1、概述

多变量控制系统:当被控参数和控制参数都不止一个,且每一个被控参数受多个控制参数的影响,每一个控制参数对多个被控参数有影响。

耦合:指在一个闭环系统中,当设定值x变动后,除了对应的输出变量y1响应外,其余的输出变量y2等也随之相应,这个过程就表明内部存在耦合现象,也称关联,响应程度表明耦合程度。

2、表示方法

传递函数阵:

机器学习解耦方法 解耦系统_控制器

 3、控制方法

(1)多变量方法:将系统作为一个整体系统,用状态空间方法,具体过程本文不加解释;

(2)解耦:将系统化为多个单输入单输出系统进行控制。

4、多变量系统的关联分析

有Bristol提出的相对增益概念用来衡量关联程度。

(1)相对增益

机器学习解耦方法 解耦系统_物理意义_02

ij:表示第j个输入u对第i个输出y的影响力。

机器学习解耦方法 解耦系统_控制系统_03

 代表只有第j个输入u对第i个输出y的控制能力。即在其他回路都是开环,第j个输入u对第i个输出y的增益。

机器学习解耦方法 解耦系统_控制系统_04

 代表维持其他y不变时,输入的支路对y i 的关联影响。即在其他回路都是闭环,第j个输入u对第i个输出y的增益。

相对增益讨论的是静态增益

计算过程如下:

机器学习解耦方法 解耦系统_物理意义_05

 

机器学习解耦方法 解耦系统_机器学习解耦方法_06

 (2)相对增益的物理意义和性质

物理意义:相对增益 

机器学习解耦方法 解耦系统_物理意义_02

ij 表明控制量uj对输出yi 的控制受其他回路影响的程度;性质: 

机器学习解耦方法 解耦系统_物理意义_02

ij 越接近1,表明受其他支路影响越小,越偏离1说明受耦合支路影响越大。

机器学习解耦方法 解耦系统_控制系统_09

(3)相对增益阵

特征:每行元素和为1,每列元素和为1。

相对增益的求法有三种:1)根据定义求;2)利用矩阵求--已知传递函数矩阵(高于二阶);3)根据物理关系求。

(4)相对增益的应用--变量配对

机器学习解耦方法 解耦系统_控制系统_10

例如:

 

机器学习解耦方法 解耦系统_物理意义_11

 5、解耦控制系统的设计

条件:被控参数的个数与控制参数个数相同;

变量配对:明确主控和耦合

解耦:假设原系统是:

机器学习解耦方法 解耦系统_解耦_12

 通过加一些装置,使得等效系统模型为对角阵。

机器学习解耦方法 解耦系统_控制器_13

此过程就是解耦。

以2×2的系统为例:

机器学习解耦方法 解耦系统_机器学习解耦方法_14

 若变量配对u1--y1,u2--y2,解耦前系统为:

 

机器学习解耦方法 解耦系统_物理意义_15

 解耦后:

机器学习解耦方法 解耦系统_控制器_16

 (1)系统完全解耦----对角阵法

机器学习解耦方法 解耦系统_物理意义_17

 

机器学习解耦方法 解耦系统_物理意义_18

 完全解耦装置设计----加解耦装置等效被控对象为对角阵

机器学习解耦方法 解耦系统_解耦_19

(2)单位矩阵法

 

机器学习解耦方法 解耦系统_机器学习解耦方法_20

 

机器学习解耦方法 解耦系统_解耦_21

 

机器学习解耦方法 解耦系统_控制器_22

(3)前馈补偿方法设计解耦装置

当u1配对控制y1时,u1对于y2就是扰动,那么针对u1的变化可以设计前馈装置,同样的u2对于y1也是如此。

机器学习解耦方法 解耦系统_控制系统_23

 特点:装置数减少( 2×2系统,前馈方法只需要2个装置,对角阵法需要4个装置)

也有可能物理不能实现(前馈的问题)

调和过程的解耦控制举例:

机器学习解耦方法 解耦系统_控制系统_24

 

机器学习解耦方法 解耦系统_物理意义_25

 

机器学习解耦方法 解耦系统_物理意义_26

 

机器学习解耦方法 解耦系统_解耦_27

 

机器学习解耦方法 解耦系统_机器学习解耦方法_28

机器学习解耦方法 解耦系统_机器学习解耦方法_29

 

机器学习解耦方法 解耦系统_控制系统_30

 

机器学习解耦方法 解耦系统_控制器_31

 

机器学习解耦方法 解耦系统_物理意义_32

 6、解耦控制中的问题

(1)实现问题(对角阵和前馈)

(2)对模型精度要求很高

(3)稳定性问题--负耦合一定要避免

(4)关联分析没有考虑动态耦合问题

机器学习解耦方法 解耦系统_物理意义_33