自适应控制器工作更聪明，而不是更困难

关键字 过程和高级控制 人工智能 控制软件 循环控制器 模型预测控制 神经网络

每个过程控制器都是“自适应的”，因为它会根据设定值和过程变量之间的误差变化而改变输出。然而，“自适应控制器”不仅可以调整输出，还可以调整其底层控制策略。它可以调整自己的参数或修改自己的控制律，以适应过程行为的根本变化。数百种自适应控制技术已被开发用于学术、国防和工业应用。然而，作为商业产品，很少有自适应控制器能够在过程运行时更新其控制策略。这些包括:

• 自适应资源的快速研究(匹兹堡，宾夕法尼亚州);

• 来自Foxboro Co. (Foxboro, MA)的Exact and Connoisseur;

• BrainWave来自Universal Dynamics Technologies (Vancouver, BC, Canada);

• CyboSoft (Rancho Cordova, CA)的CyboCon;

• Intune从ControlSoft(高地高地，OH)，和

• 来自knowdgescape系统(盐湖城，UT)。

PID问题

传统的非自适应控制器对于大多数工业过程控制应用来说通常是“足够好”的。普遍存在的PID控制器特别便宜和易于实现，其简单的控制策略使其相当容易理解和诊断，当它不能按预期执行时。然而，PID控制器还有很大的改进空间。调优后，它只能控制启动它的进程。如果进程的行为在启动后发生明显变化，控制器可能不再能够抵消干扰。如果进程行为与控制器原始调优之间的不匹配变得特别严重，闭环系统甚至可能变得不稳定。

对于时变进程行为的传统修复方法是，每当循环的性能下降时，重新开始并手动重新调整循环。这可能不是特别困难，但重复调优和重新调优循环可能是乏味和耗时的，特别是如果该过程需要几个小时来响应调优测试。如果流程的行为变化太频繁、太快或太多，甚至可能无法进行手动调整。

自适应控制的利弊

方便是用自适应控制器取代PID回路的最令人信服的原因之一。控制器能够不断地使自己适应流程的当前行为，从而减轻了在启动时和之后手动调优的需要。

自适应控制器在效率方面也优于固定参数控制器。它们通常可以更快地消除错误，波动更少，使流程更接近其约束条件——利润最高的地方。这在石油化工和航空航天等行业尤其有利，因为这些行业的每一分表现都是为了利润和安全。

另一方面，自适应控制器比传统的PID回路要复杂得多。需要相当多的技术专业知识来了解它们是如何工作的，以及当它们出现故障时如何修复它们。幸运的是，商业自适应控制器通常设计为使技术操作细节对用户透明。要使用它们，真的没有必要完全理解它们。尽管如此，当前自适应控制技术的一些基本特征仍值得进一步研究，尤其是在潜在用户决定采用哪种方法时。

基于模型的方法

可以说，最明显的自适应控制方法是采用几十年来用于设计传统固定参数控制器的基于模型的控制理论。其基本思想是使用流程的历史行为来预测其未来。历史行为由一个数学模型表示，该模型描述了流程的输入如何影响过去的输出。假设相同的关系将在未来继续适用，控制器就可以使用该模型来选择最有效地将流程推向正确方向的未来控制操作。

像Exact, BrainWave, QuickStudy和Connoisseur等基于模型的自适应控制器将这一概念进一步推进。当控制器在线时，它们使用之前记录的历史过程数据自动生成模型。与手工设计控制器相比，这不仅方便，而且允许对模型进行持续更新，因此在理论上，即使控制器的行为随时间变化，控制器也可以继续准确地预测过程的未来。

基本上有三种生成或的基本方法识别流程模型。它们是基本原理、模式识别和数值曲线拟合。

第一原理曾经是所有基于模型的控制器设计的基础。工程师会根据恰好适用于该过程的物理、化学或热力学定律，构造一个一阶或二阶微分方程来表示该过程的行为。

第一性原理模型在今天仍然被广泛使用，但是由于它们需要对流程的管理原则进行分析，因此它们不能自动生成。此外，一些现代工艺(特别是在石油化工和食品工业中)规模太大、太复杂，以至于它们的管理原则太复杂，无法用分析方法加以梳理。从过程的一般行为可以清楚地看出，它是由某种类型的微分方程控制的，但是从第一性原理中可能很难推导出模型的具体参数。

识别的其他方法

模式识别是处理这种情况的第一个备选方案之一。通过将过程数据中的模式与已知微分方程的相似模式特征进行比较，控制器可以为未知过程模型推导出合适的参数。这种模式可能包括当控制器试图抵消扰动时流程输出振荡的频率，或者当设定值降低时流程输出衰减的速率。

模式识别技术已经成功地将模型识别问题简化为数学问题，而不是物理原理问题，但它们也有其局限性。并不能保证该过程将演示控制器编程识别的模式。例如，精确控制器在扰动后查找进程输出中的衰减振荡。通过分析连续波峰和波谷之间的大小和间隔，推导出过程模型。但如果响应不是振荡的，或者振荡不衰减，它就必须求助于另一组专家规则来计算模型参数。

第一性原理建模的另一种替代方法是在严格的数值意义上计算最适合过程数据的通用方程的参数。这种经验模型很方便，因为它们不需要专门的技术知识来开发，并且可以在线更新以用于自适应控制目的。

曲线拟合的挑战

然而,这样的数值曲线拟合可能不能像第一性原理那样准确地捕捉过程的行为，特别是在测量噪声、频繁干扰或非线性行为存在的情况下。依赖经验模型进行自适应控制还有一个更潜在的风险。它可以完美地拟合数据，但仍然是错误的!

当输入/输出数据全为零而进程处于非活动状态时，这个问题很容易发现。任何方程都可以很好地拟合这些数据，因此建模操作可以简单地暂停，直到更有趣或持续的兴奋数据变得可用。真正的麻烦开始于进程变得活跃，但还不够活跃。在这些条件下，确定模型参数所必须解决的数学问题可以有多个解。更糟糕的是，控制器是否选择了正确的解决方案通常并不明显。

幸运的是，有一些方法可以解决持续激励问题。一些自适应控制器将简单地生成自己的人为干扰(通常是临时设定值更改)，以探测过程以获取有用的输入/输出数据。另一方面，QuickStudy使用了一种统计建模技术，旨在消除这种人工过程刺激的需要。它只利用从正常的闭环操作中获得的历史数据。

BrainWave和Exact控制器可以配置为对流程应用用户定义的步骤测试，或者只是等待自然发生的干扰。BrainWave也可以配置为添加伪随机二进制序列(白噪声的近似值)到现有的设定值。这种方法试图从流程中获取有用的数据，而不会过多地干扰正常操作。“Connoisseur提供了这三种选择。

更多的挑战

当输入/输出数据是平坦的，因为控制器已经成功地将过程输出匹配到设定值时，可能会出现相关的问题。如果在不活动期间发生了改变进程的事情，其后续行为可能与控制器预期的不同。除非控制器首先设法以某种方式收集新的过程数据，否则当下一次自然扰动或设定值变化出现时，它可能会完全措手不及。在能够重新控制流程之前，它很可能不得不花时间确定一个新的模型。在此期间，误差将继续累积，控制系统的性能将下降。它甚至可能变得不稳定，就像PID控制器的整定不再与过程匹配。

另一方面，这往往是一个自我限制的问题。由于这段时期控制不佳而导致的输入/输出数据的任何波动都将为建模操作提供丰富的数据。由此产生的模型甚至可能比它所取代的模型更准确，最终导致比以前更好的控制。

在控制器运行时对流程建模还会带来另一个微妙的问题。进程输入和输出数据之间的数学关系不仅由进程的行为决定，也由控制器的行为决定。这是因为控制器将流程输出测量值作为输入(在减去设定值之后)反馈回流程，这使控制律有机会在输入/输出数据上施加与流程本身行为无关的数学关系。

过滤帮助

因此，如果自适应控制器试图仅从原始输入/输出数据识别流程模型，则会得到不准确的结果。它必须考虑到控制器施加的输入/输出关系以及过程施加的关系。否则，得到的流程模型可能是控制器的负倒数。Connoisseur和QuickStudy通过统计过滤输入/输出数据来解决这个问题，从而区分控制器的影响和过程的影响。

然后是噪声和干扰对过程输出施加虚构模式的问题。流程上的负载可能导致输出度量的突然变化，即使流程输入没有改变。传感器噪声仅仅通过破坏传感器的测量值就能引起过程变量的明显变化。无论哪种方式，自适应控制器在噪声或扰动发生时收集输入/输出数据，都将得到过程行为的不准确图像。

大多数自适应控制器都像BrainWave一样，只在进程处于稳定状态时启动识别测试，也就是说，在它完成对最后一个扰动或设定值变化的响应之后。测量噪声的影响也可以通过对原始测量应用统计滤波器来减轻一个拉鉴赏家，或采用不受噪声影响的建模程序。

模范自由技术

尽管很流行，但基于模型的技术并不是实现自适应控制器的唯一手段。毕竟，创建模型实际上并不会向每个控制器收集的输入/输出数据添加任何新信息。它确实将原始数据组织成一种方便的形式，从中可以导出控制律，但是理论上应该可以将输入/输出数据直接转换为控制操作，而无需首先创建任何流程模型。

CyboCon跳过了建模步骤和所有随之而来的问题。相反，CyboCon在最近的错误中寻找模式。这学习算法产生一组增益或权重因素然后作为控制律的参数。它增加了已被证明在最小化误差方面最有效的权重因素，同时减少了其他因素。加权因子在每个采样间隔更新，以包括最后一次控制动作的影响和过程行为的最近变化。

可以认为，加权因子隐含地构成了另一种形式的过程模型，但它们通常不会收敛到具有任何特定物理意义的值。当流程的行为发生变化时，它们也会发生变化，但是它们的个人价值并没有其他意义。此外，控制律中的权重因子可以合法地收敛到0的值。事实上，每当这个过程变得不活跃时，它们就会这样做。这反过来又产生了零控制努力，这正是当误差已经为零时所需要的——没有干扰要抵消，也没有任何设定值更改要实现。

无模型的利弊

可以说，这种策略最重要的优势在于，它避免了困扰大多数基于模型的技术的良好建模与良好控制之间的权衡。当这个过程不活跃时，CyboCon就不会继续在平线数据中寻找意义。它只是试图不采取纠正措施，继续等待有趣的事情发生。

学者们也会欣赏CyboCon的作品闭环稳定条件，结果是很容易满足的。在这些条件下，CyboCon将始终能够在不导致闭环系统变得不稳定的情况下减小误差。

对于自适应控制器来说，这是一个很难做出的承诺。对于大多数基于模型的技术，可以指定最终找到准确模型的条件，以及一旦得到模型，闭环系统将如何表现。然而，当模型仍在开发时，通常不可能准确地确定闭环系统在过渡期间的行为(尽管BrainWave是一个显著的例外)。开发人员的鉴赏家认识到这一事实，并强烈建议建模进行离线，如果可能的话，或在密切的操作员监督下短期在线。

也许CyboCon最大的缺点是它几乎难以理解的控制策略。就连CyboCon的开发人员也无法准确解释它在每分钟都在做什么，因为它产生了每一次连续的控制努力。只有最终结果是可以预测的。此外，CyboCon的技术与经典甚至现代控制理论有很大的不同，只有少数学者，更少的实践工程师，真正了解它的工作原理和原理。大多数用户只能简单地假设它可以。

基于规则的技术

尽管基于模型的技术和无模型技术在使用过程模型方面有所不同，但它们在使用数学关系来计算控制操作方面是相似的。另一方面，基于规则的控制者使用定性而不是定量数据来捕捉过去的经验和过程历史。

从本质上讲，有两种方法可以使用专家规则进行自适应控制，这两种方法都是启发式的，而不是分析性的。像knowledgeescape这样的“专家操作员”控制器直接操纵执行器。它就像一个经验丰富的操作员，知道该打开哪个阀门，打开多少阀门。作为控制律的是规则，而不是数学方程。

像Intune这样的“专家工程师”控制器使用传统的控制方程，但根据一组专家规则调整其参数。这可以像将闭环齐格勒-尼克尔斯整定规则应用于PID控制器一样简单，也可以像在特定过程中经过多年试验和错误开发的国产整定方案一样复杂。这些规则结合了专家工程师的调优能力，而不是专家操作员手动控制过程的技能。

变化

这些规则的格式可以有很大的不同，尽管它们通常采用逻辑因果关系的形式，例如IF-THEN-ELSE语句。例如，冷却工艺的专业操作规则可能包括“如果工艺温度高于100度，则将冷却水阀门再打开20%。”专家工程师的规则可能是“如果闭环系统连续振荡，则将控制器增益降低50%。”

大多数专家系统控制器不是自适应的，因为编写它们的专家会修正它们的控制规则。理论上，在线修改或添加这些规则是可能的，但这需要专家的持续参与，而这不是自适应控制的重点。

另一方面，knowledgeescape可以在不改变其规则集的情况下进行适应。它使用了一个可预测的过程模型，以便规则可以应用于过程的未来以及当前条件。由于该模型可以使用最近的流程数据在线更新，因此knowledgeescape可以适应流程行为的变化。Intune还使用一组固定的专家规则，不直接操纵控制器的输出，而是调整传统控制器的调优参数。调优规则本身是允许控制器适应进程当前行为的通用元素。

基于规则的利弊

基于规则的控制器特别容易扩展和增强。可以添加或修改单个规则，而无需修改当前集合的其余部分。这通常不能自动完成，但它确实使基于规则的控制器变得灵活。此外，如果每个新规则本身都有意义，并且与任何现有规则不直接冲突，那么整体控制策略比同样复杂的基于方程的控制策略更容易验证。

扩展基于模型的控制器通常不那么容易，因为更改到新的模型格式通常需要从头开始(尽管BrainWave又是一个显著的例外)。基于规则的控制器还具有不受持续激励问题影响的优点，因为它们首先不需要过程模型。事实上，Intune的开发人员从基于模型的自适应控制策略发展到基于规则的自适应控制策略，很大程度上是为了避免在线流程建模固有的问题，同时也为了实现更高效、更可靠的调优。

然而，基于规则的控制的不精确性质是一把双刃剑。它使控制器摆脱了基于模型技术的一些数学限制，但也使稳定性和收敛性难以评估。没有成熟的数学原理来确定何时，如何，甚至控制器将能够抵消特定的干扰，无论是通过直接操作执行器或间接通过循环调整。

选择一个!

那么哪种自适应控制器效果最好呢?有些产品作为商业产品有较长的历史记录，有些具有吸引人的辅助功能，有些对特定的控制问题更有效，有些只是比其他产品更容易使用。不幸的是，这个领域还很年轻，还没有出现明显更好的技术。对于一项特定的工作来说，最佳的自适应控制器可能就是任何有效的控制器。

评论?给Vance VanDoren发邮件:controleng@msn.com

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。