智能PID控制及先进参数自整定综述文档格式.docx

1、 PID controller, intelligent control, intelligent PID，Parameters Auto-tuning, Relay Feedback, Fuzzy-PID, Neural-Network PID, Genetic algorithm PID引言PID控制器是工业过程控制中最常见的一种控制器。它具有以下优点：原理简单，使用方便。适应性强，可以广泛应用于化工、热工、冶金、炼油以及造纸、建材等各种生产部门。鲁棒性较强1，即其控制品质对被控对象特性的变化不大敏感。由于PID控制器算法简单，尽管工业自动化飞速发展，PID控制技术仍然是工业过程控制的基础

2、。2根据日本有关调查资料显示，在现今使用的各种控制技术中，PID控制技术占84.5%，优化PID控制技术占68，现代控制技术占16，手动控制占66，人工智能（Artificial Intelligence）控制技术占06。如果把PID控制技术和优化PI加起来，则占到了90以上。3文指出，工业过程控制中，95以上的回路具有PID结构。因此，可以毫不夸张地说，随着工业现代化和其他各种先进控制技术的发展，控制技术仍然不过时，并且他还占着主导地位。PID控制中一个关键的问题便是PID参数的整定4。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

3、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。4智能控制（Intelligent Control）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5。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

4、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6。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。7智能PID控制（Intelligent Control PID）算法及参数整定基于继电反馈（Relay Feedback）的PID参数自整定方法Asortm和Hagglund在1984年提出基于继电反馈控制PID参数整定自整定方法引入继电反馈控制7，如下所示。7依据在于大多数的对象在继电反馈作用下都能产生稳定

5、的振荡，当过程输出达到稳定状态时启动整定程序，控制开关切换到b时，系统进入继电整定状态。8, 9继电可以是带滞后的也可以不带滞后，等到不变的振荡输出量力产生，通过测量这个极限环的性质，也就是输出的频率与幅度，就可以测知对象临界点的信息。9当输出的频率与幅度均计算得出后，PID参数通过算法或一定的约束条件（在这里是指它的相位裕度）可以得出，然后将开关拨到a处，系统进入PID控制阶段。基于模糊PID控制（Fuzzy-PID）参数自整定 “模糊性主要是指事物差异的中间过渡中的“不分明性10。所谓模糊控制，就是将工艺操作人员的经验加以总结，运用语言变量和模糊逻辑的归纳制算法的控制。模糊集理论是由美国控

6、制理论专家查德教授于1965年首次提出来的11。1974年英国马丹尼首先把Fuzzy集理论用于锅炉和蒸气机的控制。自1974年以来，我国科学工作者对模糊理论的研究及其应用也做了大量的工作，并己取得了可喜的成果。12在工业上，有许多复杂对象，特别是对无法建立精确数学模型的工业对象的控制，用常规仪表控制效果不佳时，而采用模糊控制可获得满意的效果。随着日趋复杂的生产过程，必须有一种能够模拟人脑的思维和创造能力的控制系统，以适应复杂而多变的环境。13近期，人们分析研究了简单模糊控制存在的一些缺陷，设计出了几种高性能的模糊控制系统 14： （I）控制规则可调的模糊控制；（2）具有积分作用的模糊控制；（3

7、）参数自调整的模糊控制；（4）复合型模糊控制；（5）自学习模糊控制。PID参数模糊自整定控制系统能在控制过程中对不确定的条件、参数、延迟和干扰等因素进行检测分析，采用模糊推理的方法实现PID参数，工艺的在线自整定。15不仅保持了常规PID控制系统的原理简单、使用方便、鲁棒性较强等特点，而且具有更大的灵活性、适应性、精确性等特性。典型的模糊白整定PID控制系统的结构如图所示，系统包括一个常规PID控制器和一个模糊控制器。根据给定值，和实际输出值，计算出偏差e和偏差的变化率ec作为模糊系统的输入，三个PID参数的变化值作为输出，根据事先确定好模糊控制规则作出模糊推理在线改变PID参数的值，从而实现

8、PID参数的自整定。16使得被控对象有良好的动、静态性能，而且计算量小，易于用单片机实现。基于神经网路PID（Neural-Network PID）的参数整定所谓“神经网络”是以一种简单计算处理单元（即神经元）为节点，17采用某种网络拓扑结构构成的活性网络，可以用来描述几乎任意的非线性系统。神经网络还具有学习能力、记忆能力、计算能力以及各种智能处理能力，在不同程度和层次上模仿人脑神经系统的信息处理、存储和检索功能。神经网络在控制系统中的应用提高了整个系统的信息系统处理能力和适应能力，提高了系统的智能水平。由于神经网络己具有逼近任意连续有界非线性函数的能力，对于长期困扰控制界的非线性系统和不确定

9、性系统来说，神经网络无疑是一种解决问题的有效途径。采用神经网络方法设计的控制系统具有更快的速度（实时性）、更强的适应能力和更强的鲁棒性18。正因为如此，19近年来在控制理论的所有分支都能够看到神经网络的引入及应用，对于传统的PID控制当然也不例外，以各种方式应用于PID控制的新算法大量涌现，其中有一些取得了明显的效果。传统的控制系统设计是在系统数学模型己知的基础上进行的，因此，它设计的控制系统与数学模型的准确性有很大的关系。神经网络用于控制系统设计则不同，它可以不需要被控对象的数学模型，只需对神经网络进行在线或离线训练，然后利用训练结果进行控制系统的设计。20神经网络用于控制系统设计有多种类型

10、，多种方式，既有完全脱离传统设计的方法，也有与传统设计手段相结合的方式。PID控制要取得好的控制效果，就必须通过调整好比例、积分和微分三种控制作用在形成控制量中相互配合又相互制约的关系，这种关系不一定是简单的“线性组合，而是从变化无穷的非线性组合中找出最佳的关系。21BP神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明确。通过网络自身的学习，可以找到某一最优控制规律下的P、I、D参数。22基于BP（Back Propagation）神经网络的PID控制系统控制器由两部分组成：经典的PID控制器：直接对被控对象进行闭环控制，并且三个参数在线调整方式。BP神经网络：根据系统的运行状态

11、，调节PID控制器的参数，以其达到某种性能指标的最优化，即使输出层神经元的输出状态对应于PID控制器的三个可调参数，通过神经网络的自身学习、加权系数调整，从而使其稳定状态对应于某种最优控制规律下的PID的控制器参数基于神经网络的模糊PID控制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系统框图所示23。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

12、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，4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24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。专家PID控制具有专家系统的自适应PID控制器结构如图所示25, 26。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

13、，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，24, 27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C，使值逐步趋近于m（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，28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

14、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。基于遗传算法PID控制（Genetic Algorithm PID）遗传算法（Genetic Algorithm）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。29, 30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31, 32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

15、）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，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。33, 34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。总结与展望PID控制

16、算法是迄今为止最通用的控制策略，PID调节器是工业过程控制中最常用的控制器。一个大的工业生产过程包含上千个控制器，它们必须被分别整定以提供良好的及鲁棒的控制性能。整定过程如果由手动来完成，是非常麻烦和耗时的，得到的系统性能主要取决于工程师具有的经验和过程知识。实际上，有许多工业控制回路整定较差。整定对于研究者和现场工程师具有极其重要的意义。通过自整定技术，可以实现控制器按照操作者和外部信号来进行自动整定，工业过程控制己经清楚地表明这是一个高度需要和十分有价值的技术。国内外许多专家学者致力于这方面的研究，己经取得了一些重大的成果，国外己有商品化的控制器应用于实际工业过程控制中。目前，有许多自整定

17、方法来确定合适的PID控割器的参数。这些方法区别在于：复杂性、灵活性和需要过程的预先知识量。一个好的自整定方法应该合理的考虑以下特性的折衷：抗负载干扰性、测量噪声敏感性、过程变化的鲁棒性、设定值变化的响应特性、模型先验知识以及计算复杂性等。参考文献：1. 刘玲玲, PID参数整定技术的研究及应用, 2010, 郑州大学.2. 边丽华, PID控制器参数自整定方法的研究与实现. 2009.3. 李国林, PID控制器参数整定技术研究与优化设计, 2010, 大连理工大学.4. 沈永福, 吴少军, and 邓方林, 智能PID控制综述. 2000.5. 李伟起, 王大志, and 余国民, 神经网

18、络PID参数自整定的应用研究. 沈阳理工大学学报, 2007（05）: p. 50-53.6. 薛开, 吕元元, and 祝海涛, 运动控制器的PID参数整定. 哈尔滨工程大学学报, 2005（05）: p. 99-101.7. 张丽, 基于继电型的PID参数模糊整定的研究, 2006, 武汉科技大学.8. 源, 何.宏., 徐. 学, and 金. 妮, P I D继 电 自 整 定 技 术 的发 展 综 述. 2000.9. 胡乐, et al., 基于PLC的PID参数自整定. 控制工程, 2008（S2）: p. 14-15+65.10. 李晓丹, 模糊PID控制器的设计研究, 200

19、5, 天津大学.11. 蔚东晓 and 贾霞彦, 模糊控制的现状与发展. 自动化与仪器仪表, 2006（06）: p. 4-7.12. 胡姗姗, 模糊自适应控制方法的研究, 2009, 东北大学.13. 李丽娜, et al., 模糊PID复合控制算法改进及应用. 东北大学学报（自然科学版）, 2009（02）: p. 274-278.14. 楚焱芳 and 张瑞华, 模糊控制理论综述. 科技信息, 2009（20）: p. 161-162.15. 梁晓晖 and 李宏光, PID参数整定的多属性决策模糊推理方法. 计算机仿真, 2012（12）: p. 190-194.16. 彭勇刚, 模糊

20、控制工程应用若干问题研究, 2008, 浙江大学.17. 龚菲 and 王永骥, 基于神经网络的PID参数自整定与实时控制. 华中科技大学学报（自然科学版）, 2002（10）: p. 69-71.18. 徐瑜 and 危韧勇, 神经网络在控制系统中的应用现状及展望. 电脑知识与技术, 2006（05）: p. 178-179+187.19. 邱东强 and 涂亚庆, 神经网络控制的现状与展望. 自动化与仪器仪表, 2001（05）: p. 3-9.20. 徐丽娜, 神经网络控制结构及所用神经网络. 自动化技术与应用, 2004（01）: p. 4-8.21. 陈玉芳, BP神经网络的算法改进

21、及应用研究, 2004, 电子科技大学.22. 朱娟萍, 侯忠生, and 熊丹, 神经网络控制、无模型控制PID控制仿真比较. 系统仿真学报, 2005（03）: p. 751-754+766.23. 辅小荣, 姜长生, and 朱亮, 基于数据融合的自适应神经网络模糊控制系统设计. 计算机仿真, 2004（07）: p. 103-106.24. 刘丽娜 and 李德雄, 专家控制系统的理论分析. 石家庄铁路职业技术学院学报, 2006（04）: p. 72-75.25. 刘建伟, et al., 专家控制系统研究进展. 微型机与应用, 2005（11）: p. 4-5+19.26. 李昌春

22、，左为恒, 专家系统与专家控制系统. 重庆工业管理学院学报, 1996（04）: p. 35-40.27. 罗安 and 路甬祥, 专家PID控制器及应用. 信息与控制, 1992（03）: p. 151-155.28. 刘明, 韩希昌, and 朱小娟, 专家PID算法在分散控制系统中的应用. 东北电力技术, 2010（02）: p. 46-48.29. 王银年, 遗传算法的研究与应用, 2009, 江南大学.30. 葛继科, et al., 遗传算法研究综述. 计算机应用研究, 2008（10）: p. 2911-2916.31. 斌, 伍., 刘. 润, and 王.俊. 年, 改 进 的 混 沌 算 法 在 P I D 参 数 整 定 中 的 应 用. 2007.32. 栾丽君, 谭立静, and 牛. 奔, 基于粒子群算法的 PID 参数自整定. 2000.33. 矫习思 and 戚混芬, 利用改进的遗传算法实现PID参数寻优. 2000.34. 魁, 章., 曲立国, and 黄. 锐, 一种 改进 的 P S O算 法在 P I D参 数 优 化 中 的应 用. 2003.