买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西南石油大学

摘要：本发明提供一种笼套式电动节流阀阀门开度控制方法，其通过卡尔曼滤波器完成状态估计，状态估计后的结果分别用作模型预测控制器的其中一个输入，改进的RBF神经网络补偿器的输入以及与设定值进行对比后作为参考轨迹的输入，对比后的结果与补偿器的输出进行叠加作为模型预测控制器的另一个输入，经过模型预测控制器优化处理后输出控制量控制电机，从而达到控制阀门开度的目的。本发明通过将卡尔曼滤波器、改进的RBF神经网络以及模型预测控制器有效结合，解决了模型不精确的影响，提高了阀门开度的控制精度以及稳定性。

主权项：1.一种笼套式电动节流阀阀门开度控制方法，其特征在于，包括下列步骤：步骤1.状态估计利用位置检测变送器获得阀芯的位移，速度以及加速度并根据卡尔曼滤波算法对阀门的实际状态进行估计步骤1具体包括：步骤1.1.给定卡尔曼滤波器中的状态变量：位移pk，速度vk，加速度ak；ak作为控制量，xk为状态变量，令步骤1.2.给定卡尔曼滤波器中的状态转移矩阵和控制矩阵：由于vk＝vk-1+akΔT；则其中状态转移矩阵控制矩阵ΔT为时间间隔；步骤1.3.由步骤1.1和步骤1.2得状态预测方程为 其中为k时刻的先验估计值，为k-1时刻的先验估计值,由于预测中包含噪声，从而带来了不确定性，因此需对其估量；步骤1.4.给定先验误差协方差矩阵：包含噪声的状态方程为：xk＝Fxk-1+Bak+ωk-1；ωk-1为过程噪声，设定过程噪声ωk-1符合正态分布则其期望为0，其协方差矩阵为Q，将状态方程及状态预测方程代入中得先验误差协方差矩阵为： 为先验误差协方差矩阵，E为期望，其中为先验误差，即状态值与先验估计值之间的误差；步骤1.5.给定卡尔曼滤波器中的包含测量噪声的测量方程：类似于状态预测方程，测量方程中也存在着噪声带来的不确定性，则包含测量噪声的测量方程为： Zk表示为测量值，其中H为测量矩阵，为测量噪声，其期望为0；步骤1.6.后验估计方程：由于过程噪声与测量噪声都是不确定的，因此用来建模的状态预测方程和测量方程分别为： Zk＝Hxk；根据数据融合的思想知，后验估计方程为： 此时为最优估计值，其中Kk为卡尔曼增益；步骤1.7.卡尔曼增益以及更新误差协方差矩阵方程卡尔曼增益由得出，其中将后验估计方程及测量方程代入，并且求解的目标是寻找Kk使得估计值趋向于实际值，即寻找Kk使得trPk最小，即方差最小,最后整理得卡尔曼增益为： R为对应测量噪声的协方差矩阵，将卡尔曼增益代回中得更新误差协方差矩阵方程为： I为单位矩阵，Kk为卡尔曼增益，Pk为更新后的误差协方差矩阵；根据状态是否满足阀门开度控制要求判断任务是否结束，若没有结束，则根据当前状态，通过改进的RBF神经网络补偿器进行补偿，以模型预测控制器的输出量控制电机，从而完成对阀门开度的控制，并继续步骤1.2进行状态估计；步骤2.设计改进的RBF神经网络补偿器非线性部分通过改进RBF神经网络的学习算法，提高系统准确性，并用自身优异的逼近非线性且自调整的能力输出补偿量；步骤2具体包括：将K-means算法、减聚类算法以及粒子群优化算法融合作为RBF神经网络的学习算法，首先通过减法聚类算法确定聚类数和K-means算法确定初始聚类中心，再通过K-means算法获得RBF神经网络的所有参数，对其扩充作为初始粒子群，最后用粒子群优化算法进行优化获得最优解，并且通过RBF神经网络自身的逼近非线性及自调整的能力输出补偿量，从而达到非线性补偿的作用；步骤3.设计阀门定位的模型预测控制器以改进的RBF神经网络补偿器的补偿量和参考轨迹的输出量作为输入量；利用模型预测控制器输出控制量，最终根据模型预测控制器输出的控制量对阀门完成开度控制；步骤3具体包括：步骤3.1.估计当前系统状态量以及控制量并写成状态方程： xk＝[θk,pk,vk]T； 其中y表示输出，为纯拟合函数，θ为阀门开度，p为位移，v为速度，为电流；uk表示控制量，为k时刻的电流，θk为k时刻的阀门开度，pk为k时刻的位移，vk为k时刻的速度；将上式代入离散型状态空间表达式中，其状态方程为： 其中xk+1是k+1时刻的状态向量，uk是k时刻的输入向量，xk是k时刻的状态向量作为初始条件设定值，yk是输出向量，和分别是系统的状态矩阵、输入矩阵和输出量的系数矩阵，此时开度、位移和速度作为状态量，电流作为控制量；步骤3.2.确定预测时域和控制时域系统模型基于uk，uk+1，......，uk+N来进行最优化，在k时刻基于输入向量uk以及初始条件状态向量xk预测出下一时刻即k+1时刻的xk+1，从而预测出输出yk+1的值，同理在k+1时刻基于uk+1以状态向量xk+1预测出下一时刻即k+2时刻的xk+2，从而预测出输出yk+2的值，以此类推预测出yk+3，yk+4，......，yk+N-1的值，其中在k+N-1时刻基于输入向量uk+N-1以及状态向量xk+N-1预测出k+N时刻的xk+N，从而预测出k+N时刻的yk+N的值，令 其中Xk是基于k时刻的初始条件状态向量以及在k时刻预测出未来时刻的状态向量所组合的矩阵，Uk是基于k时刻的输入向量以及在k时刻预测出的输入向量所组合的矩阵，其中N为预测时域，N＝3,4,5,6,7；估计当前时刻系统状态量，对离散状态模型构建代价函数，并取其最小值，从而达到最优化的目的，代价函数： 其中误差Ek+ik＝xk+ik-r，r为参考值，i＝0,1,2,...,N，均为对角矩阵，为误差加权，为输入加权和，为最终误差，为得到二次规划一般形式：的标准形式则由Xk以及Uk得Xk＝Mxk+Cuk，打开代价函数J得代入Xk＝Mxk+Cuk得， 为误差调整矩阵，为终端误差调整矩阵，为输入调整矩阵，其中与初始状态有关视为常数，所有的系数矩阵C,M,G,L,均通过计算得到；步骤3.3.滚动优化控制：通过计算得到uk，uk+1，uk+2，...，uk+N-1，只取第一个数据即uk进入系统，并且预测时域和控制时域向后移动一个单位继续预测，以此类推直至系统输出稳定的参考值，实现滚动优化控制；步骤3.4.以步骤2的补偿量和卡尔曼滤波器的状态估计值与设定值对比后并经过参考轨迹后的值叠加作为模型预测控制器的输入量，经过模型预测控制器的优化处理后输出控制量控制电机，实现对阀门开度的控制。

全文数据：

权利要求：

百度查询： 西南石油大学 一种笼套式电动节流阀阀门开度控制方法