基亏PLC的多变量广义预测控制模块设计

合集下载

《2024年多变量系统的组合模型预测控制研究及软件设计》范文

《多变量系统的组合模型预测控制研究及软件设计》篇一一、引言随着现代工业系统的复杂性和不确定性日益增加，多变量系统的预测和控制问题变得越来越重要。

多变量系统通常涉及多个相互关联的变量，这些变量之间的相互作用和影响使得系统的预测和控制变得复杂。

为了解决这一问题，本文研究了多变量系统的组合模型预测控制方法，并设计了相应的软件系统。

二、多变量系统的组合模型预测控制研究1. 模型构建多变量系统的组合模型是解决多变量系统问题的重要手段。

本文首先通过分析多变量系统的特点和要求，确定了合适的模型构建方法。

通过综合考虑系统的动态特性、静态特性和非线性特性，建立了基于多变量系统的组合模型。

2. 预测方法预测是多变量系统控制的关键环节。

本文研究了多种预测方法，包括基于时间序列的预测、基于机器学习的预测等。

通过对比分析各种预测方法的优缺点，确定了适合多变量系统的预测方法。

同时，为了提高预测精度，本文还研究了预测模型的优化方法。

3. 控制策略控制策略是多变量系统组合模型的核心。

本文研究了多种控制策略，包括基于规则的控制、基于优化的控制等。

通过分析各种控制策略的适用范围和效果，确定了适合多变量系统的控制策略。

同时，为了实现更好的控制效果，本文还研究了控制策略的优化方法。

三、软件设计为了实现多变量系统的组合模型预测控制，本文设计了一套软件系统。

该软件系统包括数据采集、数据处理、模型构建、预测和控制等模块。

1. 数据采集模块数据采集模块负责从多变量系统中获取数据。

该模块通过传感器、仪表等设备采集系统的实时数据，并将数据传输到数据处理模块。

2. 数据处理模块数据处理模块负责对采集到的数据进行预处理和特征提取。

该模块通过算法对数据进行清洗、去噪、归一化等处理，提取出有用的特征信息，为后续的模型构建和预测提供支持。

3. 模型构建模块模型构建模块负责构建多变量系统的组合模型。

该模块根据数据处理模块提供的数据和特征信息，构建合适的模型结构和参数，为后续的预测和控制提供支持。

基于动态优化的多模型广义预测控制器设计

动。通过仿真验证了该方法的可行性和有效性。
关键词：多模型；分层式；广义预测控制；动态优化；经济性能中图分类号：ＴＰ２７３文献标志码：Ａ文章编号：１６７１—７１４７（２０１３）０５—０５４８—０５
利益最大的关键变量设定值；下层结构中义
预测控制器追踪上层得到的设定值，即采用多个固定模型和自适应模型并行辨识系统的动态特
性，提高系统暂态性能和模型参数跳变时系统的调节能力；底层为ＰＩＤ控制器用于抑制过程中的扰
（１．ＫｅｙｌａｂｏｒｔｏａｒｙｏｆＡｄｖａｎｃｅｄＣｏｎｔｒｏｌａｎｄＯｐｔｉｍｉｚａｔｉｏｎｆｏｒＣｈｅｍｉｃａｌＰｒｏｃｅｓｓｅｓ，ＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎ，ＥａｓｔＣｈｉｎａ
ｏｐｔｉｍｉｚａｔｉｏｎｏｒｆａｎｉｎｄｕｓｔｒｉａｌｃｏｎｔｒｏｌｐｒｏｃｅｓｓｗｉｔｈｊｕｍｐｉｎｇｐａｒａｍｅｔｅｒｓ．Ｆｏｒｔｈｅｅｃｏｎｏｍｉｃａｌｍｏｄｅｌｐｒｅｄｉｃｔｉｖｅｃｏｎｔｒｏｌ
ｓｔｒｕｃｔｕｒｅ，ｔａｋｉｎｇｔｈｅｍａｘｉｍｕｍｅｃｏｎｏｍｉｃｂｅｎｅｆｉｔａｓｔｈｅｇｏａｌ，ｔｈｅｕｐｐｅｒｓｔｒｕｃｔｕｒｅｄｙｎａｍｉｃａｌｌｙｏｐｔｉｍｉｚｅｓｔｈｅｅｃｏｎｏｍｉｃ

多变量广义预测控制的快速算法

多变量广义预测控制的快速算法
金元郁; 庞中华; 崔红
【期刊名称】《《微计算机信息》》
【年(卷),期】2005(21)3
【摘要】针对传统广义预测控制算法的计算量大这一缺陷,通:过对未来的控制序列的离线近似计算,而只精确求解当前时刻要实施的控制量,提出了一种广义预测控制的快速算法。

该算法简单,适用于任意维输入任意维输出(ADIADO)线性系统。

由于不必求解Diophantine方程,并在求解逆矩阵时,降低了逆矩阵的维数,从而大大减小了在线计算量。

仿真结果证实了该算法有效性和实用性。

【总页数】2页(P38-39)
【作者】金元郁; 庞中华; 崔红
【作者单位】266042 山东青岛青岛科技大学自动化系
【正文语种】中文
【中图分类】TP13
【相关文献】
1.对角CARIMA模型多变量广义预测控制改进算法 [J], 李奇安;褚健
2.对角CARIMA模型多变量广义预测控制器系数直接算法 [J], 李奇安;褚健
3.基于遗传算法的多变量增量型广义预测控制 [J], 李奇安;邵明新;李悦
4.基于多变量广义预测控制算法的脱硝优化研究及应用 [J], 张晓东; 王鹏飞; 刘乐
5.基于多变量广义预测控制算法的两级过热汽温协调联动控制 [J], 仝声;刘乐;王鹏飞
因版权原因，仅展示原文概要，查看原文内容请购买。

广义预测控制 GPC

广义预测控制（GPC）GPC算法仿真被控对象模型动态矩阵控制算法的编程原理(1)(2)(3)(4)(5)(6)(7)GPC1.2.3.4.5.6.在线计算控制器参数d T7.得到控制增量?u(k)和控制输入u(k)＝u(k－1)＋?u(k)8.k+1?k，进入下一周期预测计算和滚动优化GPC程序：%Clarke广义预测控制（C=1）（对象参数已知）%N1=d、N、Nu取不同的值clearall；closeall;a=cell(1,2);b=cell(1,2);c=cell(1,1);d=cell(1,1);%对象参数symsk;k=length(k);endB阶次（因dgamma=1*eye(Nu);alpha=0.11;%控制加权矩阵、输出柔化系数L=600;%控制步数uk=zeros(d+nb,1);%输入初值：uk(i)表示u(k-i)duk=zeros(d+nb,1);%控制增量初值yk=zeros(naa,1);%输出初值w=10*[ones(L/4,1);-ones(L/4,1);ones(L/4,1);-ones(L/4+d,1)];%设定值xi=sqrt(0.01)*randn(L,1);%白噪声序列%求解多步Diophantine方程并构建F1、F2、G[E,F,G]=multidiophantine(aa,b,c,N);G=G(N1:N,:);endtime(k)=k;a=[10.8981];b=[9.99010.14142];c=1;d=1;y(k)=-aa(2:naa+1)*yk+b*duk(1:nb+1)+xi(k);%采集输出数据Yk=[y(k);yk(1:na)];%构建向量Y(k)dUk=duk(1:nb);%构建向量△U(k-j)elseif(300<k<=450)time(k)=k;a=[10.8838];b=[9.60410.34067];c=1;d=1;y(k)=-aa(2:naa+1)*yk+b*duk(1:nb+1)+xi(k);%采集输出数据Yk=[y(k);yk(1:na)];%构建向量Y(k)end%endYr=[yr(k+N1:k+N)]';%构建向量Yk(k)%求控制量dU=inv(F1'*F1+gamma)*F1'*(Yr-F2*dUk-G*Yk);%ΔUdu(k)=dU(1);u(k)=uk(1)+du(k);%更新数据fori=1+nb:-1:2uk(i)=uk(i-1);duk(i)=duk(i-1);enduk(1)=u(k);endendfunction[E,F,G]=multidiophantine(a,b,c,N)%*********************************************************** %功能：多步Diophanine方程的求解%调用格式：[E,F,G]=sindiophantine(a,b,c,N)(注：d=1)%输入参数：多项式A,B,C系数向量及预测步数（共4个）%输出参数：Diophanine方程的解E,F,G（共3个）%************************************************************* na=length(a)-1;nb=length(b)-1;nc=length(c)-1;%A、B、C的阶次%E、F、G的初值E=zeros(N);E(1,1)=1;F(1,:)=conv(b,E(1,:));elseend%求EendendG(j+1,na)=-G(j,1)*a(na+1);F(j+1,:)=conv(b,E(j+1,:));end仿真结果N=15Nu=5alpha=0.11N=10Nu=5alpha=0.11N=15Nu=3alpha=0.11N=15Nu=3alpha=0.31结论但可。

《2024年多变量系统的组合模型预测控制研究及软件设计》范文

《多变量系统的组合模型预测控制研究及软件设计》篇一一、引言随着工业自动化的快速发展，多变量系统的预测控制成为了当前研究的热点。

多变量系统通常涉及多个相互关联的变量，这些变量的复杂交互关系使得系统控制和预测变得极具挑战性。

为了有效解决这一问题，本文对多变量系统的组合模型预测控制进行了深入研究，并设计了一款针对该领域的软件。

二、多变量系统的特点与挑战多变量系统具有以下特点：1. 多个相互关联的变量；2. 复杂的交互关系；3. 动态变化的环境。

这些特点使得多变量系统的控制和预测变得极具挑战性。

传统的单一模型控制方法往往难以满足多变量系统的需求，因此需要采用组合模型预测控制方法。

三、组合模型预测控制研究本文提出的组合模型预测控制方法，旨在通过多种模型的组合，提高多变量系统的预测精度和控制效果。

主要研究内容包括：1. 模型选择：根据多变量系统的特点，选择合适的预测模型，如神经网络、支持向量机、模糊逻辑等。

2. 模型组合：通过加权、集成等方法，将多个模型进行组合，以提高预测精度和控制效果。

3. 优化算法：采用优化算法对组合模型进行优化，以适应多变量系统的动态变化环境。

四、软件设计为了实现多变量系统的组合模型预测控制，本文设计了一款软件。

该软件的主要功能包括：1. 数据采集与处理：采集多变量系统的数据，并进行预处理，以便进行后续的预测和控制。

2. 模型选择与组合：根据多变量系统的特点，选择合适的预测模型，并进行组合。

3. 预测与控制：利用组合模型进行预测，并根据预测结果进行控制，以实现系统的稳定性和优化目标。

4. 用户界面：提供友好的用户界面，方便用户进行操作和监控。

该软件的设计采用模块化设计思想，便于后续的维护和扩展。

同时，为了提高软件的性能和稳定性，采用了多种优化措施，如并行计算、缓存优化等。

五、实验与分析为了验证本文提出的组合模型预测控制方法及软件设计的有效性，进行了以下实验：1. 模拟实验：在模拟的多变量系统中进行实验，验证组合模型的预测精度和控制效果。

广义预测控制,算法及仿真实例

广义预测控制算法及实例分析一．广义预测控制算法1.广义预测控制的提出广义预测控制是预测控制中三种常见算法之一。

预测控制的提出并不是某一种统一理论的产物，而是源于工业实践，并在工业实践过程中发展和完善起来的一类新型计算机控制算法。

预测控制不会过分依赖被控对象的精确数学模型，能很好的应对工业对象的结构、参数的不确定性，且用工业计算机较容易实现。

2.广义预测控制的基本原理广义预测控制是预测控制中最具代表性的算法，他有三方面的特点：基于传统的参数模型，模型参数少；是在自适应发展过称中发展起来的，保留了自适应发展的优点且更具鲁棒性；采用多步预测、滚动优化、反馈校正更适于工业应用。

广义预测控制基本原理：预测模型、滚动优化、反馈校正预测模型：预测控制的模型称为预测模型。

预测控制对模型的要求只强调其功能而非结构，只要模型可利用过去己知数据信息预测系统未来的输出行为，就可以作为预测模型。

在DMC、MAC等预测控制策略中，采用了阶跃响应、脉冲响应等非参数模型，而GPC预测控制策略则多选择CARIMA参数模型。

滚动优化：预测控制是一种优化控制算法，通过某一性能指标的最优来确定未来的控制作用。

预测控制的优化标准不是采用一成不变的全局最优化目标，而是采用滚动式的有限时域优化策略。

优化不是一次离线进行，而是反复在线进行。

在每一采样时刻，优化性能指标只涉及到未来有限的时域，而到下一采样时刻，这一优化时域同时向前推移。

因此，预测控制在每一时刻有一个相对于该时刻的优化性能指标，即实现滚动优化。

反馈校正：预测控制算法在进行滚动优化时，优化的基点应与系统实际一致。

但作为基础的预测模型，只是对象动态特性的粗略描述，可能与实时状态不慎符合。

这就需要用附加的预测手段补充模型预测的不足，或对基础模型进行在线修正。

预测控制算法在通过优化确定了一系列未来的控制作用后，每次只是实施当前时刻的控制作用。

到下一采样时刻，则首先检测对象的实际输出，并利用这一实时信息对基于模型的预测进行修正，然后再进行新的优化。

广义预测控制在机组控制系统中的仿真研究

广义预测控制在机组控制系统中的仿真研究摘要：由于单元机组是一个复杂的系统，一般都存在着很大的延迟和惯性，被控对象具有不确定性和强耦合，常规的PID 控制器在处理大延迟对象上很难获得较好的控制效果。

我们将广义预测算法应用到机组控制中，利用MA TLAB 仿真，对响应速度和鲁棒性进行分析，通过比较仿真效果表明广义预测控制方法对系统具有良好的适应性和鲁棒性。

关键词：预测控制控制系统仿真0 引言广义预测控制（GPC ）是在最小方差控制的基础上，汲取动态矩阵控制（DMC ）和模型算法控制（MAC ）中的多步预测优化策略，随着自适应控制的研究而发展起来的一种预测控制方法。

此种控制算法的数学模型是通过推导控制律参数而获取的，在理论研究和实际应用中都得到了重视[1]。

本文采用广义预测控制算法对500MW 机组80%负荷点处定压运行进行仿真研究。

1 多变量广义预测控制算法预测控制算法是在工业生产过程和相关的理论知识结合的基础上提出来的，与传统的PID 控制方法相比较，预测控制算法具有自身的优越性。

广义预测控制具有预测控制算法的基本特征，因而具有优良的控制性能和鲁棒性，使系统的设计更加灵活，被认为是在复杂工业控制领域具有代表性的预测控制算法之一。

广义预测控制算法采用的预测模型是具有一定结构和参数的最小化模型，因此对系统输出进行预测时需要已知模型结构，这给预测模型的建立增加了难度，但所需确定的参数较少，减少了计算量。

在GPC 中，采用了最小方差控制中所用的受控自回归积分滑动平均模型来描述收到随机干扰的对象[2]∆+-=---)()()1()()(q A 111t q C t u q B t y ξ）（（1）其中cc b b a a n n n n n n q c q c c q A q b q b b q B q a q a q A ---------+++=+++=+++=...)(...)(...1)(11011101111式中，1q -是后移算子，表示后退一个采样周期的相应的量；11--=∆q 为差分算子；）（t ξ是一个不相关的随机序列，表示一类随机噪声的影响。

多变量广义预测控制

多变量广义预测控制
在线估计参数的控制方法
01 背景
目录
02 多变量控制
03 广义预测控制
04 算法的改进
05 控制系统的分析
多变量广义预测控制（Multivariable generalized predictive control ）具有多个输入量或输出量的采用传统的参数模型(如CARIMA模型)，参数的数目较少，对于过程参数慢时变的系统，易于在线估计参数的控制方法。
多变量控制
简介
优点
具有一个以上输入或一个以上输出的系统，在那里任一输入的变动产生来自一个以上输出的一个响应，叫做多变量系统。一般说来，会有m个输入和l个输出，如图1所示。如果了l=m，这系统叫做方形系统。
图1
如果任一输入的变动产生来自一个以上输出的一个响应，那么这是由于系统中某种内部耦合或传输通路引起的，通常，当处理一个特定输入时，一个特定的系统输出端会比其他输出端起更大的响应，其他输出端对这个物入变动的响应叫做交互作用。
控制系统的分析
稳定性分析
鲁棒性分析
当预测模型没有建模误差时， Clarke等人从状态空间的角度对 GPC的稳定性进行了分析，认为当开环系统能稳可测时，通过选择适当的参数，可以使闭环系统在有限时域内稳定，并产生稳定的状态最小拍控制；当预测长度趋近无穷大时，闭环系统稳定，但算法的计算量将随预测长度的增加而呈指数倍增长，这就要求预测长度在适当的范围之内，因此在一般情形下， GPC算法并不一定能保证系统的闭环稳定性。针对这个问题，众多学者进行了大量的研究，有些学者通过对算法的改进来保证系统的闭环稳定性，如上节中提到的各种稳定的广义预测控制算法；还有一些学者则直接从理论上来分析 GPC的稳定性，这些分析主要有两类：基于内模控制原理和状态空间分析。

PI型广义预测控制算法及其在温度控制中的应用研究

PI型广义预测控制算法及其在温度控制中的应用研究摘要广义预测控制(Generalized Predictive Control)是80年代产生的一种新型计算机控制方法是预测控制中最具有代表性的算法之一，它一出现就受到了国内外控制理论界和工业界的重视成为研究领域最为活跃的一种预测控制算法。

本文对广义预测控制理论进行深入研究，包括其基本理论、算法的优点及一些重要参数对系统性能的影响,使用Matlab和Visual Basic软件编写程序，实现PI型广义预测控制算法对工业过程常见的一阶、二阶带纯滞后对象的控制仿真，并将该算法应用于温度控制,得到了良好的控制效果.该算法对模型的精度要求不高，具有多步预测、滚动优化和反馈校正三个基本特征，具有优良的控制性能和鲁棒性，由于在优化中引入了多步预测思想，使其抗扰动及时延变化等能力显著提高。

主要工作内容如下:(1)研究了广义预测控制算法和传统的PID控制算法的原理，并分析比较了它们在实际应用中的优缺点。

(2)研究了基于GPC的PI型控制算法，将其应用于温度控制，并用MATLAB仿真，仿真结果表明，该算法在快速性和稳态性能方面均有较优秀的表现。

关键词:PI广义预测控制(GPC)，系统仿真，丢番图方程，温度控制THE STUDY OF PI TYPE GENERALIZED PREDICTIVE CONTROL AND ITS APPLICATION INTEMPERATURE PROCESSABSTRACTGeneralized Predictive Control (GPC), which appeared in 80’s, is a new type of computer control method and one of the most representative algorithm. It has received increasing attention in the field of control and industry.The generalized predictive control was researched in the paper concluding the basic theory, the advantage of the algorithm and the effect of some important parameters. Matlab and Visual Basic are adopted to programming. Furthermore, simulation research was done for the first order and the second order model of industry process. Also, the algorithm was applied on temperature process. GPC algorithm doesn’t depend on exact model, which has three characters in the forms of multiple forecasting, roll optimize and feedback correction. Meanwhile, it shows well qualities of control and great robust. The ability of disturbance rejection and time-varying restraining has been enhanced greatly with the multi-step forecasting concept. The main idea is as follows,(1) The principles of the generalized predictive control and the traditional PID control were analyzed, and their advantages and defaults in practice were compared.(2) The PI type generalized predictive control and its application in temperature control was studied. Matlab simulation research showed that the improved algorithm can obtain better control effect in both the response time and the steady-state performance.Key words: PI type Generalized Predictive Control , System Simulation,Diophantine Equation, Temperature Process目录摘要 ........................................................................ I ABSTRACT . (II)一、绪论 (1)1.1 先进控制发展概述 (1)1.1.1 先进控制的产生背景 (1)1.1.2 先进控制的种类 (1)1.2 预测控制发展概述 (4)广义预测控制发展概述 (5)二、PID 算法和仿真 (6)2.1 PID 算法 (6)2.1.1 对象辩识和初始参数整定 (8)2.2 PID 控制参数对系统性能影响 ........................................... 9 ．比例增益p K 对系统性能的影响 ....................................... 9 积分时间i T 对控制性能的影响 .. (10)2.2.3 微分时间d T 对控制性能的影响 (10)2.3 被控对象离散数学模型的建立 (10)2.4 PID 控制仿真 (13)三、广义预测控制基本算法 (19)预测模型 (19)3.2 j 步导前输出 (20)3.3 Diophantine 方程的递推求解 (21)3.4 多步输出预测 (23)最优控制率的计算 (24)系统的IMC 结构 (25)四、PI 型广义预测控制算法 (30)控制算法的推导 (30)4.2 简化控制算法的推导 (33)4.3 仿真研究 (35)4.3.1 主要调节过程及结论 (35)4.3.2 PIGPC 与PID 仿真结果比较 (37)4.3.3 PIGPC 的抗干扰性，随动性，鲁棒性 (37)4.3.4 比例因子P K 和积分因子I K (39)五、总结 (41)参考文献 (42)致谢 (44)附录 (45)一、绪论先进控制发展概述先进控制作为现今工业控制界的主要控制策略，经过了近半个世纪的发展才得以达到今天的发展水平。

《2024年多变量系统的组合模型预测控制研究及软件设计》范文

《多变量系统的组合模型预测控制研究及软件设计》篇一一、引言随着现代工业的快速发展，多变量系统的控制问题变得越来越复杂和重要。

多变量系统涉及到多个相互关联的变量，这些变量的相互作用和影响使得系统的控制变得复杂。

为了解决这一问题，本文将研究多变量系统的组合模型预测控制，并探讨其软件设计。

二、多变量系统概述多变量系统是指在工业生产过程中，涉及到多个相互关联的物理量或参数的系统。

这些物理量或参数可能包括温度、压力、流量、浓度等。

这些变量之间存在着复杂的相互作用和影响，使得系统的控制变得复杂。

多变量系统的控制需要综合考虑各个变量的影响，以达到最优的控制效果。

三、组合模型预测控制研究组合模型预测控制是一种基于数学模型的预测控制方法，通过建立多变量系统的数学模型，对未来时刻的输出进行预测，并根据预测结果进行控制。

该方法可以有效地处理多变量系统中的耦合问题，提高系统的控制精度和稳定性。

在研究过程中，我们首先需要对多变量系统进行建模。

建模的方法可以包括机理建模和黑箱建模等。

机理建模是通过分析系统的物理原理和化学反应等机理来建立数学模型，而黑箱建模则是通过收集系统的输入输出数据来建立数学模型。

在建立数学模型的基础上，我们可以利用组合模型预测控制方法对未来时刻的输出进行预测。

预测的结果可以用于指导控制器的设计，以达到最优的控制效果。

四、软件设计为了实现多变量系统的组合模型预测控制，我们需要设计相应的软件系统。

软件系统包括数据采集、数据处理、模型建立、预测控制和结果输出等模块。

首先，数据采集模块负责收集多变量系统的输入输出数据。

这些数据可以来自于传感器、执行器等设备。

其次，数据处理模块负责对采集到的数据进行处理和分析，包括数据清洗、特征提取等。

然后，模型建立模块根据处理后的数据建立多变量系统的数学模型。

这个数学模型可以是机理模型或黑箱模型等。

接着，预测控制模块利用数学模型对未来时刻的输出进行预测，并根据预测结果进行控制。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

（ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙｆＳｏｃｉｅｃｅｎａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ４３００８１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎｔｈｉｓｐａｐｅｒ，ａｕｎｉｖｅｒｓａｌｍｏｄｕｌｅｏｆｍｕｌｔｉｖａｉａｒｂｌｅｇｅｎｅｒａｌｉｚａｔｉｏｎｐｒｅｄｉｃｔｉｖｅｃｏｎｔｒｏｌａｌｇｏｉｒｔｈｍｉｓｄｅｓｉｇｎｅｄｆｏｒａｃｌａｓｓ
第２１卷第ｌ５期
Ｖｏ
ＥｌｅｃｔｒｏｎｉｃＤｅｓｉｇｎＥｎｇｉｎｅｅｒｉｎｇ
２０１３年８月
Ａｕｇ．２０１３
基于ＰＬＣ的多变量广义预测控制模块设计
ａｌｇｏｉｒｔｈｍａｒｅｐｒｅｌｉｍｉｎａｉｒｌｙｖａｌｉｄａｔｅｄｂｙｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓ．ＡｎｄｔｈｅｎｔｈｅｃｏｎｔｏｌｒｌｅｒｗａｓｉｍｐｌｅｍｅｎｔｅｄｉｎＳｉｅｍｅｎｓＳ７ — ３００ＰＬＣ
ＭｕｌｔｉｖａｒｉａｂｌｅｇｅｎｅｒａｌｉｚａｔｉｏｎｐｒｅｄｉｃｔｉｖｅｃｏｎｔｒｏｌｍｏｄｕｌｅｄｅｓｉｇｎｂａｓｅｄｏｎＰＬＣ
ＣＨＥＮＪｉｎｇ・ｚｈａｏ，ＬＩＵＢｉｎ，ＪＩＡＮＧＺｈｅｎｇ
ｕｓｉｎｇｔｈｅｓｔｒｕｃｔｕｒｅｄＣｏｎｔｍｌＬａｎｇｕａｇｅｉｎｆｏｍｒｏｆａｕｎｉｖｅｓａｒｌｍｏｄｕｌｅ．Ｆｕｒｔｈｅｍｏｒｒｅ，ｔｈｅｄｅｓｉｇｎｍｅｔｈｏｄｓａｒｅｇｉｖｅｎｂｙｅｘｐｅｉｍｅｒｎｔａｌｔｅｓｔｓ．Ｅｘｐｅｉｍｅｒｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓａｎｄｕｎｉｖｅｓａｒｌｎｅｓｓｏｆｔｈｅｐｒｅｓｅｎｔｅｄｍｏｄｕｌｅ．Ｋｅｙｗｏｒｄｇｇｅｎｅｒａｌｉｚａｔｉｏｎｐｅｄｒｉｃｔｉｖｅｃｏｎｔｒｏｌ；ｐｏｇｒｒａｍｍａｂｌｅｌｏｇｉｃｃｏｎｔｒｏｌｌｅｒ；ｓｔｒｕｃｔｕｅｄｃｒｏｎｔｏｌｒｌａｎｇｕａｇｅ；ｍｏｄｕｌｅ；ＩＥＣ６１１３１－３
陈景召，刘斌，蒋峥
（武汉科技大学信息科学与工程学院，湖北武汉４３００８１）摘要：针对工业过程中常见的非线性、慢时变及多变量耦合等系统，在西门子Ｓ７ — ３００ＰＬＣ上，设计了一款通用型多变量广义预测控制算法模块。首先。选取了一种广义预测隐式算法加以分析，初步验证了其控制性能和在ＰＬＣ上的可移植性：然后。采用符合ＩＥＣ６１１３１ — ３标准的结构化控制语言实现了ＰＬＣ平台上的算法模块编程；最后通过硬件ＰＬＣ结合工业组态软件的试验给出了模块应用于ＰＬＣ程序设计的一般步骤；试验结果验证了该模块的有效
性和通用性。
关键词：广义预测控制；可编程控制器；结构化控制语言；模块化；ＩＥＣ６１１３１ — ３
中图分类号：ＴＰ２７３
文献标识码：Ａ
文章编号：１６７４ — ６２３６（２０１３）１５ — ００７８－０３
ｏｆｎｏｎｌｉｎｅａｒ，ｓｌｏｗｖａｒｙｉｎｇａｎｄｍｕｈｉｖａｒｉａｂｌｅｃｏｕｐｌｉｎｇｐｏｃｒｅｓｓｅｓ．Ｔｈｅｃｏｎｔｏｌｒｐｅｆｒｏｒｍａｎｃｅａｎｄｐｏｒｔａｂｉｌｉｔｙｏｆｔｈｅｉｍｐｌｉｃｉｔ