智能PID控制综述

  沈永福,吴少军,邓方林

(第二炮兵工程学院控制工程系,陕西西安710025) 

 
  [ ] 传统的PID控制应用于复杂的实际系统时存在一定的局限性,而融合了先进智能控制思想和传统PID构成的智能PID控制器则具有良好的特性。文中介绍几种常见的智能PID控制器的构成方式,包括模糊PID、神经网络PID、专家PID控制及基于遗传算法的PID控制等,并分析了各自的特点。
    [关键词] PID控制器;智能控制;智能PID

1 引 言  
  PID控制具有结构简单、稳定性能好、可靠性高等优点,尤其适用于可建立精确数学模型的确定性控制系统。在控制理论和技术飞速发展的今天,工业过程控制领域仍有近90%的回路在应用PID控制策略。PID控制中一个关键的问题便是PID参数的整定[1]。但是在实际的应用中,许多被控过程机理复杂,具有高度非线性、时变不确定性和纯滞后等特点。在噪声、负载扰动等因素的影响下,过程参数甚至模型结构均会随时间和工作环境的变化而变化。这就要求在PID控制中,不仅PID参数的整定不依赖于对象数学模型,并且PID参数能够在线调整,以满足实时控制的要求。智能控制(IntelligentControl)是一门新兴的理论和技术,它是传统控制发展的高级阶段,主要用来解决那些传统方法难以解决的控制对象参数在大范围变化的问题,其思想是解决PID参数在线调整问题的有效途径[2]
  近年来,智能控制无论是理论上还是应用技术上均得到了长足的发展,随之不断涌现将智能控制方法和常规PID控制方法融合在一起的新方法,形成了许多形式的智能PID控制器。它吸收了智能控制与常规PID控制两者的优点。首先,它具备自学习、自适应、自组织的能力,能够自动辨识被控过程参数、自动整定控制参数、能够适应被控过程参数的变化;其次,它又具有常规PID控制器结构简单、鲁棒性强、可靠性高、为现场工程设计人员所熟悉等特点。正是这两大优势,使得智能PID控制成为众多过程控制的一种较理想的控制装置。文中主要介绍几种智能PID控制器的常见构成形式,并分析各自的特点。
2 基于神经网络的PID控制器
2.1 单神经元PID控制器[3]
   
用单神经元实现自适应PID控制的结构框图如图2-1所示。图2-1中转换器的输入为设定值yr及输出y,转换器的输出为神经元学习控制所需要的状态量X1、X2、X3。神经元PID控制器的输出为

式中,K为神经元比例系数。
  在单神经元控制器中引入输出误差平方的二次型性能指标,通过修改神经元控制器的加权系数Wi,使性能指标趋于最小,从而实现自适应PID的最优控制。利用具有自学习和自适应能力的单神经元来构成单神经元自适应PID控制器,不但结构简单、学习算法物理意义明确、计算量小,且能适应环境变化,具有较强的鲁棒性。


2.2 神经网络PID控制器[4]
  在常规PID控制器的基础上,加入一个神经网络控制器,构成如图2—2所示的神经网络PID控制器[4]。此时神经网络控制器实际是一个前馈控制器,它建立的是被控对象的逆向模型。由图2—2容易看出,神经网络控制器通过向传统控制器的输出进行学习,在线调整自己,目标是使反馈误差e(t)或u1(t)趋近于零,从而使自己逐渐在控制作用中占据主导地位,以便最终取消反馈控制器的作用。但是以PID构成的反馈控制器一直存在,一旦系统出现干扰等,反馈控制器马上可以重新起作用。因此,采用这种前馈加反馈的智能控制方法,不仅可确保控制系统的稳定性和鲁棒性,而且可有效地提高系统的精度和自适应能力。

3 模糊PID控制器
3.1 模糊自适应PID控制器[5]
  模糊自适应PID(FAPID)控制系统如图3—1所示。FAC为模糊自适应控制器,与常规PID控制器一起组成FAPID控制器。FAPID控制器的设计分为独立的两步进行,简单方便。FAC的输出即为PID控制器的输入。PID参数若采用工程方法整定,可不需要被控对象模型。整定PID参数时,去掉FAC的作用。当在每个采样时刻获得了系统响应后,就可以根据此时刻系统响应偏离给定的情况及变化趋势,依据已有的系统控制知识,运用模糊控制方法,适当加大或减小控制力度,以控制响应朝偏离给定的方向变化,使输出尽快趋于稳定,可基于这种思路来设计FAC。模型规则表物理意义明确,实时计算工作量小,便于工程应用。事实上,由于模糊控制部分已隐含对误差的PD成分[6],所以在采用FAPID控制时,PID控制器中微分部分没有必要加入。与传统PID控制比较,FAPID控制大大提高了系统的鲁棒性,减小了超调量,提高了抗干扰能力,缩短了调节时间。

3.2 基于神经网络的模糊PID控制[7]
  将模糊控制具有的较强的逻辑推理功能、神经网络的自适应、自学习功能以及传统PID的优点融为一体,构成基于神经网络的模糊PID系统框图见图3—2所示。它包括4个部分:(1)传统PID控制部分:直接对控制对象形成闭环控制;(2)模糊量化模块:对系统的状态向量进行归档模糊量化和归一化处理;(3)辨识网络NNM:用于建立被控系统中的辨识模型;(4)控制网络NNC:根据系统的状态,调节PID控制的参数以达到某种性能指标最优,具体实现方法是使神经元的输出状态对应PID控制器的被调参数,通过自身权系数的调整,使其稳定状态对应某种最优控制规律下的PID控制参数。这种控制器对模型、环境具有较好的适应能力以及较强的鲁棒性,但是由于系统组成比较复杂,存在运算量大、收敛慢、成本较大的缺点。

4 专家PID控制器[8]  
  具有专家系统的自适应PID控制器结构如图4—1所示。它由参考模型、可调系统和专家系统组成。从原理上看,它是一种模型参考自适应控制系统。其中,参考模型由模型控制器和参考模型被控对象组成;可调系统由数字式PID控制器和实际被控对象组成。控制器的PID参数可以任意加以调整,当被控对象因环境原因而特性有所改变时,在原有控制器参数作用下,可调系统输出y(t)的响应波形将偏离理想的动态特性。这时,利用专家系统以一定的规律调整控制器的PID参数,使y(t)的动态特性恢复到理想状态。
  专家系统由知识库和推理机制两部分组成,它首先检测参考模型和可调系统输出波形特征参数差值即广义误差e。PID自整定的目标就是调整控制器PID参数矢量θC,使θ值逐步趋近于θm(即e值趋近于0)。 

 
  该系统由于采用闭环输出波形的模式识别方法来辨别被控对象的动态特性,不必加持续的激励信号,因而对系统造成的干扰小。另外,采用参考模型自适应原理,使得自整定过程可以根据参考模型输出波形特征值的差值来调整PID参数,这个过程物理概念清楚,并且避免了被控对象动态特性计算错误而带来的偏差。
5 基于遗传算法的PID控制  
  遗传算法(Genetic Algorithm,以下简称GA)是一种基于自然选择和基因遗传原理的迭代自适应概率性搜索算法。基本思想就是将待求解问题转换成由个体组成的演化群体和对该群体进行操作的一组遗传算子,包括3个基本操作:复制(reproduction)、交叉(crossover)、变异(mutation)。其基本流程如图5—1所示。基于遗传算法的PID具有以下特点:(1)把
时域指标同频域指标做了紧密结合,鲁棒性和时域性能都得到良好保证;(2)采用了新型自适应遗传算法,收敛速度和全局优化能力大大提高;(3)具有较强的直观性和适应性;(4)较为科学地解决了确定参数搜索空间的问题,克服了人为主观设定的盲目性[9]。  
  基于遗传算法的自适应PID控制的原理框图如图5—2所示,图中省略了遗传算法的具体操作过程。其思想就是将控制器参数构成基因型,将性能指标构成相应的适应度,便可利用遗传算法来整定控制  器的最佳参数,并且不要求系统是否为连续可微的,能否以显式表示。当遗传算法用于PID控制参数寻优时,其操作流程主要包括:(1)参数编码、种群初始化;(2)适应度函数的确定;(3)通过复制、交叉、变异等算子更新种群;(4)结束进化过程。



6 结束语  
  该文介绍了几种智能PID控制器,并给出了几种常见的构成形式。从文献来看,现代控制理论研究如火如荼,由于具有良好的性能,基于经典PID控制结合智能控制思想的智能PID控制器,由于具有良好的性能在实践中也得到了广泛的应用。

参考文献

[1] 王伟,张晶涛,柴天佑.PID参数先进整定方法综述[J].自动化学报,2000,26(3).
[2] 李人厚.智能控制理论和方法[M].西安:西安电子科技大学出版社,1999.
[3] 杜海树,等.神经智能PID控制算法应用[J].甘肃工业大学学报,1999,25(3).
[4] 赵望达,等.PID控制器及其智能化方法探讨[J].化工自动化及仪表,1999,26(6).
[5] 苏巍.模糊PID的研究[J].工业仪表与自动化装置,2001(2).
[6] 张恩勤,施颂椒,翁正新.模糊控制与PID控制方法的比较[J].上海交通大学学报,1999,33(4).
[7] 莫建林,朱承高.基于神经网络的模糊自适应PID控制及其实现[J].自动化技术与应用,1998,17(2).
[8] 罗安,路甬祥.专家PID控制器及应用[J].信息与控制,1992,21(3).
[9] 郑力新,周凯汀,王永初.PID进化设计法[J].仪器仪表学报,2001,22(4).


评论

该日志第一篇评论

发表评论

评论也有版权!