我现在是看一本伺服控制的书，直接看最后面的章节“伺服系统设计的案例”，再学习案例中涉及的知识和概念。两位搞伺服的前辈，虽然观点有分歧，但我认为说的都有道理，如同一枚硬币的正反面，虽然描述的花纹不同，但都是同一枚硬币。也让我更全面了解我的疑问，很受教。谢谢。
数字液压 发表于 2018-3-25 20:41
虽然系统设计确定了，但伺服阀控系统的构成例如阀与缸中间的管路、供油和回油管路、系统压力波动、负载、 ...
PID是可以数学整定的,比如下面两种:
有两种方法整定参数：
1- 共振法 参数通过Ziegler / Nichols 参考公式得到。
2- 阶越响应法 参数通过Chien / Hrones / Reswick或者Ziegler / Nichols参考公式得到。
很多厂家的温控就是自整定，不需要用户自己去调，伺服也可以；液压缸控制影响因素多，但是也可以，比如Delta的控制器；
本帖最后由 数字液压 于 2018-3-27 10:36 编辑
back2049 发表于 2018-3-26 21:19
PID是可以数学整定的,比如下面两种:
有两种方法整定参数：
1- 共振法 参数通过Ziegler...
是的，您说的这些方法通过尝试边界参数或者过程特征参数可以实现自整定，很多年前我也自己做过类似的算法，但很多工业实际应用场合是不允许进行类似自整定的，例如：炼钢结晶器钢水液面控制，一次超调可能就会导致1600度的钢水从结晶器中溢出。。。高炉的送风风温风压自动控制系统，一旦出现大幅度波动，可能导致灾难性事故。因此对于系统复杂程度高，环节多，尤其涉及液压传动的自动控制系统，往往一次成功的几率就变得很小，反复调试以及对现场调试人员的要求等，会大幅度增加综合成本，这也是液压伺服控制系统这些年越来越多的被电气传动系统取代的主要原因。一句话：用户怕。
Back2049，Ziegler-Nichols优化不适用于优化液压执行器。
1. ZN是为温度控制系统设计的。 ZN试图在没有模型的情况下估算控制器增益。
2.温度系统和液压系统非常不同。液压系统属于1型或集成系统。温度系统是0型或非积分系统。
3.液压系统欠阻尼。温度系统不是。
4. ZN优化会导致超调。这在位置控制应用中通常是不可接受的。
5.最好不要提到ZN用于调节液压执行机构。
非整合系统与整合系统之间的区别需要理解。控制工程师应该能够查看系统并判断系统是集成还是非集成，并很好地估计系统是否处于欠阻尼状态。
我必须同意数字液压有关ZN和超调的说法。控制浇注金属不适合初学者，但通过一点训练就可以控制浇注金属
PEN 发表于 2018-3-27 12:59 static/image/common/back.gif
Back2049，Ziegler-Nichols优化不适用于优化液压执行器。
1. ZN是为温度控制系统设计的。 ZN试图在没有模 ...
你和数字液压先生是对的，一般适用FOPDT系统，不适用二阶欠阻尼系统，Delta控制器是如何实现的呢，我很少发现有控制器支持液压伺服系统自整定功能
对于FOPDT和SOPDT，我使用IMC优化方法。
如果你做温度控制系统看看这个。
http://deltamotion.com/peter/Mathcad/FOPDT/Mathcad%20-%20FOPDT.pdf
http://deltamotion.com/peter/Mathcad/SOPDT/Mathcad%20-%20SOPDT1.pdf
我提供了如何计算控制器增益的证明。
我有35 MB的Mathcad工作表，包含解决方案或示例。
对于伺服控制，我使用极点布置。见阿克曼公式。
https://en.wikipedia.org/wiki/Ackermann%27s_formula
http://web.mit.edu/16.31/www/Fall06/1631_topic13.pdf
我认为Matlab使用Ackermanns的方法。我尝试将所有闭环极点放在负实轴上，因此闭环传递函数是
CLTF（s）=λ^ 4 /（s +λ）^ 4
所以所有的极点都在负实轴上。这种方式应该永远不会超调。
我认为台达是液压系统唯一的自动优化。我们已经拥有了超过15年的时间。
看这个视频。除了比例增益外，我将所有控制器增益设置为0。然后我使用我们的自动光照软件。
http://deltamotion.com/peter/Videos/AutoTuneTest2.mp4
http://deltamotion.com/peter/Videos/AutoTuning3.mp4
它运作良好。在移动电机或液压执行器时停止视频。看看左下方的传说。即使快速移动，您也可以看到跟随误差很小。
进入位置是目标，但最好快速进入位置
For FOPDT and SOPDT I use IMC optimizing method.
If you do temperature control systems look at this.
http://deltamotion.com/peter/Mathcad/FOPDT/Mathcad%20-%20FOPDT.pdf
http://deltamotion.com/peter/Mathcad/SOPDT/Mathcad%20-%20SOPDT1.pdf
I have provided the proof as to how the controller gains are calculated.
I have 35 MB of Mathcad worksheets with solutions or examples.
For servo control I use pole placement. See Ackermann's formula.
https://en.wikipedia.org/wiki/Ackermann%27s_formula
http://web.mit.edu/16.31/www/Fall06/1631_topic13.pdf
I think Matlab uses Ackermanns's method.I try to place all the closed loop poles on the negative real axis so the closed loop transfer function is
CLTF(s)= λ^4/(s+λ)^4
So all the poles are on the negative real axis.This way there should never be overshoot.
I think Delta has the only auto optimizing for hydraulic systems.We have had it for over 15 years now.
Watch this video. I set all the controller gains to 0 except the propotional gain.Then I use our auto optizimizing software.
http://deltamotion.com/peter/Videos/AutoTuneTest2.mp4
http://deltamotion.com/peter/Videos/AutoTuning3.mp4
It works well.Stop the video while I am moving the motor or hydraulic actuator. Look at the legend in the lower left.You can see the follow errors are small even when moving fast.
Getting into position is the goal but it is best to get into position quickly to increase production.
关于怎样学习液压伺服控制已经讨论了很久，除了大伙推荐一些书外也没有找到什么捷径，蜻蜓同学也希望大家能帮忙出主意，说明这一问题好向真不好解决，数字液压说你真要把那些都学完了可能胡子眉毛都白了，需然这是一句玩笑话，但也确实是现在这种学习方法的无奈。而在高速发展的今天和智能化高速进步的今天，这种学习方法还真有点跟不上形势了。我大胆预言：免调试的液压伺服系统不会太久就会出现，因为人工智能高速发展的今天，自动驾驶已经登场，阿尔法狗已经战胜人类下棋，一个液压伺服控制真那么难吗？还需要人人去学吗？这种浪费大量青春去死扣硬记的液压伺服控制必将很快被人工智能代替，首先登场的很可能就是数字伺服液压，其次很可能就是传统伺服液压，这些问题的解决，将彻底简化液压控制，如果伺服液压策底解决了，哪么，大学的液压专业将面临很大的威胁，液压的研究生和博士生的专业课将很难继续下去，所以，我觉得蜻蜓先生把精力可以更多的用到其它综合知识的提高上，如电控知识、机械知识、传感器知识等等，具有综合能力比死扣液压那些公式收获更大，这是我的想法，不一定正确，可供参考。
数字液压是未来的发展方向，未来的控制器会植入人工智能，现在的数字液压缸相当抽水马桶（原理），未来的控制器可以说是傻瓜相机。对于开发者需要专深的数学知识，对于应用者需要广博的知识。我想大体上没错。
大多数人都会手动优化P，I和D控制器的增益。他们如何知道答案是最佳的？最佳的定义是什么？
大多数人在看结果时会改变一个控制器的增益。 20世纪90年代，我优化了这种收益。然后我意识到P，I和D控制器增益放置了闭环极点。闭环极点和零点决定了系统的响应。然后我开始考虑优化控制器的增益。我可以确定闭环电杆的最佳响应位置。然后我可以计算控制器的增益，将电杆放在理想的位置。
ITAE调试尝试找到放置闭环极点的最佳位置，以便在响应阶跃输入时使积分时间绝对误差最小化。还有一个是计算闭环极点的最佳位置。有IAE（综合绝对误差）和ISE或SSE（误差平方和）。每种方法都有其自身的优点和缺点。所有闭环极点位置都是最佳的，它们的版本略有不同。
我对人工智能持怀疑态度。 AI有一些很好的例子，但大多数应用程序不需要AI。一次又一次地制作相同的部分与扮演威麒（GO）或国际象棋的可能性无穷无异。
因为每块木头都是不同的，所以锯木厂里的木材也有无尽的可能性。优化如何切割木材的软件不在运动控制器上执行。有一个可以扫描木材的视觉系统。优化计算机并确定切割木材的最佳方式。优化程序可能会尝试比较数百种组合，并选择切割木材的最佳方法。切割木材的最佳方式是下载到运动控制器。我不会称这个AI。这只是一个奇特的算法，但除非出现问题，否则不需要人员
Most people optimze P, I and D controller gains manually.How do they know the response is optimal?What is the definition of optimal?
Most people change one controller gain at a time the look at the result. I optimized gains like this in the 1990s.Then I realized the P, I and D controller gains placed the closed loop poles. The closed loop poles and zeros determine the response of the system.Then I started to look at optimizing controller gains differently.I could determine where the closed loop poles should be for the best response.Then I could calculate the controller gains that put the poles in the desired position.
The ITAE tuning attemps to find the best place to put the closed loop poles so the integrated time absolute error is minimized when responding to a step input. There are other was of calculating the optimal position of the closed loop poles.There is the IAE ( integrated absolute error ) and the ISE or SSE ( sum of squared errors ).Each method has its own advantages and disadvantages.All have a slight different version of what closed loop pole locations are optimal.
I am skeptical about artificial intelligence.There are some good examples of AI but most applications do not need AI. Making the same part over and over again is not the same as playing weiqi ( GO ) or chess where the possibilities are endless.
Cuting wood in sawmills also have endless possibilities because each piece of wood is different. The software that optimizes how to cut the wood is not executed on the motion controller. There is a vision system that can scan the wood.The optimizing computers and determine the best way to cut the lumber.The optimizer program may try compare hundreds of combinations and chose the best way to cut the lumber.The best way to cut the wood is downloaded to the motion controller. I wouldn't call this AI.It is just a fancy algorithm but people are not required unless something goes wrong.
蜻蜓 发表于 2018-3-28 23:16
数字液压是未来的发展方向，未来的控制器会植入人工智能，现在的数字液压缸相当抽水马桶（原理），未来的控 ...
如果硬件技术没有突破，再牛比的人工智能也是枉然；现在AI和机器人在中国过热，据了解，高端的国产机器人控制器基本都是国外自动化厂家的（KEBA，B&R,Beckhoff等公司），减速机是日本和德国的；和数控机床行业情况相同，GE-FANUC和西门子的数控系统占据了几乎所有的利润；
数字液压真正的竞争对手是伺服泵控系统，而非伺服阀控；