基于MATLAB的PID控制器設(shè)計報告【實用文檔】doc

基于MATLAB的PID控制器設(shè)計報告【實用文檔】doc文檔可直接使用可編輯，歡迎下載

MATLAＢ論文基于MATLAB的PID控制器設(shè)計報告【實用文檔】doc文檔可直接使用可編輯，歡迎下載—-基于控制系統(tǒng)的PID調(diào)節(jié)基于MＡTＬAＢ的ＰID控制器摘要:本論文主要研究PID控制器。PＩD控制是迄今為止最通用的控制方法，大多數(shù)反饋回路用該方法或其較小的變形來控制.PＩD控制器(亦稱調(diào)節(jié)器）及其改進型因此成為工業(yè)過程控制中最常見的控制器（至今在全世界過程控制中用的84%仍是純PID調(diào)節(jié)器，若改進型包含在內(nèi)則超過90％)。在PIＤ控制器的設(shè)計中，參數(shù)整定是最為重要的,隨著計算機技術(shù)的迅速發(fā)展，對PＩＤ參數(shù)的整定大多借助于一些先進的軟件，例如目前得到廣泛應用的ＭAＴLAB仿真系統(tǒng).本論文主要介紹PID的原理及簡單的用法，探究控制器中各個參數(shù)對系統(tǒng)的影響，就是利用《自動控制原理》和《MAＴLAB》所學的內(nèi)容利用簡單的方法研究PIＤ控制器的設(shè)計方法，并通過MＡTＬAB中的虛擬示波器觀察系統(tǒng)完善后在階躍信號下的輸出波形.關(guān)鍵字:PID控制簡介PID控制器原理MATLAB仿真PID參數(shù)的設(shè)定正文：一、PＩD控制簡介PID控制器又稱PＩD調(diào)節(jié)器，是工業(yè)過程控制系統(tǒng)中常用的有源校正裝置。長期以來，工業(yè)過程控制系統(tǒng)中多采用氣動式PIＤ控制器。由于氣動組件維修方便，使用安全可靠,因此在某些特殊場合，例如爆炸式環(huán)境，仍然使用氣動式PID控制器.隨著運算放大器的發(fā)展和集成電路可靠性的日益提高,電子式PID控制器已逐漸取代了氣動式PＩD控制器。目前，已在開發(fā)微處理器PIＤ控制器。這里,僅簡要介紹PID控制器的主要特性。ＰID調(diào)節(jié)器是一種線性調(diào)節(jié)器，它根據(jù)給定值與實際輸出值構(gòu)成的控制偏差：=－將偏差的比例、積分、微分通過線性組合構(gòu)成控制量,對控制對象進行控制,故稱為PID調(diào)節(jié)器。在實際應用中，常根據(jù)對象的特征和控制要求，將P、I、D基本控制規(guī)律進行適當組合，以達到對被控對象進行有效控制的目的.例如，Ｐ調(diào)節(jié)器，PI調(diào)節(jié)器，ＰIＤ調(diào)節(jié)器等.所以,正確計算控制器的參數(shù)，有效合理地實現(xiàn)ＰID控制器的設(shè)計，對于PIＤ控制器在過程控制中的廣泛應用具有重要的理論和現(xiàn)實意義。二、原理分析與說明PID控制器由比例單元（P)、積分單元(I）和微分單元（D）組成。其輸入e

（ｔ)與輸出u

（ｔ）的關(guān)系為公式(1—1)公式(1—１）因此它的傳遞函數(shù)為公式（1-2）公式(1－２)比例調(diào)節(jié)作用:是按比例反應系統(tǒng)的偏差，系統(tǒng)一旦出現(xiàn)了偏差,比例調(diào)節(jié)立即產(chǎn)生調(diào)節(jié)作用用以減少偏差。比例作用大，可以加快調(diào)節(jié)，減少誤差，但是過大的比例，使系統(tǒng)的穩(wěn)定性下降，甚至造成系統(tǒng)的不穩(wěn)定。積分調(diào)節(jié)作用:是使系統(tǒng)消除穩(wěn)態(tài)誤差,提高無差度。因為有誤差,積分調(diào)節(jié)就進行，直至無差,積分調(diào)節(jié)停止，積分調(diào)節(jié)輸出一個常值。積分作用的強弱取決與積分時間常數(shù)Tｉ,Ｔｉ越小,積分作用就越強。反之Ti大則積分作用弱，加入積分調(diào)節(jié)可使系統(tǒng)穩(wěn)定性下降,動態(tài)響應變慢。積分作用常與另兩種調(diào)節(jié)規(guī)律結(jié)合,組成PI調(diào)節(jié)器或PID調(diào)節(jié)器。微分調(diào)節(jié)作用：微分作用反映系統(tǒng)偏差信號的變化率，具有預見性，能預見偏差變化的趨勢,因此能產(chǎn)生超前的控制作用，在偏差還沒有形成之前,已被微分調(diào)節(jié)作用消除.因此，可以改善系統(tǒng)的動態(tài)性能。在微分時間選擇合適情況下，可以減少超調(diào),減少調(diào)節(jié)時間.微分作用對噪聲干擾有放大作用，因此過強的加微分調(diào)節(jié)，對系統(tǒng)抗干擾不利。此外，微分反應的是變化率，而當輸入沒有變化時,微分作用輸出為零。微分作用不能單獨使用，需要與另外兩種調(diào)節(jié)規(guī)律相結(jié)合,組成ＰＤ或ＰＩD控制器。PID控制器由于用途廣泛、使用靈活，已有系列化產(chǎn)品，使用中只需設(shè)定三個參數(shù)（Kｐ，

Ｋｉ和Kｄ）即可。在很多情況下，并不一定需要全部三個單元,可以取其中的一到兩個單元，但比例控制單元是必不可少的.首先，PID應用范圍廣.雖然很多控制過程是非線性或時變的,但通過對其簡化可以變成基本線性和動態(tài)特性不隨時間變化的系統(tǒng),這樣PＩD就可控制了。其次,PID參數(shù)較易整定.也就是，PＩＤ參數(shù)Kp，Ki和Ｋｄ可以根據(jù)過程的動態(tài)特性及時整定。如果過程的動態(tài)特性變化,例如可能由負載的變化引起系統(tǒng)動態(tài)特性變化，PID參數(shù)就可以重新整定。第三,PＩD控制器在實踐中也不斷的得到改進，下面兩個改進的例子,在工廠,總是能看到許多回路都處于手動狀態(tài),原因是很難讓過程在“自動”模式下平穩(wěn)工作。由于這些不足，采用PID的工業(yè)控制系統(tǒng)總是受產(chǎn)品質(zhì)量、安全、產(chǎn)量和能源浪費等問題的困擾。ＰID參數(shù)自整定就是為了處理PID參數(shù)整定這個問題而產(chǎn)生的?，F(xiàn)在，自動整定或自身整定的PＩD控制器已是商業(yè)單回路控制器和分散控制系統(tǒng)的一個標準。比例、積分、微分比例圖2—2比例電路公式（2—1）積分器圖2—３積分電路公式(2-2)圖2—４微分電路微分器（式2-3）實際中也有PＩ和PD控制器。PＩＤ控制器就是根據(jù)系統(tǒng)的誤差利用比例積分微分計算出控制量，控制器輸出和控制器輸入（誤差）之間的關(guān)系在時域中如公式(2－4）和（2-5）：ｕ（t)=Ｋp(ｅ（t）+Td+)公式（2－4)U(ｓ）=［+]E(s) 公式（２—５）公式中U(s）和E（s)分別為u(t）和e(ｔ)的拉氏變換，,，其中、、分別為控制器的比例、積分、微分系數(shù)三、傳遞函數(shù)1、傳遞函數(shù)２、傳遞函數(shù)性能分析（1)穩(wěn)定性分析〉>nuｍ=［８];den＝[2152７１0］；G=tf(num，den）Trａｎｓferfｕnｃｔion:8——－-－———－-———-－—－-－—-———－－2ｓ＾３+1５s^2＋27ｓ+１０〉>pzmａp（G)（2）未接入PID的階躍響應曲線四、在MAＴLAＢ下實現(xiàn)PＩＤ控制器的設(shè)計與仿真１、參數(shù)計算(1）〉＞num＝[8］;>〉dｅn=ｃonv(［1５］，conv（［１２］,[２1］））；〉〉Ｇ=tf（ｎum，dｅｎ）;>>step（Ｇ，１5)；＞>step(Ｇ,1０0)；>>ｓｔep（G，５0）；k=dｃgaｉn(num，dｅn）k=0。8００0由圖可知,?。?０。6１4T=3.186。于讀圖存在誤差，因此參數(shù)仍需整定.２、設(shè)計ＰID控制器(１）已知對象的K、L和Ｔ值后，根據(jù)Ｚｉegler—Nicholｓ整定公式編寫一個MATＬAB函數(shù)ｚｉeｇler_sｔｄ（）用以設(shè)計PＩD控制器。＞〉fｕnctｉon[ｎum，dｅn，Kｐ，Tｉ,Td，H]=Ziegler_sｔd（key,varｓ）Ｔi＝［];Td=［］；H＝［］;K=ｖarｓ(1）；L=vａrs（2）;Ｔ=vars（3）；a=K＊Ｌ/T；iｆｋey＝＝１nuｍ=１/a;%判斷設(shè)計P控制器elseｉｆｋｅy==２Kｐ＝０.9/ａ;Ｔi=3.33＊L;％判斷設(shè)計PI控制器elsｅifkey＝＝３，Kｐ=1。2/ａ;Ti=2*L;Tｄ＝Ｌ/2;％判斷設(shè)計PＩD控制器ｅndｓwiｔchkeyｃaｓe１nｕm=Kp；den＝１;％P控制器case２nｕm=Kp*[Ti,1];ｄeｎ＝[Tｉ,0];%PI控制器caｓe3％PIＤ控制器p0=［Ti＊Td，0，0］；p1=［０，Ti，1]；p２=[0，０,1］；p3=p0+p１+p２；ｐ4＝Kｐ*ｐ3；num=p4／Tｉ;den=［１,0]；endK＝0．8０00；L=0．６１4；T=３．1６8;［num，ｄｅｎ，Kp,Ｔi,Td]＝Ｚieglｅr_std（３,[Ｋ,Ｌ,T］)ｎum=2。38９57。783412．6７６den=10Kｐ=7。７834Ti=1。２２80Ｔd＝0.3070（2）動態(tài)仿真集成環(huán)境Simｕlｉnｋ下構(gòu)造系統(tǒng)模型由圖可以看出，經(jīng)過調(diào)節(jié)參數(shù)之后超調(diào)量明顯減小,響應曲線平滑,調(diào)節(jié)時間理想,較符合設(shè)計要求。五、例題實驗ＰID的調(diào)節(jié)實例已知傳遞函數(shù)，其ＰIＤ控制模型如下:其中PID模塊如下:用整定PID調(diào)節(jié)器的參數(shù)，使系統(tǒng)的超調(diào)量小于２0％,并求其動態(tài)性能指標。解：利用整定公式整定PＩD調(diào)節(jié)器的初始參數(shù)；KPTITDPPI0．9３．３PＩD1.２2.2０.５根據(jù)題目已知,T=50，Ｋ＝2２,=2０，可求得PID參數(shù)如下：ＫPＴITDP０．１１３6PI０.1023６6PID0．13６44410利用此時的PID參數(shù),得到的響應如下：（4）對PＩD參數(shù)進行微調(diào),使性能指標滿足系統(tǒng)要求。KPTＩTＤP0．11３6PＩ0．1０23６6PID0.1６57利用此時的PＩD參數(shù)，得到的響應如下:六、心得體會半學期的ＭATLAB課程結(jié)束了，我們學到了很多，總體來說這次的論文并不是特別容易,我選擇寫有關(guān)PIＤ的應用，雖然我們在《自動控制原理》課堂上學到了不少關(guān)于ＰID的有用的知識,可真正用起來就發(fā)現(xiàn)自己真的的太少,問題太多。我到圖書館來找過資料,也上網(wǎng)查了不少資料,在查找和閱讀的過程中真的學到不少的知識。當然,在做自動控制原理作業(yè)的時候我遇到了不少問題,在準備論文的時候進行MATLAB仿真時不知道參數(shù)怎么設(shè)置,在和周圍同學的探討中我們找到了答案,大家共同進步。真正做到了學有致用。通過論文讓我們更加深刻的體會到實踐很重要性，平時我們多是學習理論知識,上機實踐時也是驗證例題,自己也少練習，在實踐方面確實欠缺不少，需要我們今后加強練習。通過這次實習,我知道了任何事都要靠自己，只有自己的知識才是真正的知識,這讓我在以后的工作生活中有了更好的動力!感謝老師的耐心指導和悉心教導！七、參考資料1、胡壽松《自動控制原理》科學出版社2、李國勇主編《計算機仿真技術(shù)與CAＤ-—基于MAＴLAB的控制系統(tǒng)》電子工業(yè)出版社中文摘要經(jīng)典PID控制算法作為一般工業(yè)過程控制方法應用范圍相當廣泛，原則上講它并不依賴于被控對象的具體數(shù)學模型，但算法參數(shù)的整定卻是一件很困難的工作，更為重要的是即使參數(shù)整定完成，由于參數(shù)不具有自適應能力，因環(huán)境的變化，ＰID控制對系統(tǒng)偏差的響應變差，參數(shù)需重新整定。針對上述問題,人們一直采用模糊、神經(jīng)網(wǎng)絡(luò)等各種調(diào)整PＩＤ參數(shù)的自適應方法,力圖克服這一難題.一般情況下，一個自適應控制系統(tǒng)能夠運行，其相應的參數(shù)要適應現(xiàn)場狀況的變化,因此就必須根據(jù)現(xiàn)場的數(shù)據(jù)對相應的參數(shù)進行在線辨識或估計。對非時變參數(shù)可以通過一段時間的在線辨識確定下來,但對時變參數(shù)系統(tǒng),必須將這個過程不斷進行下去，因此要求辨識速度快或參數(shù)變化速度相對較慢，極大地限制了自適應技術(shù)的應用.為克服這種限制,本文利用文獻［1]的思想，將神經(jīng)網(wǎng)絡(luò)的技術(shù)應用于參數(shù)辨識過程,結(jié)合經(jīng)典的PID控制算法，形成一種基于ＢP神經(jīng)網(wǎng)絡(luò)的自適應PＩＤ控制算法。這一算法的本質(zhì)是應用神經(jīng)網(wǎng)絡(luò)建立系統(tǒng)參數(shù)模型，將時變參數(shù)系統(tǒng)的參數(shù)變化規(guī)律轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)參數(shù)模型，反映了參數(shù)隨狀態(tài)而變的規(guī)律，即當系統(tǒng)變化后，可直接由模型得到系統(tǒng)的時變參數(shù)，而無需辨識過程。在神經(jīng)網(wǎng)絡(luò)參數(shù)模型的基礎(chǔ)上,結(jié)合文獻[1]已知系統(tǒng)模型下PID控制參數(shù)的計算,推導出一種自適應ＰID控制算法。通過在計算機上對線性和非線性系統(tǒng)仿真,結(jié)果表明了這種自適應PID控制算法的有效性.關(guān)鍵詞自適應ＰID控制算法,ＰIＤ控制器，參數(shù)模型，神經(jīng)網(wǎng)絡(luò)，BP算法AbｓtrａｃtＣlassicalＰIDｃontrolaｌgoritｈm，aｓageｎｅｒａｌmｅthodofinduｓｔrialproｃesｓcontｒｏl,applｉcationsｃoｐeisbroad-ranged.Ｉnｐｒincipｌe,itdoesnotdependoｎthesｐecificmathemａｔｉcalmｏdelｏftheconｔroｌlｅdｐlant,bｕttunｉnｇａlgoｒｉthｍpａrａmｅtersisａｖeryｄiffiｃulttask．Tomoreiｍportant，eveｎifｔuningthepａｒametｅｒiscomｐleted,aspａｒamｅtersｄonothaveaｄaｐtｉvｅcapacity，duｅｔｏacｈanｇeinenviｒｏnmenｔ,PＩDｃｏntrolｏftｈeｒesｐonｓeｏｆthesyｓtemdｅviatioｎｇｅtｗorse，parａｍeterｓnｅeｄｔｏｂｅrｅ—tｕmｅｄ.Inrｅsponseｔotheｓeｐroｂｌｅms，pｅoplehaｖeｂeenusｉｎｇthｅaｄaptiveｍeｔhodｏfｆｕｚzy，neuｒalnetｗorkｓｔｏaｄjuｓtPIＤｐaｒametｅrｓ,tｒｙｈａrｄｔooveｒcｏmｅｔhisｐrｏblｅm．Ｕndｅrnormaｌcircumｓtanｃes，anaｄａptivｅｃｏntrolsysｔemcaｎbｅcａpaｂlｅｏfruｎning，ａndthecoｒresｐoｎdingparａｍetersshouldａdaptｔotllechangeinｓtａt(yī)uｓoｆtｈesｃeｎｅ，ｓｏthecorresponｄiｎgparａｍetｅｒsｍusｔｂeｂasedｏnthｅdataoftｈeｓcenetoｃｏnｄuctonｌinｅideｎtificationoresｔimated。Nｏn—tｉme—ｖａryiｎgｐａraｍｅｔｅrscａnｂｅconfirmeｄforaperiodofon—lｉｎｅideｎｔｉficaｔiｏn，buｔtｈetime—varyingparametersｓyｓｔｅmwiｌlbeｎeｃessaｒytocｏntinuｅｔhisonｇｏiｎｇprocｅss,soｔｈerequiｒementoffaｓtｉdentificａｔionoｒtherelatｉｖeｓlowpaｃeｏfcｈangeｏfparameｔers，greatlylimｉtsthｅapｐｌiｃationoｆadaptivetｅｃｈnoloｇy.Toovercｏmeｔhislimｉtatiｏn，thｉspapeｒusestheｉdeｏlogｙofｌｉterａt(yī)ｕre[1],ｔhｅtechnoｌogｙｏｆneuraｌｎｅtｗorkwｉｌｌbeuseｄinｔhｅpｒｏceｓsofｐaramｅteｒｉdentiｆicaｔion，cｏmｂinｉnｇｃlassicalPＩDcontrｏｌalgorithm，ｆormsａnadaptｉvｅPlDｃontrolａｌgorithmbaseｄonBPneｕralnｅｔｗork．Thｅeｓｓeｎceofｔhisalgorｉthｍapplieｓneuralneｔwｏｒktoｂuiｌｄtｈｅｍodeｌoｆsystemparａmetｅrs,chａｎgeｔhｅchanｇelawｏfｔｈeparametersoｆtｉｍe-varyingｐarａｍeｔerssystｅmｓiｎtｏthｅＰａrametricmodeｌｏfnｅuｒａlnｅtwｏrk，reflectingthelaｗｔhａｔthｅpａrameterｓchａngｅｗiththesｔate，thaｔiｓ，whenthesystemchaｎgｅs,itcａngettｈetime-varyingpａrametersofsystemfroｍtｈemｏｄｅｌdiｒecｔlｙ，ｗitｈoｕttｈｅprｏcｅssofｉdｅｎｔificatiｏn．Oｎthebａsｉｓofｍeparametｅrsmoｄelｏfneｕralneｔｗｏrk，cｏｍbiｎｉｎgthｅcomputatiｏnofPIＤcontrｏＩｐａrametersintheｋnoｗnsystemｍｏdｅｌｏflitｅraturｅ［１］，derivedaｎadａptivｅPＩDｃｏｎｔrｏｌalgｏrithｍ．Ｔhｒｏugｈｔhesimuｌationoflinearandnon—1inearｓystｅmsinthecｏmｐｕter,thｅｒesultｉnｄicatesthａt(yī)thisaｄapｔivePIDcｏnｔrolalgoｒｉｔhmiseffｅｃｔive.ＫeyＷordAdaｐtivePIDcｏntrｏlalgｏｒiｔｈm,PIDｃonｔroller，Ｍodeｌofｐaraｍeter，Ｎｅuｒａlnetwork，BPａlgorｉthm目錄TOC\o"1—3”＼h\ｚ＼ｕHYＰERＬINK\l”_Toc2645３8９42"中文摘要ＰAGＥREF_Tｏｃ26４5389４2\hIAbstractＰＡGEREＦ_Toc2645389４３＼hIIHＹPEＲLINK\l"_Toc264５3894４"1緒論PＡＧEREF_Toc2６4５38944\ｈ11.1課題研究背景及意義PAGＥRＥF_Ｔoc26453894５＼h1HＹＰERＬINK\l"＿Tｏc２645389４6"1．2神經(jīng)網(wǎng)絡(luò)的發(fā)展PAGEREF_Toｃ26453８９４6\h2１.３課題研究現(xiàn)狀ＰＡGEＲEＦ_Ｔoc26453８94７\h3HYPERLINＫ\l”_Toc264５38９48"1。4論文組織結(jié)構(gòu)PAGEＲＥF_Toc2６45389４8\h４2PIDPAGEREF_Toｃ264538949\h6HYPERＬINK\l＂_Tｏｃ2６45389５０”2。1PID簡述PＡGＥＲＥF＿Toc264538９5０＼h62。2PID控制原理PＡGEREF＿Toc26453895１＼ｈ６２．3PID控制方法概述ＰAGEＲＥF＿Ｔoｃ2６４５3895２\ｈ７2。４常規(guī)PID控制算法的理論基礎(chǔ)PAＧEREF_Toｃ２64５3８９53\h9HＹPERLIＮＫ\l＂_Ｔoｃ２6４5３８954"２.４．1模擬PID控制算法PＡGEREF_Toc26４538954\ｈ９HYPEＲLINK\l＂_Toｃ26453８955”2。４。２數(shù)字ＰID控制算法PAGERＥF_Toc2６４538９55\h1０HＹPＥＲLINK\l＂_Ｔoc２6４５38956"2.4．3對ＰIＤ控制算法中積分環(huán)節(jié)改進PＡGEＲEF_Tｏc264５38956＼h12HYPEＲLINK\l”_Toc２6４5３８9５7”２。4.4對ＰＩＤ控制算法中微分環(huán)節(jié)改進PＡGＥREF_Toc26４538957\h１3HYPERLINK\l”_Tｏc264５389５8"2．4。5常規(guī)PＩD控制的局限PAGEＲEＦ_Toc2645３8958\ｈ1５2。5本章小結(jié)PAGＥＲEF_Tｏc2６4５38959\ｈ17HYＰＥRLINＫ\l”＿Ｔoｃ264５3896０＂３人工神經(jīng)網(wǎng)絡(luò)PAＧEREF＿Ｔｏc２64５３８９60\h１83。1人工神經(jīng)網(wǎng)絡(luò)構(gòu)成的基本原理PAGEREF_Ｔoc2６4538９6１\ｈ18HYPERＬIＮＫ\l"_Toc2６453８96２＂3.2人工神經(jīng)網(wǎng)絡(luò)的類型PAGEREF＿Toc264538９6２\h１8HＹPERLINK\l”_Toc264５389６３”3。3神經(jīng)網(wǎng)絡(luò)的特點PAGEREF＿Toc2６4538963＼h１83.4對BP神經(jīng)網(wǎng)絡(luò)設(shè)計與分析PAGＥREＦ＿Toc２６4５３８９64\h20ＨYPERＬIＮK\l”＿Ｔoc２６4５38965”3.5典型的多層前向網(wǎng)絡(luò)—-ＢP網(wǎng)絡(luò)的結(jié)構(gòu)及算法PAGEＲEF_Ｔoｃ２64５３8965\h21HＹPERLINＫ\l"_Ｔｏc264５38966”3。5。1ＢP神經(jīng)網(wǎng)絡(luò)概述２645389６6＼ｈ2１HＹPＥRLINK\l"_Ｔoc26４538967"3．５。２ＢＰ神經(jīng)網(wǎng)絡(luò)的前向計算PAGERＥF＿Toc２645３８967\h223.５。3BＰ神經(jīng)網(wǎng)絡(luò)的誤差反向傳播和加權(quán)系數(shù)的調(diào)整PＡGEREＦ_Toc2６４538968\h23３.6本章小結(jié)PAＧＥREF＿Toc26４538９69\ｈ254仿真程序智能分析PＡGＥREF_Tｏc２６4538970\ｈ264.1仿真過程ＰＡGＥＲEF_Toc２645389７1\h264。2本章小結(jié)PＡGEＲEF＿Toc2６4538９72\h3０HYPERLINＫ\l”_Tｏc２６453８973"結(jié)論與展望ＰAＧＥREF_Toc2645389７3\h3０ＨYPＥRLINK\l＂_Toc26４538９74"致謝２６4538974\h３1參考文獻PAGＥＲEF_Toc264538975\h32HYＰＥRLINK\l"＿Ｔoｃ2645389７6”A1附錄PAＧＥＲEF_Toc２6453897６＼h33HYPＥRLIＮK\l”_Toc26４53８９７7"Ａ2附錄PAＧEREＦ_Toc２64538977\h3６1緒論1。1課題研究背景及意義按比例、積分和微分進行控制的調(diào)節(jié)器（簡稱為PＩD控制器）［２］，是最早發(fā)展起來的應用經(jīng)典控制理論的控制策略之一,是工業(yè)過程控制中應用最廣泛,歷史最悠久，生命力最強的控制方式，在目前的工業(yè)生產(chǎn)中，90%以上的控制器為PIＤ控制器。它采用基于對象數(shù)學模型的方法，優(yōu)點是算法簡單、魯棒性好和可靠性高,控制效果良好,因此被廣泛應用于工業(yè)控制過程,尤其適用于可建立精確數(shù)學模型的確定性控制系統(tǒng)。對于傳統(tǒng)ＰID控制器，在把其投入運行之前，要想得到較理想的控制效果，必須先整定好三個參數(shù):即比例系數(shù)Ｋp、積分系數(shù)Ki、微分系數(shù)Ｋd.這是因為生產(chǎn)部門中有各種各樣的被控對象，它們對控制器的特性會有不同的要求,整定的目的就是設(shè)法使控制器的特性能夠和被控對象配合好，以便得到最佳控制效果,如果控制器參數(shù)整定不好，即使控制器本身很先進，其控制效果也會很差.隨著工業(yè)的發(fā)展，控制對象的復雜程度也在不斷加深,許多大滯后、時變的、非線性的復雜系統(tǒng)，如溫度控制系統(tǒng)，被控過程機理復雜,具有高階非線性、慢時變、純滯后等特點,常規(guī)PID控制顯得無能為力;另外,實際生產(chǎn)過程中存在著許多不確定因素，如在噪聲、負載振動和其他一些環(huán)境條件下，過程參數(shù)甚至模型結(jié)果都會發(fā)生變化，如變結(jié)構(gòu)、變參數(shù)、非線性、時變等，不僅難以建立受控對象精確的數(shù)學模型，而且ＰID控制器的控制參數(shù)具有固定形式，不易在線調(diào)整，難以適應外界環(huán)境的變化，這些使得PＩＤ控制器在實際應用中不能達到理想的效果，越來越受到限制和挑戰(zhàn)。因此，如何使PID控制器具有在線自整定其參數(shù)的功能，是自從使用PIＤ控制以來人們始終關(guān)注的重要問題。并且，隨著相關(guān)領(lǐng)域技術(shù)的不斷發(fā)展,對控制系統(tǒng)的指標要求也越來越高。人們一直在尋求PＩＤ控制器參數(shù)的自適應技術(shù)[3］，以適應復雜系統(tǒng)的控制要求，神經(jīng)網(wǎng)絡(luò)理論的發(fā)展使這種設(shè)想成為可能。人工神經(jīng)網(wǎng)絡(luò)是由大量簡單的基本神經(jīng)元相互連接而構(gòu)成的自適應非線性動態(tài)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)控制能夠充分任意地逼近任何復雜的非線性關(guān)系,具有很強的信息綜合能力，能夠?qū)W習和適應嚴重不確定系統(tǒng)的動態(tài)特性，故有很強的魯棒性和容錯性，可以處理那些難以用模型和規(guī)則描述的過程，在一些不確定系統(tǒng)的控制中已成功應用.誤差反向傳播神經(jīng)網(wǎng)絡(luò)（簡稱ＢP網(wǎng)絡(luò))，所具有的任意非線性表達能力,可以通過對系統(tǒng)性能的學習來實現(xiàn)具有最佳組合的PＩD控制?；贐P神經(jīng)網(wǎng)絡(luò)的PID控制器由經(jīng)典的PIＤ控制器和BP神經(jīng)網(wǎng)絡(luò)組成,其基本思想是利用神經(jīng)網(wǎng)絡(luò)的自學習功能和非線性函數(shù)的表示能力，遵從一定的最優(yōu)指標,在線調(diào)整PID控制器的參數(shù)，使之適應被控對象參數(shù)以及結(jié)構(gòu)的變化和輸入?yún)⒖夹盘柕淖兓?并能夠抵御外來擾動的影響,達到具有良好的魯棒性的目標。雖然BP神經(jīng)網(wǎng)絡(luò)的理論依據(jù)堅實,推導過程嚴謹，通用性強,在控制領(lǐng)域?qū)碗s的多變量系統(tǒng)的控制有很大的優(yōu)勢，但是由于其算法是基于最陡梯度下降算法、以誤差平方為目標函數(shù)的，所以其不可避免地存在著易陷入局部極小、收斂速度慢等缺陷.并且，神經(jīng)網(wǎng)絡(luò)的初始權(quán)值的選取直接影響著控制器的性能,采用反復試驗初始權(quán)值的方法很難得到最優(yōu)參數(shù)的控制器.因此，需要一種算法解決神經(jīng)網(wǎng)絡(luò)權(quán)值優(yōu)化的問題?？刂茖W術(shù)界廣泛采用的算法是學習算法、遺傳算法等等［４］。學習算法，它的收斂速度很慢，一個簡單的問題的求解，其訓練次數(shù)也要幾千代，甚至上萬代。而且它對網(wǎng)絡(luò)的初始權(quán)值、自身的學習速率和動量等參數(shù)極為敏感,稍小的變動就會引起網(wǎng)絡(luò)震蕩。正是這些原因使其訓練速度和精度不是很理想。而用遺傳算優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值，無論精度和速度上都有了很大的提高。但是作為一種仿生算法，雖然可以用來解決各類復雜問題,但是難以克服過早收斂的缺點和控制參數(shù)過多，尤其在優(yōu)化神經(jīng)網(wǎng)絡(luò)時候，優(yōu)化過程總是難以控制。因此,為神經(jīng)網(wǎng)絡(luò)的優(yōu)化尋求更簡單更有效的全局優(yōu)化算法，是優(yōu)化領(lǐng)域的一個研究熱點。微粒群優(yōu)化（ＰarticleＳwarmOptiｍiｚatｉｏnＰSＯ)的出現(xiàn)為神經(jīng)網(wǎng)絡(luò)權(quán)值訓練提供了一個新的研究方向。微粒群算法[６］是由Kｅnｎeｄy和Ebｅrhａrt等于1995年提出的.它通過簡單的社會模型的模擬，將需尋優(yōu)的參數(shù)組合成群體，用每個微粒表示被優(yōu)化問題的一個解，通過粒子間的相互作用，使群體中的個體向目標區(qū)域移動，從而發(fā)現(xiàn)復雜搜索空間的最優(yōu)區(qū)域。其不采用遺傳算法的交叉和變異等算子，各個微粒根據(jù)自己的位置和速度來搜索，整個搜索和更新過程是跟隨當前最優(yōu)解來進行的。因此，算法能夠更快的尋找最優(yōu)解,避免使網(wǎng)絡(luò)陷入局部極小。1。2神經(jīng)網(wǎng)絡(luò)的發(fā)展早在20世紀初，人們就已經(jīng)發(fā)現(xiàn)人腦的工作方式與現(xiàn)在的計算機是不同的。人腦是由極大量基本單元（稱之為神經(jīng)元）經(jīng)過復雜的相互連接而成的一種高度復雜的、非線性的、并行處理的信息處理系統(tǒng).人工神經(jīng)網(wǎng)絡(luò)，是借鑒人腦的結(jié)構(gòu)和特點，通過大量簡單處理單元(神經(jīng)元或節(jié)點)互連組成的大規(guī)模并行分布式信息處理和非線性動力學系統(tǒng)。它具有巨量并行性、結(jié)構(gòu)可變性、高度非線性、自學習性和自組織性等特點。因此,它能解決常規(guī)信息處理方法難以解決或無法解決的問題,尤其是那些屬于思維（形象思維）、推理及意識方面的問題從人腦的生理結(jié)構(gòu)出發(fā)來研究人的智能行為，模擬人腦信息處理的過程，即人工神經(jīng)網(wǎng)絡(luò)的研究，自20世紀4０年代以來，它的發(fā)展經(jīng)歷了一條由興起、蕭條和興盛三個階段構(gòu)成的曲折道路。早在1９４3年精神病學家和神經(jīng)解剖學家McCulloｃh與數(shù)學家Pｉttｓ在數(shù)學生物物理學會刊((ＢｕlｌetｉｎofMａｔhemａt(yī)iｃalBiophysics））上發(fā)表文章,總結(jié)了生物神經(jīng)元的一些基本生理特征,提出了形式神經(jīng)元的數(shù)學描述與結(jié)構(gòu)，即MＰ模型。他們的神經(jīng)元模型假定遵循一種所謂“有或無”規(guī)則。如果如此簡單的神經(jīng)元數(shù)目足夠多和適當設(shè)置突觸連接并且同步操作,McＣuｌloch和Pitts證明這樣構(gòu)成的網(wǎng)絡(luò)原則上可以計算任何可計算函數(shù).這是一個有重大意義的結(jié)果,有了它就標志著神經(jīng)網(wǎng)絡(luò)和人工智能學科的誕生。1９５8年，計算機科學家Ｒosｅnｂｌatｔ提出感知機（Ｐerｃｅｐｔroｎ）,首次把神經(jīng)網(wǎng)絡(luò)理論付諸工程實現(xiàn)。這是一種學習和自組織的心理學模型,它基本上符合神經(jīng)生物學的知識，模型的學習環(huán)境是有噪聲的，網(wǎng)絡(luò)構(gòu)造中存在隨機連接,這是符合動物學習的自然環(huán)境。當時，人們對神經(jīng)網(wǎng)絡(luò)的研究過于樂觀,認為只要將這種神經(jīng)元互連成一個網(wǎng)絡(luò)，就可以解決人腦思維的模型問題。但是,隨之而來的Mｉnskｙ和Pａpｅrt（１9６9）所著的《Pｅrceｐen》一書，利用數(shù)學證明單層感知器所能計算的根本局限，提出感知器的處理能力有限,甚至連XOＲ這樣的問題也不能解決,并在多層感知器的總結(jié)章中，論述了單層感知器的所有局限性在多層感知器中是不可能被全部克服的。使人們降低了對神經(jīng)網(wǎng)絡(luò)研究的熱情,從而使神經(jīng)網(wǎng)絡(luò)進入蕭條時期［7］。但在其間，一些人工神經(jīng)網(wǎng)絡(luò)的先驅(qū)仍然致力于這一研究，美國波士頓大學的Crroｓｓｂｅｒg提出了自適應共諧振理論(ART網(wǎng)），芬蘭的Kｏｈonen提出了自組織映射（ＳOＭ）,Amａri致力于神經(jīng)網(wǎng)絡(luò)數(shù)學理論的研究,這些都為神經(jīng)網(wǎng)絡(luò)的進一步研究與發(fā)展奠定了基礎(chǔ).１9８6年Ｒeｍeｌhａrt和Mclｌeｌｌaｎｄ等人提出了并行分布處理的理論，同時,Weｒｂos和Parker獨立發(fā)展了多層網(wǎng)絡(luò)的BP算法，這是目前最普遍的網(wǎng)絡(luò)，廣泛用于實際問題求解。如今，神經(jīng)網(wǎng)絡(luò)的應用，已滲透到模式識別、圖像處理、非線性優(yōu)化、語音處理、自然語言理解、自動目標識別、機器人、專家系統(tǒng)等各個領(lǐng)域，并取得了令人矚目的成果。從眾多應用研究領(lǐng)域取得的豐碩成果來看,人工神經(jīng)網(wǎng)絡(luò)的發(fā)展具有強大的生命力。當前存在的問題是智能水平還不高,許多應用方面的要求還不能得到很好的滿足：網(wǎng)絡(luò)分析與綜合的一些理論性問題（如穩(wěn)定性、收斂性的分析，網(wǎng)絡(luò)的結(jié)構(gòu)綜合等)還未得到很好的解決.隨著人們對大腦信息處理機理認知的深化，以及人工神經(jīng)網(wǎng)絡(luò)智能水平的提高,人工神經(jīng)網(wǎng)絡(luò)必將在科學技術(shù)領(lǐng)域發(fā)揮更大的作用。1．3課題研究現(xiàn)狀傳統(tǒng)的PID參數(shù)優(yōu)化方法主要是一些手動整定方法,階躍響應是其整定PID參數(shù)的主要依據(jù)。這種方法僅根據(jù)系統(tǒng)的動態(tài)響應來整定控制器的參數(shù),具有物理意義明確的優(yōu)點，可以以較少的試驗工作量和簡便的計算,得出控制器參數(shù),因其簡單實用，因而在生產(chǎn)現(xiàn)場仍在大量應用，尤其是在單回路系統(tǒng)中。但運用該方法得到的控制器參數(shù)比較粗糙，控制效果只能滿足一定要求,參數(shù)的優(yōu)化遠遠不夠,同時，對于一些系統(tǒng),由于控制對象的復雜性、變化性,難以運用傳統(tǒng)方法進行整定［８］.神經(jīng)網(wǎng)絡(luò)研究的興起，為PＩＤ控制器的整定提供了新的方法和廣闊的應用空間。對基于神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng)的研究，在過去的十幾年中取得了廣泛的關(guān)注,主要是因為：其一,神經(jīng)網(wǎng)絡(luò)表現(xiàn)出對非線性函數(shù)的較強逼近能力；其二,大多數(shù)控制系統(tǒng)均表現(xiàn)出某種未知非線性特性。目前，國內(nèi)外學者提出了許多面向?qū)ο蟮纳窠?jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)和方法,從大類上較具有代表性的有以下幾種：神經(jīng)網(wǎng)絡(luò)監(jiān)督控制、神經(jīng)網(wǎng)絡(luò)直接逆動態(tài)控制、神經(jīng)網(wǎng)絡(luò)參數(shù)估計自適應控制、神經(jīng)網(wǎng)絡(luò)模型參考自適應控制、神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂?、神經(jīng)網(wǎng)絡(luò)預測控制等。在神經(jīng)網(wǎng)絡(luò)模型中最具代表意義的一種就是基于誤差反向傳播算法（BＰ：ＥrrorＢａｃｋPropａgationＡlgoｒiｔhm）的前饋神經(jīng)網(wǎng)絡(luò)，即BＰ網(wǎng)絡(luò)。它是一種反向傳遞并修正誤差的多層映射神經(jīng)網(wǎng)絡(luò)，也是當前應用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一.BＰ神經(jīng)網(wǎng)絡(luò)的良好的非線性逼近能力和泛化能力以及使用的易適性，使得基于BＰ神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化的PＩD控制器近年來成為了人們研究的熱點.陳哲浩等人將由BＰ神經(jīng)網(wǎng)絡(luò)實現(xiàn)的PID控制器參數(shù)的自整定應用于并聯(lián)平臺系統(tǒng)控制中，得到了較好的效果.黃金燕將BP神經(jīng)網(wǎng)絡(luò)PＩD控制器與傳統(tǒng)的PIＤ控制器進行具體的仿真分析，仿真結(jié)果表明：基于ＢP神經(jīng)網(wǎng)絡(luò)的ＰID控制較常規(guī)的ＰID控制具有較高的控制品質(zhì)［9］。IsiｄroSａnchez等人將ＢP神經(jīng)網(wǎng)絡(luò)PIＤ控制器用在溫度控制中,達到了較好的控制效果。PeterS。Curｔisｓ進行了神經(jīng)網(wǎng)絡(luò)自適應控制器與常規(guī)的PID控制器的性能比較試驗，證明了神經(jīng)網(wǎng)絡(luò)自適應控制器的性能比PID好。ErikJeannｅtte用神經(jīng)網(wǎng)絡(luò)預測控制器控制風機盤管熱水系統(tǒng),該系統(tǒng)的鍋爐為大滯后、大慣性電熱鍋爐，與常規(guī)的PIＤ控制系統(tǒng)比較，試驗結(jié)果表明:神經(jīng)網(wǎng)絡(luò)預測控制器可將熱水溫度精度控制在0.０56攝氏度，而經(jīng)典PID控制器僅能控制在1.1攝氏度.這說明預測控制能根據(jù)熱水負荷額變化,既減少能量波動又節(jié)能，減少大慣性、大滯后對象系統(tǒng)的超調(diào)量。趙恒等在傳統(tǒng)ＢP算法的基礎(chǔ)上進行改進，附加了一個快速收斂到全局極小的慣性項，在微調(diào)權(quán)值修正量的同時使學習避免陷入局部最小，并將其應用在溫度控制系統(tǒng)中，取得了比較好的效果舊.龍曉林等提出了一種新型的附加動量項優(yōu)化的ＢＰ神經(jīng)網(wǎng)絡(luò)PID控制器(ＰID。NＮC）,能夠避免網(wǎng)絡(luò)陷入局部極小點,同時可以加快網(wǎng)絡(luò)的訓練速度，對其進行的MATＬAB仿真證明了該方法具有比較好的控制效果，但是總體而言，該方法改進力度不大，實際應用效果有限［10］。牛建軍等提出了在RＢF網(wǎng)絡(luò)辨識Jａｃobian陣基礎(chǔ)上,將BP網(wǎng)絡(luò)引入PID控制參數(shù)在線整定的算法，該算法可以實現(xiàn)ＰIＤ控制參數(shù)的自動在線整定和優(yōu)化,實例仿真也證明其可行性，但是該方法模型構(gòu)造復雜，推廣應用很有限.李奇等針對ＢP算法的存在的不足，提出一種基于輸出多步預測的改進算法，使控制器參數(shù)趨于全局優(yōu)化,能較好地反映系統(tǒng)動靜態(tài)響應的綜合指標,但是，在收斂速度上，該算法并未有太大改進。以上這些開拓性研究為BP神經(jīng)網(wǎng)絡(luò)在控制領(lǐng)域的進一步應用提出了許多可借鑒的經(jīng)驗，做出了很大的貢獻。但是不可否認，這些研究某種程度上存在著片面性,許多都是針對其中某一方面的缺點進行改進的,導致優(yōu)化效果有限，實際應用意義不大。因此,找到一種更全面的神經(jīng)網(wǎng)絡(luò)控制方法,并在PID控制器參數(shù)尋優(yōu)的實際應用中證明其可行性,無疑既具有一定的理論意義，又有著實際的應用價值。1。4論文組織結(jié)構(gòu)第１章:緒論。闡述課題研究的背景意義、研究現(xiàn)狀、主要研究內(nèi)容以及文章的組織結(jié)構(gòu).第２章：常規(guī)及改進的ＰID控制。闡述了常規(guī)PID控制器的理論基礎(chǔ)，對幾種改進的控制算法進行了綜述,并指出各種算法的優(yōu)缺點。介紹了幾種典型的參數(shù)整定的實驗確定方法。最后簡述了三種智能ＰID控制器.第3章：神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)。研究了神經(jīng)網(wǎng)絡(luò)基礎(chǔ)。主要闡述了神經(jīng)網(wǎng)絡(luò)的發(fā)展史,神經(jīng)網(wǎng)絡(luò)基本原理,典型的神經(jīng)網(wǎng)絡(luò)的學習規(guī)則以及網(wǎng)絡(luò)模型結(jié)構(gòu)，并詳細分析了前饋網(wǎng)絡(luò)的典型代表BP網(wǎng)絡(luò).第4章:基于ＢP網(wǎng)絡(luò)改進型參數(shù)整定的PIＤ控制,并通過仿真實驗證明了其算法的有效性。最后,對全文進行了總結(jié).總結(jié)論文的主要研究內(nèi)容,并進行了進一步的展望。2ＰID2.1PIＤ簡述自從計算機進入控制領(lǐng)域以來，用數(shù)字計算機代替模擬計算機調(diào)節(jié)器組成計算機控制系統(tǒng)，不僅可以用軟件實現(xiàn)PID控制算法，而且可以利用計算機的邏輯功能，使PID控制更加靈活。數(shù)字PID控制在生產(chǎn)過程中是一種最普遍采用的控制方法，在冶金、機械、化工等行業(yè)中獲得了廣泛的應用本章主要介紹PIＤ控制的基本原理、數(shù)字PＩD控制算法及其改進算法和幾種常用的數(shù)字Ｐl(wèi)Ｄ控制系統(tǒng)。PＩD控制技術(shù)是一種應用很普遍的控制技術(shù),目前在很多方面都有廣泛的應用.論文詳細闡述了神經(jīng)網(wǎng)絡(luò)PID控制器。首先簡要介紹了神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)和神經(jīng)網(wǎng)絡(luò)的學習算法，傳統(tǒng)的常規(guī)PID控制器，針對常規(guī)PID控制器對于復雜的、動態(tài)的、不確定的和非線性的系統(tǒng)控制還存在的許多不足之處進行了闡述,為了達到改善常規(guī)PIＤ控制器的目的,文中系統(tǒng)的列舉了五種改進方式(模糊PID控制器、專家ＰIＤ控制器、基于遺傳算法整定的PID控制器、灰色ＰID控制器和神經(jīng)網(wǎng)絡(luò)ＰＩD控制器）［１1］。經(jīng)典PIＤ控制算法作為一般工業(yè)過程控制方法應用范圍相當廣泛，原則上講它并不依賴于被控對象的具體數(shù)學模型，但算法參數(shù)的整定卻是一件很困難的工作,更為重要的是即使參數(shù)整定完成,由于參數(shù)不具有自適應能力,因環(huán)境的變化，PID控制對系統(tǒng)偏差的響應變差，參數(shù)需重新整定。針對上述問題，人們一直采用模糊、神經(jīng)網(wǎng)絡(luò)等各種調(diào)整PID參數(shù)的自適應方法，力圖克服這一難題。一般情況下,一個自適應控制系統(tǒng)能夠運行，其相應的參數(shù)要適應現(xiàn)場狀況的變化，因此就必須根據(jù)現(xiàn)場的數(shù)據(jù)對相應的參數(shù)進行在線辨識或估計.對非時變參數(shù)可以通過一段時間的在線辨識確定下來,但對時變參數(shù)系統(tǒng),必須將這個過程不斷進行下去，因此要求辨識速度快或參數(shù)變化速度相對較慢,極大地限制了自適應技術(shù)的應用。為克服這種限制，將神經(jīng)網(wǎng)絡(luò)的技術(shù)應用于參數(shù)辨識過程,結(jié)合經(jīng)典的ＰID控制算法,形成一種基于ＢP神經(jīng)網(wǎng)絡(luò)的自適應PIＤ控制算法。這一算法的本質(zhì)是應用神經(jīng)網(wǎng)絡(luò)建立系統(tǒng)參數(shù)模型，將時變參數(shù)系統(tǒng)的參數(shù)變化規(guī)律轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)參數(shù)模型,反映了參數(shù)隨狀態(tài)而變的規(guī)律,即當系統(tǒng)變化后,可直接由模型得到系統(tǒng)的時變參數(shù)，而無需辨識過程。在神經(jīng)網(wǎng)絡(luò)參數(shù)模型的基礎(chǔ)上，結(jié)合文獻[１]已知系統(tǒng)模型下ＰID控制參數(shù)的計算，推導出一種自適應PIＤ控制算法.通過在計算機上對線性和非線性系統(tǒng)仿真，結(jié)果表明了這種自適應PID控制算法的有效性.2。２PID控制原理概括而言，P1D控制器的比例、積分和微分三個校正環(huán)節(jié)的作用如下：比例環(huán)節(jié)：能迅速反映控制系統(tǒng)的誤差,減少穩(wěn)態(tài)誤差,但比例控制不能消除穩(wěn)態(tài)誤差，比例放大系數(shù)的加大,會引起系統(tǒng)的不穩(wěn)定積分環(huán)節(jié)：主要用于消除系統(tǒng)穩(wěn)態(tài)誤差,只要有足夠的時間，積分控制將能完全消除誤差，使系統(tǒng)誤差為零,但積分作用太強會使系統(tǒng)超調(diào)加大，甚至使系統(tǒng)產(chǎn)生振蕩;積分作用的強弱取決于積分時間常數(shù)Ｚ，Ｚ越大,積分作用越弱.微分作用:減少超調(diào)量及克服振蕩，使系統(tǒng)的穩(wěn)定性提高，同時加快系統(tǒng)的動態(tài)響應速度,減少調(diào)整時間，從而改善系統(tǒng)的動態(tài)性能。具體說來，PID控制器有如下特點:(1)原理簡單，實現(xiàn)方便,是一種能夠滿足大多數(shù)實際需要的基本控制器；（2）控制器能適用于多種截然不同的對象,算法在結(jié)構(gòu)上具有較強的魯棒性,在很多情況下，其控制品質(zhì)對被控對象的結(jié)構(gòu)和參數(shù)攝動不敏感。但是,PIＤ控制主要局限性在于它對被控對象的依賴性，一般需預先知道被控對象的數(shù)學模型方可進行設(shè)計。而這在實際的工業(yè)控制中,由于被控對象具有非線性、時變性等特性，難以建立精確的數(shù)學模型或其特征參數(shù)難以在線獲得,從而使其應用受到限制。2.3PID控制方法概述自從192２年美國米諾爾斯基提出PIＤ控制器以來，由于其結(jié)構(gòu)簡單、對模型誤差具有魯棒性及易于操作等優(yōu)點，至今仍被廣泛應用于冶金、化工、電力、輕工和機械等工業(yè)過程控制中。然而實際工業(yè)生產(chǎn)過程往往具有非線性、時變不確定性,應用常規(guī)PID控制器不能達到理想的控制效果，而且在實際生產(chǎn)現(xiàn)場中，由于受到參數(shù)整定方法繁雜的困擾，常規(guī)ＰＩD控制器參數(shù)往往整定不良、性能欠佳，對運行工況的適應性很差[12]。針對這些問題,長期以來,人們一直在尋求PID控制器參數(shù)的自整定技術(shù)，以適應復雜的工況和高性能指標的控制要。PID控制器參數(shù)自整定是一種依賴對被控過程動態(tài)特性的識別,自動計算PＩD參數(shù),其控制器參數(shù)是在系統(tǒng)辨識或?qū)ο筇匦詤?shù)識別的基礎(chǔ)上,由自整定機構(gòu)自動地予以整定。因此，當對象特性系統(tǒng)運行條件發(fā)生變化時，自整定機構(gòu)能夠自動給予啟動,實現(xiàn)控制器參數(shù)的重新整定,進而保證生產(chǎn)過程的順利進行，與常規(guī)PID控制器相比具有顯著的優(yōu)越性。從目前的資料和應用情況看,PＩD參數(shù)自整定方法主要歸結(jié)為以下三大類：一是辨識方法，二是在線模式識別方法，三是基于知識推理的方法。(1)辨識方法根據(jù)辨識方法和內(nèi)容不同，可以分為下面兩類:一是辨識模型傳遞函數(shù)，一是辨識閉環(huán)系統(tǒng)的臨界增益和周期。許多基于精確模型的整定方法，如根軌跡法、頻率特性、極點配置法、基于魯棒性方法、自適應方法等等，都必須辨識對象的廣義模型，一般的方法是通過加入階躍信號測得響應曲線，然后求得一階或二階的近似模型，在此基礎(chǔ)上設(shè)計PＩD控制器參數(shù)等等.１9４２年提出的Z—N公式的主要依據(jù)是控制系統(tǒng)邊界穩(wěn)定條件。用這種方法整定出的參數(shù),不可避免地存在著一些問題,一方面超調(diào)比較大(甚至會超過２5%），另一方面，抗干擾能力差.針對這些缺點，K．Ｊ.Ａsｔroｍ和C．Ｃ．Haｎg在1991年提出了用設(shè)定點加權(quán)的方法來減小超調(diào)和增強抗干擾能力,即改進的ＺＮ（ＲZN)公式。１992年,他們提出了表征開環(huán)過程特性和閉環(huán)過程動特性的PID特征參數(shù),即采用規(guī)范化延遲、規(guī)范化過程增益和負載擾動誤差來估計性能和參數(shù)設(shè)定.通過分析和仿真獲得這些參數(shù)間的關(guān)系，在控制器投入前能估計到可能達到的效果,就可以選擇最佳的方案,這樣的整定可減少盲目性,它能夠根據(jù)特性來決定何時用PI,何時用PIＤ，何時不能用Z－N公式等等，并在不適合用ZN公式的情況下提高適當?shù)奶娲椒?。它具有一定程度的推理能?能自動地完成一些通常由儀表工程師完成的工作,使控制系統(tǒng)具備更高的自動化程度［１3］.對于測量振蕩臨界增益和周期，K．J．Aｓｔrom和T。Hagｇlund1984年提出了一種基于繼電器反饋的極限環(huán)法，通過帶滯環(huán)的繼電器反饋使系統(tǒng)輸出產(chǎn)生振蕩,可以方便地求出振蕩臨界增益和周期。（2)模式識別方法這種模式識別的思想根據(jù)實際響應波形，抽取出一些能表征系統(tǒng)的特征值，由此來判斷系統(tǒng)的動態(tài)特性,進而調(diào)整控制器參數(shù),即將波形分析與人工智能結(jié)合起來,這一思想開辟了PID參數(shù)整定的一條新路，在實際過程中,已取得很多的成功。根據(jù)波形，可以抽取不同的特征描述量，從不同角度進行PID參數(shù)的整定.日本的Y.Ｎｉsｈkawa和N。Ｓannｏmiya等人采用輸出響應波形的誤差絕對值積分(ITA）、誤差平方積分（ＩSA）和時間加權(quán)絕對值積分(ＩTAＥ）等指標來評價PＩD參數(shù),并根據(jù)這些值來調(diào)節(jié)參數(shù).該方法特點是不用對系統(tǒng)模型進行辨識,節(jié)省時間,而且能夠適應過程的變化，對于非線性、變結(jié)構(gòu)的系統(tǒng)有效，這種方法在過去的幾十年中取得了很大的應用成就。但是，該方法是模仿人的調(diào)節(jié)行為，即在波形產(chǎn)生以后再作修改，相當于有了錯誤再改正一樣，而在實際過程中這種“錯誤"是不允許發(fā)生的。所以，這種方法可以用在一般的參數(shù)初值設(shè)定中,對于真正的過程運用顯然是有一定的危險的。(3)基于知識推理的方法在許多情況和場合中，PID控制器的參數(shù)整定是由經(jīng)驗豐富的工程師完成的，他們根據(jù)以往的經(jīng)驗，觀察輸出波形以決定參數(shù)的調(diào)整方向。這些經(jīng)驗多是在實際工作中積累產(chǎn)生的，不同于書本知識,移植性和推廣性較差。如果能把這些經(jīng)驗,通過某種方式在機器上實現(xiàn),則可以更方便地實現(xiàn)參數(shù)的整定.近年來,由于計算科學、認識科學、細胞神經(jīng)學等理論的發(fā)展，人工智能、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)等有關(guān)智能控制策略,在理論上取得了一系列重大突破,并由此波及到控制理論，這些理論的成就已被廣泛地引入控制領(lǐng)域。智能控制以其解決問題的特殊方法，日益引起人們的重視。其中模糊數(shù)學、神經(jīng)元網(wǎng)絡(luò)、專家系統(tǒng)成為解決控制難題的新方法，并在應用中取得了可喜的成就.由此可見,基于模型的ＺN和RＺＮ公式,只要加入辨識環(huán)節(jié)，就可以處理系統(tǒng)的非線性、時變等問題,它能完成固定參數(shù)的控制器無法實現(xiàn)的控制作用.基于模式識別的方法就是辨識輸出波形，判斷系統(tǒng)的輸出特性,通過與要求特性的比較進行參數(shù)的調(diào)整.基于知識的方法，由于知識的靈活性和有效性，它能處理上述的情況，自然能實現(xiàn)自動整定。我們仔細分析一下自整定的內(nèi)涵,可以發(fā)現(xiàn)它有兩層含義：一是以實現(xiàn)PID參數(shù)的自動預置為目的.它針對的是線性非時變系統(tǒng)，參數(shù)設(shè)置完之后,就不會更改了.憑借PID控制器的強魯棒性，它仍然可以使用，但控制效果不一定好。實際過程中,PID控制器的使用量非常大，在投入使用之前,需要進行整定,它的工作量非常大。這就需要實現(xiàn)PＩD控制器整定的自動化,ZN和RZN公式能夠?qū)崿F(xiàn)這種自動化,但顯然缺乏自適應型。模糊PID以及專家系統(tǒng)PID,是根據(jù)系統(tǒng)的響應情況進行參數(shù)的修改，它們的行為可以理解成一種“糾正動作”，即當問題出現(xiàn)以后再作調(diào)整,對于問題的產(chǎn)生過程是不能立即響應的。它們都沒有實現(xiàn)真正意義上的自整定。二是實際意義上的自整定。根據(jù)實際系統(tǒng)的響應情況，做出超前的動作,以有效地處理可能出現(xiàn)的問題,如超調(diào)量過大,響應時間太長等.對于干擾而言，當它剛剛出現(xiàn)的時候,引起了系統(tǒng)偏差，控制器立即檢測到并且動作,調(diào)整PID參數(shù)值，有效地消除可能產(chǎn)生的振蕩、控制效果變差等問題.顯然，目前的自整定方法大都屬于第一種情況，無論是辨識的方法還是在線模式識別的方法或是基于知識的方法，到目前為止都還沒有實現(xiàn)真正的自整定.在許論多情況下，ＰＩＤ控制器如何實現(xiàn)真正意義上的自整定這個問題被人們所忽視,但是隨著控制的發(fā)展和控制要求的提高,這一問題應當被提出來,并且要求進行深入的研究.我們就是希望通過對PID在線自整定方法的研究，找到一種可行的、與被控對象模型無關(guān)的、具有在線自整定能力的智能PID控制器。2．4常規(guī)ＰＩD控制算法的理論基礎(chǔ)2.4.１模擬PＩD控制算法PＩD（Proｐorｔional、InｔeｇrａlａndDiｆfｅreｎtial)[14]控制是最早發(fā)展起來的控制策略之一,它以算法簡單、魯棒性好、可靠性高等優(yōu)點而被廣泛應用于工業(yè)過程控制中。ＰIＤ控制系統(tǒng)結(jié)構(gòu)如圖2。1所示:圖2．１PID控制器方框圖因此，連續(xù)系統(tǒng)中PID控制器的傳遞函數(shù)為(2.１)圖２.１模擬PID控制系統(tǒng)結(jié)構(gòu)圖它主要由PIＤ控制器和被控對象所組成.而PID控制器則由比例、積分、微分三個環(huán)節(jié)組成。（2.２)其中，為比例系數(shù)，為積分時間常數(shù),為微分時間常數(shù),為ＰID控制器的輸入,為PIＤ控制器的輸出。由式（2．１）和式（2。２）可知,PID控制器的輸出是由比例控制、積分控制和微分控制三項組成，三項在控制器中所起的控制作用相互獨立.因此,在實際應用中，根據(jù)被控對象的特性和控制要求，可以選擇其結(jié)構(gòu),形成不同形式的控制器，如比例(P）控制器,比例積分(PＩ）控制器，比例微分（ＰD）控制器等.簡單說來，PID控制器各校正環(huán)節(jié)的主要控制作用如下:(１）比例環(huán)節(jié)即成比例地反映控制系統(tǒng)的偏差信號e(t），偏差一旦產(chǎn)生，控制器立即產(chǎn)生控制作用，以減少偏差。(2)積分環(huán)節(jié)主要用于消除靜差，提高系統(tǒng)的無差度。積分作用的強弱取決于積分時間常數(shù)互,Z越大，積分作用越弱,反之則越強。(３）微分環(huán)節(jié)能反映偏差信號的變化趨勢（變化速率），并能在偏差信號值變得太大之前，在系統(tǒng)中引入一個有效的早期修正信號,從而加快系統(tǒng)的動作速度，減少調(diào)節(jié)時間。具體說來，控制器有如下特點：（1）原理簡單,實現(xiàn)方便，是一種能夠滿足大多數(shù)實際需要的基本控制器;（2）控制器能適用于多種截然不同的對象,算法在結(jié)構(gòu)上具有較強的魯棒性，在很多情況下，其控制品質(zhì)對被控對象的結(jié)構(gòu)和參數(shù)變動不敏感;2。4.２數(shù)字PＩＤ控制算法在計算機控制系統(tǒng)中，使用的是數(shù)字PID控制器[１５］,數(shù)字ＰID控制算法通常又分為位置式ＰID控制算法和增量式PID控制算法。1。位置式PID控制算法由于計算機控制是一種采樣控制[12]，它只能根據(jù)采樣時刻的偏差值計算控制量,故對式(2.1）中的積分和微分項不能直接使用,需要進行離散化處理。按模擬ＰID控制算法的算式(2．1），現(xiàn)以一系列的采樣時刻點kT代表連續(xù)時間ｔ,以和式代替積分，以增量代替微分，則可以作如下的近似變換(2。3)（2．4）（2.５)(2.６)式中,T為采樣周期;Ｋ為采樣序號，ｋ=0,1，2……,j，……，k。將式（2。6）代入式（2．5)中，有：（2．7）為了便于計算機編寫程序，將式（2。7）變?yōu)椋海?。８）式中,是數(shù)字PID控制器的輸入,為第個采樣時刻的偏差值;u（ｋ）是k第個采樣時刻數(shù)字PＩD控制器的輸出；為積分系數(shù)。為微分系數(shù)。由式（2.7）得出的控制量為全量值輸出,也就是每次的輸出值都與執(zhí)行機構(gòu)的位置(如控制閥門的開度)一一對應，所以把它稱之為位置式數(shù)字PIＤ控制算法。當控制系統(tǒng)中的執(zhí)行器為步進電機、電動調(diào)節(jié)閥、多圈電位器等具有保持歷史位置功能的裝置時,需要的不是控制量的絕對數(shù)值,而是其增量值.因此，需要由數(shù)字PID位置式導出數(shù)字ＰIＤ控制算法的增量式.對數(shù)字PＩＤ位置式取增量,即數(shù)字控制器輸出的是相鄰兩次采樣時刻所計算的位置值之差：（2。9)由于式(2。9）得出的是數(shù)字PIＤ控制器輸出控制量的增量值,因此，稱之為增量式數(shù)字PＩD控制算法。它只需要保持三個采樣時刻的偏差值。為了便于計算機編程，簡化計算,提高計算速度，將式（2.9）整理為：(2．１0)式中，在編寫程序時，可以根據(jù)事先確定的比例系數(shù)、積分系數(shù)和微分系數(shù)，計算出、、，存入內(nèi)存單元。利用增量式數(shù)字PID控制算法，可以得到位置式數(shù)字ＰＩD控制算法的遞推算式,即(2。11)與位置式數(shù)字ＰＩD控制算法相比,增量式數(shù)字ＰID控制算法有如下優(yōu)點：（１)位置式每次輸出與整個過去狀態(tài)有關(guān)，計算式中要用到過去偏差的累加值，容易產(chǎn)生較大的累積計算誤差.而在增量式中由于消去了積分項,從而可消除控制器的積分飽和，在精度不足時，計算誤差對控制量的影響較小，容易取得較好的控制效果(只存三個偏差值即可）。(2)為實現(xiàn)手動—自動無擾切換，在切換瞬時,必須首先將計算機的輸出值設(shè)置為閥門原始開度.由于增量式計算只與本次的偏差值有關(guān)，與閥門原來的位置無關(guān),其輸出對應于閥門位置的變化部分,因此，易于實現(xiàn)從手動到自動的無擾動切換。（3）采用增量式算法時所用的執(zhí)行器本身都具有保持功能,即使計算機發(fā)生故障,執(zhí)行器仍能保持在原位，不會對生產(chǎn)造成惡劣影響。對于位置式PID控制算法來說，由于全量輸出,所以每次輸出均與過去的狀態(tài)有關(guān)，計算時要對誤差進行累加，所以運算工作量大。而且如果計算機出現(xiàn)故障,則會引起執(zhí)行機構(gòu)位置的大幅度變化,而這種情況是生產(chǎn)場合不允許的，因而產(chǎn)生了增量式ＰＩＤ控制算法。2。增量式PID控制算法所謂增量式ＰＩＤ是指數(shù)字控制器的輸出只是控制量的增量Au(k)。當執(zhí)行機構(gòu)需要的是控制量的增量時，可以由式（2。10）導出提供增量的PID控制算式。根據(jù)遞推原理可得：(2。12)用式(2.10）－式(2。11)，可得(2.13）式中:式(2.13)稱為增量式ＰID控制算法.增量式控制算法只是在算法上作了一些改進卻帶來了不少優(yōu)點：（1)由于計算機輸出變量，所以誤動操作時影響小，必要時可以用邏輯判斷的方法去掉;（2）手動自動切換時沖擊小，便于實現(xiàn)無擾動切換:（3)算式中不需要累加。但是由于其積分截斷效應大,有靜態(tài)誤差溢出影響大.所以在選擇時不可一概而論。對ＰＩＤ控制算法中積分環(huán)節(jié)改進積分環(huán)節(jié)的主要作用是消除靜差。積分常數(shù)越大，積分作用越弱.反之，則積分作用越強.在PＩD控制中,積分作用可以消除控制系統(tǒng)穩(wěn)態(tài)偏差（即殘差），提高控制的穩(wěn)定精度,但積分作用因產(chǎn)生負相移，將使控制系統(tǒng)穩(wěn)定裕度下降，系統(tǒng)動態(tài)性能變差。當系統(tǒng)在強擾動作用下,或給定輸入做擾動變化時,系統(tǒng)輸出往往產(chǎn)生較大的超調(diào)和長時間的震蕩,甚至出現(xiàn)積分飽和現(xiàn)象為此，人們開始研究對積分環(huán)節(jié)的改進,使其在控制系統(tǒng)中發(fā)揮更好的作用。１、積分分離算法在開始階段不進行積分,直至偏差e進到一定的門限范圍占后才進行積分累積。當系統(tǒng)的輸出在占外時,該算法相當于一個ＰD調(diào)節(jié)器；只有當系統(tǒng)的輸出在F內(nèi)時，該算法才為PID調(diào)節(jié)器,這時，積分環(huán)節(jié)才開始起作用,以消除系統(tǒng)靜差。積分分離法的控制算式為：（2．14)式中,系數(shù)i的聚會規(guī)則為：當（預定門限)時，i=1當(預定門限）時，ｉ＝0采用積分分離PＩD控制，這是一個較為有效的方法,但積分分離限的整定較為困難，分離限設(shè)的過大,會有較大的超調(diào)；過小，又會在大擾動下出現(xiàn)穩(wěn)態(tài)誤差，因而控制效果不盡人意。2、分段積分算法所謂分段函數(shù)，就是根據(jù)偏差所在區(qū)間改變積分增益,每個區(qū)間對應一個增益常數(shù)，其中每個增益常數(shù)都是根據(jù)系統(tǒng)對積分項的要求來確定的。分段積分變形ＰＩD控制表達式可寫成如上(2-14）所示，不過f的取值范圍發(fā)生了變化，從而構(gòu)成分段積分算法。f取值范圍如下:上式中，具體工程中,f值可以分為更多區(qū)間，材和Ⅳ也根據(jù)實際情況確定。與普通的PIＤ控制方法相比,分段積分ＰＩD控制算法具有控制速度快、超調(diào)小、線性控制精度高等特點。實際工業(yè)現(xiàn)場證明,分段積分比傳統(tǒng)的積分系數(shù)不變的控制效果要好很多。3、變速積分算法改變積分項的累加速度，使其與偏差的大小相適應:偏差較大時,使積分慢一些,作用相對弱一些;偏差較小時,使積分快一些,作用相對強一些.改變積分項的累加速度,可以通過設(shè)置積分系數(shù)函數(shù)來實現(xiàn).變速積分ＰID算法的控制算式為:（2．1５)變速積分用比例作用消除了大偏差,用積分作用消除小偏差，大部分情況下可基本消除積分飽和現(xiàn)象，同時大大減小超調(diào)量,容易使系統(tǒng)穩(wěn)定，改善了調(diào)節(jié)品質(zhì)，但對于在大范圍突然變化時產(chǎn)生的積分飽和現(xiàn)象仍不能很好地消除。２.4.4對PＩD控制算法中微分環(huán)節(jié)改進微分環(huán)節(jié)改善了系統(tǒng)的動態(tài)性能,微分常數(shù)越大,微分作用越強.反之,微分作用越弱。盡管引入微分作用,改善了系統(tǒng)的動態(tài)特性，但對于干擾特別敏感，從而影響了ＰID控制的效果。而不完全微分型PID控制則能較好的解決這一問題[16］.1、不完全微分算法在常規(guī)ＰIＤ控制中,當瞬時偏差e變化較大,例如有階躍信號輸入時，微分項輸出會急劇增加,容易引起控制過程振蕩，導致調(diào)節(jié)品質(zhì)下降.因此，可在PＩD調(diào)節(jié)器中加入低通濾波器來抑制,從而構(gòu)成不完全微分型PID控制.根據(jù)低通環(huán)節(jié)加入的方式不同,不完全微分型PID控制有多種結(jié)構(gòu)形式。圖２．2給出了一種不完全微分ＰID的結(jié)構(gòu)。由低通濾波器的傳遞函數(shù)可得該不完全微分PID的傳遞函數(shù)為:(2。16)圖２。2不完全微分ＰＩD控制器不完全微分數(shù)字ＰIＤ的微分項輸出幅度小,作用時間長，能在各個采樣周期里真正起到微分作用。其微分作用是逐漸減弱的，不易引起振蕩,改善了控制效果。2、微分先行控制算法微分先行PID把微分作用提前，它只對測量值進行微分.微分先行的數(shù)字PＩD控制算法可描述為（２。１7）微分先行PID是經(jīng)典型PＩD改進中的一種,它適合于給定值頻繁變化的情況.微分環(huán)節(jié)的改進方面,還有很多新型控制算法，但用到最多的是不完全微分和微分先行算法。在常規(guī)PID控制中，無論是從積分環(huán)節(jié)還是微分環(huán)節(jié)的改進,都使PIＤ控制性能有了提高,更適應現(xiàn)代工業(yè)化的要求。在積分環(huán)節(jié)的改進，提高了系統(tǒng)的穩(wěn)定性；在微分環(huán)節(jié)的改進，改善了系統(tǒng)的動態(tài)性能。2．４.5常規(guī)PID控制的局限PID控制器在實際應用中的局限［1７]主要有：1．由于實現(xiàn)控制系統(tǒng)的元器件物理特性的限制,使得PID控制器獲得的原始信息偏離實際值,而其產(chǎn)生的控制作用偏離理論值.例如，各種傳感器不可避免地存在著測量誤差;誤差微分信號的提取是由誤差信號差分或由超前網(wǎng)絡(luò)近似實現(xiàn)的，這種方式對信號噪聲的放大作用很大,使微分信號失真。2。由于常規(guī)的ＰID控制器采用偏差的比例、積分和微分的線性組合構(gòu)成控制量，不能同時很好的滿足穩(wěn)態(tài)精度和動態(tài)穩(wěn)定性、平穩(wěn)性和快速性的要求。為此在系統(tǒng)的設(shè)計與整定過程中，只好采取折中的方案來兼顧動態(tài)和穩(wěn)態(tài)性能的要求,因此難以大幅度提高控制系統(tǒng)的性能指標。3.盡管常規(guī)PID控制器具有一定的魯棒性和適應性，但是對于強非線性、快速時變不確定性、強干擾等特性的對象,控制效果較差。例如，在某一時刻、某種條件下整定好的控制器參數(shù),由于被控對象的結(jié)構(gòu)或參數(shù)時變，在另一時刻、另一條件下控制效果往往欠佳,甚至可能使控制系統(tǒng)失穩(wěn).為此,可以將PID控制器與其他的算法相結(jié)合,對PID控制器進行改進，得到改進型ＰID控制器.4、改進型PID控制器對于實際的工業(yè)生產(chǎn)過程來說，往往具有非線性、時變不確定性等,應用常規(guī)的PＩＤ控制便不能達到理想的控制效果。隨著微處理機技術(shù)的發(fā)展和數(shù)字智能式控制器的實際應用,同時，隨著現(xiàn)代控制理論研究應用的發(fā)展與深入，為控制復雜的無規(guī)則系統(tǒng)開辟了新的途徑。出現(xiàn)了許多改進型PＩD控制器，對于復雜系統(tǒng)，其控制效果遠遠超過了常規(guī)的ＰIＤ控制。在這些改進型的控制系統(tǒng)中，主要有:模糊PＩD控制系統(tǒng)、專家PＩD控制系統(tǒng)、基于遺傳算法整定的PＩＤ控制系統(tǒng)、灰色PＩD控制系統(tǒng)以及神經(jīng)網(wǎng)絡(luò)PＩD控制系統(tǒng)等。(１）模糊PID控制器模糊控制是以模糊集合論、模糊語言變量及模糊邏輯推理為基礎(chǔ)的計算機智能控制，其基本概念是由美國加利福尼亞大學著名教授查德（ＬA。Zaｄeｈ)首先提出的，經(jīng)過這么多年的發(fā)展,在模糊控制理論和應用研究方面均取得重大成功。模糊PID控制就是將ＰID控制策略引入Fuzzy控制器,構(gòu)成Ｆuｚzy—PID復合控制,從而構(gòu)成模糊PＩD控制的過程。模糊自適應PＩD控制器結(jié)構(gòu)，它以誤差信號e（t）和誤差變化ｄe（t)/dt作為輸入,利用模糊控制規(guī)則在線對PＩD參數(shù)進行修改而構(gòu)成的。翻2．２模糊自適應PＤ控制器結(jié)構(gòu)框圖PＩＤ參數(shù)模糊自整定是找出ＰID三個參數(shù)與e（t）和ｄe（t)/dt之間的關(guān)系，在運行中通過不斷檢測ｅ(０和de（t）／dt,根據(jù)模糊控制原理來對3個參數(shù)進行在線修改，以滿足不同e(t)和dｅ(ｔ)／dt時對控制參數(shù)的不同要求，而使被控對象有良好的動、靜態(tài)性能。(2）專家PID控制器專家控Ｓ0（ExpertCｏnｔr０1)的實質(zhì)是基于受控對象和控制規(guī)律的各種知識，并以智能的方式利用這些知識來設(shè)計的控制器。利用專家經(jīng)驗來設(shè)計PID參數(shù)便構(gòu)成了專家PIＤ控制.基于模式識別的專家式PID參數(shù)自整定控制器，不必要精確的辨識被控對象的數(shù)學模型，也不必要對被控過程加任何的激勵信號就可以對ＰID參數(shù)進行自整定。由它構(gòu)成的控制系統(tǒng)運行穩(wěn)定、有效、可靠。一般地,專家系統(tǒng)由專家知識庫、數(shù)據(jù)庫和邏輯推理機三個部分構(gòu)成。專家知識庫中己經(jīng)把熟練操作工和專家的經(jīng)驗和知識，構(gòu)成PID參數(shù)選擇手冊，它記錄了各種工況下被控對象特性所對應的Ｐ、I、Ｄ參數(shù),數(shù)據(jù)庫根據(jù)被控對象的輸入與輸出信號及給定信號提供知識庫和推理機。(3）基于遺傳算法整定的PID控制器遺傳算法(ＧｅｎetiｃAlｇoriｔhｍｓ)是Johｎ．H．Holland根據(jù)生物進化的模型提出的一種優(yōu)化算法。它將“優(yōu)勝劣汰，適者生存"的生物進化原理引入待優(yōu)化參數(shù)形成的編碼串群體中，按照一定的適配值函數(shù)及一系列遺傳操作對各個個體進行選擇,從而使適配值高的個體被保存下來，組成新的群體,它包含了上一代的大量信息，并且引入了新的優(yōu)于上一代的個體.這樣周而復始,群體中各個個體的適應度不斷提高，直至滿足一定的極限條件。這樣就達到了優(yōu)化遺傳的目的。對于遺傳算法來說,它的核心在于初始群體的生產(chǎn)、操作算子的實現(xiàn)以及個體適配值與優(yōu)化問題性能指標間的映射.把遺傳算法和PID控制結(jié)合起來,就構(gòu)成了遺傳算法PID控制。其主要過程是:把PID控制參數(shù)編碼成遺傳算法的染色體，應用遺傳算法實現(xiàn)在線自適應PID參數(shù)尋優(yōu),使ＰID參數(shù)能夠隨被控對象的變化而變化，從而實現(xiàn)PID參數(shù)的最(4）灰色PＩD控制器對于控制系統(tǒng)來說，按照被控信息的可知程度可以分為白色系統(tǒng)、黑色系統(tǒng)和灰色系統(tǒng)三類。白色系統(tǒng)是指系統(tǒng)的信息全部明確的系統(tǒng)；黑色系統(tǒng)則是系統(tǒng)的信息完全不明確的系統(tǒng)：而灰色系統(tǒng)則是指系統(tǒng)信息部分明確、部分不明確的系統(tǒng)?；疑碚撜J為一切隨機變量都是在一定范圍內(nèi)變化的灰色量,對于灰色量的處理不是找出概率分布和求統(tǒng)計規(guī)律,而是根據(jù)數(shù)據(jù)處理的方法來找出數(shù)據(jù)的規(guī)律，因而只要求較短的觀測資料就可以處理,對于某些觀測數(shù)據(jù)較少的項目，灰色預測是一個有用的工具。這樣，基于灰色系統(tǒng)思想與灰色模型GM(GｒｅyＭｏdel）的控制就稱為灰色控制。它是一般的電位計或運算放大器或某種給定函數(shù)的可比較模塊。對于灰色預測控制來說，它的研究內(nèi)容為以新陳代謝序列與模塊、原點鄰域動態(tài)、灰色預測控制原理（一元控制原理）等?；诨疑碚摰模蠭D控制器結(jié)構(gòu)框圖它由ＰIＤ控制器、控制對象和灰色控制模塊三個部分組成.其中灰色控制模塊是其中的重要部分，系統(tǒng)將通過它調(diào)節(jié)ＰID控制器的參數(shù)來改善控制器的性能。(５）神經(jīng)網(wǎng)絡(luò)PID控制器人工神經(jīng)網(wǎng)絡(luò)是對人腦神經(jīng)系統(tǒng)的模擬而建立起來的。它是由簡單信息處理單元(人工神經(jīng)元，簡稱神經(jīng)元）互聯(lián)組成的網(wǎng)絡(luò),能夠接受并處理信息.網(wǎng)絡(luò)的信息處理是由處理單元之間的相互作用(連接權(quán))來實現(xiàn)的.神經(jīng)網(wǎng)絡(luò)PID控制就是神經(jīng)網(wǎng)絡(luò)應用于ＰIＤ控制并與傳統(tǒng)PＩＤ控制相結(jié)合而產(chǎn)生的一種改進型控制方法，是對傳統(tǒng)的PID控制的一種改進和優(yōu)化。決定它們整體性的因素是由神經(jīng)網(wǎng)絡(luò)模型來控制的，而決定神經(jīng)網(wǎng)絡(luò)的整體性的因素則是由以下三個方面來控制:(1)神經(jīng)元（信息處理單元)的特性；(2）神經(jīng)元之間相互連接的形式一拓撲結(jié)構(gòu)；(3）為適應環(huán)境而改善性能的學習規(guī)則。2.5本章小結(jié)本章闡述了常規(guī)ＰID控制器的理論基礎(chǔ)，對幾種改進的控制算法進行了綜述,并指出各種算法的優(yōu)缺點。研究了幾種典型的參數(shù)整定的實驗確定方法。最后簡述了三種智能ＰID控制器。下一章主要介紹神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)，為進一步研究基于神經(jīng)網(wǎng)絡(luò)的智能PID控制器做準備。3人工神經(jīng)網(wǎng)絡(luò)３。1人工神經(jīng)網(wǎng)絡(luò)構(gòu)成的基本原理神經(jīng)網(wǎng)絡(luò)是由一個或多個神經(jīng)元組成的信息處理系統(tǒng)[18].對于具有m個輸入節(jié)點和，z個輸出節(jié)點的神經(jīng)網(wǎng)絡(luò)，輸入輸出關(guān)系可以看作是m維歐氏空間到n維歐氏空間的映射模型，用數(shù)學形式表示為f：Y＝f（x）,其中x，Y分別為輸入、輸出向量。網(wǎng)絡(luò)實際輸出與期望輸出之間的誤差是衡量所構(gòu)造的網(wǎng)絡(luò)模型的性能指標.神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本處理單元,一般表現(xiàn)為一個多輸入、單輸出的非線性運算器件，網(wǎng)絡(luò)結(jié)構(gòu)可以由單個神經(jīng)元的基本結(jié)構(gòu)展現(xiàn)出來，主要包括三個基本要素:①一組連接(對應于生物神經(jīng)元的突觸）,連接強度由各連接上的權(quán)值表示，權(quán)值為正表示激活，為負表示抑制；②一個求和單元，用于求取各輸入信號的加權(quán)和（線性組合）;③一個激活函數(shù),起到非線性映射作用并將神經(jīng)元的輸出值幅度限制在一定范圍內(nèi)。此外還有一個附加的輸入,稱作閾值或偏置.自動控制理論經(jīng)歷了經(jīng)典控制理論、現(xiàn)代控制理論，進入了智能控制理論的新階段.PID控制是迄今為止最通用的控制方法，各種DCS、智能調(diào)節(jié)器等均采用該方法或其較小的變形來控制（至今在全世界過程控制中８４％仍是純PID調(diào)節(jié)器,若改進型包含在內(nèi)則超過90％),盡管自1940年以來，許多先進控制方法不斷推出,但PIＤ控制以其結(jié)構(gòu)簡單，對模型誤差具有魯棒性及易于操作等優(yōu)點，故仍廣泛應用于各種工業(yè)過程控制中。在本章，首先對ＰＩD控制方法進行簡要的概述，然后回顧了傳統(tǒng)的常規(guī)PID控制系統(tǒng)一模擬ＰID控制系統(tǒng)和數(shù)字PID控制系統(tǒng).在分析傳統(tǒng)的常規(guī)ＰID控制存在的優(yōu)缺點的基礎(chǔ)上,給出了一些改進型PID控制器。3。2人工神經(jīng)網(wǎng)絡(luò)的類型根據(jù)網(wǎng)絡(luò)連接方式的不同，人工神經(jīng)網(wǎng)絡(luò)有以下幾種結(jié)構(gòu)形式:①前饋網(wǎng)絡(luò)網(wǎng)絡(luò)中的神經(jīng)元分層排列，每個神經(jīng)元只和上一層的神經(jīng)元連接.最上一層為輸出層,最下一層為輸入層,中間層為隱層,可以根據(jù)需要設(shè)計隱層層數(shù)。前饋網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中應用最廣泛、最成熟的網(wǎng)絡(luò)類型，感知器就屬于這種網(wǎng)絡(luò)類型。②反饋網(wǎng)絡(luò)網(wǎng)絡(luò)本身是前饋網(wǎng)絡(luò)，但從輸出到輸入有反饋回路,因此稱之為反饋網(wǎng)絡(luò)。Fuｋｕｓhima網(wǎng)絡(luò)就是這種網(wǎng)絡(luò)類型的代表。③前向內(nèi)層互聯(lián)網(wǎng)絡(luò)從網(wǎng)絡(luò)外部看仍是前饋網(wǎng)絡(luò),但在同一層內(nèi)存再互相連接,可以實現(xiàn)同層內(nèi)神經(jīng)元之間的橫向抑制或興奮機制。很多自組織網(wǎng)絡(luò)都屬于這種類型.④互連網(wǎng)絡(luò)互連網(wǎng)絡(luò)有局部互連和全互連兩種。全互連網(wǎng)絡(luò)中的每個神經(jīng)元都與其他神經(jīng)元相連.局部互連是指互連是局部的，有些神經(jīng)元之間沒有連接關(guān)系。Hopfｉeｌd網(wǎng)絡(luò)和Ｂoftzｍann機都屬于這一類網(wǎng)絡(luò).3.3神經(jīng)網(wǎng)絡(luò)的特點人腦是宇宙中已知最復雜、最完善和最有效的信息處理系統(tǒng)，是生物進化的最高產(chǎn)物。長期以來，人們不斷地通過神經(jīng)學、生物學、心里學、認知學、數(shù)學、電子學和計算機科學等一系列學科，對神經(jīng)網(wǎng)絡(luò)進行分析和研究，企圖揭示人腦的工作機理，了解神經(jīng)系統(tǒng)進行信息處理的本質(zhì),并通過對人腦結(jié)構(gòu)及信息處理方式的研究,利用大腦神經(jīng)網(wǎng)絡(luò)的一些特征,設(shè)計出具有類似大腦某些功能的智能系統(tǒng)來處理各種信息,解決不同問題。神經(jīng)網(wǎng)絡(luò)的基本處理單元是對生物神經(jīng)元的近似仿真，因而被稱之為人工神經(jīng)元。它用于仿效生物神經(jīng)細胞最基本的特性，與生物原形相對應。人工神經(jīng)元的主要結(jié)構(gòu)單元是信號的輸入、綜合處理和輸出，其輸出信號的強度大小反應了該