CN105929683A

CN105929683A - 一种微分可调pid控制器参数工程整定方法

Info

Publication number: CN105929683A
Application number: CN201610459552.8A
Authority: CN
Inventors: 雎刚; 钱晓颖
Original assignee: Southeast University
Current assignee: Southeast University
Priority date: 2016-06-23
Filing date: 2016-06-23
Publication date: 2016-09-07
Anticipated expiration: 2036-06-23
Also published as: CN105929683B

Abstract

本发明提出一种微分可调PID控制器参数工程整定模型及方法。该方法采用遗传算法优化技术，通过仿真获得不同热工过程及PID控制器微分份额下对应的优化的PID控制器参数，并以优化的PID控制器参数作为样本，采用BP神经网络技术建立PID控制器参数工程整定模型，根据实际热工过程阶跃响应曲线的特征参数及选择的PID控制器微分份额大小，采用建立的神经网络模型计算PID控制器参数的整定值。采用本发明方法整定的PID控制器，其控制性能在快速性、稳定性和鲁棒性等方面都优于采用传统工程整定方法整定的PID控制器，并且能方便地调整PID控制器微分作用的大小，有效克服了传统PID控制器参数工程整定方法的不足。

Description

一种微分可调PID控制器参数工程整定方法

技术领域

本发明属于热工自动控制技术领域，具体涉及一种微分可调PID控制器参数工程整定模型及方法。

背景技术

热工过程自动控制是保证热力设备安全和经济运行的必要措施和手段，当前热工过程自动控制广泛采用的控制策略是PID控制，采用微分作用可有效改善过程控制性能。但由于微分作用对噪声较敏感，工程应用中一般不宜过大。

目前，传统PID控制器参数工程整定方法多采用Zielger与Nichols提出的Z-N法，该方法可以得到初始的整定参数，但其在快速性、稳定性和鲁棒性等方面的控制性能并不好，另外，传统的PID参数工程整定法无法调整控制器微分项的大小，不利于工程应用。

发明内容

发明目的：为了克服传统PID控制器参数工程整定方法整定效果较差，且控制器微分作用大小不可调整问题，本发明提出一种微分可调PID控制器参数工程整定模型及方法，使PID控制器具有更好的控制性能，且可以方便地调整PID控制器微分作用的大小。

技术方案：提供了一种微分可调PID控制器参数工程整定模型及方法，包括步骤：

步骤1：PID控制器的传递函数为s为复变量，K_P为比例系数，K_I为积分系数，K_D为微分系数，并且满足：其中α为PID控制器微分份额；采用BP神经网络技术，建立以过程阶跃响应曲线的特征参数滞后时间τ和惯性时间T_c以及PID控制器微分份额α为模型输入变量，以PID控制器参数K_P、K_I和K_D为模型输出变量的神经网络模型，并以该神经网络作为PID控制器参数工程整定模型；

其中用于建立神经网络模型的辨识样本通过如下方法获取：

(1)神经网络模型输入辨识样本通过如下计算：

(11)设置热工过程传递函数的两个参数T₀和n的取值范围，分别为：T₀∈[10,110]、n∈[1,8]的整数，T₀为时间常数，n为过程的阶次，控制器微分份额范围为α∈[0.15,0.25]；T₀、n和α在上述范围内以等间隔的方式分别取若干值，并将T₀、n和α的取值配对组合，共有N种不同组合，记每种组合中所对应的3个参数T₀、n和α的值分别为T_0i、n_i和α_i，以每种组合中的T_0i和n_i作为热工过程传递函数的对应参数，得到N个传递函数i＝1，2，……，N；

(12)通过仿真获得传递函数G_i(s)的阶跃响应曲线，并计算获得该传递函数的阶跃响应曲线的特征参数τ_i和T_ci，i＝1，2，……，N；其中τ_i为滞后时间，其值为阶跃响应曲线上拐点处的切线与横坐标轴的交点值，T_ci为惯性时间，其值为以阶跃响应曲线上的最大速度，从起始值变化到最终平衡值所需要的时间；以τ_i、T_ci及与传递函数G_i(s)参数T_0i和n_i对应的组合参数α_i作为神经网络模型的输入辨识样本；

(2)与τ_i、T_ci和α_i对应的神经网络模型输出辨识样本通过如下计算：

由热工过程G_i(s)和PID控制器构成单回路负反馈控制系统，热工过程输入为PID控制器的输出u(t)，输出为y(t)，PID控制器的输入为热工过程输出设定值r与y(t)之差，t为时间；设定值r作单位阶跃扰动，采用遗传算法优化PID控制器的两个独立参数K_P和K_I，得到对应于G_i(s)及PID控制器微分份额α_i下的优化的PID控制器比例系数K_Pi和积分系数K_Ii，并由下式计算对应的优化的微分系数K_Di值：

K_{D i} = \frac{α_{i} \cdot {K_{P i}}^{2}}{K_{I i}}, i = 1, 2, ... ..., N;

并以K_Pi、K_Ii和K_Di作为与τ_i、T_ci和α_i对应的神经网络模型的输出辨识样本；上述遗传算法以使如下的性能指标J最小为优化目标：

J = β {&Integral;}_{0}^{t_{1}} {[r - y (t)]}^{2} d t + {&Integral;}_{t_{1}}^{t_{2}} | r - y (t) | d t

其中β为常数，取0.8～2之间的值，t₂＝3(τ_i+T_ci)，i＝1，2，……，N；

步骤2：对于实际被控热工过程，通过试验得到过程的阶跃响应曲线，计算阶跃响应曲线的特征参数K、τ和T_c，K为稳态增益；根据具体应用确定PID控制器微分份额α，将α，τ和T_c作为步骤1中神经网络模型的输入，得到神经网络的输出为K_P'、K_I'和K_D'，则相应PID控制器参数的整定值分别为

在步骤1中三个参数T₀，n和α在各自的取值范围内，T₀分别取10、20、30、40、50、60、70、80、90、100、110值，n分别取1、2、3、4、5、6、7、8值，α分别取0.15、0.17、0.19、0.21、0.23、0.25值，将T₀、n和α的取值配对组合，共有528种不同组合，即N＝528。

有益效果：采用本发明提出的方法可以建立一种微分可调PID控制器参数工程整定模型，采用本发明方法整定的PID控制器，其控制性能在快速性、稳定性和鲁棒性等方面都优于采用传统PID工程整定方法整定的控制器，并且由于增加了PID控制器微分份额作为整定模型的输入变量，可以方便地根据实际需要调整PID控制器微分作用的大小。

附图说明

图1为PID控制器单回路负反馈控制系统。

图2为PID控制器参数工程整定神经网络模型。

图3为热工过程阶跃响应曲线及其特征参数。

图4为本专利方法和传统Z-N法整定的PID控制系统被控量仿真曲线。

图5为本专利方法和传统Z-N法整定的PID控制系统控制量仿真曲线。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

步骤1：由热工过程和比例积分微分(PID)控制器构成单回路负反馈控制系统，热工过程输入为PID控制器的输出u(t)，输出为y(t)，PID控制器的输入为热工过程输出设定值r与y(t)之差，t为时间，热工过程的传递函数为K为过程的稳态增益，T₀为时间常数，n为过程的阶次，s为复变量，PID控制器的传递函数为K_P为比例系数，K_I为积分系数，K_D为微分系数，并且满足：其中α为PID控制器微分份额；

步骤2：设置热工过程传递函数模型的三个参数K、T₀和n的取值范围，分别为：K＝1、T₀∈[10,110]、n∈[1,8]的整数，控制器微分份额范围为α∈[0.15,0.25]，在上述范围内，T₀分别取10、20、30、40、50、60、70、80、90、100、110值，n分别取1、2、3、4、5、6、7、8值，α分别取0.15、0.17、0.19、0.21、0.23、0.25值，将T₀、n和α的取值配对组合，共有528种不同组合，记每种组合中所对应的3个参数T₀、n和α的值分别为T_0i、n_i和α_i，以每种组合中的T_0i和n_i作为热工过程传递函数的对应参数，得到N个传递函数i＝1，2，……，N，N＝528；由此得到的神经网络模型的使用范围为：K为任意实数，τ∈(0,450)秒、T_c∈(10,750)秒。

步骤3：通过仿真获得传递函数G_i(s)的阶跃响应曲线，并计算获得该传递函数的阶跃响应曲线的特征参数τ_i和T_ci，i＝1，2，……，N，N＝528，其中τ_i为滞后时间，其值为阶跃响应曲线上拐点处的切线与横坐标轴的交点值，T_ci为惯性时间，其值为以阶跃响应曲线上的最大速度(即曲线上拐点处的速度)，从起始值变化到最终平衡值所需要的时间；

步骤4：以G_i(s)作为步骤1中热工过程的传递函数，以步骤2中与传递函数G_i(s)参数T_0i和n_i对应的组合参数α_i作为PID控制器微分份额，设定值r作单位阶跃扰动，采用遗传算法优化PID控制器的两个独立参数K_P和K_I，得到对应于G_i(s)及PID控制器微分份额α_i下的优化的PID控制器比例系数K_Pi和积分系数K_Ii，并由下式计算对应的优化的微分系数K_Di值：

K_{D i} = \frac{α_{i} \cdot {K_{P i}}^{2}}{K_{I i}}, i = 1, 2, ... ..., N, N = 528

上述遗传算法以使如下的性能指标J最小为优化目标：

J = β {&Integral;}_{0}^{t_{1}} {[r - y (t)]}^{2} d t + {&Integral;}_{t_{1}}^{t_{2}} | r - y (t) | d t

其中β为常数，取0.8～2之间的值，t₂＝3(τ_i+T_ci)，i＝1，2，……，N，N＝528；

步骤5：以步骤3获得的传递函数G_i(s)阶跃响应曲线特征参数τ_i、T_ci，和步骤2中与传递函数G_i(s)参数T_0i和n_i对应的组合参数α_i，作为神经网络的输入样本，以步骤4获得的对应于G_i(s)和控制器微分份额α_i的优化的PID控制器参数K_Pi、K_Ii和K_Di，作为神经网络相应的输出样本，i＝1，2，……，N，N＝528，采用BP神经网络技术，建立以过程阶跃响应曲线的特征参数滞后时间τ和惯性时间T_c以及PID控制器微分份额α为模型输入变量，以PID控制器参数K_P、K_I和K_D为模型输出变量的神经网络模型，并以该神经网络作为PID控制器参数工程整定模型；

步骤6：对于实际被控热工过程，通过试验得到过程的阶跃响应曲线，计算阶跃响应曲线的特征参数K、τ和T_c，K为稳态增益，根据具体应用确定PID控制器微分份额α，将α，τ和T_c作为步骤5中神经网络模型的输入，得到神经网络的输出为K_P'、K_I'和K_D'，则相应PID控制器参数的整定值分别为

假设实际被控热工过程为通过试验得到该过程的阶跃响应曲线，计算得到阶跃响应曲线的特征参数为K＝2、τ＝75和T_c＝179，选择PID控制器微分份额α＝0.15，将α，τ和T_c作为步骤6中神经网络模型的输入，得到神经网络的输出为K_P'＝1.336和K_I'＝0.0074，计算得到则相应PID控制器参数的整定值分别为选择PID控制器微分份额α＝0.2，将α，τ和T_c作为步骤6中神经网络模型的输入，得到神经网络的输出为K_P'＝1.6034和K_I'＝0.009，计算得到则相应PID控制器参数的整定值为对于热工过程采用传统的Z-N方法整定的PID控制器参数为K_P”＝0.486，K_I”＝0.0025，K_D”＝23.5。

上述实施例的仿真结果如图4和图5所示，图4是本专利方法和传统Z-N法整定的PID控制系统被控量仿真曲线，图5是本专利方法和传统Z-N法整定的PID控制系统控制量仿真曲线。图4和图5表明，当设定值发生扰动时，根据本发明方法整定的PID控制器具有良好的控制性能，并且，选择不同的PID控制器微分份额值，可方便地改变PID控制器微分作用的大小。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims

1.一种微分可调PID控制器参数工程整定方法，其特征在于：包括步骤：

其中用于建立神经网络模型的辨识样本通过如下方法获取：

(1)神经网络模型输入辨识样本通过如下计算：

K_{D i} = \frac{α_{i} \cdot {K_{P i}}^{2}}{K_{I i}}, i = 1, 2, ... ..., N;

J = β {&Integral;}_{0}^{t_{1}} {[r - y (t)]}^{2} d t + {&Integral;}_{t_{1}}^{t_{2}} | r - y (t) | d t

2.根据权利要求1所述的微分可调PID控制器参数工程整定方法，其特征在于：在步骤1中三个参数T₀，n和α在各自的取值范围内，T₀分别取10、20、30、40、50、60、70、80、90、100、110值，n分别取1、2、3、4、5、6、7、8值，α分别取0.15、0.17、0.19、0.21、0.23、0.25值，将T₀、n和α的取值配对组合，共有528种不同组合，即N＝528。