孟慶龍,王元,李彥鵬
1.長安大學環(huán)境科學與工程學院,西安710054
2.西安交通大學能源與動力工程學院,西安710049
模擬包括數值模擬和物理模擬,其中物理模擬是把對實際現象的研究轉換為在專門實驗室條件下對縮尺或放大模型所進行的相似現象研究(一種特殊的模擬是在原型上進行,稱為復現模擬)。物理模擬的基本思想,是根據模型實驗的結果就能給出關于效應特性和與實際條件下的現象有關的各種量的必要的答案[1]。這種模擬是以物理實驗平臺為基礎的。
環(huán)境模擬技術在不斷解決環(huán)境模擬和實驗的研究過程中,形成了獨立的理論體系,其整個發(fā)展歷程與環(huán)境模擬設備息息相關。環(huán)境模擬設備與實驗技術經歷了由靜態(tài)到動態(tài),從單參數到多參數,從產品環(huán)境到人機環(huán)境的發(fā)展過程。目前其發(fā)展方向是建立多參數綜合動態(tài)環(huán)境模擬系統(tǒng)并進行多參數綜合動態(tài)人機系統(tǒng)環(huán)境實驗[1]。1949年美國溫特教授在加利福尼亞州的帕薩迪納主持建造了世界上首個環(huán)境模擬設施,命名為“phytotron”[2]。這個環(huán)境模擬設施的出現對當時的生物科學研究起到了極其重要的推動作用。隨后,環(huán)境模擬設施如雨后春筍,廣泛應用于航空、航天、海洋、農業(yè)、環(huán)境等各個領域,多種不同規(guī)模和類型的環(huán)境模擬設施相繼建立[3-6]。世界上建成的最具代表性的動態(tài)綜合環(huán)境模擬設施是建立在美國亞利桑那州的生物圈2號(Biosphere 2)[7]。按照設計思想,地球被稱為生物圈一號,生物圈2號是地球的縮影。
實際上,成功的環(huán)境模擬必須依靠一個可靠的控制系統(tǒng)來維持。通過對模擬裝置的改進,采用合理有效的控制技術,不但能夠模擬平均風速廓線,提高氣流分布均勻性,還能夠模擬溫度層結和太陽輻射等環(huán)境參數,更真實地反映近地層環(huán)境的實際狀況,為應用研究提供可靠、可控的實驗平臺。因此,要在環(huán)境模擬實驗室這樣封閉的環(huán)境空間內實現近地層環(huán)境參數的動態(tài)模擬,就必須對環(huán)控設備進行控制。模擬是目標,控制是手段,可以這樣說,缺少自動化系統(tǒng)的環(huán)境模擬幾乎不可能實現。
本文的主要目的就是在充分了解近地層風環(huán)境特性的基礎上,使用人工方法實現近地層微氣候風環(huán)境模擬。通過設計合理的控制策略和先進的控制算法,提高風環(huán)境模擬精度。
環(huán)境模擬實驗室建筑面積約105m2,屋面平均高度4.8m,局部為二層。整個實驗室按空間位置分成三部分:實驗區(qū)、設備室及觀察控制室,其立體結構示意圖如圖1所示。圖2給出了實驗室的上部平面示意圖。為構造真實近地層的局部地表環(huán)境,實驗中心位置處設有6 280(L)×5 040(W)×1 350(D)的地表構造坑。實驗區(qū)上部設置高度可調的全光譜日光模擬器,為將光源發(fā)出的熱量排出室外,模擬器配備了通風降溫系統(tǒng);觀察控制室設在局部二層上(下部為設備室,放置壓縮機、表冷器等),實驗人員通過雙層玻璃窗可對實驗區(qū)實驗情況進行實時觀測。
圖1 環(huán)境模擬實驗室立體結構示意圖
圖2 環(huán)境模擬實驗室下部平面圖(單位:mm)
實驗室內采用6臺風機來模擬自然環(huán)境風。3臺低噪聲軸流風機作為送風機布置在實驗室南側;3臺低噪聲軸流風機作為回風機布置在北側。回風管從回風風機后的靜壓箱伸出,沿屋頂下側穿過實驗室連接至送風風機的靜壓箱,形成閉式回路。風機是制造自然風的設備,為得到期望的效果,對其的精確控制非常關鍵。對送風機和回風機分別用兩臺變頻器驅動,通過計算機可自動調節(jié)變頻器頻率來實現風速的自動控制,完成所需自然風效果的模擬。為使風機出口風速進一步提高,在送風機出口設置一收縮段。收縮段的頂面和底面不收縮,兩個側面按照維托辛斯基收縮曲線設計。為改善實驗區(qū)氣流特性和形成期望的風速廓線,采取增設單層或多層不等高的阻尼網,通過合理布置阻尼網的高度和層數,使模型實驗區(qū)風場展向均勻且垂向滿足期望得到的風速廓線[8]??紤]陣風的正弦疊加性,在滿足風速廓線的同時,需要滿足陣風特性,能夠實現任意正弦風速的模擬。
迭代學習控制(Iterative Learning Control,ILC)是A rimoto在1984年針對機器人系統(tǒng)特點,模擬人類學習技能過程提出的[9]。它利用系統(tǒng)前期的運行信息,通過迭代的方式修正當前的控制信號,使系統(tǒng)的輸出能夠精確地跟蹤期望軌跡。ILC最大的特點是跟蹤性能會隨迭代逐步改善。迭代學習控制和PID(Proportional Integral Derivative)控制一樣具有簡單的形式,但卻不依賴系統(tǒng)模型。隨著迭代學習控制理論的不斷發(fā)展和完善,迭代學習控制方法在實際控制工程問題中也得到了廣泛的應用,例如:過程工業(yè)中的批處理過程,半導體晶片的溫度控制,磁盤驅動,無縫鋼管壁厚控制,煙葉發(fā)酵系統(tǒng)等,但多局限于仿真研究[10]。雖然迭代學習控制的性能分析是建立在嚴格數學分析基礎上的,但卻不需要精確的數學模型,因而,它是簡單實用的控制方法,這也是它引起人們關注的主要原因。
假設離散時間系統(tǒng)的受控對象模型為:
輸出誤差定義為:
ek(t)=yd(t)-yk(t)
根據誤差定義可以分別定義出開環(huán)和閉環(huán)PID型學習律:
比較開環(huán)控制和閉環(huán)控制兩種控制策略,開環(huán)控制利用上一步的控制誤差信息計算控制規(guī)律,閉環(huán)控制采用的是由上一步的控制和當前誤差信息計算控制規(guī)律的方法[11-13]??紤]開環(huán)迭代學習利用信息的簡單特點,本文采用開環(huán)迭代學習控制。
實際應用中,系統(tǒng)下一次運行的新的控制既可以在上一次運行結束后離線計算得到,也可以在上一次運行中在線計算得到;新的控制量存入存儲器,刷新舊控制量。在控制過程中,從存儲器取出控制量。可以看出,迭代學習控制算法可利用的信息要多于常規(guī)的反饋控制算法。
如果設定值是連續(xù)變化的曲線,實際上并不會直接將設定值直接加到系統(tǒng)上,而是分段加到系統(tǒng)上。而這種分段又會引起實際值的超調,造成調節(jié)時間過長等問題[14]。為了克服這些問題,在自校正PID基礎上加入ILC設定值優(yōu)化序列,其控制結構如圖3所示。該結構是在文獻[15]基礎上引進自校正控制后的改進。迭代學習的輸出r為經過優(yōu)化的設定值,將作為直接控制單元的設定;直接控制單元由自校正PID控制器和被控對象組成的閉環(huán)系統(tǒng),系統(tǒng)可實時更新PID參數。實質上,迭代學習和直接控制單元構成了雙閉環(huán)控制系統(tǒng)。內環(huán)進行系統(tǒng)動態(tài)控制,外環(huán)在原來階躍設定基礎上通過迭代學習進行系統(tǒng)設定值序列的優(yōu)化調整,得到了“受控”的設定值。
圖3 基于迭代學習控制的自校正PID控制系統(tǒng)結構圖
每個設定值下的期望軌跡定義為設ck為系統(tǒng)第k個的設定值,則第k個優(yōu)化周期內系統(tǒng)的運行期望軌跡為:
式中,α取值不同,軌跡變化快慢不同:當1>α>0時,期望軌跡平滑,變化緩慢。α>1時,期望軌跡坡度大,變化迅速。
當t=0時,ydk(t)=ck-1;當t→∞?時,ydk(t)=ck,即系統(tǒng)最終穩(wěn)定運行于當前優(yōu)化周期內的設定值ck。由上述分析可以看出,理想軌跡是第k個設定值與第k-1個設定值的差和第k-1個設定值ck-1的函數。即本次期望軌跡是在上次設定值的基礎上按設定值增量的指數規(guī)律變化。
采用PD型ILC算法:
其中
式中rk(t)為迭代學習輸出的設定值;LP和LD分別為比例學習增益和微分學習增益。
將設定值序列分段加到系統(tǒng)上,本次迭代控制會將上次迭代學習的經驗繼承下來,指導本次控制量(這里為設定值rk(t)),隨著迭代次數的增加,系統(tǒng)從一個穩(wěn)態(tài)過程到另一個穩(wěn)態(tài)過程實現了平滑過渡。該控制算法的流程圖如圖4所示。
圖4 基于ILC的自校正PID控制算法流程圖
為驗證該算法的有效性,對該算法進行了M atlab仿真研究。仿真模型為:
將正弦變化的設定值分為63段加到系統(tǒng)上,形成63個設定值序列。每個迭代周期為30 s,α取為1,LP、LD為本學習律的學習增益,為保證迭代收斂性,同時考慮收斂的快速性,通過仿真實驗,LD和LP分別取為3.5和0.8。算法仿真結果如圖5所示。由圖可以看出,經過兩次迭代學習系統(tǒng)的超調明顯減小,隨著迭代次數的增加,實際值基本上實現了期望值的無差跟蹤??梢钥闯觯S著迭代次數的增加,最大偏差很快減小,到第10次幾乎達到零偏差。
圖5 基于迭代學習控制的自校正控制系統(tǒng)仿真結果圖
為模擬自然陣風,采用了變頻技術控制送、回風機。進行陣風模擬時,采用被動和主動兩種控制方式,為在模型實驗區(qū)實現整場近地層風速廓線的模擬,通過合理布置阻尼網高度和層數以及粗糙元的來實現風速在垂向的廓線要求;通過設置出口收縮段和阻尼網來保證展向風速分布均勻;通過送風機和回風機的協(xié)調控制,以保證實驗區(qū)縱向(風機軸向)速度分布的均勻性。
由系統(tǒng)的穩(wěn)態(tài)特性曲線控制可知,系統(tǒng)呈線性特性。實際上,在系統(tǒng)運行過程中受其他干擾影響,系統(tǒng)具有慢時變特性。在某一時間段設計的控制器在系統(tǒng)發(fā)生時變后其特性并不能達到最佳效果。為了使控制器發(fā)揮最佳效果,需要根據系統(tǒng)模型參數實時更新控制器參數,即控制參數是依賴于控制狀態(tài)的。加上陣風具有隨機性,而這種隨機性是由多個不同振幅和頻率的正弦波組成。為模擬風環(huán)境,需要不同的正弦波風速,這種正弦風具有重復特性。因此,采用基于迭代學習的自校正PID控制可以有效實現正弦風的模擬。
通過前期數值模擬發(fā)現,在地面以上1.0m范圍內具有較強的風速可控性。圖6給出虛擬測點支架示意圖,序號(1,2,…,i,…,N)代表N個豎直支架。每個支架上布置n個測點,測點位置根據需要設定。各支架上風速分布均應滿足對數廓線,具有唯一的
圖6 支架位置示意圖
其中u*為摩阻風速,z0為地面粗糙度。
實際上,支架位置不同,u*可能不同,但目標是希望獲得整個模型實驗區(qū)整場均一的u*,此時被控參數是u*。實際上u*僅是一個虛擬速度,可根據u*的設定值按豎直方向的風速廓線獲得實際流場各點的設定值。
圖7給出了圖6中虛擬測點支架1、3、15和N位置處基于CFD的風速控制系統(tǒng)仿真結果。這里采用的控制算法為PI控制,比例增益為0.6,積分增益為0.03,u*設定值為0.2m/s。由結果可以看出,不同位置的測點支
風速廓線如下式:架上的速度近似滿足對數風速廓線,各處的廓線基本一致,說明其u*值也保持一致,約為0.2m/s。
圖7 風速廓線數值模擬結果
實際控制時采用基于迭代學習控制的自校正PID控制。為驗證控制器性能,對模型實驗區(qū)中心處支架上的風速進行閉環(huán)控制。支架上共布置6個測點,測點距地面高度依次為0.15m,0.2m,0.3m,0.45m,0.67m和1m。設定CFD數值模擬中的控制器增益為當前控制器增益的初始值(比例增益為0.6,積分增益為0.03)。圖8給出了不同u*設定期望值下高度為0.67m處的風速控制結果與控制量(圖中的風速設定值由給定的u*設定值按照式(8)推得)。
圖8 風速控制結果
圖9給出了不同時刻風速在高度上的分布廓線。由于整個控制過程中速度變化范圍較大,對風速分布廓線進行了無量綱化處理。圖中z表示高度,h為高度尺度,u為水平時均風速,U為水平來流速度尺度。由圖8可知,系統(tǒng)實際值能夠實時跟蹤設定值,由于控制系統(tǒng)進行了在線參數估計,并實時更新控制器參數,實現了不同工況下期望風速的無差控制,保證環(huán)境模擬中其他動態(tài)風速期望的可靠實現。在高度方向的分布特性取決于被動控制值方式的可靠性,由圖9可知,在動態(tài)控制過程中,高度方向的風速分布基本滿足對數廓線分布。
圖9 不同時刻時的風速分布廓線
圖10給出了設定值為正弦u*風速信號的控制效果和控制量。
圖10 正弦風速控制響應
由圖可以看出,在第一個周期控制結果并不理想,實際值與設定值有0.3m/s左右的誤差,且實際值較設定值滯后約5 s。經過一個周期后,由第二個正弦周期開始,由于迭代學習控制的作用,實際值已基本跟蹤設定值。而且,在440 s時給系統(tǒng)一個干擾,可以看出,系統(tǒng)經過短暫調節(jié),很快使輸出跟蹤設定。
(1)仿真和實驗結果均表明,本文提出的控制算法針對風環(huán)境模擬的系統(tǒng)控制可行;
(2)實現了對期望風環(huán)境參數的有效控制,控制系統(tǒng)具有較強的魯棒性;
(3)由于迭代學習控制的作用,對于正弦風的模擬,隨著時間推進,實際值可跟蹤定值,保證了環(huán)境模擬的控制精度。
[1]王俊,黃本誠,萬才大,等.環(huán)境模擬技術[M].北京:國防工業(yè)出版社,1996.
[2]M oinn A S,Obukhov A M.Basic law s of turbulentm ixing in the atmosphere near the ground[J].Tr Akad Nauk SSSR Geofiz inst,1954,24(151):163-187.
[3]李云峰,吳勝興.現代混凝土結構環(huán)境模擬實驗室技術[J].中國工程科學,2005,7(2):81-85.
[4]徐俊,蒲亮,厲彥忠,等.人工環(huán)境室內濕度場的數值模擬和優(yōu)化[J].西安交通大學學報:自然科學版,2007,41(1):77-81.
[5]川戴玉英.汽車空調環(huán)境模擬實驗室設計及特點[J].空調與制冷,2002,2(4):36-39.
[6]肖飚,金蘇敏,史敏.人工環(huán)境試驗室內空氣流場的研究[J].制冷與空調,2007,7(5):89-92.
[7]Mervis J.Bye,bye Biosphere 2[J].Science,2003,302(19):2053.
[8]孟慶龍.近地層微氣候環(huán)境模擬與基于CFD的控制方法研究[D].西安:西安交通大學,2010.
[9]A rimoto S,Kaw amura S,M iyazaki F.Bettering operation of robotics by learning[J].J Robotic System,1984,1(2):123-140.
[10]劉山.迭代學習控制系統(tǒng)設計及應用[D].杭州:浙江大學,2002.
[11]Ruan X iao’e,Wang Jianguo,Wan Baiw u.Filter-based iterative learning control for linear large-scale industrial processes[J].Journal of Control Theory and Applications,2004(2):149-154.
[12]Xu J X,Xu J.On iterative learning from different tracking tasks in the presence of time-varying uncertainties[J].IEEE Trans on Syst,Man,and Cybernetics,2004,34(1):589-597.
[13]Ruan X iao’e,Zenn Bien Z,Park K H.Decentralized iterative learning control to large-scale industrial processes for nonrepetitive trajectory tracking[J].IEEE Transactions on System s,Man and Cybernetics:Part A Systems and Humans,2008,38(1):238-252.
[14]萬百五,黃正良.大工業(yè)過程計算機在線穩(wěn)態(tài)優(yōu)化控制[M].北京:科學出版社,1998-06.
[15]Ruan Xiao’e,Hou Zhuosheng,Wan Baiwu.The iterative learning control for the course of steady-state hierarchical optim ization of linear large-scale industrial processes[C]//Proceedings of the 4th World Congress on Intelligent Control and Automation,Shanghai,P R China,2002.