完整word版智能PID控制综述.docx

完整word版智能PID控制综述.docx

《完整word版智能PID控制综述.docx》由会员分享，可在线阅读，更多相关《完整word版智能PID控制综述.docx（10页珍藏版）》请在冰豆网上搜索。

完整word版智能PID控制综述

智能PID控制综述

摘要传统的PID控制应用于复杂的实际系统时存在一定的局限性，因而智能PID控制器是当今研究的热点。

融合了先进智能控制思想和传统PID构成的智能PID控制器则具有更加良好的特性。

文中对几种常见的智能PID控制器,包括模糊PID、神经网络PID、专家PID控制器及基于遗传算法的PID控制器等进行了综述。

关键词PID控制器智能控制智能PID

一、引言

PID控制[1-10,51-52]作为经典控制算法中的典型代表，是一种传统的控制方式。

1922年N.Minorsky提出PID控制方法，1942年美国Taylor仪器公司的J.g.ziegler和N.B.Nichols提出PID参数[1]的最佳调整法至今，其在工业控制中的应用已十分广泛[2-4]。

PID控制具有结构简单、参数物理意义明确和鲁棒性强等特点。

PID控制器[5-9]对系统给定值

同系统输出值

的偏差

分别进行比例、积分、微分运算，并由此得到其输出值

，计算公式为：

式中

为比例系数;

为积分系数；

为微分系数。

、

、

可对系统的稳定性、稳态精度、响应速度和超调量等性能产生影响，它们的作用分别为：

（1）比例系数

可以加快系统的响应速度，提高系统的调节精度。

系统的响应速度和调节精度同

呈正相关，但

过大则会产生超调，使系统不稳定，

过小则会使响应速度变慢，使系统静、动态特性变坏。

（2）积分作用系数

可以消除系统的稳态误差。

越大，系统静差就会越快消除。

但

过大会在响应过程产生较大超调，产生积分饱和现象。

过小则会使系统稳态误差不易消除，影响调节精度。

（3）微分作用系数

可以改善系统的动态性能。

但

过大会使系统的调节时间延长，抗干扰性能降低。

　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。

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[1][4][8]。

近年来，智能控制[11-16,53]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。

二、智能PID控制器研究现状

智能PID控制的专家控制[17-18]、学习控制[19-20]、仿人控制[21-22]、免疫算法[22-24]等都在发展之中。

纵观近年来智能PID控制的发展，可以大致归纳出以下特点：

智能复合控制成为提供和改善智能控制性能的有效途径，并成为研究的重点。

近几年来，模糊控制[25-29]与神经网络[30-36]的结合代表着控制与智能系统研究的一个新的趋势，另外有一个值得注意的动向是利用遗传算法GA对神经网络的PID控制器的权系数进行寻优，而将遗传算法应用于模糊控制,被证明是调整规则和隶属函数的一种有效方法。

文献[9]将遗传算法、模糊控制和免疫反馈机理与传统的PID控制相结合，提出了基于遗传整定的模糊免疫PID控制算法并将它应用在双容液位系统的控制中。

PID控制重新受到广泛重视，并和智能控制等方法结合，形成新一轮的研究热潮。

国际著名学术刊物ControlEngineeringPractice和IEEEControlSystemsMagazine分别于2001和2006年出版了PID控制特辑。

2000年,IFAC数字控制工作组在西班牙Terrassa举行了专题为PastPresentandFutureofPIDControl的PID控制学术会议。

国际著名控制理论学者AS-TROM教授指出,PID控制器在未来的控制工程中扔将继续扮演重要的角色，同时将成为各种复杂控制器的基本单元。

国内学者吴宏鑫院士提出的特征建模理论[37-38]，第一次从理论上论证了PID控制器广泛应用的理论依据并且指出，PID控制器具有独特的优越性，它将成为复杂系统智能控制中最基本、最基础的子控制单元[2,9,14,16,19]。

在理论研究特别在应用方面，国内与国外差距明显。

国外如日本、欧美等国家不但在理论研究方面走在前列，而且已经有成功应用的产品，Yokogawa电气和Fuji电气的温度控制器，它们把模糊逻辑与标准的PID控制集成在一起来抑制超调，取得了成功。

而国内重复研究的多，创造性研究的少,停留于仿真成果的多，能够在工程上应用的少，尤其是运行时间较长的智能PID控制器可以说微乎其微。

这一状况需要广大理论工作者和工程技术人员共同努力，尽快转变这一局面。

三、基于神经网络的PID控制器

人工神经网络是最近发展起来的十分热门的交叉学科。

它涉及生物、电子计算机、数学和物理等学科，有着非常广泛的应用背景，这门学科的发展对目前和未来的科学技术的发展将有着重要的影响。

以非线性大规模并处理为主要特征的神经网络，以生物神经网络为模拟基础，试图模拟人的思维以及学习和获取知识的能力。

它具有学习、记忆、联想、容错、并行处理等能力，已在控制领域得到广泛应用。

3.1、单神经元PID控制器[39-40]

用单神经元实现自适应PID控制的结构框图如图3-1所示。

图3-1中转换器的输入为设定值

及输出

，转换器的输出为神经元学习控制所需要的状态量

。

神经元PID控制器的输出为

式中,

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

，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。

3-1单神经元自适应PID控制器结构

3.2、神经网络PID控制器[29,30,33,35]

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3-2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3-2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

或

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。

图3-2神经网络+PID控制器

四、模糊PID控制器

将模糊控制技术和PID控制相结合,既可克服常规PID控制器的不足,又能使PID控制器具有参数自适应能力。

模糊PID控制器以数字PID控制器为基础,引入模糊集合论,将PID参数根据偏差和偏差变化值的大小而动态变化,这样显然更符合被控对象真实的控制规律。

在此着重简述模糊自适应PID控制器以及基于神经网络的模糊PID控制器。

4.1、模糊自适应PID控制器[41-43,54]

模糊自适应PID（FAPID）控制系统如图4-1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。

图4-1FAPID控制系统框图

4.2、基于神经网络的模糊PID控制[29,30,31]

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4-2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。

图4-2基于神经网络的模糊PID控制系统框图

五、专家PID控制器[17-18,44-46]

具有专家系统的自适应PID控制器结构如图5-1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

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

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

。

PID自整定的目标就是调整控制器PID参数矢量

，使

值逐步趋近于

（即

值趋近于0）。

图5-1专家自适应PID控制原理图

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。

六、基于遗传算法的PID控制[47-49]

遗传算法（GeneticAlgorithm，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）。

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。

基于遗传算法的自适应PID控制的原理框图如图6-1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。

图6-1基于遗传算法的自适应PID控制原理图

七、总结与展望

随着人类科技不断发展，受控对象越来越复杂，传统的PID控制已经不能满足人们的需求，因此，智能PID的研究与应用，打开了新的篇章。

本文介绍了几种智能PID控制器，并给出了几种常见的构成形式。

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。

近年来，PID经历了近百年的发展，涌现出许多成就。

但是就智能PID控制来讲，有必要将自适应、自整定和增益计划设定有机结合，使其具有自诊断功能；结合专家经验知识、直觉推理逻辑等专家系统思想方法对原有的PID控制器设计思想方法及整定方法进行改进；从生产过程实际出发，设计满足实际过程要求的控制方案，将预测控制、模糊控制、优化控制、神经网络和PID控制有机结合，是智能PID发展的极有前途的方向。

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）1.

[2]须田信英.PID控制理论与实务[M].台北:

全华科技图书股份有限公司,1992.

[3]张国忠.智能控制系统及应用[M].北京:

中国电力出版社,2007.

[4]陶永华.新型PID控制及其应用[M].北京:

机械工业出版社,1998,95-128.

[5]罗安,路甬祥.专家PID控制器及应用[J].信息与控制,1992,21（3）,151-155.

[6]张军英,方敏.智能PID控制及其自学习[J].黑龙江自动化技术与应用,1992,11

（1）,20-23.

[7]闫永跃,李庆周,于树新等.智能PID综述[J].2006,（12）:

9-13.

[8]沈永福,吴少军,邓方林.智能PID控制综述[J].工业仪表与自动化装置,2002（6）:

11-13.

[9]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）.

[10]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）.

[11]李士勇.模糊控制、神经控制和智能控制论[M].哈尔滨:

哈尔滨工业大学出版社,1998,85-88.

[12]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）1.

[13]师黎,陈铁军,李晓媛等.智能控制理论及应用[M].北京:

清华大学出版社,2009.

[14]蔡自兴.智能控制的结构理论[C].中国人工智能学会首届计算机视觉与智能控制学术年会论集,1989:

29-32.

[15]宋胜利.智能控制技术概论[M].北京:

国防工业出版社,2008.

[16]许力.智能控制与智能系统[M].北京:

机械工业出版社,2007.

[17]AstromKJ,AntonJJ,ArzenKE.Expertcontrol[J].Automatica,1986,22（3）:

277-286.

[18]侯立刚.专家控制及其在微型反应器中的应用.自动化与仪表,1996:

（3）.

[19]王娟,李国宁,刘雨佳.基于迭代学习控制的列车自动运行研究[J].计算机工程与应用,2014（09）.

[20]于淼,王佳森,齐冬莲.具有未知控制方向的输出反馈自适应学习控制[J].浙江大学学报（工学版）,2013（08）.

[21]王培进,宋宜斌,徐丽萍.仿人智能控制经验与技巧的研究[J].计算机工程与应用,2004（22）.

[22]朱承,刘咏梅.基于工程经验的仿人智能控制技术[J].科技资讯,2008（19）.

[23]余建军,孙树栋,吴秀丽,蔡志强.四种改进免疫算法及其比较[J].系统工程,2006（02）.

[24]贾丽媛,李蕾,习胜丰.免疫算法在基因表达式程序设计中的应用[J].计算机仿真,2008（03）.

[25]邵鹏鸣.基于对象模型的自适应模糊专家控制系统.自动化与仪表,2000:

（2）.

[26]诸静等.模糊控制原理及应用[M].北京:

机械工业出版社,1995,338-341.

[27]苏巍.模糊PID的研究[J].工业仪表与自动化装置,2001

（2）.

[28]张恩勤,施颂椒,翁正新.模糊控制与PID控制方法的比较[J].上海交通大学报,1999,33（4）.

[29]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）.

[30]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）.

[31]赵振宇,徐用懋.模糊理论和神经网络的基础与应用[M].北京:

清华大学出版社,南宁:

广西科学技术出版社,1996,80-86,116-124.

[32]达飞鹏,宋文忠.基于模糊神经网络的滑模控制[J].控制理论与应用,2000（01）.

[33]李鸿儒,边春元,顾树生.基于神经网络的一类非线性系统的自适应控制[J].控制与决策,1999.

[34]王晓晔,李少远.神经网络自学习模糊控制及其在合成氨生产中的应用[J].控制与决策,1999.

[35]叶其革,王晨皓,吴捷.基于自组织模糊神经网络电力系统稳定器的设计[J].控制理论与应用,1999（05）.

[36]章兢.仿人智能控制与模糊控制神经网络融合技术[J].控制与决策,1999（05）.

[37]纪志成,沈艳霞,姜建国.基于Matlab无刷直流电机系统仿真建模的新方法[J].系统仿真学报,2003（12）.

[38]赵甘露,张文,朱新华.一种改进传统模糊PID控制器性能的方法[J].自动化技术与应用,2002（05）.

[39]李迪阳,周明顺,何文雪.一种基于单神经元的模糊自整定PID控制器[J].青岛大学学报（工程技术版）,2006（01）.

[40]肖冰,王印松,杨光军.一种基于专家调节增益的单神经元PID控制[J].自动化技术与应用,2003（04）.

[41]张泾周,杨伟静,张安祥.模糊自适应PID控制的研究及应用仿真[J].计算机仿真,2009（09）.

[42]马金祥,余发山,董爱华,王福忠.一种模糊自适应PID控制器的设计与仿真[J].焦作工学院学报（自然科学版）,2002（03）.

[43]刘利,马劲松,李黎.基于神经元的模糊自适应PID控制及其应用[J].自动化技术与应用,2003（10）.

[44]张弘.专家-模糊自适应PID控制系统的设计[J].西安邮电学院学报,2009（01）.

[45]李建新,李跃新.PID控制算法专家参数自整定的研究[J].新技术新工艺,2007（10）.

[46]黄东杰.专家PID控制算法中参数对控制结果的分析[J].仪器仪表用户,2006（05）.

[47]陈敏,谭思云,黄玉清.遗传算法在PID参数整定中的应用[J].仪表技术,2010（05）

[48]史振兴.基于遗传算法的PID控制器参数优化与仿真[J].仪器仪表与分析监测,2010（03）

[49]牛芗洁,王玉洁,唐剑.基于遗传算法的PID控制器参数优化研究[J].计算机仿真,2010（11）

[51]AstromKJ,HagglundT.PIDcontrollers:

theory,designandtuning[J].SocietyofAmerican,1995.

[52]AstromKJ,HagglundT.ThefutureofPIDcontrol[J].Controlengineeringpractice,2001,9（11）:

1163-1175.

[53]QinSJ,BadgwellTA.Anoverviewofindustrialmodelpredictivecontroltechnology[C].AIChESymposiumSeries.NewYork,NY:

AmericanInstituteofChemicalEngineers,1971-2002.,1997,93（316）:

232-256.

[54]CarvajalJ,ChenG,OgmenH.FuzzyPIDcontroller:

Design,performanceevaluation,andstabilityanalysis[J].InformationSciences,2000,123（3）:

249-270.