Для большинства элементов системы автоматизации, математические модели статических и динамических свойств известны:
Датчика: Кg = 3.
Регулируемого органа: Кро = 0,03.
Исполнительного механизма:
Из-за недостаточной изученности ТОУ, для получения его математической модели, воспользуемся статическими данными, полученными экспериментально, т.е. проведем идентификацию объекта автоматизации.
Идентификация объекта автоматизации
После проведенного эксперимента в файле “data” хранятся 2000 значений переменных величин:
U – расход воды.
Y – влажность шлама.
Измеренных с временным интервалом ts = 3 с
Объединим полученные данные в единый файл данных “dan3”:
>> ts = 3
>> dan3 = iddata (y(301:400), u(301:400), ts)
Для наглядности данных сформированного файла, обозначим переменные:
>> dan3.outputn = 'Влажноcтьшлама'
>> dan3.inputn = 'Расход воды'
После чего, можно посмотреть полную информацию о файле:
>> get(dan3)
Для графических представлений данных можно воспользоваться командой:
>>plot(dan3)
Для дальнейшего использования исходных данных необходимо провести предварительную обработку этих данных с целью удаления тренда из набора данных и, если необходимо, отфильтровать данные с помощью средств имеющихся в пакете SID, а также разделить данные на две половины: dan3v и dan3e. Первая часть данных используется MATLAB для построения модели объекта, а вторая часть для проверки адекватности полученной модели.
>> ident
Введем данные в GUI (Графический Интерфейс Пользователя), выбрав позицию: Data → Inport → Iddataobject
Произведем предварительную обработку данных выбрав кнопку Preprocess → Quickstart
Параметрическое оценивание эксперимента
Нажав клавишу “Estimate”, во вкладке “ParametricModels” выбираем модели параметрического оценивания. (Выбираем все модели)
Проверяем их на адекватность “dan3e”
Выбираем модель с наилучшими показателями адекватности (в моем случае это модель “arx443”)
Преобразование модели
Полученная модель представлена, в так называемом “θ-формате”, внутренним видом матричной модели “Matlab”, и является дискретной. Преобразование модели сводится к тому, чтобы получить модели удобные для использования в анализе и синтезе САР.
1. Преобразование из “θ-формата”, в векторы коэффициентов полиномов A(z) и B(z):
>> [A,B]=th2arx(arx443)
2. Для получения числителя и знаменателя, воспользуемся командой:
>>[num,den]=th2tf(arx443)
3. Чтобы увидеть дискретную передаточную функцию, воспользуемся командой:
>>zdan3=tf(num, den, ts)
4. Преобразуем дискретную модель “θ-формата” в непрерывную:
>> sdan3 = thd2thc(arx443)
5. Получим передаточную функцию непрерывной системы:
>>[n,d]=th2tf(sdan3)
>> sysdan3 = tf(n,d)
Динамические характеристики объекта
Переходная характеристика
Установившееся значение – 0,927
Время переходного процесса: Непрерывная модель – 45,3 с
Дискретная модель – 54 с
Время регулирования: Непрерывная модель – 25,8 с
Дискретная модель – 24 с
Частотная характеристика
Определим частотные характеристики с помощью команд “Matlab”:
>>bode (sysdan3)
Рис.9. Частотные характеристики
>> [Gm,Pm,Wcg,Wcp]=margin(sysdan3)
где Gm – значение запаса устойчивости по амплитуде в натуральной величине на частоте Wcg
Pm – значение запаса устойчивости по фазе на частоте Wcp
Для перевода в логарифмический масштаб используем команду:
>> Gmlog = 20*log10(Gm)
Управляемость и наблюдаемость
Для решения задач анализа и синтеза системы управления важно знать, является ли объект управляемым и наблюдаемым.
Объект называется вполне управляемым, если при любом управляющем воздействии его можно перевести их какого-то начального состояния в заранее заданное конечное состояние.
Чтобы объект был вполне управляемым, необходимо и достаточно, чтобы ранг матрицы управляемости равнялся размерности вектора состояния.
Для определения управляемости необходимо воспользоваться матрицами модели в пространстве состояния.
>> [A,B,C,D] = ssdata(sysdan3)
>> Mu = ctrb(A,B)
>> n = rank(Mu)
В нашем случае ранг матрицы управляемости равен 4 и размерность вектора состояния равна 4.
ВЫВОД: объект управляем
Наблюдаемость объекта заключается в возможности выяснить состояние объекта (вектора фазовых координат) по измеренным значениям выходной переменной на некотором временном интервале.
Объект называется вполне наблюдаемым, если по реакции на выходе объекта, можно определить начальное состояние вектора переменных состояний являющихся фазовыми координатами объекта.
>> My = obsv(A,C)
>> m = rank(My)
В нашем случае ранг матрицы наблюдаемости равен 4 и размерность вектора состояния равна 4.
ВЫВОД: объект наблюдаем
Анализ системы автоматизации процесса мокрого помола сырья в трубной шаровой мельнице до внедрения ПИД-регулятора
Составим САР влажности шлама в программе Simulink (рис.10).
Была получена переходная характеристика (рис.11), из которой видно, что система не удовлетворяет предъявленным к ней требованиям, а именно статическая ошибка более 96%, время нарастания 21,4 с вместо предъявленных 15с.
Рис.11.Переходная характеристика САР автоматизации процесса мокрого помола сырья в трубной шаровой мельнице до внедрения ПИД-регулятора.
Для выполнения предъявленных требований в исходную схему системы автоматического регулирования влажности шлама мы добавляем ПИД-регулятор и устанавливаем дополнительный датчик влажности. С помощью данного регулятора и дополнительного датчика влажности, мы обеспечиваем заданную статистическую ошибку, время регулирования и нарастания, а также обеспечиваем необходимые запасы устойчивости по амплитуде и по фазе.
Анализ системыавтоматизации процесса мокрого помола сырья в трубной шаровой мельнице с ПИД-регулятора
Составим функциональную схему с установленным дополнительный датчиком влажности.
На основе функциональной схемы контура регулирования САР процесса регулирования влажности шлама в трубной шаровой мельнице, составим структурно-функциональную схему, для определения автоматического регулятора
Структурно-функциональная схема контура регулирования САР процесса регулирования влажности шлама.
Составим САР влажности шлама в трубной шаровой мельнице с ПИД-регулятором (рис.12 ).
Рис.12. САР влажности шлама в трубной шаровой мельнице, с добавленным в нее ПИД-регулятором.
Коэффициенты усиления в ПИД-регуляторе обозначим kp, ki и kd. В строке Matlab приравняем все эти коэффициенты единице. После запуска программы заходим в NCD блок и выставляем требуемые значения (рис.13 ):
Время регулирования – 50 с
Максимальное перерегулирование – не более 10%
Время нарастания – не более 15 с
Статическая ошибка – менее 0,05%
Рис.13. NCD блок с выставленными заданными значениями.
В меню Optimization выбираем Parameters, где задаем варьируемые величины – kp, ki и kd, а также указываем время дискретизации – 3 с. Нажимаем кнопку Start. Программа начинает подирать коэффициенты kp, ki и kd таким образом, чтобы переходной процесс системы удовлетворял требованиям.
Рис.14. NCD блок с оптимальным вариантом переходного процесса.
В LTIViewer смотрим переходную характеристику (рис.15) и частотные характеристики (рис. 16 ).
Рис.15. Переходная характеристика САР влажности шлама (с ПИД-регулятором)
Рис.16. Амплитудно-частотная характеристика АСР влажности шлама
Из переходной характеристики (рис.15) видно, что система удовлетворяет предъявленным к ней требованиям:
Время нарастания – 14,9 с (в задании – не более 15 с)
Время регулирования – 43,3 с (в задании – 50 с)
Максимальное перерегулирование – 8,66% (в задании – не более 10%)
Статическая ошибка – 0 (в задании – менее 0,05%)
Из рис. определяем запасы устойчивости по амплитуде и по фазе:
∆L = 17,9 дБ
φ = 1150
Данные значения нас также устраивают. Для полной определенности системы в рабочей области Matlab смотрим значения коэффициентов kp, ki и kd: