检测出系统设计模型的错误。

(2)当前的UML语义还不足以完全地支撑测试模型中需要的信息。

(3)生成的U2TP测试模型可以非常方便地生成TTCN测试用例,但JAVA、C++语言的支持不够。U2TP模型中的部份概念无法直接转换成对应的JAVA或C++代码。

因此,下一步需要研究的重点主要是下面几个方向:

(1)研究测试设计模型的自动测试技术;

(2)扩展UML和U2TP语义,使其满足测试建模的需要;

(3)研究将状态图、类图生成测试模型的算法,使当前的测试模型不仅仅覆盖系统测试,而且还可以覆盖集成测试和单元测试;

(4)扩展测试逻辑和测试数据自动生成算法。

参考文献

模型驱动控制篇5

编译原理是计算机专业的一门重要专业基础课程,它的核心是研究计算机语言编译程序构造的基本理论和基本方法,通过该课程的学习有效帮助学生快速掌握计算机语言工具,深入理解计算机编程语言,并进一步增强学生软件系统设计与开发的能力。

本文以学生的课堂学习为出发点,以避免编译原理课程教学的复杂性和抽象性为直接目的,以提高学生学习编译原理课程的学习兴趣,形成良好学习氛围,培养学生的创新能力和实践能力为最终目的,研究以任务驱动为核心的编译原理课程教学模式,探讨教学实现方法,为编译原理课程教学提供有益的参考。

1 任务驱动教学模型原理研究

“任务驱动”起源于教育学领域的建构主义理论,它要求教师在教学过程中引导学生从实际问题出发,通过提出问题、分析研究问题、探索解决问题的方法进行学习。强调在教师教学的过程中,以一个或者多个具体任务为核心,学生通过对所提出的任务进行适当的分析、讨论,明确当前问题所涉及的新旧知识。并在教师的带领下,以一个共同的任务为驱动力,使学生在寻求问题答案的动机的驱动下,使学生能够进行自主探索和互动协作的学习,对课堂教学资源积极主动地实践应用,引导学生产生一种自主自愿学习的兴趣。通过帮助学生完成任务,达到向学生讲解教学内容并促进学生深入理解专业知识、学习专业技能的目的。

任务驱动教学的方法打破了常规的教学模式,它始终坚持“学习是学习者主动建构知识和经验的过程”的理论基础。采用分化知识结构、建立知识任务的教学模式,驱动学生建立明确的任务目标,自发主动地去学习新的知识,获取新的信息,并在完成任务后将零散的知识点集中串联,形成系统的知识理论。整个过程以任务为主线,以教师为主导,以学生为主体进行教学,使学生在原有课程理论知识以及实践经验的基础上对新的教学内容进行知识的重新建构,当新的知识与学生原有知识以及经验发生矛盾的时候,学生能够积极主动地对原有经验知识进行改造和重组,并通过自我调整使自身的知识水平发生新的、更高层次的转变。从而从整体上提高学生课堂学习过程中的针对性、目的性以及参与性,着力培养学生的自学能力、研究和分析问题的能力、动手实践的能力、相互协作解决问题的能力,同时也增强了教师教学过程中与学生的互动性和协作,形成良好的教学气氛。

2 编译原理教学中任务驱动模型的实现

本科编译原理教学的主要内容是计算机编译程序构造的基本原理、编译程序的基本设计方法以及编译程序的主要实现技术,相关知识存在抽象性强和复杂性高的问题。采用任务驱动教学模型开展本课程的教学,通过建立具体的任务实例,融知识于任务之中,通过相互协作、师生交流共同完成任务,可以规避枯燥的课堂教学,提高学生学习兴趣,建立教师教学与学生学习之间的和谐。

编译原理课程教学中任务驱动模型的应用和实现需要师生的共同协作与努力,以学生学习为核心,以任务为主线,教师的具体工作贯穿始终。整个教学过程的实现可以分为五个部分:

(1)任务的设计过程。任务的设计由教师紧密结合编译原理各部分的知识结构以及本班学生的共同特点设计完成。在编译原理课程教学过程中,任务的设计非常关键,是所有教学工作展开的基础,任务设计的好坏直接影响课堂教学效果。在任务设计过程中,教师不能孤立地设计任务,而应该和备课紧密结合,在认真钻研和分析编译原理大纲要求的基础上设计任务。从多角度考虑问题,设计任务既要激(下转第155页)(上接第141页)发学生兴趣、引起学生求知欲,又能使学生快速发现问题。

(2)任务的发起过程。任务的发起由教师发起,在发起过程中重在激发学生的兴趣。在编译原理教学过程中,任务的发起应该充分利用学生已有知识。比如可以利用“离散数学”、“数据结构”以及“计算机组成原理”等多门先修课程,让学生意识到编译原理能够解决其它课程具有相似性,并且能够解决其它课程所不能解决的问题,充分激发学生解决问题的主动性。

(3)任务的实施过程。任务的实施由教师和学生共同完成,教师起引导作用,掌控任务完成的方向和进度,根据任务大小的不同学生可以单独完成也可以分组完成,任务实施中重在教师与学生之间的交流协作。教师在编译原理任务驱动教学实施过程中要紧密结合知识体系的内部结构,启发学生掌握编译程序设计过程中各个部分的内在联系和规律,引导学生积极讨论,将编译原理课程中的抽象概念引导出来。鼓励学生相互协作、相互讨论完成任务,使学生在激烈的讨论以及与教师友好交流的过程中理解知识、掌握知识,提升教学效果。

(4)任务的验证过程。任务的验证可以结合例题和习题进行展开,既包含对任务中所涉及的编译原理基本理论的验证,也是对课堂教学效果的检验和验证。

(5)任务的总结过程。任务的总结起到对知识进行归纳整理的作用,既帮助学生梳理知识点,又启发学生对下一部分知识学习的兴趣,增强学生学习的信心。在总结过程中还要启发学生将编译原理中的算法、思想和实现技术应用于日常软件的设计实现中,提高学生的综合能力。

在编译原理任务驱动教学实施过程中,采用怎样的措施趋利避害,也是我们重点考虑的问题。在教学的具体实践中,还应该注意以下问题:编译原理课程的教师在任务设计时要使学生能完成、完成好,注意循环往复,不能影响学生的积极性;要让学生和教师互动起来,最大程度激发学生的潜能;在引导学生完成任务时要注意分层次、分目标地进行引导和启发,将枯燥转化为生动有趣,使学生乐于接受,形成编译原理学习的良性循环。

3 结束语

编译原理课程的任务驱动教学模式符合教育学中建构主义教学理论的基本要求。在教学过程中坚持以学生学习为核心,以任务为主线,以教师为主导的教学理念,教师的教学和学生的学习均紧密围绕任务的完成展开,教师的教学思路明确,学生的学习目标也更加具体化。能够有效摆脱编译原理课程传统的教学模式,调动学生学习的积极性、主动性,建立教师和学生之间的良好关系,明显提高教学质量,推动编译原理课程教学良性发展。

摘要：文章分析了目前本科编译原理教学中存在的问题,在分析任务驱动教学原理的基础上,研究了任务驱动下编译原理课程教学的有效方法,并指出在具体教学实践中应注意的问题,为增强编译原理教学灵活性,提高编译原理整体教学水平提供有益的教学模式参考。

关键词：编译原理,任务驱动,教学模式,建构主义

参考文献

[1]冯阿芳.基于建构主义理论的编译原理教学改革[J].继续教育研究,2009.8:149-150.

[2]沈来信,韩静,杨帆.编译原理课程的教学实践[J].黄山学院学报,2010.12(5):133-134.

模型驱动控制篇6

应用系统的规模和功能复杂性在逐年增加，特别是在企业级应用系统中表现的更加突出，中间件技术在解决企业应用系统不同信息管理系统的自治性，异构性，及其之间的交互性以及对以往遗留信息系统的支持方面作出了很大贡献。然而，随着多种中间件技术的兴起，带来了跨平台计算问题。为了实现不同中间件平台之间的集成和互操作，OMG (Object Management Group) 提出了标准的模型驱动架构MDA (Model Driven Architecture) [1]。MDA主要由三部分组成:平台无关的模型 (PIM) ，模型转换器 (MT) ，特定平台模型 (PSM) ，将系统的功能描叙及其系统具体平台上的实现分离开来，通过模型转换器实现系统模型到应用代码的转换。为了提高对分布式计算和信息系统集成领域的技术支持，OMG提出了功能更加完善的SOA (Service Oriented Architecture) ，服务作为一种平台无关，开放和自治的网络化构件，使分布式应用具有更好的复用性，灵活性和可扩展性等优势。伴随着应用系统的发展变化，为了满足软件工程人员对应用系统高质量的保证，软件测试技术也蓬勃发展起来，软件测试由最初的全手工输入的代码测试，到部分人工参与的半自动化测试及自动化测试 (主要是利用各种测试应用工具) ，以及近年来逐渐兴起的MDT (Model-Driven-Testing) 。随着可视化UML (Unified Modeling-Language) 建模工具描述功能的完善和各种功能测试工具的出现，加速了模型驱动测试方法学在现代软件系统的应用。模型驱动测试极大地减少了软件生命周期中软件测试阶段的人力劳动和测试时间，缩短了软件上市时间，提高了软件质量和开发效率。同时，模型驱动软件开发和测试方法学都是面向领域建模软件思想的应用，极大的提高了系统的复用性和软件开发的生产力。

关于模型驱动测试的研究颇多，其中以AGedis[2]项目研究成果最为突出，文献[3]提出了模型驱动测试开发方法学和产生了用于模型驱动测试开发的开发工具，文献[4]侧重于用于模型驱动测试开发工具体系架构的研究。虽然基于模型驱动测试的具体应用研究很广，但多数都是侧重于模型驱动测试建模的研究，很少有对模型驱动测试开发应用软件的研究。然而到目前为止，专门用于模型驱动测试软件开发的集成开发工具还没有出现，但应用于模型驱动测试各个开发阶段的商业工具却非常多，基于Eclipse架构面向模型架构软件开发和模型驱动测试的开源组件和插件工具的发布，使得模型驱动测试软件开发有了实践的平台。本论文就是利

用基于Eclipse架构的OAW和JUnit组件作为应用工具进行模型驱动单个服务测试的研究。下面将分两大部分来叙述：

2 面向服务架构测试概述

本文是对面向服务架构应用Service的模型驱动测试的研究，所以有必要在这里简单介绍些面向服务架构和服务及其测试的相关内容。众所周知，应用系统的测试过程包括下面三个过程：单元测试，集成测试和系统测试。由于面向服务架构的服务具有动态配置，灵活应用的特征，同时，组成应用系统的服务还可能由第三方服务生产厂方提供，这样使得面向服务应用系统的测试工作难度更大。为了确保应用程序能够按照预期定义的功能正常运行，我们必须首先对组成服务的单个服务独立进行测试 (即单元测试) ，然后对组成业务过程的服务集进行业务处理过程测试 (即集成测试，主要是对不同服务之间通信与协作的测试) ，最后对整个系统的功能进行测试 (即系统测试) 。面向服务是指在应用系统业务处理过程当中，系统的整个业务功能被合理的分解成具有一系列相互独立运行的组件 (即服务) ，所有的各种服务组成一个服务集合。服务是不依赖于计算机硬件平台，操作系统及系统开发程序语言的，同时又是异构的，自治的逻辑单元。而我们常提到的面向服务多数指面向web服务，实质上，这只是其得到广泛应用的一个领域，不能涵盖其所有内容[1]。面向服务架构是一种分布式，松耦合网络架构，在这里我们不对它进行详细全面的介绍，主要介绍其三个最重要标准组件：SOAP (SimpleObjectAccessProtoca-l) ，UDDL (UniversalDescription, Definition, an-dIntegration) ，WSDL (WebServiceDefinition-Lan-guage) 。由于本论文侧重单个服务的测试，我们将详细介绍WSDL内容，并在下面以作为案例的agiotagerServices (货币兑换服务) 进行描述，如下面程序所示。WSDL是一种基于XML的服务描述及服务如何被访问的定义语言，主要包括下面四个部分:端口类型 (portType) ，通信消息 (message) ，类型 (types) ，端口绑定 (bindings) 。在一个服务描述文件中，端口通过端口类型元素定义，端口元素描述了服务提供的操作;通信消息用于定义在服务提供方和服务使用方之间传递的各种消息;类型描述服务使用的数据类型，端口绑定描叙服务使用的通信协议。面向服务架构软件系统的单个服务测试包括下面三个方面的内容：1) 测试单个服务的所有服务端口;2) 测试服务端口上的所有操作;3) 测试所有操作使用的数据元素的正确性。

3 货币交换服务测试

模型驱动测试是指系统分析初期将软件设计需求分析书与测试规格说明书紧密结合起来产生行为模型，利用测试工具进行自动化测试的过程。系统需求分析说明书详细定义了系统的功能和系统中各参与角色业务活动，而测试规格说明书描述了系统测试需求及其定义了的一系列测试用例集。软件测试就是在测试规格说明书的指导下测试应用系统是否满足它在系统需求分析中的功能定义，并按照预期定义的结果进行显示。我们在这里将模型驱动测试过程划分为以下主要三个阶段：设计阶段，代码产生阶段，和运行阶段。在设计阶段生成测试规范抽象模型和转换模板，在代码产生阶段，通过采用代码产生工具 (如TGV, GOTCHA) ，将测试规范模型转换成测试代码。这两个过程是独立于特定平台，与开发应用系统的特定开发技术无关的。在测试运行阶段，则需要利用测试引擎 (如JUnit, Fitnesse) 去测试给定系统，即测试系统 (SUT) 。测试系统不单是指一个功能完整的应用系统，有时也可以指单个的功能模块，或单个的类，甚至类中的一个方法。由于测试系统体系架构，开发语言等的不同直接利用已有的测试引擎去测试各种测试系统是不可能的。这时，我们就需要在选定的测试引擎环境下定义适当的接口类，用于实现测试代码与测试系统之间的映射，即接口适配器。接口适配器对测试代码进行了封装。同时对在软件测试过程中生成的桩类和仿真类提供支持。在本文中，我们选取一个功能非常简单的货币兑换服务 (agiotagerServices) 来进行说明，按照前面描述的模型驱动测试的三个阶段分三个小节来详细说明单个服务的测试过程。该服务只有一个不同种货币进行兑换的方法，详细定义如上所示。

3.1 设计阶段

在这一阶段，我们根据测试系统需求分析说明书对系统测试进行设计，生成测试规范和测试代码产生模板。其中测试规范模型我们采用OMG对UML进行扩展的UTP (UML Testing Profile) 视图来描述模型驱动测试领域概念：测试系统 (SUT) ，测试上下文 (TestContexts) ，测试集 (TestSuit) ，测试用例 (TestCase) 。根据模型驱动测试的需要，在遵守U2TP协议的前提下，我们定义了构造型<>，即断言。它继承于元类<>，是模型驱动测试的重要组成部分。断言扩展了U2TP语义功能，用于判断测试用例在测试系统下能否通过测试。通过返回的布尔值指示测试成功或测试失败 (情况比较非常复杂，在这不做详细讨论) 。在本论文中，测试系统AgiotagerServices是一个只有一个方法的简单类，构造型<>用于表示一个包含零到多个测试用例 (TestCase) 的测试集，定义为AdiotagerTest类。测试用例 (TestCase) 是指测试系统待测试的方法，被定义成构造型类<>。每个测试用例都有其对应的行为视图，如顺序图或活动图。图1表示了货币兑换的顺序图。

测试用例集中定义的测试用例，在测试运行时通过消息机制依次调用测试系统的相应的功能函数。如在本案例中调用汇率转换器的方法adiotage (100, dollar, yuan, 6.795) ，汇率转换器的一个实例就被创建，它接收传递过来的实际参数，执行后将产生的结果传递到参与断言的实例中，参与断言根据预期设置的值判断该测试是否通过，输出测试结果。

3.2 测试代码产生阶段

测试代码产生阶段是利用前一阶段生成的测试模型和转换模板产生测试代码的过程。然而对于某些测试系统而言，由于产生的测试代码的不完备性，我们需在测试执行阶段定义一些特定数据结构 (如多维数组) ，保留特定的测试数据值和测试返回值数偶，用以对测试系统进行完备性测试。同时，测试系统本身功能复杂性和及其对测试模型和模板转换产生不同格式代码的多功能性，选择一个功能强大的测试生成工具就变得尤其重要。在本论文中，我们是利用OAW工具集来产生测试代码。如下所示。

我们可以看到，产生的测试代码是平台独立的。测试集中每个测试用例对应其中一个测试方法，由@Test符号引导。每个测试用例包括两个部分：定义块和消息块。定义块引用了参与该测试用例顺序图所有类，在需要时创建所需的对象实例。消息块表示测试用例顺序图参与角色之间调用消息及其传递测试结果的断言。

3.3 测试运行阶段

测试运行阶段是模型驱动测试的最后一个环节，可以执行在不同平台上。由于通过测试生成工具产生的测试代码是不能在测试引擎环境中直接对测试系统进行测试，这就需要我们编写相应的接口适配器。在这里我们选择JUnit作为测试引擎，故而我们采用Java语言依照测试代码编写agiotagerServices服务接口适配器文件，部分代码如下所示：

测试适配器文件用于对远程方法调用进行打包，有时也可用于对测试用例初始化进行打包，如数据库初始化代码或者对复杂测试状态判断的预期值的设定。接口适配器在测试阶段的早期，如果测试系统没有被完整的测试，我们还可以通过接口适配器文件中添加测试内容对其进行补充测试。当然，测试代码的缺陷我们主要还是通过修改测试模型和测试模板从整体上来进行改进，这也正是模型驱动测试的优势所在。在软件测试运行过程中，对于复杂的活动图，需要根据测试系统的要求，定义参与活动的服务角色桩模块。在agiotagerServices测试运行过程中，通过在agiotagerServices有目的的修改agiotageTest (float:, enum:, enum:, float:) 方法的参数变量，出错部分都能正确反映输出的断言中。

4 结束语

本论文通过一个简单的货币兑换服务，结合模型驱动测试方法学和面向服务架构，对单个服务如何进行模型驱动测试软件开发过程进行了详细阐述，为模型驱动测试应用系统开发提供了借鉴作用。然而，本论文主要侧重于单个服务的功能测试，而且测试系统简单，没有考虑测试系统内部功能模块及其业务数据结构的复杂性。特别是如何对不同服务组成的业务处理服务集合进行的集成测试，对其的实用性研究还有待后续深入。

参考文献

[1]鲍志云.解析MDA[M].人民邮电出版社, 2004.

[2]http://www.agedis.de.

[3]Alan Hartman, Kenneth Nagin.Model Driven Testing-AGEDIS Architecture Interfaces and Tools.IBM Haifa Research Laboratory.

品牌忠诚度驱动模型的研究与应用篇7

对企业来说,他们理解并衡量品牌忠诚度时,所面临的最大挑战是如何找到一种方法可以精确地预测消费者未来的行为。只有当强烈的忠诚感可以转变为忠诚的购买行为时,这种方法才能得到认可。企业最关键的是如何将上述两种品牌忠诚度观点的不同研究方法有效地结合起来,达到成功地预测消费者购买行为的目的,由此引入了品牌忠诚度驱动模型。

一、品牌忠诚度驱动模型的价值

如果企业的营销思路和消费者的心理存在较大的差距,那么企业的营销活动就没有达到预期的效果。而引入了品牌忠诚度驱动模型就可以解决这个问题。首先,品牌忠诚度驱动模型将营销活动和消费者所经历过的营销事件结合在一起,提供了一种对消费者行为全面诊断的结构性框架,并以此来进一步研究消费者是如何看待品牌而品牌又是如何打动消费者的。它大量分析了消费者在做出购买决策时所要面对的心理和物质方面的影响,达到准确预测消费者将来购买行为的目的。其次,品牌忠诚度驱动模型可以通过分析消费者的行为,为每个品牌建立一个品牌许诺图,评价出不同消费者对不同品牌的忠诚度的高低,以及影响忠诚度高低的主要因素,让企业对市场现状有个全面的了解。最后,品牌忠诚度驱动模型还可以帮助企业在提高消费者忠诚度和争取最有价值的消费者等方面制定最佳的策略。

二、品牌忠诚度驱动模型的模式

根据上图,品牌忠诚度的驱动因素包括品牌的相对价值和惯性两个方面。品牌的相对价值是消费者认为这个品牌所具有的让他们保持忠诚度或说服他们转向购买这个品牌的独特的利益。而惯性是制约消费者转换品牌的一系列影响因素。通过对品牌的相对价值和惯性两方面的深入研究,可以预见到消费者未来的消费行为。

1、品牌相对价值。

在市场中做购买决策的消费者,他们的购买行为一定会受到他们对所有竞争品牌价值知觉的影响。消费者对市场上各竞争品牌的价值知觉受到三个方面因素的影响:品牌的亲和力,品牌的功能表现,品牌的知觉价格。(1)品牌的亲和力。品牌的亲和力是指它对消费者的亲近程度,涉及权威、认同和认可三方面的内容。品牌通过建立长期的信誉和领导地位,以及给予消费者的信赖感和创新性,从而导致消费者对品牌的信任和尊重,满足了消费者融入主流社会的心理需求,也使得消费者对这个品牌的认同和认可程度相当高。(2)品牌的功能表现。尽管品牌的亲和力能使它与众不同,但它的功能特征也是非常重要的。如果品牌的质量和服务很差劲,消费者就会很失望并迅速离去。(3)品牌的知觉价格。品牌的知觉价格就是消费者认为该品牌物有所值的价格。一个品牌如果比其他品牌能够提供更多的功能和服务,尽管它价格昂贵,但是也是物有所值的,也能为消费者所接受。

2、惯性。

惯性有助于我们了解影响顾客转换品牌的原因。惯性主要由经验、信心和障碍三个方面构成。惯性可能会影响消费者作出理性或非理性的选择。首先,惯性与消费者个人的心理倾向和目前境况有关,面对变化,每个人的态度都是不同的,有的人渴望,有的人厌恶;即使是同一个人,在不同的情况下也会有不同的反应。这就导致了不同的消费者有不同的惯性。其次,惯性也可能来自对未来不可预测因素的忧虑。由于市场信息的不对称,消费者不愿意冒险从现有品牌转换到相对价值更高的其他品牌。但是在有些情况下,惯性却产生相反的效果,它让消费者哪怕对现有品牌十分满意也倾向于转换而不是保留原品牌。当消费者面对科技含量更高的新产品和层出不穷的促销活动时都倾向于转换品牌,原因是消费者认为新产品的创新价值高,同时容易受有促销活动的品牌的影响,可能变成持续的转换者。品牌忠诚度和品牌的相对价值与惯性是相互作用和影响的。品牌的相对价值和惯性决定了品牌忠诚度的高低,同时,品牌忠诚度又会对品牌的相对价值和惯性产生推动和促进作用,消费者对该品牌的忠诚度越高,就会推高它的相对价值,同时也会加深选择的惯性,因此二者是相辅相成,互相影响的。

三、品牌忠诚度驱动模型的输出结果

品牌忠诚度驱动模型的主要输出结果以品牌许诺图表示。品牌许诺图的横坐标是品牌相对价值,纵坐标是惯性水平。品牌许诺图可以将所有消费者划分为四类,使企业很好地了解他的顾客以及竞争对手的顾客,以便企业能够恰当地做出营销决策。

(1)区的消费者称为热情的粉丝。这部分消费者认为现在的品牌价值相对价值较高,而且他们的购买惯性也较高,因此他们是品牌忠诚度高的消费者,会持续稳定地购买品牌。如果一个品牌的顾客大部分落在第一象限,该品牌就处于优势地位,它只需维持它的高价值、高惯性水平就可以维持顾客的忠诚度。

(2)区的消费者称为忧郁的囚徒。这部分消费者认为现有品牌价值相对竞争品牌价值较低,但是他们却具有较高的购买惯性。因此,他们目前处于一种相对稳定状态,不会轻易购买其他品牌。然而一旦环境发生变化,他们就有可能转移购买的方向。如果一个品牌的顾客大部分落在这个区间,而该品牌又不能改善它的品牌价值,一旦消费者惯性降低,将产生很大的麻烦。

(3)区的消费者称为移情别恋者。这部分消费者认为现有品牌价值相对于竞争品牌价值较低,而转移惯性购买障碍相对较小。这部分消费者随时可能会转向其他品牌。因此,品牌的所有者应该对其给予足够的重视,采取策略提高它在消费者心中的价值,同时提高消费者转移购买的障碍。如果一个品牌的顾客大部分落在这个区间,企业就应该想方设法彻底改进它的产品或服务,或者是逐渐提高顾客的转移惯性。

(4)区的消费者称为我行我素者。这部分消费者认为现有品牌价值相对竞争品牌较高,而转移惯性相对较小。这个群体在购买产品时完全是遵从内心的意愿,转移概率一般。如果一个品牌的顾客大部分落在这个区间,品牌所有者就需要通过改善营销活动来不断增强品牌吸引力,同时考虑提高顾客的惯性水平。

四、品牌忠诚度驱动模型的应用

选择5家保险公司对同一险种的品牌忠诚度进行研究,研究的主要内容包括:影响保险险种品牌忠诚度的主要因素;险种品牌忠诚度水平;提高险种品牌忠诚度的措施。运用品牌忠诚度驱动模型得到的主要结果是:驱动保险险种品牌忠诚度的主要因素是惯性,其对忠诚度的贡献率高达80%,品牌相对价值贡献只有20%,在惯性的3个因素中,经验和信心是最重要的,对忠诚度的贡献分别为35%和32%,而障碍对忠诚度的贡献只为13%。

以保险公司A为例,虽然其险种品牌的忠诚度指数为111,高于平均水平,但从表2上可以知道,它拥有如此高的忠诚度指数并不是由于拥有大量的热情粉丝(比重只占14.4%),而是忧郁的囚徒占的比重较大(55.56%)。这部分数量众多的囚徒由于具有较高的购买惯性,即使现有品牌价值比竞争品牌价值较低,他们也暂时不会转移。然而,不排除一旦环境发生变化,目前稳定的局面就会被打破,可能出现纷纷投向其他品牌的现象。对于保险公司A而言,目前最重要的就是尽最大能力改善其服务质量,尽可能将忧郁的囚徒转变为热情的粉丝,把移情别恋者转变为我行我素者,巩固和提高顾客忠诚度。

此外,保险公司A最大的竞争对手是保险公司D,它的忠诚度指数为96,不仅大大低于保险公司A的忠诚度指数,而且低于行业平均水平,但是它的热情的粉丝所占的比重是最高的(15.56%),忧郁的囚徒所占的比重在5家保险公司中也是处于较低的水平,其最大的劣势是移情别恋者所占的比重较高(48.89%)。这对保险公司A来说是一个极佳的切入点,保险公司A应该把这部分顾客作为营销的重点对象,研究他们的特点,制定合适的营销策略,把他们吸引过来并培养成自己的忠诚顾客,提高本公司忠诚度的质量。

对于保险公司B和保险公司C而言,他们的忧郁的囚徒的比重(分别为51.11%和53.33%)和保险公司A(55.56%)接近,移情别恋者的比重(分别为26.67%和31.11%)也和A(26.67%)相当接近,这说明保险公司A在这两类消费者上和B与C面临同样的困境,A必须要比B和C更迅速地制定出适宜的策略,扩大热情粉丝的比重,减少忧郁的囚徒和移情别恋者的比率,才能比B和C更快地胜出。

保险公司E对保险公司A没有构成大的威胁,保险公司E的忠诚度指数不但是最低的,而且它的移情别恋者的比重在所有公司中是最高的。保险公司A要认真分析E公司这部分顾客的需求和心理,在其他公司行动之前快速出手,采取针对性的措施,把他们吸引到本公司来。

参考文献

[1]Gustafsson A,Herrman A,Hunber F.Conjoint Measure-ment:Method&Application.Berlin Heidelberg:pringer-Verlag,2000.

[2]Aaker Jennifer.Dimensions of Brand Personality.Journal ofMarketing Research,1997.

[3]David A Aaker.Building Strong Brands.Simon&SchusterInc,1996.

【模型驱动控制】推荐阅读：

事件驱动模型07-11

驱动力模型09-28

矢量控制驱动05-16

同步驱动控制05-17

OLED驱动控制08-05

控制驱动一体化09-07