CN103888044A - 一种模糊pid控制器的参数自整定方法 - Google Patents

Abstract

本发明公开一种模糊PID控制器的参数自整定方法，该方法具体为：根据控制系统的偏差、偏差变化率和PID控制中比例、微分、积分系数的基本论域与模糊论域，计算初始的量化因子数值组合，以各初始的量化因子数值为区间中心，合理选择区间半径得到各待寻优的量化因子取值区间；在各取值区间内均匀选取数值，得到不同的量化因子数值组合，试验各量化因子数值组合下的控制系统的控制性能，以量化因子数值组合与对应的控制性能数值为一个样本数据，重复试验得到足够多的样本数据作为极限学习机的训练数据，离线训练控制系统模型；最后以带精英策略的非支配排序遗传算法对该系统离线模型进行寻优，得到使控制性能多目标最优化的量化因子数值组合。

Description

一种模糊PID控制器的参数自整定方法

技术领域

本发明涉及电机控制领域，具体为单绕组磁悬浮开关磁阻电机模糊PID控制系统的参数自整定方法。

背景技术

磁悬浮开关磁阻电机将磁悬浮技术与开关磁阻电机相结合,在继承一般磁悬浮电机无摩擦、无磨损、轴向空间利用率高、转子临界转速大等优点基础上,充分发挥了开关磁阻电机的高速优越性以及对恶劣环境的适应性,同时通过径向力的主动控制,有效改善了开关磁阻电机因不平衡磁拉力造成的振动和噪声问题。目前大多数情况采用的是双绕组结构的磁悬浮开关磁阻电机，其将用于产生径向力的绕组和转矩绕组一起叠绕在同一定子极上，使径向力绕组不占用独立的轴向空间。然而，双绕组结构中主绕组与悬浮绕组的强耦合性，使得电机在数学建模、控制算法方面更为复杂；额外的悬浮绕组加大了电机结构设计的难度；悬浮绕组的增加导致额外的功率放大器与相配套的电气子系统，增加了控制电路设计复杂度。针对双绕组结构磁悬浮开关磁阻电机的上述缺点，美国国家航空航天局、德国德累斯顿工业大学以及韩国庆星大学相继开展了单绕组磁悬浮开关磁阻电机。

单绕组磁悬浮开关磁阻电机的悬浮与旋转控制中，由于电机本身的非线性、参数变化以及负载的弹性等非线性因素影响,传统PID无法保证电机系统具有良好的运行性能,研究人员将模糊控制与PID相结合设计了诸如模糊PI控制器、模糊PD控制器、模糊PID控制器等多种结构的控制器。模糊控制器的设计关键在于模糊规则、隶属度函数、量化因子等因素,其中模糊规则主要来源于专家经验,隶属度函数则通常采用一些具有广泛适应性的函数,只有量化因子是通过一些实验数据和系统性能分析进行调整,因此,量化因子的设计对于模糊控制器至关重要。现阶段已经提出的关于模糊控制中量化因子自整定方法中，部分是将某一单一的控制性能作为优化目标，而选择不同的性能指标，会使控制器的参数、结构等也不同，在最优控制器设计时，经常需要考虑控制性能的多目标优化，而其中多控制性能指标之间矛盾一直存在，如超调量与调节时间之间的矛盾，超调量的减小势必造成调节时间增大，反之亦然，针对多控制性能指标之间的矛盾，已经提出了一种将多控制性能代数和作为优化目标的方法，但该方法理论依据不足，难以证明寻优得到的结果能使多控制性能整体最优，针对以上缺陷，本专利提出了以带精英策略的非支配排序遗传算法（Non-dominated Sorting GeneticAlgorrithms-2,NSGA-2）作为控制性能多目标优化方法，应用于模糊控制量化因子的寻优。

发明内容

为了解决模糊PID控制中量化因子寻优目标多为单一目标的问题，本发明的目的是将多目标优化问题引入模糊控制参数优化领域，提供一种模糊PID控制器量化因子自整定的方法，使其具有多目标优化下的最优量化因子组合，实现实际工程需求的综合控制性能指标最优。

本发明针对单绕组磁悬浮开关磁阻电机的控制系统具体为：模糊控制器串接于PID控制器之前，复合成模糊PID控制器，模糊PID控制器之后串接单绕组磁悬浮开关磁阻电机的解耦器，解耦器之后连接单绕组磁悬浮开关磁阻电机；模糊控制器的输入是控制系统偏差e，在模糊控制器内部将偏差信号e经过微分环节得到偏差变化率信号ec，偏差信号e与量化因子Ke相乘得到模糊论域下的E，偏差变化率信号ec与量化因子Kec相乘得到模糊论域下的EC，E与EC输入模糊控制规则，模糊控制规则输出模糊论域下的比例参数K₁、微分参数K₂、积分参数K₃，比例参数K₁、微分参数K₂、积分参数K₃分别与量化因子Kp、Kd、Ki相乘得到基本论域下的比例参数k₁、微分参数k₂、积分参数k₃，比例参数k₁、微分参数k₂、积分参数k₃输入给PID控制器，以实现根据偏差信号e达到调整PID参数三个参数k₁、k₂、k₃的作用，PID控制器输出控制量U给解耦器，解耦器再对单绕组磁悬浮开关磁阻电机进行控制，单绕组磁悬浮开关磁阻电机的被控参数x反馈后与参考量xref作差得到偏差信号e，至此，形成完整的系统信号流通渠道。其中，涉及到的计算公式有：

$\left\{\begin{array}{c}e=x_{\mathrm{ref}}-x\\ \mathrm{ec}=\mathrm{de}/\mathrm{dt}\\ E=e\·\mathrm{Ke}\\ \mathrm{EC}=\mathrm{ec}\·\mathrm{Kec}\\ k_1=K_1\·\mathrm{Kp}\\ k_2=K_2\·\mathrm{Kd}\\ k_3=K_3\·\mathrm{Ki}\\ U=k_1\·e+k_2\·\∫\mathrm{edt}+k_3\frac{\mathrm{de}}{\mathrm{dt}}\end{array}\right.---\left(1\right)$

本发明具体包括如下步骤：

1.根据整个控制系统中偏差信号、偏差变化率信号、比例参数、微分参数、积分参数的基本论域与模糊论域，分别计算得到量化因子Ke、Kec、Kp、Kd、Ki的具体数值，分别以该数值作为各量化因子寻优区间的中心点，适当选择区间半径，形成五个量化因子寻优区间；

2.在五个量化因子寻优区间内均匀选择数值，得到不同的量化因子数值组合，针对该量化因子数值组合进行控制系统试验，得到该量化因子数值组合下控制系统的控制性能数值，将量化因子数值组合与该组合下的控制性能数值复合成一个样本数据，重复该操作，得出样本数据集合；

3.将上一步得到的样本数据集合作为极限学习机的控制系统模型训练数据，该控制系统模型输入为量化因子数值组合，输出为对应的控制性能数值；

4.离线训练得到控制系统模型后，以带精英策略的非支配排序遗传算法对该控制系统模型进行寻优，得到使该控制系统控制性能多目标最优化的量化因子数值组合。

本发明的优点在于：

1、采用极限学习机对控制系统进行离线建模，为带精英策略的非支配排序遗传算法寻优提供基础。经常使用的学习算法有神经网络、支持向量机等，传统神经网络（如BP神经网络、RBF神经网络）需要大量数据，支持向量机在无智能算法对其参数进行优化时所建立的模型精度一般，针对以上缺陷，本专利选用极限学习机作为控制系统的建模方法；极限学习机作为一种单隐层前馈神经网络，学习过程无需迭代，具有“极端”快速的特点，学习过程所需的数据显著少于传统神经网络，同时，相比于同样适用于小样本数据的支持向量机，建立的模型精度得到的很大的提升。

2、引入带精英策略的非支配排序遗传算法到模糊PID控制器参数自整定中，消除了以往单一优化目标的局限，为模糊PID参数自整定提供了多目标优化的有效方法。

3、离线学习建立模型，智能算法寻取最优参数组合，这为单绕组磁悬浮开关磁阻电机悬浮与旋转控制提供了新思路。

附图说明

图1是模糊控制器1的内部结构图；

图2是模糊PID控制器3的内部结构图；

图3是简化的单绕组磁悬浮开关磁阻电机控制系统示意图；

图4是单绕组磁悬浮开关磁阻电机控制系统示意图；

图中：1、模糊控制器，2、PID控制器，3、模糊PID控制器，4、解耦器，5、单绕组磁悬浮开关磁阻电机。

具体实施方式

本发明针对单绕组磁悬浮开关磁阻电机的控制系统如图1所示，具体为：模糊控制器1串接于PID控制器2之前，复合成模糊PID控制器3，模糊PID控制器3之后串接单绕组磁悬浮开关磁阻电机的解耦器4，解耦器4之后连接单绕组磁悬浮开关磁阻电机5。如图2所示，模糊控制器1的输入是控制系统偏差信号e，在模糊控制器1内部将偏差信号e经过微分环节得到偏差变化率信号ec，偏差信号e与量化因子Ke相乘得到模糊论域下的E，偏差变化率信号ec与量化因子Kec相乘得到模糊论域下的EC，E与EC输入模糊控制规则，模糊控制规则输出模糊论域下的比例参数K₁、微分参数K₂、积分参数K₃，比例参数K₁、微分参数K₂、积分参数K₃分别与量化因子Kp、Kd、Ki相乘得到基本论域下的比例参数k₁、微分参数k₂、积分参数k₃。如图3所示，比例参数k₁、微分参数k₂、积分参数k₃输入给PID控制器2，以实现根据偏差信号e达到调整PID参数三个参数k₁、k₂、k₃的作用，PID控制器2输出控制量U给解耦器4。如图4所示，解耦器4对单绕组磁悬浮开关磁阻电机5进行控制，单绕组磁悬浮开关磁阻电机5的被控参数x反馈后与参考量xref作差得到偏差信号e，偏差信号e即为模糊PID控制器3的输入。至此，形成完整的系统信号流通渠道。其中，涉及到的计算公式有：

$\left\{\begin{array}{c}e=x_{\mathrm{ref}}-x\\ \mathrm{ec}=\mathrm{de}/\mathrm{dt}\\ E=e\·\mathrm{Ke}\\ \mathrm{EC}=\mathrm{ec}\·\mathrm{Kec}\\ k_1=K_1\·\mathrm{Kp}\\ k_2=K_2\·\mathrm{Kd}\\ k_3=K_3\·\mathrm{Ki}\\ U=k_1\·e+k_2\·\∫\mathrm{edt}+k_3\frac{\mathrm{de}}{\mathrm{dt}}\end{array}\right.---\left(1\right)$

本发明方法具体包括如下步骤：

1.根据整个控制系统中偏差信号、偏差变化率信号、比例参数、微分参数、积分参数的基本论域与模糊论域，分别计算得到量化因子Ke、Kec、Kp、Kd、Ki的具体数值，分别以该数值作为各量化因子寻优区间的中心点，适当选择区间半径，形成五个量化因子寻优区间；

2.在五个量化因子寻优区间内均匀选择数值，得到不同的量化因子数值组合，针对该量化因子数值组合进行控制系统试验，得到该量化因子数值组合下系统的控制性能数值，将量化因子数值组合与该组合下的控制性能数值复合成一个样本数据，不断地改变量化因子数值组合，试验得到该量化因子数值组合下对应的控制性能数值，得出样本数据集合；

3.将上一步得到的样本数据集合作为极限学习机的控制系统模型训练数据，以量化因子数值组合作为控制系统模型的输入，对应的控制性能数值作为控制系统模型的输出，离线训练控制系统模型；

4.离线训练得到控制系统模型后，以带精英策略的非支配排序遗传算法对该模型进行寻优，得到使控制性能多目标最优化的量化因子数值组合。

Claims (1)

1.一种模糊PID控制器的参数自整定方法，其特征在于包括如下步骤：

1)根据控制系统中偏差信号、偏差变化率信号、比例参数、微分参数和积分参数的基本论域与模糊论域，分别计算得到量化因子Ke、Kec、Kp、Kd、Ki的具体数值，分别以该数值作为各量化因子寻优区间的中心点，适当选择区间半径，形成五个量化因子寻优区间；

2)在五个量化因子寻优区间内均匀选择数值，得到不同的量化因子数值组合，针对该量化因子数值组合进行控制系统试验，得到该量化因子数值组合下系统的控制性能数值，将量化因子数值组合与该组合下的控制性能数值复合成一个样本数据，不断地改变量化因子数值组合，试验得到该量化因子数值组合下对应的控制性能数值，得出样本数据集合；

3)将上一步得到的样本数据集合作为极限学习机的控制系统模型训练数据，以量化因子数值组合作为控制系统模型的输入，对应的控制性能数值作为控制系统模型的输出，离线训练控制系统模型；

4)离线训练得到控制系统模型后，以带精英策略的非支配排序遗传算法对该控制系统模型进行寻优，得到使控制性能多目标最优化的量化因子数值组合。

Images