CN109459927A - 基于神经网络的pid控制器参数整定方法 - Google Patents

基于神经网络的pid控制器参数整定方法 Download PDF

Info

Publication number
CN109459927A
CN109459927A CN201910038863.0A CN201910038863A CN109459927A CN 109459927 A CN109459927 A CN 109459927A CN 201910038863 A CN201910038863 A CN 201910038863A CN 109459927 A CN109459927 A CN 109459927A
Authority
CN
China
Prior art keywords
pid
neural network
parameter
setting method
parameter setting
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.)
Pending
Application number
CN201910038863.0A
Other languages
English (en)
Inventor
胡钦涛
段倩文
何秋农
毛耀
周国忠
周翕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Optics and Electronics of CAS
Original Assignee
Institute of Optics and Electronics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Optics and Electronics of CAS filed Critical Institute of Optics and Electronics of CAS
Priority to CN201910038863.0A priority Critical patent/CN109459927A/zh
Publication of CN109459927A publication Critical patent/CN109459927A/zh
Pending legal-status Critical Current

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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • 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
    • 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
    • G05B13/048—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 using a predictor

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种基于神经网络的PID控制器参数整定方法，旨在解决现有PID参数整定方法使用复杂，以及大量工程实践需要工程师手工整定的问题。本发明包括以下步骤：步骤1、采集训练样本；步骤2、搭建卷积神经网络学习框架；步骤3、利用神经网络对训练样本进行训练；步骤4、得到训练模型；本发明的有益技术效果在于：相对于人工整定PID参数，节约了大量时间和精力，相对于现阶段的整定软件，能够快速的根据频率响应伯德图整定出良好的PID参数。

Description

基于神经网络的PID控制器参数整定方法
技术领域
本发明涉及控制器参数整定技术领域，具体涉及一种基于神经网络的PID控制器参数整定方法。
背景技术
PID控制器是目前应用最广泛的控制器，在运动控制、过程控制等控制方法应用中，它应用量占据了90％以上。PID控制器的参数整定是控制系统设计的核心内容。它是根据被控过程的特性确定PID控制器的比例系数、积分时间和微分时间的大小。传统的方法通过软件自动整定的PID参数一般不能达到控制器的最佳性能，故在应用中多是经验丰富的工程师根据被控对象的传递函数等特性手工进行PID参数正定，而普通工程师在整定时会耗费大量时间精力。
发明内容
本发明要解决的技术问题是提供一种基于神经网络的PID控制器参数整定方法，以解决现有PID参数整定软件整定效果没有人工整定效果好，人工整定耗时耗力的问题。
为解决上述技术问题，本发明采用如下技术方案：基于神经网络的PID控制器参数整定方法，包括以下步骤：
步骤1、采集训练样本：通过对不同的传递函数手工整定出符合要求的PID控制器参数，将传递函数作为训练样本，将手工整定的PID参数作为样本标签；
步骤2、搭建卷积神经网络学习框架：采用卷积神经网络，所采用的卷积神经网络由3个带压缩操作的残差模块和两个全连接层，两个池化层，一个卷积层构成，最后一层全连接层为3个神经元分别对应输出PID参数；
步骤3、利用卷积神经网络对训练样本进行训练需要将数据集的传递函数画成伯德图，将伯德图输入卷积网络用于训练，同时将传递函数对应的手工整定出的PID参数作为神经网络的标签进行学习。采用最小均方差损失函数，用Adam优化器优化网络。
步骤4、得到训练模型：得到训练模型，将待整定传递函数的频率响应伯德图作为输入，通过模型即可得到整定的PID参数。
本发明与现有技术相比具有如下优点：
(1)本发明通过卷积神经网络学习经验丰富的工程师手工整定PID参数的方法，相比同类项软件可以整定出更符合工程师要求的参数。
(2)本发明封装后可以给大量普通工程师使用，只需要将对象的频率响应曲线作为输入即可得到满意的PID参数，而不用再拟合传递函数，省时省力。
附图说明
图1是本发明基于神经网络的PID控制器参数整定方法原理示意图；
图2是本发明基于神经网络的PID控制器参数整定方法整体框架图；
图3是本发明所采用的带挤压操作的残差模块；
图4是本发明所采用的残差网络结构示意图；
图5是本发明测试所得出的PID参数的阶跃响应曲线。
具体实施方式
下面结合附图对本发明的具体实施方式做详细说明。
如图1-2所示，本发明基于神经网络的PID控制器参数整定方法，具体包括如下步骤：
步骤1、采集训练样本：通过对不同的传递函数手工整定出符合要求的PID控制器参数，将传递函数作为训练样本，将手工整定的PID参数作为样本标签，通常一个传递函数对应一个PID参数；具体地：
(1.1)通过随机产生大量的传递函数，并使用软件绘制出这些传递函数的伯德图；
(1.2)通过人工整定的方式，根据步骤(1.1)产生的传递函数整定出优秀的PID参数作为与该传递函数生成的伯德图对应的标签；
步骤2、搭建卷积神经网络学习框架：采用卷积神经网络，参照图3和图4，所采用的卷积神经网络包括所采用的卷积神经网络由3个带压缩操作的残差模块和两个全连接层，两个池化层，一个卷积层构成，最后一层全连接层为3个神经元分别对应输出PID参数，下面对上述特征提取模块的各个部分具体结构进行介绍。
(2.1)输入为大小为224*224的伯德图；
(2.2)带挤压操作的残差模块：上述特征提取模块在经典卷积神经网络的基础上引入残差结构，可得到H(X)＝F(X)+X，其中H(X)表示网络的映射输出，F(X)表示残差部分，X表示恒等映射，通过引入恒等映射X在没有增加网络的复杂度的条件下保证了梯度通过恒等映射回传到低层网络，减缓了网络层数过多带来的梯度消失问题，促进网络各层级间的信息流动。
(2.3)全连接层，用于将数据转成3维的数据分别对应PID的三个参数。
步骤3、如图1，利用神经网络对训练样本进行训练，将数据集的传递函数产生的伯德图输入卷积网络用于训练，同时将传递函数对应的手工整定出的PID参数作为神经网络的标签进行学习。采用最小均方差损失函数，用Adam优化器优化网络。训练的过程中采用了mini_batch方法进行分批训练，加快训练速度，单批训练样本数量为256。
步骤4、得到训练模型：得到训练模型，将待整定传递函数的频率响应伯德图作为输入，通过模型即可得到整定的PID参数。
具体地：在使用时，对于需要整定的被控对象传递函数，利用软件做出其伯德图，将伯德图输入训练好的模型，预测出来的PID参数即为所需参数。
为了验证算法有效，我们采用训练好的模型，对整定PID参数，整定参数的阶跃响应2曲线如图5所示，整定的结果达到要求，同时，因为是学习算法，故本发明最终能达到的要求指标取决于所给网络学习的数据集的数据优劣。

Claims (5)

1.一种基于神经网络的PID控制器参数整定方法，其特征在于，包括以下步骤：
步骤1、采集训练样本：通过对不同的传递函数手工整定出符合要求的PID控制器参数，将传递函数作为训练样本，将手工整定的PID参数作为样本标签；
步骤2、搭建卷积神经网络学习框架：采用卷积神经网络，网络包括多个卷积层，池化层，最后为全连接层为3个神经元分别输出PID参数；
步骤3、利用神经网络对训练样本进行训练：将传递函数画出伯德图作为卷积神经网络的输入，将PID参数作为标签，采用最小均方差损失函数，用Adam优化器优化网络；
步骤4、得到训练模型：得到训练模型，将待整定传递函数的频率响应伯德图作为输入，通过模型即可得到整定的PID参数。
2.根据权利要求1所述的基于神经网络的PID控制器参数整定方法，其特征在于，步骤1的训练样本由手工采集，遍历常用的传递函数范围，手工整定出性能良好的PID参数。
3.根据权利要求1所述的基于神经网络的PID控制器参数整定方法，其特征在于，步骤2所采用的卷积神经网络包括3个带压缩操作的残差模块和两个全连接层，两个池化层，一个卷积层构成，最后一层全连接层为3个神经元分别对应输出PID参数。
4.根据权利要求1所述的基于神经网络的PID控制器参数整定方法，其特征在于，步骤3利用神经网络对训练样本进行训练需要将数据集的传递函数画成伯德图，将伯德图输入卷积网络用于训练，同时将传递函数对应的手工整定出的PID参数作为神经网络的标签进行学习。
5.根据权利要求1所述的基于神经网络的PID控制器参数整定方法，其特征在于，步骤4所得到的训练模型通过将待整定对象的伯德图作为输入，即可输出需要整定的PID参数。
CN201910038863.0A 2019-01-16 2019-01-16 基于神经网络的pid控制器参数整定方法 Pending CN109459927A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910038863.0A CN109459927A (zh) 2019-01-16 2019-01-16 基于神经网络的pid控制器参数整定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910038863.0A CN109459927A (zh) 2019-01-16 2019-01-16 基于神经网络的pid控制器参数整定方法

Publications (1)

Publication Number Publication Date
CN109459927A true CN109459927A (zh) 2019-03-12

Family

ID=65616437

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910038863.0A Pending CN109459927A (zh) 2019-01-16 2019-01-16 基于神经网络的pid控制器参数整定方法

Country Status (1)

Country Link
CN (1) CN109459927A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070119A (zh) * 2019-04-11 2019-07-30 北京工业大学 一种基于二值化深度神经网络的手写数字图像识别分类方法
CN110308658A (zh) * 2019-07-24 2019-10-08 广东工业大学 一种pid参数整定方法、装置、系统及可读存储介质
CN113219341A (zh) * 2021-03-23 2021-08-06 陈九廷 一种模型生成及电池劣化推测装置、方法、介质及设备
CN113448245A (zh) * 2021-04-14 2021-09-28 华南师范大学 一种基于深度学习的污水处理过程溶解氧控制方法及系统
CN114149076A (zh) * 2021-12-21 2022-03-08 浙江沃乐环境科技有限公司 一种厌氧氨氧化污水处理系统的智能调试系统
CN114740709A (zh) * 2022-05-06 2022-07-12 南京轻机包装机械有限公司 一种基于伯德图的控制系统pi参数工程整定方法
CN116165880A (zh) * 2023-04-23 2023-05-26 苏州海豚之星智能科技有限公司 遗传算法卷积神经网络的agv调速自动整定pid参数的方法
WO2024016637A1 (zh) * 2022-07-22 2024-01-25 中控技术股份有限公司 参数整定模型的构建方法及工业过程控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6353766B1 (en) * 1996-02-09 2002-03-05 Siemens Aktiengesellschaft Method for generating control parameters from a response signal of a controlled system and system for adaptive setting of a PID controller
CN101125100A (zh) * 2007-09-28 2008-02-20 东北师范大学 应用蝙蝠回声定位声波测定识别蝙蝠种类的方法
CN101656579A (zh) * 2009-09-18 2010-02-24 南京信息工程大学 引入小波神经网络的t/2分数间隔盲均衡方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6353766B1 (en) * 1996-02-09 2002-03-05 Siemens Aktiengesellschaft Method for generating control parameters from a response signal of a controlled system and system for adaptive setting of a PID controller
CN101125100A (zh) * 2007-09-28 2008-02-20 东北师范大学 应用蝙蝠回声定位声波测定识别蝙蝠种类的方法
CN101656579A (zh) * 2009-09-18 2010-02-24 南京信息工程大学 引入小波神经网络的t/2分数间隔盲均衡方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
L. H. KEEL 等: "Controller Synthesis Free of Analytical", 《IEEE》 *
蒋天发: "神经网络PID复合智能控制参数自整定研究", 《武汉大学学报(工学版)》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070119B (zh) * 2019-04-11 2021-11-26 北京工业大学 一种基于二值化深度神经网络的手写数字图像识别分类方法
CN110070119A (zh) * 2019-04-11 2019-07-30 北京工业大学 一种基于二值化深度神经网络的手写数字图像识别分类方法
CN110308658B (zh) * 2019-07-24 2023-09-26 广东阿达智能装备有限公司 一种pid参数整定方法、装置、系统及可读存储介质
CN110308658A (zh) * 2019-07-24 2019-10-08 广东工业大学 一种pid参数整定方法、装置、系统及可读存储介质
CN113219341A (zh) * 2021-03-23 2021-08-06 陈九廷 一种模型生成及电池劣化推测装置、方法、介质及设备
CN113219341B (zh) * 2021-03-23 2023-04-07 陈九廷 一种模型生成及电池劣化推测装置、方法、介质及设备
CN113448245A (zh) * 2021-04-14 2021-09-28 华南师范大学 一种基于深度学习的污水处理过程溶解氧控制方法及系统
CN114149076A (zh) * 2021-12-21 2022-03-08 浙江沃乐环境科技有限公司 一种厌氧氨氧化污水处理系统的智能调试系统
CN114149076B (zh) * 2021-12-21 2022-07-19 浙江沃乐环境科技有限公司 一种厌氧氨氧化污水处理系统的智能调试系统
CN114740709A (zh) * 2022-05-06 2022-07-12 南京轻机包装机械有限公司 一种基于伯德图的控制系统pi参数工程整定方法
WO2024016637A1 (zh) * 2022-07-22 2024-01-25 中控技术股份有限公司 参数整定模型的构建方法及工业过程控制方法
CN116165880B (zh) * 2023-04-23 2023-08-04 苏州海豚之星智能科技有限公司 遗传算法卷积神经网络的agv调速自动整定pid参数的方法
CN116165880A (zh) * 2023-04-23 2023-05-26 苏州海豚之星智能科技有限公司 遗传算法卷积神经网络的agv调速自动整定pid参数的方法

Similar Documents

Publication Publication Date Title
CN109459927A (zh) 基于神经网络的pid控制器参数整定方法
CN105068515B (zh) 一种基于自学习算法的智能家居设备语音控制方法
CN104834215B (zh) 一种变异粒子群优化的bp神经网络pid控制算法
CN106779068A (zh) 调整人工神经网络的方法和装置
CN105487496B (zh) 基于双目标并行island-hfc混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法
CN106875002A (zh) 基于梯度下降法与广义逆的复值神经网络训练方法
CN107392224A (zh) 一种基于三通道卷积神经网络的作物病害识别算法
CN109492763A (zh) 一种基于强化学习网络训练的自动泊车方法
CN107506775A (zh) 模型训练方法及装置
CN108828934A (zh) 一种基于模型辨识的模糊pid控制方法及装置
CN105427241B (zh) 一种大视场显示设备的畸变校正方法
CN107745785A (zh) 一种散货船和油船的装载仪最佳配载计算方法
CN105425612A (zh) 一种水轮机调节系统控制参数的优选方法
CN113325719B (zh) 时变时滞多智能体的分布式脉冲一致性控制方法及系统
CN106647272A (zh) 基于k均值改进卷积神经网络的机器人路径规划方法
CN106067077A (zh) 一种基于神经网络的负荷预测方法及装置
EP3105639A1 (en) Control system
CN111553118A (zh) 基于强化学习的多维连续型优化变量全局优化方法
CN108021981A (zh) 一种神经网络训练方法及装置
CN108549213A (zh) 一种基于rbf神经网络pid的速比控制方法
CN104062541A (zh) 一种针对容错永磁电机定子匝间短路的故障诊断方法
CN109144099A (zh) 基于卷积神经网络的无人机群行动方案快速评估方法
CN114384931A (zh) 一种基于策略梯度的无人机多目标最优控制方法和设备
CN109143853A (zh) 一种石油炼化过程中分馏塔液位自适应控制方法
CN108763779A (zh) 一种应用改进的粒子群算法对四旋翼无人机控制的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190312

RJ01 Rejection of invention patent application after publication