CN108828934A - 一种基于模型辨识的模糊pid控制方法及装置 - Google Patents

Abstract

本申请公开一种基于模型辨识的模糊PID控制方法及装置，包括获取输入参数；根据输入参数进行变论域控制，得到自调节控制参数Δk_p、Δk_i、Δk_d；获取辨识后的控制模型参数；对识别出的控制模型参数进行参数整定，输出控制参数；优化控制参数，输出基本控制参数k_p0、k_i0、k_d0；将自调节控制参数Δk_p、Δk_i、Δk_d与基本控制参数k_p0、k_i0、k_d0叠加运算，得到实时PID参数k_p、k_i、k_d。本申请提供的方法及装置在现有模糊PID控制基础上引入模型辨识模块，保证了模型辨识算法有效完成辨识，使控制系统的稳定性、快速性、准确性方面有明显改善，动态品质得到提升。

Description

一种基于模型辨识的模糊PID控制方法及装置

技术领域

本申请涉及自动控制技术领域，尤其涉及一种基于模型辨识的模糊PID控制方法及装置，适用于控制模型参数大范围变化的控制对象。

背景技术

过程控制领域中经常存在一些非线性、大惯性、时常变化的控制对象，针对这类控制对象，如果采用常规的PID控制算法，获得的控制效果一般并不理想。根据控制对象的特点，近年来比较常用的是模糊PID控制算法，其是以误差e和误差变化率ec作为输入，利用模糊规则进行模糊推理，查询模糊矩阵表进行参数调整，来满足不同时刻的e和ec对PID参数自整定的要求。

现有的模糊PID控制算法的设计思路主要是从模糊控制模块的输出改进，通过改进使Δk_p、Δk_i、Δk_d三个输出量得到有效的输出，以提升控制系统的鲁棒性。但是，由于PID的基本控制参数k_p0、k_i0、k_d0是在初始控制模型整定得到的，当控制模型的参数变化较大时，会使起初的k_p0、k_i0、k_d0与变化后的控制模型对应的基本控制参数k_p0、k_i0、k_d0相差很大，导致超出模糊控制模块输出量Δk_p、Δk_i、Δk_d的调控范围，最终不能得到理想的控制效果。现有的模糊PID控制研究多从自调节参数Δk_p、Δk_i、Δk_d进行改进，而没有从基本控制参数k_p0、k_i0、k_d0方面进行考虑，对于模型参数变化较大的控制模型，模糊PID控制中的基本控制参数k_p0、k_i0、k_d0的及时更新同样是一个关键的问题，可对改善控制系统的动态特性起到关键作用。

发明内容

本申请提供一种基于模型辨识的模糊PID控制方法及装置，已解决现有技术对于控制模型参数存在大范围变化或具有非线性等特征的控制模型无法有效控制的问题，并且本申请提供的方法及装置使控制系统在稳定性、快速性、准确性方面均有明显改善，使控制系统的动态品质得到提升。

本申请提供了一种基于模型辨识的模糊PID控制方法，包括获取输入参数；

根据输入参数进行变论域控制，得到自调节控制参数Δk_p、Δk_i、Δk_d；

获取辨识后的控制模型参数；

对识别出的控制模型参数进行参数整定，输出控制参数；

优化控制参数，输出基本控制参数k_p0、k_i0、k_d0；

将自调节控制参数Δk_p、Δk_i、Δk_d与基本控制参数k_p0、k_i0、k_d0叠加运算，得到实时PID参数k_p、k_i、k_d。

可选的，所述根据输入参数进行变论域控制，得到自调节控制参数Δk_p、Δk_i、Δk_d包括：

根据伸缩因子函数配置相应的伸缩因子；所述伸缩因子函数包括输入伸缩因子函数α₁(e)、α₂(ec)，所述伸缩因子包括输出伸缩因子β1(e)、β2(e)、β2(e)；输入伸缩因子函数和输出伸缩因子通过以下公式得出：

β₁(e)＝1.2|e|

β₃(e)＝1.2|e|

其中，e为参数偏差，ec为偏差变化率，k、λ为常数；

利用伸缩因子使输入、输出论域的范围与模糊规则匹配；

输出自调节控制参数Δk_p、Δk_i、Δk_d。

可选的，所述获取辨识后的控制模型参数包括：

对每经过m个采样周期进行一次辨识计算；

从m个采样中选取m-k个数据作为采样数据，获取采样数据的实际输入、输出数据。

可选的，所述获取辨识后的控制模型参数之后，对识别出的控制模型参数进行参数整定，输出控制参数之前，所述方法还包括：

将最大时间常数折半作为优化参数论域的参考值，通过粒子群算法优化得到形式的控制模型。

可选的，所述对识别出的控制模型参数进行参数整定，输出控制参数的步骤采用下列经验公式：

δ＝αK(β+n₁)

T_i＝γ(nT+τ)

取α＝0.081，γ＝0.6

其中，式中δ为比例带系数，T_i为积分时间，T_d为微分时间，α为常系数，一般取0.1—1，τ为模型迟延时间，T为惯性环节时间常数，n为模型的阶次。

本申请还提供了一种基于模型辨识的模糊PID控制装置，包括参数获取模块，用于获取输入参数；

模糊控制模块，用于根据输入参数进行变论域控制，得到自调节控制参数Δk_p、Δk_i、Δk_d；

系统辨识模块，用于获取辨识后的控制模型参数；

PID经验公式参数整定模块，用于对识别出的控制模型参数进行参数整定，输出控制参数；

控制参数优化模块，用于优化控制参数，输出基本控制参数k_p0、k_i0、k_d0；

PID模块，用于将自调节控制参数Δk_p、Δk_i、Δk_d与基本控制参数k_p0、k_i0、k_d0叠加运算，得到实时PID参数k_p、k_i、k_d。

可选的，所述模糊控制模块连接有伸缩因子库，所述伸缩因子库根据伸缩因子函数配置相应的伸缩因子；所述伸缩因子函数包括输入伸缩因子函数α₁(e)、α₂(ec)，所述伸缩因子包括输出伸缩因子β1(e)、β2(e)、β2(e)；输入伸缩因子函数和输出伸缩因子通过以下公式得出：

β₁(e)＝1.2|e|

β₃(e)＝1.2|e|

其中，e为参数偏差，ec为偏差变化率，k、λ为常数；

所述模糊控制模块还用于：

利用伸缩因子使输入、输出论域的范围与模糊规则匹配；

输出自调节控制参数Δk_p、Δk_i、Δk_d。

可选的，所述系统辨识模块包括：

辨识计算模块，用于对每经过m个采样周期进行一次辨识计算；

数据获取模块，用于从m个采样中选取m-k个数据作为采样数据，获取采样数据的实际输入、输出数据。

可选的，所述装置还包括模型转换模块，所述模型转换模块用于将最大时间常数折半作为优化参数论域的参考值，通过粒子群算法优化得到形式的控制模型。

可选的，所述PID经验公式参数整定模块配置公式计算器，所述公式计算器配置下列经验公式：

δ＝αK(β+n₁)

T_i＝γ(nT+τ)

取α＝0.081，γ＝0.6

其中，式中δ为比例带系数，T_i为积分时间，T_d为微分时间，α为常系数，一般取0.1—1，τ为模型迟延时间，T为惯性环节时间常数，n为模型的阶次。

本申请实施例提供了一种基于模型辨识的模糊PID控制方法及装置，包括获取输入参数；根据输入参数进行变论域控制，得到自调节控制参数Δk_p、Δk_i、Δk_d；获取辨识后的控制模型参数；对识别出的控制模型参数进行参数整定，输出控制参数；优化控制参数，输出基本控制参数k_p0、k_i0、k_d0；将自调节控制参数Δk_p、Δk_i、Δk_d与基本控制参数k_p0、k_i0、k_d0叠加运算，得到实时PID参数k_p、k_i、k_d。本申请提供的方法及装置在现有模糊PID控制基础上引入模型辨识模块，保证了模型辨识算法有效完成辨识，使控制系统的稳定性、快速性、准确性方面有明显改善，动态品质得到提升。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请提供的一种基于模型辨识的模糊PID控制方法的流程图；

图2为本申请提供的一种基于模型辨识的模糊PID控制方法中步骤S20的分步骤示意图；

图3为本申请提供的一种基于模型辨识的模糊PID控制方法中步骤S30的分步骤示意图；

图4为加氢反应器温度控制定值扰动仿真实验控制曲线对比图；

图5为加氢反应器温度控制脉冲扰动仿真实验控制曲线对比图；

图6为本申请提供的一种基于模型辨识的模糊PID控制装置的结构示意图。

具体实施方式

参见图1，为本申请提供的一种基于模型辨识的模糊PID控制方法的流程图；

由图1可知，本申请实施例提供了一种基于模型辨识的模糊PID控制方法，具体包括：

S10：获取输入参数；本实施例中，获取的输入参数主要包括偏差e和偏差变化率ec，其中，偏差e可由实际测得，偏差变化率ec通过de/dc求得；

S20：根据输入参数进行变论域控制，得到自调节控制参数Δk_p、Δk_i、Δk_d；

参见图2，为本申请提供的一种基于模型辨识的模糊PID控制方法中步骤S20的分步骤示意图；

具体的，步骤S20包括以下步骤：

S21：根据伸缩因子函数配置相应的伸缩因子；所述伸缩因子函数包括输入伸缩因子函数α₁(e)、α₂(ec)，所述伸缩因子包括输出伸缩因子β1(e)、β2(e)、β2(e)；输入伸缩因子函数和输出伸缩因子通过以下公式得出：

β₁(e)＝1.2|e|

β₃(e)＝1.2|e|

其中，e为参数偏差，ec为偏差变化率，k、λ为常数；

S22：利用伸缩因子使输入、输出论域的范围与模糊规则匹配；

在获取到输入参数后，根据输入的偏差e和偏差变化率ec通过输入伸缩因子函数α₁(e)、α₂(ec)可实现对输入论域的自调整，再通过上述公式得出输出调节因子β1(e)、β2(e)、β2(e)；利用上述调节因子可分别实现对输入、输出论域的自动调整，从而使模糊规则更好地与输入输出论域的范围匹配，模糊规则得到充分利用；

S23：输出自调节控制参数Δk_p、Δk_i、Δk_d；

在本实施例中，通过配置调节因子，使得论域经过调节因子的压缩之后，实质上是相当于模糊变量等级论域的压缩效果，使得输出的自调节控制参数令系统更加稳定、准确。

S30：获取辨识后的控制模型参数；在系统实现变论域模糊PID控制的基础上，对系统增加模糊PID控制设计，主要体现在对被控对象进行模型辨识，由于变论域模糊PID控制自身具有一定的鲁棒性，可使用于提供辨识功能的模块不需要实时辨识控制模型，可保证模型辨识的有效性。

参见图3，为本申请提供的一种基于模型辨识的模糊PID控制方法中步骤S30的分步骤示意图；

具体的，步骤S30还包括以下步骤：

S31：对每经过m个采样周期进行一次辨识计算；m的值根据实际需要而定，m值越小，辨识结果越接近实际数据，相应的辨识计算次数增加；

S32：从m个采样中选取m-k个数据作为采样数据，获取采样数据的实际输入、输出数据。则选取的采样数据分别为k，k+1，…，m时刻的采样数据，k值一般可以取m/10-m/5之间的整数。

在进行辨识计算的过程中，采用优化算法对辨识模型参数进行优化，使辨识模型输出值与实际模型输出值误差平方和最小，最后输出满足要求的模型参数；

S40：对识别出的控制模型参数进行参数整定，输出控制参数；常规参数整定过程，通常采用Z-N整定法，其过程较复杂。在本实施例中，采用一种较为方便的整定方法：

可选的，假设实际中的PID传递函数如下所示：

则相应的PID经验公式参数整定操作为：

δ＝αK(β+n₁)

T_i＝γ(nT+τ)

取α＝0.081，γ＝0.6

其中，式中δ为比例带系数，T_i为积分时间，T_d为微分时间，α为常系数，一般取0.1—1，τ为模型迟延时间，T为惯性环节时间常数，n为模型的阶次。

该经验公式对应下列传递函数形式：

可选的，所述获取辨识后的控制模型参数之后，对识别出的控制模型参数进行参数整定，输出控制参数之前，所述方法还包括：

S70：将最大时间常数折半作为优化参数论域的参考值，通过粒子群算法优化得到形式的控制模型。

当控制系统遇到其它不同形式的一阶惯性环节串联的控制模型时，当获取辨识后的控制模型参数之后，可将最大时间常数折半作为优化参数论域的参考值，通过粒子群算法优化便可以得到与原控制模型近似等效的形式，再通过整定经验公式进行参数整定，可达到同样的控制效果。

S50：优化控制参数，输出基本控制参数k_p0、k_i0、k_d0；在辨识模型基础上，将进行参数整定后的模型参数利用混沌量子粒子群算法优化并更新PID基本控制参数k_p0、k_i0、k_d0，并将更新后的基本控制参数输送至PID模块中；

S60：将自调节控制参数Δk_p、Δk_i、Δk_d与基本控制参数k_p0、k_i0、k_d0叠加运算，得到实时PID参数k_p、k_i、k_d。

进一步的，利用本申请提供的一种基于模型辨识的模糊PID控制方法，对加氢反应器实施了温度控制，并采用MATLAB软件通过上述方法对加氢反应器的温度控制分别进行定值扰动和脉冲扰动仿真实验，得到了本申请的控制曲线图；

参见图4，为加氢反应器温度控制定值扰动仿真实验控制曲线对比图；

参见图5，为加氢反应器温度控制脉冲扰动仿真实验控制曲线对比图；

从图4和图5可知，在发生定值扰动后，采用本申请提供的模糊PID控制方法的系统的动态品质出现明显改善，其主要表现为，超调量降至10％左右，调节时间也由500min降至88min，最终的静态误差也基本为0；而当系统发生脉冲扰动后，同样采用本申请提供的模糊PID控制方法的系统的动态品质出现明显改善，调节时间由开始的125min降至40min。可见，本申请提供的模糊PID控制方法具有提高系统动态品质的特性。

由以上技术方案可知，本申请提供了一种基于模型辨识的模糊PID控制方法，包括获取输入参数；根据输入参数进行变论域控制，得到自调节控制参数Δk_p、Δk_i、Δk_d；获取辨识后的控制模型参数；对识别出的控制模型参数进行参数整定，输出控制参数；优化控制参数，输出基本控制参数k_p0、k_i0、k_d0；将自调节控制参数Δk_p、Δk_i、Δk_d与基本控制参数k_p0、k_i0、k_d0叠加运算，得到实时PID参数k_p、k_i、k_d。本申请提供的方法在现有模糊PID控制基础上引入模型辨识模块，保证了模型辨识算法有效完成辨识，使控制系统的稳定性、快速性、准确性方面有明显改善，动态品质得到提升。

图6为本申请提供的一种基于模型辨识的模糊PID控制装置的结构示意图；

本申请还提供了一种基于模型辨识的模糊PID控制装置，该装置应用于本申请的控制方法，装置包括：

参数获取模块10，用于获取输入参数；

模糊控制模块20，用于根据输入参数进行变论域控制，得到自调节控制参数Δk_p、Δk_i、Δk_d；

系统辨识模块30，用于获取辨识后的控制模型参数；其获取对象为被控对象100；

PID经验公式参数整定模块40，用于对识别出的控制模型参数进行参数整定，输出控制参数；

控制参数优化模块50，用于优化控制参数，输出基本控制参数k_p0、k_i0、k_d0；

PID模块60，用于将自调节控制参数Δk_p、Δk_i、Δk_d与基本控制参数k_p0、k_i0、k_d0叠加运算，得到实时PID参数k_p、k_i、k_d。

可选的，所述模糊控制模块连接有伸缩因子库21，所述伸缩因子库21根据伸缩因子函数配置相应的伸缩因子；所述伸缩因子函数包括输入伸缩因子函数α₁(e)、α₂(ec)，所述伸缩因子包括输出伸缩因子β1(e)、β2(e)、β2(e)；输入伸缩因子函数和输出伸缩因子通过以下公式得出：

β₁(e)＝1.2|e|

β₃(e)＝1.2|e|

其中，e为参数偏差，ec为偏差变化率，k、λ为常数；

所述模糊控制模块20还用于：

利用伸缩因子使输入、输出论域的范围与模糊规则匹配；

输出自调节控制参数Δk_p、Δk_i、Δk_d。

可选的，所述系统辨识模块30包括：

辨识计算模块31，用于对每经过m个采样周期进行一次辨识计算；

数据获取模块32，用于从m个采样中选取m-k个数据作为采样数据，获取采样数据的实际输入、输出数据。

可选的，所述装置还包括模型转换模块70，所述模型转换模块70用于将最大时间常数折半作为优化参数论域的参考值，通过粒子群算法优化得到形式的控制模型。

可选的，所述PID经验公式参数整定模块40配置公式计算器，所述公式计算器配置下列经验公式：

δ＝αK(β+n₁)

T_i＝γ(nT+τ)

取α＝0.081，γ＝0.6

其中，式中δ为比例带系数，T_i为积分时间，T_d为微分时间，α为常系数，一般取0.1—1，τ为模型迟延时间，T为惯性环节时间常数，n为模型的阶次。

本实施例中提到的各部件均用于实现本申请一种基于模型辨识的模糊PID控制方法，因此各部件的功能作用在此不再赘述。

由以上技术方案可知，本申请提供了一种基于模型辨识的模糊PID控制装置，包括参数获取模块，用于获取输入参数；模糊控制模块，用于根据输入参数进行变论域控制，得到自调节控制参数Δk_p、Δk_i、Δk_d；系统辨识模块，用于获取辨识后的控制模型参数；PID经验公式参数整定模块，用于对识别出的控制模型参数进行参数整定，输出控制参数；控制参数优化模块，用于优化控制参数，输出基本控制参数k_p0、k_i0、k_d0；PID模块，用于将自调节控制参数Δk_p、Δk_i、Δk_d与基本控制参数k_p0、k_i0、k_d0叠加运算，得到实时PID参数k_p、k_i、k_d。本申请提供的装置在现有模糊PID控制基础上引入模型辨识模块，保证了模型辨识算法有效完成辨识，使控制系统的稳定性、快速性、准确性方面有明显改善，动态品质得到提升。

领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种基于模型辨识的模糊PID控制方法，其特征在于，所述方法包括：

获取输入参数；

根据输入参数进行变论域控制，得到自调节控制参数Δk_p、Δk_i、Δk_d；

获取辨识后的控制模型参数；

对识别出的控制模型参数进行参数整定，输出控制参数；

优化控制参数，输出基本控制参数k_p0、k_i0、k_d0；

将自调节控制参数Δk_p、Δk_i、Δk_d与基本控制参数k_p0、k_i0、k_d0叠加运算，得到实时PID参数k_p、k_i、k_d。

2.根据权利要求1所述的一种基于模型辨识的模糊PID控制方法，其特征在于，所述根据输入参数进行变论域控制，得到自调节控制参数Δk_p、Δk_i、Δk_d包括：

根据伸缩因子函数配置相应的伸缩因子；所述伸缩因子函数包括输入伸缩因子函数α₁(e)、α₂(ec)，所述伸缩因子包括输出伸缩因子β1(e)、β2(e)、β2(e)；输入伸缩因子函数和输出伸缩因子通过以下公式得出：

β₁(e)＝1.2|e|

β₃(e)＝1.2|e|

其中，e为参数偏差，ec为偏差变化率，k、λ为常数；

利用伸缩因子使输入、输出论域的范围与模糊规则匹配；

输出自调节控制参数Δk_p、Δk_i、Δk_d。

3.根据权利要求1所述的一种基于模型辨识的模糊PID控制方法，其特征在于，所述获取辨识后的控制模型参数包括：

对每经过m个采样周期进行一次辨识计算；

从m个采样中选取m-k个数据作为采样数据，获取采样数据的实际输入、输出数据。

4.根据权利要求1所述的一种基于模型辨识的模糊PID控制方法，其特征在于，所述获取辨识后的控制模型参数之后，对识别出的控制模型参数进行参数整定，输出控制参数之前，所述方法还包括：

将最大时间常数折半作为优化参数论域的参考值，通过粒子群算法优化得到形式的控制模型。

5.根据权利要求1所述的一种基于模型辨识的模糊PID控制方法，其特征在于，所述对识别出的控制模型参数进行参数整定，输出控制参数的步骤采用下列经验公式：

δ＝αK(β+n₁)

T_i＝γ(nT+τ)

取α＝0.081，γ＝0.6

其中，式中δ为比例带系数，T_i为积分时间，T_d为微分时间，α为常系数，一般取0.1—1，τ为模型迟延时间，T为惯性环节时间常数，n为模型的阶次。

6.一种基于模型辨识的模糊PID控制装置，其特征在于，所述装置包括：

参数获取模块，用于获取输入参数；

模糊控制模块，用于根据输入参数进行变论域控制，得到自调节控制参数Δk_p、Δk_i、Δk_d；

系统辨识模块，用于获取辨识后的控制模型参数；

PID经验公式参数整定模块，用于对识别出的控制模型参数进行参数整定，输出控制参数；

控制参数优化模块，用于优化控制参数，输出基本控制参数k_p0、k_i0、k_d0；

PID模块，用于将自调节控制参数Δk_p、Δk_i、Δk_d与基本控制参数k_p0、k_i0、k_d0叠加运算，得到实时PID参数k_p、k_i、k_d。

7.根据权利要求6所述的一种基于模型辨识的模糊PID控制方法，其特征在于，所述模糊控制模块连接有伸缩因子库，所述伸缩因子库根据伸缩因子函数配置相应的伸缩因子；所述伸缩因子函数包括输入伸缩因子函数α₁(e)、α₂(ec)，所述伸缩因子包括输出伸缩因子β1(e)、β2(e)、β2(e)；输入伸缩因子函数和输出伸缩因子通过以下公式得出：

β₁(e)＝1.2|e|

β₃(e)＝1.2|e|

其中，e为参数偏差，ec为偏差变化率，k、λ为常数；

所述模糊控制模块还用于：

利用伸缩因子使输入、输出论域的范围与模糊规则匹配；

输出自调节控制参数Δk_p、Δk_i、Δk_d。

8.根据权利要求6所述的一种基于模型辨识的模糊PID控制方法，其特征在于，所述系统辨识模块包括：

辨识计算模块，用于对每经过m个采样周期进行一次辨识计算；

数据获取模块，用于从m个采样中选取m-k个数据作为采样数据，获取采样数据的实际输入、输出数据。

9.根据权利要求6所述的一种基于模型辨识的模糊PID控制方法，其特征在于，所述装置还包括模型转换模块，所述模型转换模块用于将最大时间常数折半作为优化参数论域的参考值，通过粒子群算法优化得到形式的控制模型。

10.根据权利要求6所述的一种基于模型辨识的模糊PID控制方法，其特征在于，所述PID经验公式参数整定模块配置公式计算器，所述公式计算器配置下列经验公式：

δ＝αK(β+n₁)

T_i＝γ(nT+τ)

取α＝0.081，γ＝0.6

其中，式中δ为比例带系数，T_i为积分时间，T_d为微分时间，α为常系数，一般取0.1—1，τ为模型迟延时间，T为惯性环节时间常数，n为模型的阶次。