做控制的人都知道大纯滞后对象是PID方案的噩梦纯滞后一进入闭环特征方程系统的稳定裕度就急剧下降调参时速度稍快就振荡速度一慢又半天稳不住。经典的Smith预估器能把纯滞后从特征方程里“摘”出去用模型预测提前补偿问题是它对模型精度特别敏感一旦对象参数随工况漂移性能立刻劣化。这个项目要解决的就是把RBF径向基神经网络和模糊控制算法与Smith控制器融合到同一套控制结构里在Simulink里完成建模与仿真验证大时滞且参数时变工况下的控制效果。最后跑下来的结果比单纯用Smith或者单纯用模糊PID都稳得多这篇文章就把整个方案的架构、建模步骤、仿真结果和调试过程完整拆开讲。先说结论RBF在这里不是拿来炫技的它负责在线辨识被控对象源源不断给Smith预估器更新内部模型模糊控制负责根据误差和误差变化率实时修正主控制器的增益Smith预估器则负责把纯延迟从回路中“剥离”。三者各管一段分工清楚才能在模型失配和参数突变时依然保持稳定。1. 大时滞场景下Smith控制器的软肋模型失配是绕不开的问题1.1 为什么PID在纯滞后面前总是“慢半拍”很多初学者第一次接触大时滞对象时第一反应是把PID参数往狠里调。实际上纯滞后会导致控制信号作用到对象后要经过整整一个滞后时间才能反映到被控量上。PID的微分项对这段时间里产生的偏差变化无能为力积分项又会因为持续累积误差而过度积累造成超调和持续的振荡。用一个简单的一阶惯性加纯滞后对象举例G(s) K * e^(-τs) / (T*s 1)其中K为增益T为惯性时间常数τ为纯滞后时间。当τ接近甚至大于T时对象对控制信号的响应相当“迟钝”PID的稳定域变得非常窄。加积分强了会震荡加微分强了噪声又放大这就是大迟延对象的控制难度所在。1.2 Smith预估器的工作原理把延迟从特征方程里拿出去Smith预估器在1960年代被提出来思路非常聪明。它给控制器额外提供一个“内部模型预测”的反馈量让控制器以为自己控制的其实是一个没有纯滞后的对象从而可以放心地加大增益和积分作用。经典Smith结构里包含三个改动一是前向主控制器C(s)二是无延迟的内部模型G0_m(s)三是带延迟的内部模型G0_m(s) * e^(-τm*s)。控制器输出的控制量同时进入实际对象和内部模型实际对象的输出与带延迟内部模型的输出相减得到模型失配误差再与无延迟内部模型的输出相加送入控制器反馈端。这样一旦模型与实际对象完全匹配纯滞后项就从闭环特征方程中消失了控制器就可以按无延迟对象来整定参数响应速度确实大幅提升。但问题也跟着来了只要模型参数K、T、τ与实际对象存在偏差尤其是τ偏差比例超过10%系统就可能出现振荡甚至发散。1.3 模型的漂移才是工程现场的真实常态实验室里建立的对象模型往往是一次辨识的结果工业生产中阀门磨损、物料特性变化、换热效率下降都会让对象增益和时间常数缓慢变化。传统Smith控制器一旦固定了内部模型无法感知这种变化等到实际对象发生比较大的偏离时控制品质已经明显下降。这就需要一个能在线辨识对象特性的模块以及一个能根据误差状态自动调整控制器参数的模块。RBF径向基神经网络负责前者模糊控制算法负责后者组合在一起才让Smith控制器从“静态补偿”变成“动态自适应”。2. 把RBF和模糊塞进Smith的理由三环协同的总体架构2.1 一个清晰的分工逻辑整套控制结构实际上可以拆成三个环路外环是模糊参数自整定控制器根据误差e和误差变化率ec实时输出主控制器的参数修正量中间是Smith预估器负责用内部模型把纯滞后从反馈信号中分离底层是RBF辨识器利用对象的输入输出数据在线估计出内部模型动态实时替换Smith预估器中的模型部分。三者分工如下表所示模块输入输出承担的功能Smith预估器控制器输出、实际对象输出、内部模型输出补偿后的反馈信号消除纯滞后对稳定性的影响RBF辨识器控制量u、被控量y的历史值模型预测输出、模型参数修正量在线跟踪对象特性变化模糊自整定器偏差e、偏差变化率ec主控制器增益修正量ΔKp、ΔKi根据误差状态实时调整控制力度这种架构有一个好处每个模块的改动都是独立的。如果对象特性变化快就提高RBF的学习率如果外界扰动频繁就增大模糊整定的输出范围如果被控对象本身线性度好甚至可以把RBF模块换成简单的参数递推辨识整个大框架依然成立。2.2 RBF径向基神经网络的辨识机制RBF网络能在线辨识对象靠的是局部响应的特性。网络输入用当前控制量以及被控量的历史值构成x [u(k), u(k-1), y(k-1), y(k-2)]每个隐层节点输出为高斯径向基函数h_j exp( -‖x - c_j‖² / (2b_j²) )网络输出为隐层输出的线性加权y_hat Σ w_j * h_j辨识误差为e_id y(k) - y_hat(k)采用梯度下降法更新权值Δw_j η * e_id * h_j为了让训练稳定一般还要加动量项αΔw_j(prev)。径向基网络的局部逼近能力特别适合这种在线辨识场景它在每一个输入点的学习都只对附近的样本点起作用不容易出现BP网络那种全局遗忘的问题。在Simulink里可以用MATLAB Function块直接实现不一定要封装成S-Function维护起来也方便。2.3 模糊自整定的控制规则模糊控制器在这里负责输出主控制器的参数修正量输入选择误差e和误差变化率ec输出为ΔKp和ΔKi。这样设计的原因很简单单独看误差大小只能判断偏差有多大加上误差变化率才能分辨当前趋势是接近目标还是远离目标。模糊规则遵循几条工程直觉误差大且还在变大需要增大比例作用尽快拉回误差不大但变化率很大要控制微分或比例增益防止过冲误差小且变化率小减小比例作用以保持平稳。一下给出一个5x5规则表的例子用于ΔKp的修正量化方向可根据实际对象缩放e \ ecNBNSZOPSPBNBPBPBPMPMPSNSPBPMPMPSZOZOPMPSZONSNMPSPSZONMNMNBPBZONMNBNBNB表格里的符号代表ΔKp的方向PB/PM/PS为正大、正中、正小ZO为零NM/NB为负中、负大。模糊推理采用Mamdani型去模糊化用重心法隶属度函数在相邻区间建议保持20%~30%的重叠否则输出曲线会不平滑。3. Simulink建模全流程一步步搭起来3.1 模型总体布局和变量约定新建一个Simulink模型先把仿真步长设置成固定步长0.01s求解器选ode4。因为混沌或刚性对象在变步长下可能因为误差控制而产生奇怪的抖动固定步长更有助排查问题。模型顶层分四个区域最左边是信号给定叠加扰动中间是主控制器模块内部包含模糊自整定逻辑再右侧是Smith预估器主环路和实际被控对象最下方是RBF在线辨识器。为了调试方便建议用Goto/From标签连接信号不要来回交叉拉线不然测点加多了以后整个图非常难看。3.2 被控对象与Smith环路的搭建被控对象以传递函数形式写入K 1.8; T 12; tau 4.5; G0 tf(K, [T 1]); G_delay series(G0, tf(1,1),InputDelay, tau);实际对象用一个Transport Delay模块串联一个Transfer Fcn模块实现。Smith预估器部分把控制器输出分成两路先接到一个与被控对象同参数的传递函数上得到无延迟内部模型输出ym_no_delay这个信号再串接一个Transport Delay模块得到带延迟内部模型输出ym_delay另一个减法器计算实际被控对象输出y_act与ym_delay之差作为模型失配补偿量d。最后反馈信号为ym_no_delay d与给定信号r做差后送入主控制器。注意延迟时间的符号内部模型使用Transport Delay模块时延迟时间一般设置成被控对象纯滞后的初始值之后由RBF辨识结果来修正。这里的模型失配补偿信号实际上是一个“增量的增量”一点微小偏差都会在叠加后被放大所以后面一定要对d做限幅。3.3 RBF辨识器在MATLAB Function块里的实现用MATLAB Function块搭建RBF辨识器比较直接。输入取当前控制量u和两拍前的被控量y输出为模型预测y_hat和内部模型参数修正信息。为了稳定性输入先做归一化把控制量和被控量分别缩放到[-1, 1]区间。function [y_hat, w_out] rbf_online(u_in, y_in) % RBF在线辨识器用于Smith预估器内部模型自适应 persistent w c b eta alpha inputPrev if isempty(w) c [-2 -1 0 1 2; -2 -1 0 1 2]; % 隐节点中心2x5矩阵 b 1.5 * ones(1, 5); % 基宽 w 0.5 * randn(1, 5); % 输出权值 eta 0.05; % 学习率 alpha 0.3; % 动量系数 inputPrev [0; 0]; end % 输入向量由控制量、被控量及各自一步迟延构成 x [u_in; y_in]; h zeros(1, 5); for j 1:5 dist2 sum((x - c(:, j)).^2); h(j) exp(-dist2 / (2 * b(j)^2)); end y_hat w * h; % 用当前时刻被控量作为期望输出计算辨识误差 e_id y_in - y_hat; % 梯度下降加动量项更新权值 deltaW eta * e_id * h; w w deltaW alpha * (deltaW - inputPrev(1)); % 权值限幅防止网络发散 w max(min(w, 5), -5); inputPrev [deltaW(1); 0]; w_out w; end上面代码中动量项的处理是一种简化写法实际模型里建议用完整的动量项保存上一轮deltaW这里为了让示例简洁我用了单个变量。真实模型里把deltaW用持久变量存储即可。RBF辨识器在Simulink里要避免与Smith反馈形成代数环。最简单的办法是在RBF模块的输入侧或者输出侧加一个Unit Delay模块延迟一拍对控制效果影响很小但能彻底解决Simulink报的代数环错误。3.4 模糊自整定控制器的配置用MATLAB命令行或在Fuzzy Logic Designer里创建FIS文件这里给出命令行方式fis newfis(fuzzy_pid); fis addvar(fis, input, e, [-1 1]); fis addvar(fis, input, ec, [-1 1]); fis addvar(fis, output, dKp, [-0.5 0.5]); fis addvar(fis, output, dKi, [-0.1 0.1]); % 输入隶属度函数建议使用trimf输出使用trimf fis addmf(fis, input, 1, NB, trimf, [-1 -1 -0.6]); fis addmf(fis, input, 1, NS, trimf, [-1 -0.6 -0.2]); fis addmf(fis, input, 1, ZO, trimf, [-0.4 0 0.4]); fis addmf(fis, input, 1, PS, trimf, [0.2 0.6 1]); fis addmf(fis, input, 1, PB, trimf, [0.6 1 1]); % ec的隶属度函数类似设置 % 规则表根据第2.3节表结构添加addrule设置规则权重和与或关系 writeFIS(fis, fuzzy_pid);Simulink中用Fuzzy Logic Controller模块加载这个fis文件即可。主控制器的最终增益为Kp Kp0 ΔKpKi Ki0 ΔKi其中Kp0和Ki0是初始整定值可以按无延迟对象用齐格勒-尼科尔斯法初步整定让模糊控制器只负责在此基础上的修正这样整套系统的稳定性边界要宽得多。输出端记得加Saturation模块防止模糊输出在极端误差下把控制器增益推到危险区域。4. 仿真结果对比与参数整定经验4.1 仿真条件的设定以这样一个被控对象为例G(s) 1.8 * e^(-4.5s) / (12s 1)给定信号为单位阶跃在60s时加入幅度0.5的负载扰动在100s时把对象增益由1.8突变到2.4模拟实际工况下的参数漂移。对比三组方案方案A经典Smith预估器内部模型参数固定不更新方案BSmithRBF辨识内部模型随着RBF输出在线修正方案CSmithRBF模糊自整定主控制器增益由模糊规则实时调整。4.2 仿真结果说明三组方案在模型精确时的曲线差别不大都是能稳定跟踪但方案A的上升时间略长。真正拉开差距的是在100s增益突变之后方案上升时间第1次超调增益突变后恢复时间增益突变后最大超调A 经典Smith16.2s4.8%振荡35s内未完全平息12.6%B SmithRBF12.5s3.1%约18s6.8%C SmithRBF模糊10.8s2.6%约10s4.2%方案C在增益突变后表现出非常明显的自适应性模糊控制器在检测到误差突然放大后主动提高比例增益快速把偏差压回去等误差变小时又自动把增益降下来避免振荡。这套逻辑本质上是把有经验的调试工程师手动改PID参数的动作自动化了。需要说明的是以上数据是对应上述示例对象的仿真结果不同对象的数值会变化但趋势一致RBF解决模型跟随问题模糊解决控制器参数适应问题两者叠加后对模型失配的容忍度显著提升。4.3 仿真参数整定的几个关键经验第一个经验是学习率的初始值宁小勿大。RBF学习率设置为0.05左右比较稳妥超过0.1容易出现权值振荡表现在仿真曲线上就是对象输出出现高频毛刺。如果发现RBF预测输出与实际被控量长期存在稳态偏差可以逐步加大学习率每次增加不超过0.01。第二个经验是模糊输出的限幅范围要按主控制器本身参数的比例来设置。ΔKp一般设定在Kp0的20%~30%以内ΔKi设定在Ki0的10%以内。如果限幅范围设置超过这个量级模糊控制器几乎接管了整个控制器Smith预估器好不容易建立起来的稳定域就会被破坏。第三个经验是内部模型更新不能“一步到位”直接把RBF输出替换Smith内部模型会带来很大的阶跃冲击。建议对内模输出做一个一阶惯性平滑时间常数取0.2~0.5s相当于让内部模型平滑过渡避免因为模型突跳而激发振荡。第四个经验是系统里至少要保留一组经典Smith的对照仿真曲线。调参过程中方案C的曲线很难说清楚到底是谁在起作用有了方案A和方案B做对照才能判断模糊自整定是否真的起了正向作用而不是在帮RBF模块“擦屁股”。5. 调试问题与工程化建议5.1 RBF发散报错、数值爆炸和无法解释的异常曲线仿真中遇到最多的问题是RBF模块输出发散典型现象是运行到某个时间点后被控量曲线突然飞起来或者y_hat直接变成NaN。排查下来主要有三个原因一是输入没有归一化控制量和被控量的数量级差距很大时高斯函数计算出的值要么全部趋近于0要么全部趋近于1权值更新完全失真二是学习率过高梯度下降在局部误差的持续冲击下出现振荡三是权值没有限幅如果长时间存在某个方向的辨识误差输出权值会被推到异常大的数值。解决手段就是把输入标准化到[-1, 1]学习率从0.02开始试同时加权值限幅和动量项。这些措施叠加后RBF基本不会再发散。5.2 Smith延迟失配的识别方法模型失配中增益失配和时间常数失配相对温和最致命的是纯滞后时间失配哪怕只差0.3s系统也可能进入极限环振荡。怎么判断当前振荡是延迟失配引起的临界条件看曲线特征延迟失配引发的振荡频率通常比较低且波形带有明显的转折段控制器输出上能看到周期性冲击而增益失配引发的振荡频率较高更像普通的临界振荡。处理办法是增加一个延迟误差在线估计环节简单做法是取一段时间内实际对象输出与内模带延迟输出之间的相关系数相关系数长时间偏大时就在一定方向微调Transport Delay模块的延迟时间。这个修正周期不需要很快每几个控制周期调整0.01s即可。5.3 模糊规则冲突如何定位和解决模糊规则表是从整定经验里来的如果只凭直觉写了二三十条规则很容易出现两条规则在同一输入区域给出相反方向输出的情况。Simulink里观测到控制量高频抖动、曲线不光滑就可以怀疑规则冲突。定位的方法是打开Fuzzy Logic Controller模块的规则查看器在抖动发生的区间附近移动输入值看输出曲面是否出现明显凹凸。如果输出曲面不平顺说明相邻规则之间的输出变化跨度过大应该增加隶属度函数的重叠度或者减少规则数量尽量保证输出曲面在输入平面上是单调平滑的。5.4 代数环和仿真步长的坑这套系统里Smith主回路的反馈路径上同时存在内模输出和失配补偿再加上RBF模块直通很容易被Simulink检测为代数环。最简单的解法是在RBF输入侧或输出侧加一个Unit Delay模块延迟一拍后不会给控制品质带来明显影响。还有一种情况是Transport Delay模块在离散模式下需要把延迟时间设置成仿真步长的整数倍否则会出现延迟时间的量化误差。我一般把固定步长设成0.01s延迟时间设为4.5s这样的整数倍数值避免不必要的报错。我在实际调试中最深的体会是这套系统真正难的不是Simulink建模而是怎么理解三个模块之间的时间尺度。Smith控制器处理的是时域上的纯滞后补偿RBF处理的是参数空间里的在线学习模糊控制器处理的是控制增益的动态调整。三者各自时间尺度不同但只要把分工理清把参数限幅和滤波处理到位整个系统的鲁棒性比任何单一控制器都要强得多。如果以后要做工程落地建议把RBF的在线辨识结果和模糊规则表都加一个“软开关”在工况稳定的时段冻结模型学习只保留控制参数整定可以让系统在现场运行更省心。
做控制的人都知道大纯滞后对象是PID方案的噩梦纯滞后一进入闭环特征方程系统的稳定裕度就急剧下降调参时速度稍快就振荡速度一慢又半天稳不住。经典的Smith预估器能把纯滞后从特征方程里“摘”出去用模型预测提前补偿问题是它对模型精度特别敏感一旦对象参数随工况漂移性能立刻劣化。这个项目要解决的就是把RBF径向基神经网络和模糊控制算法与Smith控制器融合到同一套控制结构里在Simulink里完成建模与仿真验证大时滞且参数时变工况下的控制效果。最后跑下来的结果比单纯用Smith或者单纯用模糊PID都稳得多这篇文章就把整个方案的架构、建模步骤、仿真结果和调试过程完整拆开讲。先说结论RBF在这里不是拿来炫技的它负责在线辨识被控对象源源不断给Smith预估器更新内部模型模糊控制负责根据误差和误差变化率实时修正主控制器的增益Smith预估器则负责把纯延迟从回路中“剥离”。三者各管一段分工清楚才能在模型失配和参数突变时依然保持稳定。1. 大时滞场景下Smith控制器的软肋模型失配是绕不开的问题1.1 为什么PID在纯滞后面前总是“慢半拍”很多初学者第一次接触大时滞对象时第一反应是把PID参数往狠里调。实际上纯滞后会导致控制信号作用到对象后要经过整整一个滞后时间才能反映到被控量上。PID的微分项对这段时间里产生的偏差变化无能为力积分项又会因为持续累积误差而过度积累造成超调和持续的振荡。用一个简单的一阶惯性加纯滞后对象举例G(s) K * e^(-τs) / (T*s 1)其中K为增益T为惯性时间常数τ为纯滞后时间。当τ接近甚至大于T时对象对控制信号的响应相当“迟钝”PID的稳定域变得非常窄。加积分强了会震荡加微分强了噪声又放大这就是大迟延对象的控制难度所在。1.2 Smith预估器的工作原理把延迟从特征方程里拿出去Smith预估器在1960年代被提出来思路非常聪明。它给控制器额外提供一个“内部模型预测”的反馈量让控制器以为自己控制的其实是一个没有纯滞后的对象从而可以放心地加大增益和积分作用。经典Smith结构里包含三个改动一是前向主控制器C(s)二是无延迟的内部模型G0_m(s)三是带延迟的内部模型G0_m(s) * e^(-τm*s)。控制器输出的控制量同时进入实际对象和内部模型实际对象的输出与带延迟内部模型的输出相减得到模型失配误差再与无延迟内部模型的输出相加送入控制器反馈端。这样一旦模型与实际对象完全匹配纯滞后项就从闭环特征方程中消失了控制器就可以按无延迟对象来整定参数响应速度确实大幅提升。但问题也跟着来了只要模型参数K、T、τ与实际对象存在偏差尤其是τ偏差比例超过10%系统就可能出现振荡甚至发散。1.3 模型的漂移才是工程现场的真实常态实验室里建立的对象模型往往是一次辨识的结果工业生产中阀门磨损、物料特性变化、换热效率下降都会让对象增益和时间常数缓慢变化。传统Smith控制器一旦固定了内部模型无法感知这种变化等到实际对象发生比较大的偏离时控制品质已经明显下降。这就需要一个能在线辨识对象特性的模块以及一个能根据误差状态自动调整控制器参数的模块。RBF径向基神经网络负责前者模糊控制算法负责后者组合在一起才让Smith控制器从“静态补偿”变成“动态自适应”。2. 把RBF和模糊塞进Smith的理由三环协同的总体架构2.1 一个清晰的分工逻辑整套控制结构实际上可以拆成三个环路外环是模糊参数自整定控制器根据误差e和误差变化率ec实时输出主控制器的参数修正量中间是Smith预估器负责用内部模型把纯滞后从反馈信号中分离底层是RBF辨识器利用对象的输入输出数据在线估计出内部模型动态实时替换Smith预估器中的模型部分。三者分工如下表所示模块输入输出承担的功能Smith预估器控制器输出、实际对象输出、内部模型输出补偿后的反馈信号消除纯滞后对稳定性的影响RBF辨识器控制量u、被控量y的历史值模型预测输出、模型参数修正量在线跟踪对象特性变化模糊自整定器偏差e、偏差变化率ec主控制器增益修正量ΔKp、ΔKi根据误差状态实时调整控制力度这种架构有一个好处每个模块的改动都是独立的。如果对象特性变化快就提高RBF的学习率如果外界扰动频繁就增大模糊整定的输出范围如果被控对象本身线性度好甚至可以把RBF模块换成简单的参数递推辨识整个大框架依然成立。2.2 RBF径向基神经网络的辨识机制RBF网络能在线辨识对象靠的是局部响应的特性。网络输入用当前控制量以及被控量的历史值构成x [u(k), u(k-1), y(k-1), y(k-2)]每个隐层节点输出为高斯径向基函数h_j exp( -‖x - c_j‖² / (2b_j²) )网络输出为隐层输出的线性加权y_hat Σ w_j * h_j辨识误差为e_id y(k) - y_hat(k)采用梯度下降法更新权值Δw_j η * e_id * h_j为了让训练稳定一般还要加动量项αΔw_j(prev)。径向基网络的局部逼近能力特别适合这种在线辨识场景它在每一个输入点的学习都只对附近的样本点起作用不容易出现BP网络那种全局遗忘的问题。在Simulink里可以用MATLAB Function块直接实现不一定要封装成S-Function维护起来也方便。2.3 模糊自整定的控制规则模糊控制器在这里负责输出主控制器的参数修正量输入选择误差e和误差变化率ec输出为ΔKp和ΔKi。这样设计的原因很简单单独看误差大小只能判断偏差有多大加上误差变化率才能分辨当前趋势是接近目标还是远离目标。模糊规则遵循几条工程直觉误差大且还在变大需要增大比例作用尽快拉回误差不大但变化率很大要控制微分或比例增益防止过冲误差小且变化率小减小比例作用以保持平稳。一下给出一个5x5规则表的例子用于ΔKp的修正量化方向可根据实际对象缩放e \ ecNBNSZOPSPBNBPBPBPMPMPSNSPBPMPMPSZOZOPMPSZONSNMPSPSZONMNMNBPBZONMNBNBNB表格里的符号代表ΔKp的方向PB/PM/PS为正大、正中、正小ZO为零NM/NB为负中、负大。模糊推理采用Mamdani型去模糊化用重心法隶属度函数在相邻区间建议保持20%~30%的重叠否则输出曲线会不平滑。3. Simulink建模全流程一步步搭起来3.1 模型总体布局和变量约定新建一个Simulink模型先把仿真步长设置成固定步长0.01s求解器选ode4。因为混沌或刚性对象在变步长下可能因为误差控制而产生奇怪的抖动固定步长更有助排查问题。模型顶层分四个区域最左边是信号给定叠加扰动中间是主控制器模块内部包含模糊自整定逻辑再右侧是Smith预估器主环路和实际被控对象最下方是RBF在线辨识器。为了调试方便建议用Goto/From标签连接信号不要来回交叉拉线不然测点加多了以后整个图非常难看。3.2 被控对象与Smith环路的搭建被控对象以传递函数形式写入K 1.8; T 12; tau 4.5; G0 tf(K, [T 1]); G_delay series(G0, tf(1,1),InputDelay, tau);实际对象用一个Transport Delay模块串联一个Transfer Fcn模块实现。Smith预估器部分把控制器输出分成两路先接到一个与被控对象同参数的传递函数上得到无延迟内部模型输出ym_no_delay这个信号再串接一个Transport Delay模块得到带延迟内部模型输出ym_delay另一个减法器计算实际被控对象输出y_act与ym_delay之差作为模型失配补偿量d。最后反馈信号为ym_no_delay d与给定信号r做差后送入主控制器。注意延迟时间的符号内部模型使用Transport Delay模块时延迟时间一般设置成被控对象纯滞后的初始值之后由RBF辨识结果来修正。这里的模型失配补偿信号实际上是一个“增量的增量”一点微小偏差都会在叠加后被放大所以后面一定要对d做限幅。3.3 RBF辨识器在MATLAB Function块里的实现用MATLAB Function块搭建RBF辨识器比较直接。输入取当前控制量u和两拍前的被控量y输出为模型预测y_hat和内部模型参数修正信息。为了稳定性输入先做归一化把控制量和被控量分别缩放到[-1, 1]区间。function [y_hat, w_out] rbf_online(u_in, y_in) % RBF在线辨识器用于Smith预估器内部模型自适应 persistent w c b eta alpha inputPrev if isempty(w) c [-2 -1 0 1 2; -2 -1 0 1 2]; % 隐节点中心2x5矩阵 b 1.5 * ones(1, 5); % 基宽 w 0.5 * randn(1, 5); % 输出权值 eta 0.05; % 学习率 alpha 0.3; % 动量系数 inputPrev [0; 0]; end % 输入向量由控制量、被控量及各自一步迟延构成 x [u_in; y_in]; h zeros(1, 5); for j 1:5 dist2 sum((x - c(:, j)).^2); h(j) exp(-dist2 / (2 * b(j)^2)); end y_hat w * h; % 用当前时刻被控量作为期望输出计算辨识误差 e_id y_in - y_hat; % 梯度下降加动量项更新权值 deltaW eta * e_id * h; w w deltaW alpha * (deltaW - inputPrev(1)); % 权值限幅防止网络发散 w max(min(w, 5), -5); inputPrev [deltaW(1); 0]; w_out w; end上面代码中动量项的处理是一种简化写法实际模型里建议用完整的动量项保存上一轮deltaW这里为了让示例简洁我用了单个变量。真实模型里把deltaW用持久变量存储即可。RBF辨识器在Simulink里要避免与Smith反馈形成代数环。最简单的办法是在RBF模块的输入侧或者输出侧加一个Unit Delay模块延迟一拍对控制效果影响很小但能彻底解决Simulink报的代数环错误。3.4 模糊自整定控制器的配置用MATLAB命令行或在Fuzzy Logic Designer里创建FIS文件这里给出命令行方式fis newfis(fuzzy_pid); fis addvar(fis, input, e, [-1 1]); fis addvar(fis, input, ec, [-1 1]); fis addvar(fis, output, dKp, [-0.5 0.5]); fis addvar(fis, output, dKi, [-0.1 0.1]); % 输入隶属度函数建议使用trimf输出使用trimf fis addmf(fis, input, 1, NB, trimf, [-1 -1 -0.6]); fis addmf(fis, input, 1, NS, trimf, [-1 -0.6 -0.2]); fis addmf(fis, input, 1, ZO, trimf, [-0.4 0 0.4]); fis addmf(fis, input, 1, PS, trimf, [0.2 0.6 1]); fis addmf(fis, input, 1, PB, trimf, [0.6 1 1]); % ec的隶属度函数类似设置 % 规则表根据第2.3节表结构添加addrule设置规则权重和与或关系 writeFIS(fis, fuzzy_pid);Simulink中用Fuzzy Logic Controller模块加载这个fis文件即可。主控制器的最终增益为Kp Kp0 ΔKpKi Ki0 ΔKi其中Kp0和Ki0是初始整定值可以按无延迟对象用齐格勒-尼科尔斯法初步整定让模糊控制器只负责在此基础上的修正这样整套系统的稳定性边界要宽得多。输出端记得加Saturation模块防止模糊输出在极端误差下把控制器增益推到危险区域。4. 仿真结果对比与参数整定经验4.1 仿真条件的设定以这样一个被控对象为例G(s) 1.8 * e^(-4.5s) / (12s 1)给定信号为单位阶跃在60s时加入幅度0.5的负载扰动在100s时把对象增益由1.8突变到2.4模拟实际工况下的参数漂移。对比三组方案方案A经典Smith预估器内部模型参数固定不更新方案BSmithRBF辨识内部模型随着RBF输出在线修正方案CSmithRBF模糊自整定主控制器增益由模糊规则实时调整。4.2 仿真结果说明三组方案在模型精确时的曲线差别不大都是能稳定跟踪但方案A的上升时间略长。真正拉开差距的是在100s增益突变之后方案上升时间第1次超调增益突变后恢复时间增益突变后最大超调A 经典Smith16.2s4.8%振荡35s内未完全平息12.6%B SmithRBF12.5s3.1%约18s6.8%C SmithRBF模糊10.8s2.6%约10s4.2%方案C在增益突变后表现出非常明显的自适应性模糊控制器在检测到误差突然放大后主动提高比例增益快速把偏差压回去等误差变小时又自动把增益降下来避免振荡。这套逻辑本质上是把有经验的调试工程师手动改PID参数的动作自动化了。需要说明的是以上数据是对应上述示例对象的仿真结果不同对象的数值会变化但趋势一致RBF解决模型跟随问题模糊解决控制器参数适应问题两者叠加后对模型失配的容忍度显著提升。4.3 仿真参数整定的几个关键经验第一个经验是学习率的初始值宁小勿大。RBF学习率设置为0.05左右比较稳妥超过0.1容易出现权值振荡表现在仿真曲线上就是对象输出出现高频毛刺。如果发现RBF预测输出与实际被控量长期存在稳态偏差可以逐步加大学习率每次增加不超过0.01。第二个经验是模糊输出的限幅范围要按主控制器本身参数的比例来设置。ΔKp一般设定在Kp0的20%~30%以内ΔKi设定在Ki0的10%以内。如果限幅范围设置超过这个量级模糊控制器几乎接管了整个控制器Smith预估器好不容易建立起来的稳定域就会被破坏。第三个经验是内部模型更新不能“一步到位”直接把RBF输出替换Smith内部模型会带来很大的阶跃冲击。建议对内模输出做一个一阶惯性平滑时间常数取0.2~0.5s相当于让内部模型平滑过渡避免因为模型突跳而激发振荡。第四个经验是系统里至少要保留一组经典Smith的对照仿真曲线。调参过程中方案C的曲线很难说清楚到底是谁在起作用有了方案A和方案B做对照才能判断模糊自整定是否真的起了正向作用而不是在帮RBF模块“擦屁股”。5. 调试问题与工程化建议5.1 RBF发散报错、数值爆炸和无法解释的异常曲线仿真中遇到最多的问题是RBF模块输出发散典型现象是运行到某个时间点后被控量曲线突然飞起来或者y_hat直接变成NaN。排查下来主要有三个原因一是输入没有归一化控制量和被控量的数量级差距很大时高斯函数计算出的值要么全部趋近于0要么全部趋近于1权值更新完全失真二是学习率过高梯度下降在局部误差的持续冲击下出现振荡三是权值没有限幅如果长时间存在某个方向的辨识误差输出权值会被推到异常大的数值。解决手段就是把输入标准化到[-1, 1]学习率从0.02开始试同时加权值限幅和动量项。这些措施叠加后RBF基本不会再发散。5.2 Smith延迟失配的识别方法模型失配中增益失配和时间常数失配相对温和最致命的是纯滞后时间失配哪怕只差0.3s系统也可能进入极限环振荡。怎么判断当前振荡是延迟失配引起的临界条件看曲线特征延迟失配引发的振荡频率通常比较低且波形带有明显的转折段控制器输出上能看到周期性冲击而增益失配引发的振荡频率较高更像普通的临界振荡。处理办法是增加一个延迟误差在线估计环节简单做法是取一段时间内实际对象输出与内模带延迟输出之间的相关系数相关系数长时间偏大时就在一定方向微调Transport Delay模块的延迟时间。这个修正周期不需要很快每几个控制周期调整0.01s即可。5.3 模糊规则冲突如何定位和解决模糊规则表是从整定经验里来的如果只凭直觉写了二三十条规则很容易出现两条规则在同一输入区域给出相反方向输出的情况。Simulink里观测到控制量高频抖动、曲线不光滑就可以怀疑规则冲突。定位的方法是打开Fuzzy Logic Controller模块的规则查看器在抖动发生的区间附近移动输入值看输出曲面是否出现明显凹凸。如果输出曲面不平顺说明相邻规则之间的输出变化跨度过大应该增加隶属度函数的重叠度或者减少规则数量尽量保证输出曲面在输入平面上是单调平滑的。5.4 代数环和仿真步长的坑这套系统里Smith主回路的反馈路径上同时存在内模输出和失配补偿再加上RBF模块直通很容易被Simulink检测为代数环。最简单的解法是在RBF输入侧或输出侧加一个Unit Delay模块延迟一拍后不会给控制品质带来明显影响。还有一种情况是Transport Delay模块在离散模式下需要把延迟时间设置成仿真步长的整数倍否则会出现延迟时间的量化误差。我一般把固定步长设成0.01s延迟时间设为4.5s这样的整数倍数值避免不必要的报错。我在实际调试中最深的体会是这套系统真正难的不是Simulink建模而是怎么理解三个模块之间的时间尺度。Smith控制器处理的是时域上的纯滞后补偿RBF处理的是参数空间里的在线学习模糊控制器处理的是控制增益的动态调整。三者各自时间尺度不同但只要把分工理清把参数限幅和滤波处理到位整个系统的鲁棒性比任何单一控制器都要强得多。如果以后要做工程落地建议把RBF的在线辨识结果和模糊规则表都加一个“软开关”在工况稳定的时段冻结模型学习只保留控制参数整定可以让系统在现场运行更省心。
