CN106054610A - 一种优化的pi控制器参数工程整定方法 - Google Patents
一种优化的pi控制器参数工程整定方法 Download PDFInfo
- Publication number
- CN106054610A CN106054610A CN201610462901.1A CN201610462901A CN106054610A CN 106054610 A CN106054610 A CN 106054610A CN 201610462901 A CN201610462901 A CN 201610462901A CN 106054610 A CN106054610 A CN 106054610A
- Authority
- CN
- China
- Prior art keywords
- controller
- parameter
- value
- thermal process
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出一种优化的PI控制器参数工程整定方法。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对应的优化PI控制器参数,并以优化的PI控制器参数作为样本,采用神经网络技术建立PI控制器参数工程整定模型,进而实现PI控制器参数的工程整定,有效克服了传统PI控制器参数工程整定方法的不足。
Description
技术领域
本发明属于热工自动控制技术领域,具体涉及一种优化的PI控制器参数工程整定方法。
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中广泛采用的控制策略是PID控制,其算法简单,鲁棒性好,但由于微分项对噪声较敏感,因而PI控制器的应用更为广泛。
PI控制器参数对控制性能有很大影响。PI控制器参数工程整定方法,由于使用简单、方便,因而在工程中得到广泛应用。目前,传统PI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,但整定值在快速性、稳定性和鲁棒性等方面的控制性能并不好。
本发明提出一种优化的PI控制器参数工程整定方法。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对应的优化PI控制器参数,并以优化的PI控制器参数作为样本,采用神经网络技术建立PI控制器参数工程整定模型,进而实现PI控制器参数的工程整定,有效克服了传统PI控制器参数工程整定方法的不足。
发明内容
发明目的:为了克服传统PI控制器参数工程整定方法存在的不足,本发明提出一种优化的PI控制器参数工程整定方法,使PI控制器具有更好的控制性能。
技术方案:为了使PI控制器具有满意的快速性,同时保证足够的稳定性和鲁棒性,本发明提供了一种优化的PI控制器参数工程整定方法,包括步骤:
步骤1:PI控制器传递函数KP为比例系数,KI为积分系数,s为复数域内的复变量;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Tc为模型输入变量,以PI控制器参数KP和KI为模型输出变量的神经网络模型,并以该神经网络作为PI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;T0和n在上述范围内以等间隔的方式分别取若干值,并将T0和n的取值两两配对组合,共有N种不同组合,记每种组合中所对应的二个参数T0和n的值分别为T0i和ni,以每种组合中的T0i和ni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)通过仿真得到热工过程传递函数Gi(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τi和Tci,i=1,2,……,N,其中τi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,Tci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τi和Tci作为神经网络模型的输入辨识样本;
(2)与τi和Tci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Gi(s)和PI控制器构成单回路负反馈控制系统,热工过程输出为y(t),输入为PI控制器的输出u(t),PI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,采用遗传算法通过仿真计算优化PI控制器的参数,得到对应于热工过程传递函数Gi(s)的优化的PI控制器的参数KPi和KIi,并以KPi和KIi作为与τi和Tci对应的神经网络模型的输出辨识样本,i=1,2,……,N,遗传算法以使如下的性能指标J最小为优化目标:
其中α为常数,取0.8~2之间的值,t2=3(τi+Tci),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:稳态增益K、滞后时间τ和惯性时间Tc,并以τ和Tc作为步骤1中神经网络模型的输入,计算得到神经网络的输出KP'和KI',则相应PI控制器参数的整定值分别为
所述步骤1中,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,将T0和n的取值两两配对组合,共有88种不同组合,即N=88。
该方法适用于一类有自平衡能力的热工过程。
有益效果:采用本发明提出的方法整定的PI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PI控制器。
附图说明
图1为PI控制器单回路负反馈控制系统。
图2为PI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PI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PI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(PI)控制器构成单回路负反馈控制系统,热工过程输入为PI控制器的输出u(t),输出为y(t),PI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为复数域内的复变量,PI控制器传递函数为KP为比例系数,KI为积分系数;
步骤2:一般工业过程的滞后时间和惯性时间范围为τ∈(0,450)秒,Tc∈(10,750)秒,对应这个范围的传递函数模型T0,n的取值范围即为T0∈[10,110]、n∈[1,8],所以设置热工过程传递函数模型三个参数K,T0,n的取值范围,分别为:K=1、T0∈[10,110]、n∈[1,8]的整数,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,将T0和n的取值两两配对组合,共有88种不同组合,记每种组合中所对应的二个参数T0和n的值分别为T0i和ni,以每种组合中的T0i和ni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=88;
步骤3:通过仿真得到热工过程传递函数Gi(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τi和Tci,i=1,2,……,N,N=88,其中τi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,Tci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Gi(s)作为步骤1中热工过程的传递函数,设定值r作单位阶跃扰动,采用遗传算法优化PI控制器的参数,得到对应于热工过程传递函数Gi(s)的优化的PI控制器参数KPi和KIi,i=1,2,……,N,N=88,遗传算法以使如下的性能指标J最小为优化目标:
其中α为常数,取0.8~2之间的值,t2=3(τi+Tci),i=1,2,……,N,N=88;
步骤5:以步骤3获得的传递函数Gi(s)阶跃响应曲线上的特征参数τi和Tci作为神经网络的输入样本,以步骤4获得的对应于Gi(s)的优化的PI控制器参数KPi和KIi作为神经网络的相应输出样本,i=1,2,……,N,N=88,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Tc为模型输入变量,以PI控制器参数KP和KI为模型输出变量的神经网络模型,并以该神经网络作为PI控制器参数工程整定模型;
步骤6: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=97和Tc=78,以τ和Tc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:KP'=0.7626和KI'=0.0052,则相应PI控制器参数的整定值为:和对该热工过程采用传统的Z-N法进行PI控制器整定,整定结果为:KP”=0.749和KI”=0.0035。
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PI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PI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PI控制器具有良好的控制性能。
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 (3)
1.一种优化的PI控制器参数工程整定方法,其特征在于:包括步骤:
步骤1:PI控制器传递函数KP为比例系数,KI为积分系数,s为复数域内的复变量;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Tc为模型输入变量,以PI控制器参数KP和KI为模型输出变量的神经网络模型,并以该神经网络作为PI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;T0和n在上述范围内以等间隔的方式分别取若干值,并将T0和n的取值两两配对组合,共有N种不同组合,记每种组合中所对应的二个参数T0和n的值分别为T0i和ni,以每种组合中的T0i和ni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)通过仿真得到热工过程传递函数Gi(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τi和Tci,i=1,2,……,N,其中τi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,Tci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τi和Tci作为神经网络模型的输入辨识样本;
(2)与τi和Tci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Gi(s)和PI控制器构成单回路负反馈控制系统,热工过程输出为y(t),输入为PI控制器的输出u(t),PI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,采用遗传算法通过仿真计算优化PI控制器的参数,得到对应于热工过程传递函数Gi(s)的优化的PI控制器的参数KPi和KIi,并以KPi和KIi作为与τi和Tci对应的神经网络模型的输出辨识样本,i=1,2,……,N,遗传算法以使如下的性能指标J最小为优化目标:
其中α为常数,取0.8~2之间的值,t2=3(τi+Tci),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:稳态增益K、滞后时间τ和惯性时间Tc,并以τ和Tc作为步骤1中神经网络模型的输入,计算得到神经网络的输出KP'和KI',则相应PI控制器参数的整定值分别为
2.根据权利要求1所述的PI控制器参数工程整定方法,其特征在于:所述步骤1中,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,将T0和n的取值两两配对组合,共有88种不同组合,即N=88。
3.根据权利要求1所述的PI控制器参数工程整定方法,其特征在于:该方法适用于一类有自平衡能力的热工过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610462901.1A CN106054610B (zh) | 2016-06-23 | 2016-06-23 | 一种优化的pi控制器参数工程整定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610462901.1A CN106054610B (zh) | 2016-06-23 | 2016-06-23 | 一种优化的pi控制器参数工程整定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106054610A true CN106054610A (zh) | 2016-10-26 |
CN106054610B CN106054610B (zh) | 2019-01-25 |
Family
ID=57169031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610462901.1A Active CN106054610B (zh) | 2016-06-23 | 2016-06-23 | 一种优化的pi控制器参数工程整定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106054610B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108170637A (zh) * | 2017-12-06 | 2018-06-15 | 东南大学 | 一种具有微分特性过程的传递函数模型辨识方法 |
CN108181812A (zh) * | 2017-12-28 | 2018-06-19 | 浙江工业大学 | 一种基于bp神经网络的阀门定位器pi参数整定方法 |
CN108919642A (zh) * | 2018-06-28 | 2018-11-30 | 东南大学 | 一种炉跟机协调控制系统控制器参数优化整定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102141776A (zh) * | 2011-04-26 | 2011-08-03 | 江苏科技大学 | 基于粒子滤波和rbf辨识的神经网络pid控制参数自整定方法 |
CN102298328A (zh) * | 2011-07-13 | 2011-12-28 | 上海电力建设启动调整试验所 | 基于二进制蚁群算法的自适应pid控制器优化设计与整定方法 |
CN104977851A (zh) * | 2015-07-09 | 2015-10-14 | 上海电力学院 | 一种含微分线性系统的pid参数整定方法 |
CN105045233A (zh) * | 2015-07-10 | 2015-11-11 | 国电科学技术研究院 | 火电厂热工系统中基于时间量度的pid控制器的优化设计方法 |
-
2016
- 2016-06-23 CN CN201610462901.1A patent/CN106054610B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102141776A (zh) * | 2011-04-26 | 2011-08-03 | 江苏科技大学 | 基于粒子滤波和rbf辨识的神经网络pid控制参数自整定方法 |
CN102298328A (zh) * | 2011-07-13 | 2011-12-28 | 上海电力建设启动调整试验所 | 基于二进制蚁群算法的自适应pid控制器优化设计与整定方法 |
CN104977851A (zh) * | 2015-07-09 | 2015-10-14 | 上海电力学院 | 一种含微分线性系统的pid参数整定方法 |
CN105045233A (zh) * | 2015-07-10 | 2015-11-11 | 国电科学技术研究院 | 火电厂热工系统中基于时间量度的pid控制器的优化设计方法 |
Non-Patent Citations (4)
Title |
---|
LI JIMIN,ET AL.: "Optimization of PID parameters with an improved simplex PSO", 《JOURNAL OF INEQUALITIES AND APPLICATIONS》 * |
PAN I, DAS S, GUPTA A: "Tuning of an optimal fuzzy PID controller with stochastic algorithms for networked control systems with random time delay", 《ISA TRANSACTIONS》 * |
王志心 等: "基于改进多目标遗传算法的非线性PID控制器参数设计", 《江苏电机工程》 * |
陈宇峰 等: "基于BP神经网络的PID控制参数整定", 《成都电子机械高等专科学校学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108170637A (zh) * | 2017-12-06 | 2018-06-15 | 东南大学 | 一种具有微分特性过程的传递函数模型辨识方法 |
CN108170637B (zh) * | 2017-12-06 | 2021-11-12 | 东南大学 | 一种具有微分特性过程的传递函数模型辨识方法 |
CN108181812A (zh) * | 2017-12-28 | 2018-06-19 | 浙江工业大学 | 一种基于bp神经网络的阀门定位器pi参数整定方法 |
CN108919642A (zh) * | 2018-06-28 | 2018-11-30 | 东南大学 | 一种炉跟机协调控制系统控制器参数优化整定方法 |
CN108919642B (zh) * | 2018-06-28 | 2021-03-26 | 东南大学 | 一种炉跟机协调控制系统控制器参数优化整定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106054610B (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105929683B (zh) | 一种微分可调pid控制器参数工程整定模型及方法 | |
CN106054596B (zh) | 一种基于改进性能指标的pid控制器参数优化整定方法 | |
CN109270842B (zh) | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 | |
CN106054610A (zh) | 一种优化的pi控制器参数工程整定方法 | |
CN104833154B (zh) | 基于模糊pid与神经内模的冷冻水回路控制方法 | |
CN104734588B (zh) | 一种生物质气内燃发电机组转速控制方法 | |
CN108181802A (zh) | 一种性能可控pid控制器参数优化整定方法 | |
CN111812968A (zh) | 基于模糊神经网络pid控制器的阀位串级控制方法 | |
CN107942648A (zh) | 一种超大空间温度场pid控制器参数整定方法 | |
CN106292291B (zh) | 一种电网自动发电控制系统控制器参数优化方法 | |
CN106200379B (zh) | 一种非自衡对象的分布式动态矩阵控制方法 | |
CN108549213A (zh) | 一种基于rbf神经网络pid的速比控制方法 | |
CN101859097A (zh) | 一种基于保持型仿人pid的系统控制方法 | |
CN102323750A (zh) | 嵌入式非线性脉冲协同控制器 | |
CN113405142A (zh) | 一种供热二网平衡方法 | |
CN105132668B (zh) | 一种用于硅钢连续退火炉隔离段炉压控制的方法 | |
CN108363292B (zh) | 一种基于模糊控制策略的火电机组agc控制方法及装置 | |
CN108255219B (zh) | 一种表面处理设备智能控制系统 | |
CN108919642B (zh) | 一种炉跟机协调控制系统控制器参数优化整定方法 | |
CN106371321A (zh) | 一种焦化炉炉膛压力系统模糊网络优化pid控制方法 | |
CN107544242A (zh) | 逆系统方法在连铸水处理系统中控制溶解氧的方法 | |
Liu et al. | Modified internal model control for non-square systems based on Smith delay compensator control | |
CN101706229B (zh) | 换热器旁通精确数学控制装置 | |
CN104656699A (zh) | 一种多通道解耦的温度控制方法 | |
CN109004658A (zh) | 一种互联电力系统负荷频率控制方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 210009 No. 87 Dingjiaqiao, Gulou District, Nanjing City, Jiangsu Province Applicant after: Southeast University Address before: 210096 No. four archway, 2, Jiangsu, Nanjing Applicant before: Southeast University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |