CN103558762A - 基于图形化组态技术的免疫遗传pid控制器的实现方法 - Google Patents

Abstract

本发明涉及工业自动化控制技术领域，特别是一种基于图形化组态技术的免疫遗传PID控制器的实现方法，该方法在控制策略组态软件中采用图形化组态的方法构建免疫遗传PID控制策略，并通过组态软件技术使得免疫遗传PID控制器算法能够直接运行于控制站中。该方法提高了免疫遗传PID控制算法的执行效率、通用性和应用范围。

Description

基于图形化组态技术的免疫遗传PID控制器的实现方法

技术领域

本发明涉及工业自动化控制技术领域，特别是一种基于图形化组态技术的免疫遗传PID控制器的实现方法。

背景技术

PID是现代工业生产控制过程不可缺少的控制环节之一，传统PID结构简单，易于调整，在各个工业生产环节中得到了广泛的应用。但是由于传统PID的参数整定方法较为粗糙，不利于在大型、时变和大滞后等控制对象中应用，在复杂的过程控制中有很大的局限和弊端。此外，随着当今分布式控制系统的迅速发展，工业生产过程对PID控制器的实时性和在线性也提出了更高的要求。从生产安全和经济效益方面考虑，一个性能可靠的先进控制算法PID控制器的开发能够给复杂工业生产过程提供极大的保障。

免疫遗传PID控制器便是一种基于免疫遗传算法和PID参数优化整定相结合的先进控制算法PID控制器，这种控制器保留了遗传算法寻优函数范围广，并行计算等优点，同时加入了免疫机制，使得寻优搜索更加全局化，其实时性、鲁棒性及防止超调等性能均比传统PID优良，在系统受到干扰和变化时，也有很强的自整定调节能力，可以广泛地应用于非线性、时变和不确定模型的控制对象上。

但是，目前有关免疫遗传算法在PID控制器中的应用，一般是在MATLAB等平台上利用程序在离线的状态下对PID参数进行迭代寻优，无法实现有效地在线优化整定。而且这些算法往往是通过OPC接口应用到分布式控制系统中，实时性较差，无法实现可视化在线修改。此外，在工业应用中，由于不同PLC、IPC和DCS系统要用到不同的编程平台，因此这些算法的通用性受到了很大的限制。

发明内容

本发明的目的在于克服现有技术的缺点，提供一种基于图形化组态技术的免疫遗传PID控制器的实现方法，该方法提高了免疫遗传PID控制算法的执行效率、通用性和应用范围。

为实现上述目的，本发明的技术方案是：一种基于图形化组态技术的免疫遗传PID控制器的实现方法，在控制策略组态软件中采用图形化组态的方法构建免疫遗传PID控制策略，并通过组态软件技术使得免疫遗传PID控制器算法能够直接运行于控制站中。

所述基于图形化组态技术的免疫遗传PID控制器的实现方法，具体包括以下步骤：

步骤1：在数据库组态软件中添加免疫遗传PID控制器算法所需要的IO模块；将工艺设备和控制设备添加进数据库中，同时匹配工艺设备和控制设备之间的IO口，所述IO模块用于连接控制策略组态软件以及人机界面组态软件中的IO口；

步骤2：根据免疫遗传算法在线优化和整定PID参数的原理，在控制策略组态软件上采用图形化组态的方法搭建免疫遗传PID控制器的控制逻辑，所述控制逻辑经过系统分析、链接之后在线传送至控制站中；

步骤3：控制站将控制逻辑和数据库相连，控制站执行控制逻辑，同时对数据库中的数据进行读写，并将IO实时数据传送至控制逻辑，以利用控制策略组态软件对免疫遗传PID控制过程的中间数据进行实时监控；

步骤4：在人机界面组态软件上，设置系统的启动和停止等操作窗口，通过调用实时监控趋势图，在线观察系统的运行情况和控制效果。

在步骤2中，采用图形化组态的方法搭建免疫遗传PID控制器的控制逻辑，按如下步骤进行：

步骤201：产生初始群体，初始群体中的每个个体由PID的比例参数Kp、积分作用参数Ki和微分作用参数Kd组成，所述三个参数Kp、Ki和Kd均为初始群体取值范围内的任一随机数；将所述三个参数变换到整数空间，在群体更新时再将其映射回实际的取值范围； 

步骤202：在每个采样周期都对所有个体进行适应度计算：首先计算每个个体的误差信号e(i)、误差信号累积值ie(i)、误差信号变化率de(i)、再利用公式                                               计算出第i个个体的适应度值，上述公式中，J(i)是第i个个体的适应度值，α_p、β_p、γ_p分别是e(i)、ie(i)、de(i)的加权系数；在所有个体适应度计算完成之后，选取适应度最高的个体的PID参数作为下一个采样周期的实际PID控制器参数，计算出PID控制器的输出，作用于实际的被控对象中；

步骤203：采用基于矢量矩的抗体浓度计算方法计算抗体浓度，其中每个个体代表一个抗体；抗体的距离计算公式为：

 

基于抗体浓度的选择概率计算公式为：

 

其中，i是第i个抗体，即当前的个体，j是第j个抗体，N是抗体总数，ρ(i)是第i个抗体的距离，f(i)是第i个抗体的适应度值，P(i)是第i个抗体的选择概率；

步骤204：选择、交叉、变异算子计算

按如下方法计算选择算子、交叉算子以及变异算子：

选择算子：采用锦标赛选择的方法，每次从群体中选出两个个体，在比较概率浓度后，把概率较大的个体复制出来，重复进行的次数为群体的个体数；

交叉算子：采用算术交叉的方法，交叉开始前，产生[0,1]的随机数；设交叉前的两个个体编码分别为a、b，则交叉后的两个个体分别为a’、b’，其中

，

，式中p为交叉概率；

变异算子：采用随机变异的方法，当某个参数变异信号产生时，该参数变异成取值区间内的任意一个数值；

步骤205：在选择、交叉、变异算子计算完成之后，得到新一代的群体，进入下一个采样周期；重复执行步骤202、步骤203和步骤204，直到符合终止条件时结束。

相较于现有技术，本发明的有益效果是提供了一种基于图形化组态技术的免疫遗传PID控制器的实现方法，该方法实现的免疫遗传PID控制器的控制品质相较于普通PID有较大的优越性，在大时滞和大惯性对象中具有较强的自整定和抗干扰能力。此外，本发明采用图形化组态的方法来实现免疫遗传PID控制器，具有功能全面、监测直观、在线修改、控制通用等众多优点，同时也提高了免疫遗传PID控制器的参数收敛能力，保证了该先进控制算法的稳定性，而且能够对中间数据实时监测，提高了算法的执行效率，同时支持包括PLC、IPC在内的多种不同品牌的控制站，大大地提高了这种控制器的通用性及其在工业生产中的应用范围。

附图说明

图1是本发明实施例的实现流程图。

图2是本发明实施例中免疫遗传PID控制器的控制逻辑组态的实现流程图。

图3是本发明实施例中免疫遗传PID控制器的输出计算逻辑组态示意图。

图4是本发明实施例中免疫遗传PID控制器的仿真实验结果示例图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步的详细说明。

免疫遗传PID控制器的基本原理是从PID参数的初始随机分布群体出发，在每个采样周期选取适应度最大的PID参数作为下一个采样周期的PID控制器参数，同时计算群体的适应度和抗体浓度，并对群体进行相应的选择、交叉和变异等优化处理，产生出比上一代更加优良的种群，复制到下一代群体中，如此循环下去。

本发明基于图形化组态技术的免疫遗传PID控制器的实现方法，是通过以下技术方案实现的：在控制策略组态软件中采用图形化组态的方法构建免疫遗传PID控制策略，并通过组态软件技术使得免疫遗传PID控制器算法能够直接运行于控制站中。

所述组态软件包括数据库组态软件、控制策略组态软件和人机界面组态软件。本发明的免疫遗传PID控制器是在控制策略组态软件中利用图形化组态的方法构建免疫遗传PID控制策略，来实现该控制器在实际控制系统中的应用。由于免疫遗传PID控制器是在组态软件中实现的，因此相应的控制算法能够下载到控制站中直接运行，大大地提高了这种先进控制算法的执行效率。

具体的，本发明基于图形化组态技术的免疫遗传PID控制器的实现方法，如图1所示，包括以下步骤：

步骤1：数据库IO口的分配

在数据库组态软件中添加免疫遗传PID控制器算法所需要的IO（输入输出）模块；将工艺设备和控制设备添加进数据库中，同时匹配工艺设备和控制设备之间的IO口，所述IO模块用于连接控制策略组态软件以及人机界面组态软件中的IO口。

所述控制设备为：用于定义数据库与实际控制站之间的通讯方式以及数据库的数据点映射关系，是实现数据库与实际控制站通讯的重要组成单元；所述工艺设备为：将完成现场工艺过程的主要生产装置设备抽象定义成分布式控制系统中对应的管理对象，每个管理对象所包含的工艺设备中所有工艺IO点的集合即为工艺设备。

步骤2：控制逻辑组态的搭建

根据免疫遗传算法在线优化和整定PID参数的原理，在控制策略组态软件上采用图形化组态的方法搭建免疫遗传PID控制器的控制逻辑，分析、链接系统，再将控制逻辑在线传送至仿真控制站。

在本实施例中，免疫遗传PID控制器的控制逻辑组态的实现流程如图2所示，按如下步骤进行：

步骤201：初始群体产生

产生初始群体。本发明中免疫遗传PID控制器算法的初始群体和传统免疫遗传算法一致，由PID的比例参数Kp、积分作用参数Ki和微分作用参数Kd组成初始群体中的每个个体。所述三个参数Kp、Ki和Kd均为初始群体取值范围内的任一随机数。将所述三个参数变换到整数空间，在群体更新时再将其映射回实际的取值范围。这是由于组态过程中不同回路之间不支持小数点后面的数据赋值，因此需要对这些参数变换取值空间，把它们映射到[0, 1000]或[0,10000]的空间，以便在后面的算子中使用，在群体更新时，再将其映射回实际的取值范围。

步骤202：适应度计算与PID参数选取

在每个采样周期都对所有个体进行适应度计算：首先计算每个个体的误差信号e(i)、误差信号累积值ie(i)、误差信号变化率de(i)、再利用公式

计算出第i个个体的适应度值，上述公式中，J(i)是第i个个体的适应度值，α_p、β_p、γ_p分别是e(i)、ie(i)、de(i)的加权系数。

在所有个体适应度计算完成之后，选取适应度最高的个体的PID参数作为下一个采样周期的实际PID控制器参数，计算出PID控制器的输出，作用于实际的被控对象中。

步骤203：抗体浓度计算

本发明中免疫遗传PID控制器采用基于矢量矩的抗体浓度计算方法计算抗体浓度，其中每个个体代表一个抗体。抗体的距离计算公式为：

 

基于抗体浓度的选择概率计算公式为：

 

其中，i是第i个抗体，即当前的个体，j是第j个抗体，N是抗体总数，ρ(i)是第i个抗体的距离，f(i)是第i个抗体的适应度值，P(i)是第i个抗体的选择概率。

步骤204：选择、交叉、变异算子计算

本发明按如下方法计算免疫遗传PID控制器的选择算子、交叉算子以及变异算子：

选择算子：采用锦标赛选择的方法，每次从群体中选出两个个体，在比较概率浓度后，把概率较大的个体复制出来，重复进行的次数为群体的个体数；

交叉算子：采用算术交叉的方法，交叉开始前，产生[0,1]的随机数；设交叉前的两个个体编码分别为a、b，则交叉后的两个个体分别为a’、b’，其中

，

，式中p为交叉概率；

变异算子：采用随机变异的方法，当某个参数变异信号产生时，该参数变异成取值区间内的任意一个数值。

步骤205：在选择、交叉、变异算子计算完成之后，得到新一代的群体，进入下一个采样周期；重复执行步骤202、步骤203和步骤204，直到符合终止条件时结束。

本发明中免疫遗传PID控制器的控制逻辑是在控制策略组态软件上搭建完成的。所述控制逻辑经过系统分析、链接之后将被下载至仿真控制站中进行计算。

以PID控制器输出计算为例，图3是PID控制器输出U(k)计算的控制逻辑。该控制逻辑是在输入输出元件（LA、TA）、基础计算元件（＋、×、÷）、函数发生器元件（SG）以及其他辅助元件（箭头）的基础上实现的。图中Kp、Ki、Kd是每个采样周期的最优PID参数，首先计算得出e(i)、ie(i)、de(i)的值，再把最优PID参数映射回实际的取值范围，分别与e(i)、ie(i)、de(i)相乘，乘积之和即为PID控制器的输出U(k)。

步骤3：仿真站测验

仿真控制站将控制逻辑和数据库相连，仿真控制站执行控制逻辑，同时对数据库中的数据进行读写，并将IO实时数据传送至控制逻辑，以利用控制策略组态软件对免疫遗传PID控制过程的中间数据进行实时监控。

以一个二阶控制系统为例，其仿真实验结果如图4所示。仿真实验结果表明本发明中的免疫遗传PID控制器除了早期上升速度较慢，上升时间略少于普通PID外，其调节和稳定时间、抗扰动性能均优于普通PID。在大惯性控制对象中优势更明显。在外界干扰下，也有较小的波动幅值和较快的稳定速度。

在工业生产中，只要把仿真控制站改成实际控制站，就可以在实际控制系统中应用本发明的免疫遗传PID控制器。

步骤4：人机界面设计

在人机界面组态软件上，设置系统的启动和停止等操作窗口，通过调用实时监控趋势图，在线观察系统的运行情况和控制效果。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (3)

1.一种基于图形化组态技术的免疫遗传PID控制器的实现方法，其特征在于，在控制策略组态软件中采用图形化组态的方法构建免疫遗传PID控制策略，并通过组态软件技术使得免疫遗传PID控制器算法能够直接运行于控制站中。

2.根据权利要求1所述的基于图形化组态技术的免疫遗传PID控制器的实现方法，其特征在于，包括以下步骤：

步骤1：在数据库组态软件中添加免疫遗传PID控制器算法所需要的IO模块；将工艺设备和控制设备添加进数据库中，同时匹配工艺设备和控制设备之间的IO口，所述IO模块用于连接控制策略组态软件以及人机界面组态软件中的IO口；

步骤2：根据免疫遗传算法在线优化和整定PID参数的原理，在控制策略组态软件上采用图形化组态的方法搭建免疫遗传PID控制器的控制逻辑，所述控制逻辑经过系统分析、链接之后在线传送至控制站中；

步骤3：控制站将控制逻辑和数据库相连，控制站执行控制逻辑，同时对数据库中的数据进行读写，并将IO实时数据传送至控制逻辑，以利用控制策略组态软件对免疫遗传PID控制过程的中间数据进行实时监控；

步骤4：在人机界面组态软件上，设置系统的启动和停止等操作窗口，通过调用实时监控趋势图，在线观察系统的运行情况和控制效果。

3.根据权利要求1所述的基于图形化组态技术的免疫遗传PID控制器的实现方法，其特征在于，在步骤2中，采用图形化组态的方法搭建免疫遗传PID控制器的控制逻辑，按如下步骤进行：

步骤201：产生初始群体，初始群体中的每个个体由PID的比例参数Kp、积分作用参数Ki和微分作用参数Kd组成，所述三个参数Kp、Ki和Kd均为初始群体取值范围内的任一随机数；将所述三个参数变换到整数空间，在群体更新时再将其映射回实际的取值范围； 

步骤202：在每个采样周期都对所有个体进行适应度计算：首先计算每个个体的误差信号e(i)、误差信号累积值ie(i)、误差信号变化率de(i)、再利用公式                                               

计算出第i个个体的适应度值，上述公式中，J(i)是第i个个体的适应度值，α_p、β_p、γ_p分别是e(i)、ie(i)、de(i)的加权系数；在所有个体适应度计算完成之后，选取适应度最高的个体的PID参数作为下一个采样周期的实际PID控制器参数，计算出PID控制器的输出，作用于实际的被控对象中；

步骤203：采用基于矢量矩的抗体浓度计算方法计算抗体浓度，其中每个个体代表一个抗体；抗体的距离计算公式为：

 

基于抗体浓度的选择概率计算公式为：

 

其中，i是第i个抗体，即当前的个体，j是第j个抗体，N是抗体总数，ρ(i)是第i个抗体的距离，f(i)是第i个抗体的适应度值，P(i)是第i个抗体的选择概率；

步骤204：选择、交叉、变异算子计算

按如下方法计算选择算子、交叉算子以及变异算子：

选择算子：采用锦标赛选择的方法，每次从群体中选出两个个体，在比较概率浓度后，把概率较大的个体复制出来，重复进行的次数为群体的个体数；

交叉算子：采用算术交叉的方法，交叉开始前，产生[0,1]的随机数；设交叉前的两个个体编码分别为a、b，则交叉后的两个个体分别为a’、b’，其中

，

，式中p为交叉概率；

变异算子：采用随机变异的方法，当某个参数变异信号产生时，该参数变异成取值区间内的任意一个数值；

步骤205：在选择、交叉、变异算子计算完成之后，得到新一代的群体，进入下一个采样周期；重复执行步骤202、步骤203和步骤204，直到符合终止条件时结束。

Images