新型PID控制及其应用(共六讲)(4)

参数的自学习机构,从而使系统在运行过程中

能自动地对各PID的参数进行自学习和自整定。同时,若系统中出现扰动源或受控对象参数发生变化,系统的PID参数也能自动地修改和适应。

4　基于神经网络的PID,,,所有定量和定性分析都等势分布储存于神经网络内的各种神经元中,能够学习和适应严重不确定系统的动态特性,故有很强的鲁棒性和容错性。这些特点显示了神经网络在解决高度非线性和严重不确定性系统方面的潜力。411　关于神经网络

神经网络是由大量简单的基本神经元相互连接而构成的自适应非线性动态系统。每个神经元的结构和功能都比较简单,而大量神经元组合所产生的系统行为却相当复杂。

图

4—1显示了一种简化的神经元结构。它是一个多输入、单输出的非线性元件,其输入输出关系可描述为

(4—1)Ii=WjiXj-Ηi

(4—2)yi=f(Ii)

其中,Xj(j=1,2,…n)为输入信号,Ηi为阈值,Wij为连接权值,f(Ii)称为传递函数。

图3—1　智能PID自学习控制系统的结构

　　智能PID自学习控制系统的结构如图3—1所示。

智能PID控制器采用规则PID控制的形式,即在系统运行的不同阶段或情况下采用不同的PI性能评价部分设置的目的,是D参数。能够了解到智能控制器的控制性能及其好坏,以便及时修正PI设置逆对象D控制器的参数。模型的目的是将系统性能评价的结果折合到应对受控对象的控制量值u的修正量 u上去。PID参数自学习部分设置的目的是为了在得到

图4—1　神经元结构模型图

了 u后,能够合理有效地自动修正智能PID控制器中的各组PID的KP、KT、KD三个参数。

该系统的特点是在智能PID控制即规则PID控制的基础上,重视和强调对该控制器的

　　有时为方便起见,常把-Ηi也看成是对应

恒等于1的输入量X0的权值,这时(4—1)中的和式记为

控制性能的评价,将这个评价结果反馈给PID

1997年第6期　　　　　　　　　　　　工业仪表与自动化装置

n

61

Ii=2WjiX

j=0

j

(4—3)

其中:Woi=-Ηi,X0=1

传递函数f(X)可为线性函数,但通常为像阶跃函数或S状曲线那样的非线性函数。

神经网络是由大量的神经元广泛互连而成的网络。目前虽然已有数十种的神经网络模型,但已有的神经网络可分成3大类,即前向网络、反馈网络和自组织网络。

412　基于神经网络的PID控制器典型结构41211　神经元PID若取　X1=e(K),X2=e(K)-e(K-1),

X3=e(K)-2e(K-1)+e(K-2)

则式(4—4)变为:

u(K)=W1e(K)+W2[e(K)-e(K-1)]+W3[e(K)-2e(K-1)+e(K-2)]

(4—6)

(4—6)和式(,6)中系数(2,)而式(4—5)中的参数KP、正是由于WT、KD是预先确定好且不变的。

i

PI4—2(Ii),n3,则神经元:

u(K)=W1X1+W2X2+W3X3

(4—4)

能够进行自适应调整,故可大大提高控制器的鲁棒性能。与常规PID控制器相比较,无需进行系统建模,对具有不确定性因素的系统,其控制品质明显优于常规PI神经元的学D控制器。

习功能是通过改变权系数Wi来实现的,学习算法即是如何调整Wi规则,它是神经元控制的核心,反映了学习方式与学习功能

。

由第一讲可知,PID控制器的增量算式为: u(K)=KP[e(K)-e(K-1)]+Kie(K)+KD[e(K)-2e(K-1)+e(K-2)]

(4—5)

图4—2　神经元PID控制系统框图

41212　基于神经网络的PID

控制器

地调整神经网络中各种神经元之间权系数,以

适应受控对象的变化。因此,这种控制方式具有很强的适应性。另外,它不需要关于非线性系统的全部知识,只要知道部分知识即可建立BP算法。

5　结束语

图4—3　基于神经网络的PID控制系统框图

　　基于神经网络的PID控制器的结构如图4—3所示。在这种控制方式中,神经网络用作在线估计器,控制信号由常规控制器发出。首先,神经网络按照BP学习算法进行离线学习,然后接入控制系统,一方面实时地给出最佳的PID控制器参数,另一方面还要继续学习,不断

　　近年来,国内外对智能PID控制的应用研

究十分活跃并出现热潮,研究神经网络在自动控制系统中的应用已成为新的热点。由于不需要确切知道系统的精确数学模型,具有很强的鲁棒性,所以智能PID控制具有广泛的应用前景。与应用研究相比,很多理论问题,诸如智能控制系统的稳定性和鲁棒性的研究还有待进一步的深入。

1998年第1期　　　　　　　　　　　　工业仪表与自动化装置 57

新型PID控制及其应用

第四讲　模糊PID控制

陶永华

华东冶金学院　马鞍山:243002

1　引　言

　　在工业控制过程中经常会碰到大滞后、时

变的、非线性的复杂系统,其中有的参数未知或缓慢变化;有的带有延时和随机干扰;有的无法获得较精确的数学模型或模型非常粗糙。对上述这些系统,如果使用常规的PID控制器,则较难整定PID参数,果。Fuzzy-PID,可以达到理想的控制效果,它对各种被控对象,不同的控制指标均能实现PID最佳调整。模糊控制器是一种近年来发展起来的新型控制器,其优点是不要求掌握受控对象的数学模型,而根据人工控制规则组织控制决策表,然后由该表决定控制量的大小。将模糊控制和PID控制两者结合起来,扬长避短,既具有模糊控制灵活,适应性强的优点,又具有PID控制精度高的特点。本讲着重介绍模糊PID控制原理和典型结构,并列举工程应用实例。1.1　PID参数Fuzzy自整定控制原理　　常规PID控制算法为:

u(k)=KpE(k)+KI2E(k)+KDEC(k)(1—1)其中E(k)、2E(k)=E(k)+E(k-1)和EC(k)=E(k)-E(k-1)(k=0,1,2,……)分别为其输入变量偏差、偏差和与偏差变化,KP、KI及

积分(I)及微分(D)KD分别为表征其比例(P)、作用的参数。

Fuzzy自整定PID参数控制器是一种在常

建立参数KP、KI与KD同偏差绝对值 E 和偏

差变化绝对值 EC 间的二元连续函数关系:

KP=f1( E , EC )

(1—2)　　　KI=f2( E , EC

KD=f3( E , EC KP、IDP参数Fuzzy自

1—1所示。1.2　PID参数Fuzzy整定模型　　一般情况下,在不同 E 、 EC 下被控过程对参数KP、KI与KD的自整定要求可归结为:

1.2.1　当 E 较大时,为使系统具有良好

的快速跟踪性能,应取较大的KP与较小的KD,同时为避免系统响应出现较大的超调,应对积分作用加以限制,通常取KI=0;

1.2.2　当 E 处于中等大小时,为使系统响应具有较小的超调,KP应取得小些;在这种情况下,KD的取值对系统响应的影响较大,KI的取值要适当;

1.2.3　当 E 较小时,为使系统具有较好的稳态性能,KP与KI均应取得大些,同时为避免系统在设定值附近出现振荡,KD值的选择是相当重要的。

对于Fuzzy自整定PID参数控制器,在具体作法上,根据语言变量偏差EEC,应用FuzzyKP、KI与KD的Fuzzy整定模型,如表1—1、表1—2和表1—3所示。

规PID控制器的基础上,应用Fuzzy集合理论

58 工业仪表与自动化装置　　　　　　　　　　　　1998年第1期

图1—1　PID参数Fuzzy自整定控制原理

表1—1　KP整定Fuzzy规则集模型

PEC

PBPMPSONSNMNB

OPMPBPBPBPB

PMPBPBPBPB

NOPMPMPMPM

NMNSOPSPMPM

NMNMNMOPSPS

BNBNBNBNMOO

NNBNBNBNMOO

NB

NM

NS

O

PS

PM

PB

DPBPMPSONSNMNB

PSNBNBNSNBNBPS

PSNBNBNSNBNBO

ONMNMNSNMNMO< …… 此处隐藏：3170字，全部文档内容请下载后查看。喜欢就下载吧 ……