Автоматизация чесальной машины

Любое из технических средств АСУ должно допускать замену его средством аналогичного функционального назначения без каких-либо конструктивных изменений или регулировки в остальных технических средствах АСУ (кроме случаев, специально оговоренных в технической документации на АСУ).

Технические средства АСУ допускается использовать только в условиях, определенных в эксплуатационной документации на них. В случаях, когда необходимо их использование в среде, параметры которой превышают допустимые значения, установленные для этих технических средств, должны быть предусмотрены меры защиты отдельных технических средств АСУ от влияния внешних воздействующих факторов.

В АСУ должны быть использованы средства вычислительной техники, удовлетворяющие общим техническим требованиям по ГОСТ 22552-84.

 

 

2. Раздел автоматизации

2.1 Обоснование по выбору  навой структуры модернизируемой  системы автоматизации.

 

Объект автоматизации – чесальная машина.

Регулируемая величина – объемная плотность Х, кг/м3.

Регулирующее воздействие – подача волокнистой массы Q, кг/час.

 

 

 

Рис. 2 Сруктурно-математическая схема АСР.

 

ОР – объект автоматизации, его выходная величина – регулируемый параметр Хр(р), а входная величина – регулирующее воздействие Uро(р);

Д – измерительный элемент (датчик), его входная величина – регулируемый параметр Хр(р), несущий информацию о величине регулируемого параметра;

ЭС – элемент сравнения, его входные величины – сигнал задания (уставка) X*зад, пропорциональный заданному значению регулируемого параметра и сигнал датчика Хр*(р), пропорциональный текущему значению регулируемого параметра Хр(р). Выходная величина элемента сравнения – сигнал ошибки Е*(р)= X*зад - Хр*(р) Xзад - Хр(р).

Р – регулирующий элемент (регулятор технологического параметра), его входная величина – сигнал ошибки (отклонение) Е*(р), а выходная величина – регулирующее воздействие U*(р), также в виде информационного сигнала.

Функциональная связь между выходной и входной величинами регулятора есть закон регулирования.

ИМ – исполнительный механизм, его выходная величина – регулирующее воздействие Uим(р) в виде физического перемещения регулирующего органа, а входная величина – регулирующее воздействие в виде информационного сигнала, сформированного регулятором U*(р)

РО – регулирующий орган, его задача – передать регулирующее воздействие от исполнительного механизма к объекту автоматизации. Выходная величина регулирующего органа – регулирующее воздействие Uро(р), непосредственно прикладываемое к объекту.

С выхода объекта автоматизации  к входу элемента сравнения информационный сигнал передается по каналу обратной связи, в котором находится измерительный элемент.

Элемент сравнения, регулятор, исполнительный механизм, регулирующий орган и объект автоматизации образуют прямой канал АСР, в прямом канале вырабатывается регулирующее воздействие U(р) в виде информационного сигнала U*(р), перемещения регулирующего органа Uим(р), непосредственного воздействия на объект Uро(р) и прикладывается к объекту с целью поддержания регулируемой величины Хр(р) возможно близко к заданному ее значению Хзад.

По исходным данным заданны передаточные функции:

• датчика  Wд=0.6;
• регулируемого органа Wро=0.15;
• исполнительного механизма Wим=                 ,

остаются неизвестными передаточные функции Wр,Wор. Для нахождения передаточной функции объекта регулирования  воспользуемся идентификацией, для нахождения передаточной функции регулятора воспользуемся оптимизацией.

 

2.2 Идентификация объекта  автоматизации.

 

Под идентификацией динамических объектов понимают процедуру определения структуры  и параметров их математических моделей, которые при одинаковом входном сигнале объекта и модели обеспечивают близость выхода модели к выходу объекта при наличие какого-то критерия качества.

Обычно идентификация – многоэтапная процедура. Основные ее этапы следующие:

1. Структурная идентификация – заключается в определении структуры математической модели на основании теоретических соображений.
2. Параметрическая идентификация – включает в себя проведение идентифицирующего эксперимента и определение оценок параметров модели по экспериментальным данным.
3. Проверка адекватности – проверка качества модели в смысле выбранного критерия близости выходов модели и объекта.

Для проведения идентификации технологического объекта управления воспользуемся пакетом System Identification Toolbox (SIT) из состава MATLAB.

Пакет System Identification Toolbox содержит средства для создания математических моделей линейных динамических объектов (систем) на основе наблюдаемых входных/выходных данных. Он имеет удобный графический интерфейс, позволяющий организовывать данные и создавать модели. Методы идентификации, входящие в пакет применимы для решения широкого класса задач – от проектирования систем управления и обработки сигналов до анализа временных рядов.

Обработка массива данных с помощью пакета System Identification Toolbox предполагает следующие этапы:

1. обработка и преобразование данных с целью создания файла данных;
2. непараметрическое оценивание данных с целью предварительного определения основных характеристик ТОУ;
3. параметрическое оценивание данных с целью создания различных видов моделей с тета-формате;
4. задание структуры модели;
5. изменение и уточнение структуры модели (если это необходимо);
6. проверка адекватности и сравнение различных видов моделей с целью выбора наилучшей;
7. преобразование модели тета-формата в вид удобный для дальнейшего использования при анализе и синтезе системы управления.

 

В результате проведенного эксперимента был получен массив данных состоящий из 2 тысяч значений входного параметра (подача волокнистой массы, кг/ч) и 2 тысяч значений выходного параметра (объемная плотность, кг/м3). Интервал дискретизации равен7 (ts=7). Для загрузки в рабочую область MATLAB массива данных необходимо выполнить команду:

            >> load datta;

Интервал дискретизации указывается дополнительно:

>> ts=7

ts =  7

 

Для объединения исходных данных в единый файл воспользуемся командой:

>> dan=iddata(y(1601:1700),u(1601:1700),ts)

Time domain data set with 100 samples.

Sampling interval: 7                

                               

Ouputs      Unit (if specified)      

   y1                                 

Inputs       Unit (if specified)      

   u1                           

 

Сформированный файл указывает, что он содержит результаты 100 измерений с интервалом дискретизации 7 с. Входными переменными является массив u, а выходным параметром y.

Для наглядности сформированного файла необходимо в его структуру ввести обозначения входных и выходных данных, а также их размерностей:

 

>>set(dan,'InputName','Подача волокнистоймассы','OutputName','Объемная плотность')

 

>> set(dan,'InputUnit','кг/час','OutputUnit','кг/м3')

 

Для просмотра полной информации о полученном файле воспользуемся командой:

>> get(dan)

 

ans =

              Domain: 'Time'

                Name: []

          OutputData: [100x1 double]

                   y: 'Same as OutputData'

          OutputName: {'Объемная плотность'}

          OutputUnit: {'кг/м3'}

           InputData: [100x1 double]

                   u: 'Same as InputData'

           InputName: {'Подача волокнистой массы'}

           InputUnit: {'кг/час'}

              Period: Inf

         InterSample: 'zoh'

                  Ts: 7

              Tstart: []

    SamplingInstants: [100x0 double]

            TimeUnit: ''

      ExperimentName: 'Exp1'

               Notes: []

            UserData: []

 

Для графического представления данных воспользуемся командой:

 

>> plot(dan)

Рисунок 2.1.1 Графическое представление исходных данных

Для дальнейшего использования полученных исходных данных необходимо провести предварительную обработку этих данных с целью удаления тренда из набора данных и если необходимо отфильтровать данные с помощью имеющихся средств в пакете System Identification Toolbox. Данные операции проведем в графическом интерфейсе System Identification Toolbox, который запускается из командной строки командой:

 

>> ident

Opening ident ....... done.

 

 В результате выполнения этой команды появляется диалоговое окно показанное на рисунке 2.1.2. На начальной стадии идентификации с использованием графического интерфейса после проведения эксперемента необходимо сформировать файл данных, в нашем примере таким файлом является dan.

В левом верхнем углу окна выберем в раскрывающемся списке Data вариант Import. Это приведет к открытию диалогового окна показанного на рисунке 2.1.3.

 

 

     Рисунок 2.1.2 Окно графического интерфейса SIT

 

 

 

 

 

 

 

 

 

В поле окна Data Format for Signals выбираем IDDATA object. В поле Iddata вводим название нашего файла dan (см. рисунок 2.1.3)

                      Рисунок 2.1.3 Окно параметров импорта

 

Запустим режим быстрого старта, для чего в падающем меню Operations выберем Quick Start (см. рисунок 2.1.4).

 

    Рисунок 2.1.4 Импорт файла данных выполнен

 

Во время выполнения этого режима производится:

• Удаление тренда из массива экспериментальных данных;
• Формирование усеченных массивов данных с именами dande и dandv для построения моделей.

 

 

Рисунок 2.1.5 Завершен импорт и преобразование данных

 

После проведения предварительной обработки данных можно приступить к нахождению оценки модели.

В предложенном списке Estimate выбираем Parametric models (см. рисунок 2.1.6), данный выбор приведет к открытию диалогового окна задания структуры модели (см. рисунок 2.1.7).

 

          Рисунок 2.1.6 Выбираем параметрические модели

 

Получим параметрические модели из предложенного списка (ARX, ARMAX, OE, BJ, State Space см. рисунок 2.1.7), оценка производится нажатием кнопки Estimate. Существует возможность изменить параметры модели в редакторе Order Editor. Воспользуемся значениями по умолчанию, за исключением ARX и State Space, у которых параметры выберем нажав кнопку Order Selection.

 

Рисунок 2.1.7 Окно выбора структуры моделей

 

После того как были получены все 5 моделей объекта управления (см. рисунок 2.1.8), можно приступит к выбору одной из них, которая будет использоваться далее для получения передаточной функции ТОУ.

 

Рисунок 2.1.8 Получены 5 моделей ТОУ

 

Определяем лучшую модель- model outport.

Для анализа модели ТОУ возьмем модель n4s4, для чего перетащим ее на иконку To Workspace, при этом модель n4s4 появится в рабочем пространстве MATLAB.

Полученная модель представлена в так называемом тета – формате и является дискретной. Для преобразования модели из тета - формата в вид удобный для дальнейшего использования в пакете System Identification Toolbox имеются специальные функции.

Преобразуем модель тета-формата многомерного объекта в вектор передаточных функций, связанных с выбранным входом:

 

>> [num, den]=th2tf(n4s4)

 

num = 0   -0.0004    0.0164    0.0397   -0.0477

        

den = 1.0000   -2.6373    2.5759   -1.1140    0.1837

 

  где  n, d соответственно числитель и знаменатель дискретной передаточной функции.

 

 

Получим дискретную передаточную функцию:

 

 

>> zn4s=tf(num,den,ts)

 

 Transfer function:

 

-0.0004215 z^3 + 0.01635 z^2 + 0.03966 z - 0.04767

--------------------------------------------------

  z^4 - 2.637 z^3 + 2.576 z^2 - 1.114 z + 0.1837

 

Осуществление выборки времени: 7

 

 

 

Преобразуем дискретную модель в непрерывную:

 

>> sn4s=thd2thc(n4s4)

 

State-space model:    dx/dt = A x(t) + B u(t) + K e(t)

                                  y(t) = C x(t) + D u(t) + e(t)

A =

                          x1                 x2                 x3              x4

          x1    -0.0050527     0.026153     0.013255    0.0033004

           x2   -0.037424     -0.024793    -0.053154   -0.0022318