CN102073274A - 专家模糊增量式自适应的参数在线整定优化系统及方法 - Google Patents

Abstract

本发明是一种专家模糊增量式自适应的参数在线整定优化系统及方法，可应用控制、人工智能领域。该系统包括控制单元、控制总线和主工作站。系统有S个控制单元，每个控制单元的通讯接口均通过控制总线与主工作站相连接，主工作站通过控制总线与S个控制单元进行通讯。本发明中的参数在线整定优化方法由系统配置步骤、系统初始化步骤、输入输出采样步骤、误差计算步骤、误差变化率计算步骤、在线整定优化步骤、计算控制量步骤和被控对象运行步骤。本发明解决了物力结构相似的多个控制回路由于工作环境变化或存在差异，控制器参数无法根据工作环境的差异和不确定性，无法根据被控对象的差异和不确定性，无法自动完成这一重复的工作在线自整定优化的问题。

Description

专家模糊增量式自适应的参数在线整定优化系统及方法

技术领域

本发明提出了一种专家模糊增量式自适应的参数在线整定优化系统及方法，可应用到控制、人工智能等领域。

背景技术

目前，模拟控制主要以PID控制等经典控制方法为代表，也有一部分系统采用了模糊控制和神经网络控制等智能控制算法。这些针对确定被控对象、确定工作环境的控制方法被称为经典控制方法，而采用的具体算法被称成经典控制算法。经典控制算法在不同方面各有所长，但也存在着应用的局限性。经典控制算法存在着如下共性：

1.控制器参数的整定工作是在系统投入使用之前进行的。在开发阶段，工程师凭借经验和现场试验完成对控制器参数的整定，参数配置的完成往往伴随着项目的完成和交付而终结。因此，系统控制参数在实际运行中不会改变，即被控对象无法根据在运行过程中得到的环境信息调整和优化算法及算法参数。

2.对于很多同样的调试单元，例如在一个项目中多路相同的被控对象，由于对象之间或多或少地存在差异，因此重复调试工作不可避免；特别对于带有延迟、滞后或大惯性的被控对象来说，针对每一个被控对象的调试时间都会消耗大量的时间，占用大量的人力物力。

3.即使对于多路同样的调试单元，由于其工作环境有所差别，因此在系统运行前进行了分别的调试，系统运行后被控对象的工作环境有了变化，控制参数却不能随之改变，使得控制效果变差，甚至误差增加，甚至导致系统不稳定。

以PID控制器参数整定方法为例，现有的最好的在线整定优化算法是模糊自适应整定PID控制方法，该算法采用以PID参数初始值为中心点通过模糊控制对中心点进行修正的方法，实现PID控制器参数的在线整定优化。这种方法适用于那些工程中工程师可以对PID参数的初始值能够做出较为准确的估算的情况。但会受PID初始值的限制，如果控制回路差异大、工程师对参数整定的经验不足或者是控制器的最优参数超出模糊控制器的输出范围，该方法将无法实现对控制器参数的有效整定优化。

发明内容

本发明的目的是找到一种方法，能够让控制系统的在运行前经过初步配置，开始运行后系统能够根据系统运行后的加热炉和环境的差异，自动将控制参数调整到最佳值。本发明解决经典控制方法存在的三个问题：

1.物理结构相似的多个控制回路由于工作环境变化或存在差异，控制器参数无法根据工作环境的差异和不确定性，在线自整定优化；

2.物理结构相似的多个控制回路由于被控对象存在差别，控制器参数无法根据被控对象的差异和不确定性，在线自整定优化；

3.物理结构相似的多个控制回路需要反复进行控制参数整定，控制器参数无法自动完成这一重复的工作，在线自整定优化；

为了实现上述目的，本发明采取了如下技术方案：

本发明中的专家模糊增量式自适应的参数在线整定优化系统由控制单元100、控制总线110和主工作站120三个部分组成。系统共有S个控制单元100，每个控制单元100的通讯接口均通过控制总线110与主工作站120相连接，主工作站120通过控制总线110与S个控制单元100进行通讯。其中s取值为大于等于1的整数。每个控制单元100包括L个传感器101、N个变送器102、1个控制器103、L个执行单元104和L个被控对象105。其中每个变送器102连接M个传感器101，每个控制器103连接N个变送器102，其中L＝M×N，L、M、N均为大于等于1的整数。

本发明中的专家模糊增量式自适应的参数在线整定优化系统，使用1个主工作站120，通过控制总线110控制S个控制单元100，实现对系统中的T个被控对象105的控制，其中T＝L×S，S取值为大于等于1的整数。

对于每个控制单元100，存在如下连接关系：传感器101的感应端与被控对象105的待测点连接，将待测点的待测信息转换成为模拟信号。传感器101的输出端与变送器102的一个输入端相连，变送器102将传感器101采集的模拟信号转换成为标准化的待测信号。变送器102的输出端与控制器103的一个输入端相连接，控制器103根据变送器102变送的标准化的待测信号计算得到控制量。控制器103的一个输出端与执行单元104的输入端相连。执行单元104根据控制器103给出的控制量，产生相应的控制输出。执行单元104的输出与被控对象105的输入端相连，使得执行单元104产生的控制输出作用在被控对象105上。

所述的控制器103可以为计算机、工控机、服务器、单片机系统、嵌入式系统或硬件电路。

一种专家模糊增量式自适应的参数在线整定优化系统进行优化的方法，该方法包括如下步骤：

系统配置步骤201：在系统运行前首先进行系统配置，配置系统中将要用到的参数和公式；

系统初始化步骤202：将参与计算的变量赋值或清零；

输入输出采样步骤203：得到被控对象当前时刻的采样值y(k)；

误差计算步骤204：根据被控对象当前时刻的采样值y(k)与被控对象的目标值r(k)计算出当前时刻的误差e(k)，其中e(k)＝r(k)-y(k)；

误差变化率计算步骤205：计算当前时刻的误差e(k)与前一时刻的误差e(k-1)之间的误差变化率ec(k)，其中ec(k)＝e(k)-e(k-1)；

在线整定优化步骤206：根据当前时刻误差e(k)和误差变化率ec(k)整定优化计算出新的控制参数K_X(k)；

计算控制量步骤207：根据当前误差e(k)、误差变化率ec(k)和新的控制参数K_X(k)计算出新的控制量u(k)；

被控对象运行步骤208：被控对象运行208根据控制量u(k)产生相应的模拟量U(k)，作用在被控对象，得到控制对象新的输出y(k+1)；至此完成了一个控制周期，令k＝k+1，重复输入输出采样步骤203至被控对象运行步骤208。

系统配置步骤201为：在系统启动运行前，主工作站120通过控制总线110对控制器103进行参数配置，系统配置201只需进行一次，配制好的参数保存在控制器103的存储器里，下次运行时能够直接读取，或修改参数配置；配置的参数包括：被控对象的控制目标值r(k)。

输入输出采样步骤203具体为：传感器101将被控对象105待测点的待测信息转换成为模拟信号a(k)，经过变送器102转换成为标准化的待测信号r(k)；变送器102将变送结果r(k)传给控制器103，控制器103通过控制总线110将r(k)传给主工作站120。

本发明的创新点在于：

1.系统和装置设计方面，在主工作站和被控对象之间设计了较多的控制器，每个控制器分担较少的被控对象，这样的结构大大缩短了硬件维修的时间，当局部某硬件发生故障时，直接更换相应的模块即可快速修复故障，不必影响其他控制通路的工作；这种多控制器的技术方案，便于多种控制方法在同一个控制系统中的实验和应用。

2.专家模糊增量式自适应的参数在线整定优化方法，改变了传统控制方法的设计结构，通过增加优化器(主工作站120)，使得控制系统可以根据当前输入输出和工作状态对控制器参数进行在线整定优化。控制器根据当前的输入输出、工作状态和整定优化后的控制参数产生控制量，对被控对象进行控制。

3.专家模糊增量式自适应的参数在线整定优化方法，采用增量的方式在线整定优化控制器参数。这样的设计就避免了传统方法中存在的控制系统运行前控制参数对工程师经验的依赖问题，也就是说降低了工程师的参数初始配置要求；增量式方法的提出，使得专家模糊增量式自适应的参数在线整定优化方法具有了自动寻找最优控制参数的功能。

本发明与现有技术相比有如下优点：

1)本发明提出的专家模糊增量式自适应的参数在线整定优化方法，提出了采用增量式修正的方法对控制参数进行整定，克服了中心点修正式参数在线整定优化方法无法解决的控制回路差异大、工程师对参数整定的经验不足或者是控制器的最优参数超出模糊控制器的输出范围的问题；

2)本发明设计的专家模糊增量式自适应的参数在线整定优化系统，实现了整个控制器参数调整优化的过程都是由算法自身实现的，在线参数优化整定的过程没有人的参与，控制系统能够根据自身硬件特点和工作环境自动整定调适参数。

3)本发明提出的专家模糊增量式自适应的参数在线整定优化方法，解决了物力结构相似的多个控制回路由于工作环境变化或存在差异，控制器参数无法根据工作环境的差异和不确定性在线自整定优化的问题；解决了物力结构相似的多个控制回路由于被控对象存在差别，控制器参数无法根据被控对象的差异和不确定性在线自整定优化的问题；解决了物力结构相似的多个控制回路需要反复进行控制参数整定，控制器参数无法自动完成这一重复的工作在线自整定优化的问题。

附图说明

图1专家模糊增量式自适应的参数在线整定优化系统框图；

图2(a)执行单元和被控对象实施例原理图；

图2(b)执行单元和被控对象实施例原理图；

图3控制器实施例原理图；

图4传感器和变送器实施例原理图；

图5专家模糊增量式自适应的参数在线整定优化方法流程图。

具体实施方式

下面结合附图1～图5详细说明本实施例。

本发明中的专家模糊增量式自适应的参数在线整定优化系统由控制单元100、控制总线110和主工作站120三个部分组成。

系统共有S个控制单元100构成，每个控制单元100的通讯接口与控制总线110相连接，主工作站120的通讯接口也与控制总线110相连接，主工作站120通过控制总线110与S个控制单元100进行通讯。其中s取值为大于等于1的整数。

每个控制单元由L个传感器101、N个变送器102、1个控制器103、L个执行单元104和L个被控对象105构成。其中传感器和执行单元分别与被控对象一一对应连接，1个变送器102接M个传感器101，1个控制器103接N个变送器102，其中L＝M×N，L个执行单元均与控制器103相连。其中L、M、N取值为大于等于1的整数。

专家模糊增量式自适应的参数在线整定优化系统，使用1个主工作站120，通过控制总线110控制S个控制单元100，实现对系统中的T个被控对象105的控制，其中T＝L×S，其中S取值为大于等于1的整数。

对于每一个被控对象105回路，存在如下连接关系：

传感器101的感应端与被控对象105的待测点连接，将待测点的待测信息转换成为模拟信号。传感器101输出端与变送器102的一个输入端相连，变送器102将传感器101采集的模拟信号转换成为标准化的待测信号。变送器102的输出端与控制器103的一个输入端相连接，控制器103根据变送器102变送的标准化的待测信号，采用专家模糊增量式自适应的参数在线整定优化方法得到新的控制量。控制器103的一个输出端与执行单元104的输入端相连，执行单元104根据控制器103给出的控制量，产生相应的控制输出。执行单元104的输出端与被控对象105的输入相连，使得执行单元104产生的控制输出作用在被控对象105上。

控制器103可以是计算机、工控机、服务器、单片机系统、嵌入式系统或硬件电路。控制器可以进行数据输入、指令输入，根据输入的参数改变系统的工作状态，可以将当前的系统的工作参数、工作状态进行显示，可以通过通讯端口与数据总线连接，与主工作站进行通讯和数据交换。

执行单元104由主回路保护装置、被控对象异常保护装置、控制执行装置、主回路监控装置和被控对象(负载)接入装置五部分组成，这五部分依次串联构成主回路。

专家模糊增量式自适应的参数在线整定优化方法，由系统配置步骤201、系统初始化步骤202、输入输出采样步骤203、误差计算步骤204、误差变化率计算步骤205、在线整定优化步骤206、计算控制量步骤207、被控对象运行步骤208八个步骤构成。

这八个步骤的关系是：在系统运行前首先进行系统配置步骤201，配置系统中将要用到的参数和公式；然后进行系统初始化步骤202，将参与计算的变量赋值或清零；接下来循环执行下列步骤，每执行一个循环即完成了一个控制周期：输入输出采样步骤203得到当前时刻的输出y(k)；误差计算步骤204根据系统配置的r(k)和采样得到的1(k)计算出当前误差e(k)；误差变化率计算步骤205根据当前误差e(k)计算出误差变化率ec(k)；在线整定优化步骤206根据当前误差e(k)和误差变化率ec(k)整定优化计算出新的控制参数K_X(k)；计算控制量步骤207根据当前误差e(k)、误差变化率ec(k)和新的控制参数K_X(k)计算出新的控制量u(k)；被控对象运行步骤208根据控制量u(k)产生相应的模拟量U(k)，作用在被控对象，得到控制系统新的输出y(k+1)；至此完成了一个控制周期，令k＝k+1，重复步骤输入输出采样步骤203至被控对象运行步骤208。详细步骤如下：

5.1系统配置步骤201

在系统启动运行前，主工作站120通过控制总线110对控制器103进行参数配置，参数配置也可以通过控制器103的键盘和显示装置进行，系统配置201只需进行一次，配制好的参数保存在控制器103的存储器里，下次运行时可以直接读取，可以修改参数配置。

配置控制目标值TR，配置控制参数初始值K0_X，其中X表示参数的编号或含义，配置专家模糊增量式自适应的参数在线整定优化规则公式1：

A_X(e(k)，ec(k))＝

$\left\{\begin{array}{ccccc}{A}_X(h,h)& ,\mathrm{when}& \left|e\left(k\right)\right|\&GreaterEqual;E_{\mathrm{high}}& \mathrm{and}& \left|\mathrm{ec}\left(k\right)\right|\&GreaterEqual;{\mathrm{EC}}_{\mathrm{high}}\\ A_X(h,m)& ,\mathrm{when}& \left|e\left(k\right)\right|\&GreaterEqual;E_{\mathrm{high}}& \mathrm{and}& {\mathrm{EC}}_{\mathrm{low}}\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{high}}\\ A_X(h,l)& ,\mathrm{when}& \left|e\left(k\right)\right|\&GreaterEqual;E_{\mathrm{high}}& \mathrm{and}& 0\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{low}}\\ A_X(m,h)& ,\mathrm{when}& E_{\mathrm{low}}\&le;\left|e\left(k\right)\right|<E_{\mathrm{high}}& \mathrm{and}& \left|\mathrm{ec}\left(k\right)\right|\&GreaterEqual;{\mathrm{EC}}_{\mathrm{high}}\\ A_X(m,m)& ,\mathrm{when}& E_{\mathrm{low}}\&le;\left|e\left(k\right)\right|<E_{\mathrm{high}}& \mathrm{and}& {\mathrm{EC}}_{\mathrm{low}}\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{high}}\\ A_X(m,l)& ,\mathrm{when}& E_{\mathrm{low}}\&le;\left|e\left(k\right)\right|<E_{\mathrm{high}}& \mathrm{and}& 0\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{low}}\\ A_X(l,h)& ,\mathrm{when}& 0\&le;\left|e\left(k\right)\right|<E_{\mathrm{low}}& \mathrm{and}& \left|\mathrm{ec}\left(k\right)\right|\&GreaterEqual;{\mathrm{EC}}_{\mathrm{high}}\\ A_X(l,m)& ,\mathrm{when}& 0\&le;\left|e\left(k\right)\right|<E_{\mathrm{low}}& \mathrm{and}& {\mathrm{EC}}_{\mathrm{low}}\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{high}}\\ A_X(l,l)& ,\mathrm{when}& 0\&le;\left|e\left(k\right)\right|<E_{\mathrm{low}}& \mathrm{and}& 0\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{low}}\end{array}\right.---\left(1\right)$

其中e(k)表示当前时刻k采集值y(k)与目标值r(k)的误差，A_X(e(k)，ec(k))表示X参数的值根据当前误差e(k)和误差变化率ec(k)所决定的修正量，E_high、E_low分别表示划分当前误差e(k)和误差变化率ec(k)的组合处于那个状态的边界值；h，m，l分别表示e(k)、ec(k)与E_high、E_low比较后决定的取值所在的状态。

配置参数整定优化公式K_X(k)＝F(K0_X，K_X(k-1)，A_X(e(k)，ec(k)))，其中k表示当前时刻，k-1表示上一个整定优化周期的采样时刻，K_X(k-1)表示X参数在本次整定优化前的值；专家模糊增量式自适应的参数在线整定优化方法中，参数整定优化公式如式2所示：

K_X(k)＝F(K0_X，K_X(k-1)，A_X(e(k)，ec(k)))                          (2)

配置控制输出公式u(k)＝G(u(k-1)，K_X(k))，其中u(k)表示当前整定周期(第k个整定周期)的控制输出，u(k-1)表示前一个整定周期(第k-1个整定周期)的控制输出；专家模糊增量式自适应的参数在线整定优化方法中，控制输出公式为式3：

u(k)＝u(k-1)+Δu(k)                                       (3)

其中Δu(k)为控制量的增量，其中e(k)表示当前整定周期(第k个整定周期)的误差，e(k-1)表示上一个整定周期(第k-1个整定周期)的误差，e(k-2)表示第k-2个整定周期的误差，其中计算公式为式4：

u(k)＝G(u(k-1)，K_X(k))                                            (4)

5.2系统初始化步骤202

令k＝0；

令e(-1)＝0；令e(-2)＝0；

令u(0)＝0；令u(-1)＝0；

令K_X(k)＝K0_X；

5.3输入输出采样步骤203

传感器101将被控对象105待测点的待测信息转换成为模拟信号a(k)，经过变送器102转换成为标准化的待测信号r(k)；变送器102将变送结果r(k)传给控制器103，控制器103通过控制总线110将r(k)传给主工作站120；

5.4误差计算步骤204

主工作站120中，令r(k)＝TR，按照式5计算当前误差e(k)：

e(k)＝r(k)-y(k)                                           (5)

5.5误差变化率计算步骤205

主工作站120中，按照式6计算当前误差变化率ec(k)：

ec(k)＝e(k)-e(k-1)                                          (6)

5.6在线整定优化步骤206

主工作站120，根据式1计算A_X(e(k)，ec(k))；

接下来，按照式2计算控制参数K_X(k)；

最后，按照式7至式9，对本周期计算结果进行保存：

e(k-2)＝e(k-1)                                          (7)

e(k-1)＝e(k)                                            (8)

u(k-1)＝u(k)                                            (9)

通过控制总线110将K_X(k)传给控制器103；

5.7计算控制量步骤207

控制器103按照式3和式4计算控制量u(k)；

5.8被控对象运行步骤208

u(k)通过控制总线110从主工作站传回控制器103，控制器103将u(k)输出给执行单元104，执行单元104根据控制量u(k)产生相应的模拟量U(k)，作用在被控对象105上，被控对象105在U(k)做出响应，得到控制系统输出值y(k)；

按照式10，当前时刻自增1个采样周期：

k＝k+1                                                 (10)

跳转到步骤5.3，重复步骤5.3至5.8。

实施例：

本实施例以采用了专家模糊增量式自适应的参数在线整定优化方法的石油化工60路温控生产线系统为例。在详细描述系统硬件连接关系和实施过程后，通过实际演算说明了本发明提出的自适应小波神经网络异常检测故障诊断分类方法在其它领域应用时的具体实施过程，以便加深读者对本发明内容的理解。

1.采用了专家模糊增量式自适应的参数在线整定优化方法的石油化工60路温控生产线系统的实施方案如下：

采用了专家模糊增量式自适应的参数在线整定优化方法的石油化工60路温控生产线系统由控制单元100、控制总线110、主工作站120三个部分组成。其中主工作站120使用一台服务器(计算机)，控制总线110采用RS485总线，共有15个控制单元组成100。每个控制单元100的通讯接口与控制总线110相连接，主工作站120的通讯接口也与控制总线110相连接，主工作站120通过数据总线与15个控制单元100进行通讯。

每个控制单元由4个传感器101、2个变送器102、1个控制器103、4个执行单元104和4个被控对象105构成。其中1个变送器102接2个传感器101，1个控制器103接2个变送器102。

传感器101选用Pt100温度传感器，采用三线制传感器接法，以克服传输距离过长导致的传感器信号衰减。传感器101的感应端与被控对象105的待测点连接，将待测点的待测信息转换成为模拟信号。

被控对象105为加热炉，加热炉的内部是一根盘旋的电阻丝，当加热炉的输入加上0～220V的驱动电压时，电阻丝将电能转化成为热能，实现对炉子内部的加热。通过Pt100温度传感器采集炉体内温度，产生相应的电阻值。

变送器102选用型号为YUDIAN-AI-7021的Pt100温度变送器，参见图4。Pt100温度变送器的两个传感器接入端采用三线制的方式接入两只Pt100温度传感器，Pt100温度变送器的两个传感器的两个标准传感器信号输出端分别与控制器103的标准传感器信号输入端相连接。Pt100温度变送器的电源直接接220V电源。

控制器103选用型号为YUDIAN-AI-7048的PID控制器，参见图3。PID控制器的四个标准传感器信号输入端分别与来自两个Pt100温度变送器的四个标准传感器信号输出端并联50Ω电阻后相连。Pt100温度变送器输出4-20mA标准传感器电流信号，通过并联50Ω电阻，将信号转换为200mV-1V的PID控制器标准电压输入信号。PID控制器的四个控制输出分别接到执行单元104中控制执行装置的控制量输入端。

执行单元104由主回路保护装置，被控对象异常保护装置，控制执行装置，主回路监控装置和被控对象(负载)接入装置五部分组成，这五部分依次串联构成主回路。

主回路保护装置选用空气开关，被控对象异常保护装置选用过温保护模块与继电器，控制执行装置选用固态继电器，主回路监控装置选用电流互感器，被控对象(负载)接入装置选用强电接线端子。

空气开关的输入端1、输入端2分别接在主回路的火线和零线，输出端3、输出端4分别为后级电路的火线和零线，作用是当回路中电流过大时切断主回路，保护其他装置。过温保护模块和继电器串联共同构成过温保护电路，过温保护模块的输入端1、输入端2分别火线和零线连接用于给过温保护模块供电，过温保护模块的输出端3和继电器的输入端2与零线相连，构成参考零点，过问保护模块的输出端4与继电器的输入端1相连，实现过问保护模块对继电器的开关控制，过温保护模块的输入端9、输入端11接来自于被控对象的温度传感器，当温度超过设定值时，其输出端3和输出端4输出关断信号，继电器的输出端3、输出端4串连接在火线上，根据过温保护模块的输出对主回路进行通断控制。固态继电器的控制量输入端“+”、输入端“”与控制器103的控制量输出相连接，实现控制器通过PWM通断的形式对主回路的控制。主回路传入电流互感器的原边，电流互感器的副边与发光二极管相连，实现对主回路通断的监控。强电接线端子串联接在主回路中，实现将被控对象105接入执行单元104。

专家模糊增量式自适应的参数在线整定优化方法由系统配置步骤201、系统初始化步骤202、输入输出采样步骤203、误差计算步骤204、误差变化率计算步骤205、在线整定优化步骤206、计算控制量步骤207和被控对象运行步骤208八个步骤构成。

这八个步骤的关系是：在系统运行前首先进行系统配置步骤201，配置系统中将要用到的参数和公式；然后进行系统初始化步骤202，将参与计算的变量赋值或清零；接下来循环执行下列步骤，每执行一个循环即完成了一个控制周期：输入输出采样步骤203得到当前时刻的输出y(k)；误差计算步骤204根据系统配置的r(k)和采样得到的y(k)计算出当前误差e(k)；误差变化率计算步骤205根据当前误差e(k)计算出误差变化率ec(k)；在线整定优化步骤206根据当前误差e(k)和误差变化率ec(k)整定优化计算出新的控制参数K_X(k)；计算控制量步骤207根据当前误差e(k)、误差变化率ec(k)和新的控制参数K_X(k)计算出新的控制量u(k)；被控对象运行步骤208根据控制量u(k)产生相应的模拟量U(k)，作用在被控对象，得到控制系统新的输出y(k+1)；至此完成了一个控制周期，令k＝k+1，重复步骤输入输出采样步骤203至被控对象运行步骤208。本实施例中，专家模糊增量式自适应的参数在线整定优化方法应用对象是对经典PID控制，即专家模糊增量式自适应的PID参数在线整定优化方法，下文提到的X参数指的是Kp、Ki、Kd三个参数。详细步骤如下：

2.1系统配置步骤201

在系统启动运行前，主工作站120通过控制总线110对控制器103进行参数配置，参数配置也可以通过控制器103的键盘和显示装置进行，系统配置201只需进行一次，配制好的参数保存在控制器103的存储器里，下次运行时可以直接读取，可以修改参数配置；

配置控制目标值：TR＝200(℃)。

配置控制参数初始值： $\left\{\begin{array}{c}K0p=1\\ K0i=0.1\\ K0d=0\end{array}\right..$

配置专家模糊增量式自适应的参数在线整定优化规则公式，如式11至式13所示：

$A_{\mathrm{Kp}}(e\left(k\right),\mathrm{ec}\left(k\right))=$

$\left\{\begin{array}{ccccc}1& ,\mathrm{when}& \left|e\left(k\right)\right|\&GreaterEqual;E_{\mathrm{high}}& \mathrm{and}& \left|\mathrm{ec}\left(k\right)\right|\&GreaterEqual;{\mathrm{EC}}_{\mathrm{high}}\\ 1.002& ,\mathrm{when}& \left|e\left(k\right)\right|\&GreaterEqual;E_{\mathrm{high}}& \mathrm{and}& {\mathrm{EC}}_{\mathrm{low}}\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{high}}\\ 1.004& ,\mathrm{when}& \left|e\left(k\right)\right|\&GreaterEqual;E_{\mathrm{high}}& \mathrm{and}& 0\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{low}}\\ 0.998& ,\mathrm{when}& E_{\mathrm{low}}\&le;\left|e\left(k\right)\right|<E_{\mathrm{high}}& \mathrm{and}& \left|\mathrm{ec}\left(k\right)\right|\&GreaterEqual;{\mathrm{EC}}_{\mathrm{high}}\\ 1& ,\mathrm{when}& E_{\mathrm{low}}\&le;\left|e\left(k\right)\right|<E_{\mathrm{high}}& \mathrm{and}& {\mathrm{EC}}_{\mathrm{low}}\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{high}}\\ 1.002& ,\mathrm{when}& E_{\mathrm{low}}\&le;\left|e\left(k\right)\right|<E_{\mathrm{high}}& \mathrm{and}& 0\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{low}}\\ 0.998& ,\mathrm{when}& 0\&le;\left|e\left(k\right)\right|<E_{\mathrm{low}}& \mathrm{and}& \left|\mathrm{ec}\left(k\right)\right|\&GreaterEqual;{\mathrm{EC}}_{\mathrm{high}}\\ 1& ,\mathrm{when}& 0\&le;\left|e\left(k\right)\right|<E_{\mathrm{low}}& \mathrm{and}& {\mathrm{EC}}_{\mathrm{low}}\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{high}}\\ 1& ,\mathrm{when}& 0\&le;\left|e\left(k\right)\right|<E_{\mathrm{low}}& \mathrm{and}& 0\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{low}}\end{array}\right.---\left(11\right)$

$A_{\mathrm{Ki}}(e\left(k\right),\mathrm{ec}\left(k\right))---\left(12\right)$

$\left\{\begin{array}{ccccc}1.002& ,\mathrm{when}& \left|e\left(k\right)\right|\&GreaterEqual;E_{\mathrm{high}}& \mathrm{and}& \left|\mathrm{ec}\left(k\right)\right|\&GreaterEqual;{\mathrm{EC}}_{\mathrm{high}}\\ 1.002& ,\mathrm{when}& \left|e\left(k\right)\right|\&GreaterEqual;E_{\mathrm{high}}& \mathrm{and}& {\mathrm{EC}}_{\mathrm{low}}\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{high}}\\ 1.002& ,\mathrm{when}& \left|e\left(k\right)\right|\&GreaterEqual;E_{\mathrm{high}}& \mathrm{and}& 0\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{low}}\\ 1& ,\mathrm{when}& E_{\mathrm{low}}\&le;\left|e\left(k\right)\right|<E_{\mathrm{high}}& \mathrm{and}& \left|\mathrm{ec}\left(k\right)\right|\&GreaterEqual;{\mathrm{EC}}_{\mathrm{high}}\\ 1& ,\mathrm{when}& E_{\mathrm{low}}\&le;\left|e\left(k\right)\right|<E_{\mathrm{high}}& \mathrm{and}& {\mathrm{EC}}_{\mathrm{low}}\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{high}}\\ 1& ,\mathrm{when}& E_{\mathrm{low}}\&le;\left|e\left(k\right)\right|<E_{\mathrm{high}}& \mathrm{and}& 0\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{low}}\\ 0.998& ,\mathrm{when}& 0\&le;\left|e\left(k\right)\right|<E_{\mathrm{low}}& \mathrm{and}& \left|\mathrm{ec}\left(k\right)\right|\&GreaterEqual;{\mathrm{EC}}_{\mathrm{high}}\\ 0.998& ,\mathrm{when}& 0\&le;\left|e\left(k\right)\right|<E_{\mathrm{low}}& \mathrm{and}& {\mathrm{EC}}_{\mathrm{low}}\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{high}}\\ 0.998& ,\mathrm{when}& 0\&le;\left|e\left(k\right)\right|<E_{\mathrm{low}}& \mathrm{and}& 0\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{low}}\end{array}\right.$

$A_{\mathrm{Kd}}(e\left(k\right),\mathrm{ec}\left(k\right))=$ $\left(13\right)$

$\left\{\begin{array}{ccccc}1.002& ,\mathrm{when}& \left|e\left(k\right)\right|\&GreaterEqual;E_{\mathrm{high}}& \mathrm{and}& \left|\mathrm{ec}\left(k\right)\right|\&GreaterEqual;{\mathrm{EC}}_{\mathrm{high}}\\ 1& ,\mathrm{when}& \left|e\left(k\right)\right|\&GreaterEqual;E_{\mathrm{high}}& \mathrm{and}& {\mathrm{EC}}_{\mathrm{low}}\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{high}}\\ 0.998& ,\mathrm{when}& \left|e\left(k\right)\right|\&GreaterEqual;E_{\mathrm{high}}& \mathrm{and}& 0\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{low}}\\ 1.002& ,\mathrm{when}& E_{\mathrm{low}}\&le;\left|e\left(k\right)\right|<E_{\mathrm{high}}& \mathrm{and}& \left|\mathrm{ec}\left(k\right)\right|\&GreaterEqual;{\mathrm{EC}}_{\mathrm{high}}\\ 1& ,\mathrm{when}& E_{\mathrm{low}}\&le;\left|e\left(k\right)\right|<E_{\mathrm{high}}& \mathrm{and}& {\mathrm{EC}}_{\mathrm{low}}\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{high}}\\ 0.998& ,\mathrm{when}& E_{\mathrm{low}}\&le;\left|e\left(k\right)\right|<E_{\mathrm{high}}& \mathrm{and}& 0\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{low}}\\ 1.002& ,\mathrm{when}& 0\&le;\left|e\left(k\right)\right|<E_{\mathrm{low}}& \mathrm{and}& \left|\mathrm{ec}\left(k\right)\right|\&GreaterEqual;{\mathrm{EC}}_{\mathrm{high}}\\ 1& ,\mathrm{when}& 0\&le;\left|e\left(k\right)\right|<E_{\mathrm{low}}& \mathrm{and}& {\mathrm{EC}}_{\mathrm{low}}\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{high}}\\ 1& ,\mathrm{when}& 0\&le;\left|e\left(k\right)\right|<E_{\mathrm{low}}& \mathrm{and}& 0\&le;\left|\mathrm{ec}\left(k\right)\right|<{\mathrm{EC}}_{\mathrm{low}}\end{array}\right.$

其中令：

E_high＝0.5，

E_low＝0.2，

EC_high＝0.002，

EC_low＝0.001。

其中A_X(e(k)，ec(k))表示X参数的值根据当前误差e(k)和误差变化率ec(k)所决定的修正量，X表示参数的编号或含义，e(k)表示当前时刻k采集值y(k)与目标值r(k)的误差，E_high、E_low分别表示划分当前误差e(k)和误差变化率ec(k)的组合处于那个状态的边界值；h，m，l分别表示e(k)、ec(k)与E_high、E_low比较后决定的取值所在的状态；

配置参数整定优化公式K_X(k)＝F(K0_X，K_X(k-1)，A_X(e(k)，ec(k)))，其中k表示当前时刻，k-1表示上一个整定优化周期的采样时刻，K_X(k-1)表示X参数在本次整定优化前的值；专家模糊增量式自适应的参数在线整定优化方法中，参数整定优化公式如式14至式16所示：

Kp(k)＝Kp(k-1)·A_Kp(e(k)，ec(k))                                  (14)

Ki(k)＝Ki(k-1)·A_Ki(e(k)，ec(k))                                  (15)

Kd(k)＝Kd(k-1)·A_Kd(e(k)，ec(k))                                  (16)

配置控制输出公式u(k)＝G(u(k-1)，K_X(k))，其中u(k)表示当前整定周期(第k个整定周期)的控制输出，u(k-1)表示前一个整定周期(第k-1个整定周期)的控制输出，专家模糊增量式自适应的参数在线整定优化方法中，控制输出公式为式17：

u(k)＝u(k-1)+Δu(k)                                         (17)

其中Δu(k)为控制量的增量，其中e(k)表示当前整定周期(第k个整定周期)的误差，e(k-1)表示上一个整定周期(第k-1个整定周期)的误差，e(k-2)表示第k-2个整定周期的误差，其中计算公式为式18：

Δu(k)＝K_P(e(k)-e(k-1))+k_i·e(k)+k_d·(e(k)-2·e(k-1)+e(k-2))        (18)

2.2系统初始化步骤202

令k＝0；

令e(-1)＝0；令e(-2)＝0；

令u(0)＝0；令u(-1)＝0；

令K_p(k)＝K0_p，K_i(k)＝K0_i，K_d(k)＝K0_d；

2.3输入输出采样步骤203

传感器101将被控对象105待测点的待测信息转换成为模拟信号a(k)，经过变送器102转换成为标准化的待测信号r(k)；变送器102将变送结果r(k)传给控制器103，控制器103通过控制总线110将r(k)传给主工作站120进行处理；

2.4误差计算步骤204

令r(k)＝TR，按照式19计算当前误差e(k)：

e(k)＝r(k)-y(k)                                                            (19)

2.5误差变化率计算步骤205

按照式20计算当前误差变化率ec(k)：

ec(k)＝e(k)-e(k-1)                                                        (20)

2.6在线整定优化步骤206

主工作站120，根据式11至式13计算A_X(e(k)，ec(k))；

接下来，按照式14至式16计算控制参数K_p(k)、K_i(k)、K_d(k)；

最后，按照式21至式23，对本周期计算结果进行保存：

e(k-2)＝e(k-1)                                                      (21)

e(k-1)＝e(k)                                                        (22)

u(k-1)＝u(k)                                                        (23)

2.7计算控制量步骤207

按照式17和式18计算控制量u(k)；

2.8被控对象运行步骤208

控制器103将u(k)输出给执行单元104，执行单元104根据控制量u(k)产生相应的模拟量U(k)，作用在被控对象105上。

u(k)通过控制总线110从主工作传回控制器103，控制器103将u(k)输出给执行单元104，执行单元104根据控制量u(k)产生相应的模拟量U(k)，作用在被控对象105上，被控对象105在U(k)做出响应，得到控制系统输出值y(k)；

按照式24，当前时刻自增1个采样周期：

k＝k+1                                                            (24)

跳转到步骤2.3，重复步骤2.3至2.8。

Claims (6)

1.一种专家模糊增量式自适应的参数在线整定优化系统，其特征在于：由控制单元(100)、控制总线(110)和主工作站(120)三个部分组成；系统共有S个控制单元(100)，每个控制单元(100)的通讯接口均通过控制总线(110)与主工作站(120)相连接，主工作站(120)通过控制总线(110)与S个控制单元(100)进行通讯；其中s取值为大于等于1的整数；

每个控制单元100包括L个传感器(101)、N个变送器(102)、1个控制器(103)、L个执行单元(104)和L个被控对象(105)；传感器和执行单元分别与被控对象一一对应连接，其中1个变送器(102)接M个传感器(101)，1个控制器(103)接N个变送器(102)，其中L＝M×N，L、M、N均为大于等于1的整数；

主工作站(120)通过控制总线(110)对S个控制单元(100)的共T个被控对象(105)进行控制，其中T＝L×S，S取值为大于等于1的整数。

2.根据权利要求1所述的一种专家模糊增量式自适应的参数在线整定优化系统，其特征在于：对于所述每个控制单元(100)，存在如下连接关系：

传感器(101)的感应端与被控对象(105)的待测点连接，将待测点的待测信息转换成模拟信号；传感器(101)的输出端与变送器(102)的一个输入端相连，变送器(102)将传感器(101)采集的模拟信号转换成为标准化的待测信号；变送器(102)的输出端与控制器(103)的一个输入端相连接，控制器(103)根据变送器(102)变送的标准化的待测信号计算得到控制量；控制器(103)的一个输出端与执行单元(104)的输入端相连，执行单元(104)根据控制器(103)给出的控制量，产生相应的控制输出；执行单元(104)的输出与被控对象(105)的输入端相连，使得执行单元(104)产生的控制输出作用在被控对象(105)上。

3.根据权利要求1所述的一种专家模糊增量式自适应的参数在线整定优化系统，其特征在于：所述的控制器(103)为计算机、工控机、服务器、单片机系统或嵌入式系统。

4.使用权利要求1中所述的一种专家模糊增量式自适应的参数在线整定优化系统进行优化的方法，其特征在于，该方法包括如下步骤：

系统配置步骤(201)：在系统运行前首先配置系统中要用到的参数；

系统初始化步骤(202)：将参与计算的变量赋值或清零；

输入输出采样步骤(203)：得到被控对象当前时刻的采样值y(e)；

误差计算步骤(204)：根据被控对象当前时刻的采样值y(e)与被控对象的目标值r(k)计算出当前时刻的误差e(k)，其中e(k)＝r(k)-y(e)；

误差变化率计算步骤(205)：计算当前时刻的误差e(k)与前一时刻的误差e(k-1)之间的误差变化率ec(k)，其中ec(k)＝e(k)-e(k-1)；

在线整定优化步骤(206)：根据当前时刻误差e(k)和误差变化率ec(k)整定优化计算出新的控制参数K_X(k)；

计算控制量步骤(207)：根据当前误差e(k)、误差变化率ec(k)和新的控制参数K_X(k)计算出新的控制量u(k)；

被控对象运行步骤(208)：被控对象运行(208)根据控制量u(k)产生相应的模拟量U(k)作用在被控对象，得到控制对象新的输出y(k+1)；至此完成了一个控制周期，令k＝k+1，重复输入输出采样步骤(203)至被控对象运行步骤(208)。

5.根据权利要求4所述的一种专家模糊增量式自适应的参数在线整定优化方法，其特征在于，系统配置步骤(201)为：在系统启动运行前，主工作站(120)通过控制总线(110)对控制器(103)进行参数配置，系统配置(201)只需进行一次，配制好的参数保存在控制器(103)的存储器里，下次运行时能够直接读取，或修改参数配置；配置的参数包括被控对象的控制目标值r(k)。

6.根据权利要求4所述的一种专家模糊增量式自适应的参数在线整定优化方法，其特征在于，输入输出采样步骤(203)具体为：传感器(101)将被控对象(105)待测点的待测信息转换成为模拟信号a(k)，经过变送器(102)转换成为标准化的待测信号r(k)；变送器(102)将变送结果r(k)传给控制器(103)，控制器(103)通过控制总线(110)将r(k)传给主工作站(120)。

Images