CN111103790A - Pid控制器的参数整定方法、装置、存储介质、终端及系统 - Google Patents
Pid控制器的参数整定方法、装置、存储介质、终端及系统 Download PDFInfo
- Publication number
- CN111103790A CN111103790A CN201911234206.XA CN201911234206A CN111103790A CN 111103790 A CN111103790 A CN 111103790A CN 201911234206 A CN201911234206 A CN 201911234206A CN 111103790 A CN111103790 A CN 111103790A
- Authority
- CN
- China
- Prior art keywords
- pid controller
- neural network
- parameters
- network model
- pid
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 97
- 238000005070 sampling Methods 0.000 claims abstract description 56
- 210000002569 neuron Anatomy 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 45
- 230000015654 memory Effects 0.000 claims description 24
- 230000002068 genetic effect Effects 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 239000006185 dispersion Substances 0.000 claims description 11
- 230000000630 rising effect Effects 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- 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.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请涉及PID控制系统设计领域，具体涉及一种PID控制器的参数整定方法、装置、存储介质、终端及系统，所述方法包括：获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算PID控制器的控制误差；若所述控制误差超过预设阈值，获取PID控制器的输出数据，将所述PID控制器的输出数据发送到神经网络模型，得到辨识输出数据；将所述辨识输出数据发送至单神经元控制器，控制所述单神经元控制器根据所述辨识输出数据对神经网络模型的参数进行调整，得到调整后的神经网络模型，根据调整后的神经网络模型确定PID控制器的参数。本申请能够提高PID控制器的参数整定效率。
Description
技术领域
本申请涉及PID控制系统设计领域，具体涉及一种PID控制器的参数整定方法、装置、存储介质、终端及系统。
背景技术
在工业控制过程中，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，PID控制器是的应用量占据了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。目前，对于PID控制器的参数整定往往是通过被控对象的传递函数等特性并根据经验手工进行PID参数整定，参数整定方法复杂，同时需要耗费大量时间成本和精力，并且整定的参数一般不能达到控制器的最佳性能，造成PID控制器的控制精度较低，PID控制系统的效果不好。
发明内容
为解决现有技术中无法自动、便捷地对PID控制器参数进行整定，提出以下技术方案：
第一方面，本申请提供了一种PID控制器的参数整定方法，包括：
获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算PID控制器的控制误差；
若所述控制误差超过预设阈值，获取PID控制器的输出数据，将所述PID控制器的输出数据发送到神经网络模型，得到辨识输出数据；
将所述辨识输出数据发送至单神经元控制器，控制所述单神经元控制器根据所述辨识输出数据对神经网络模型的参数进行调整，得到调整后的神经网络模型，根据调整后的神经网络模型确定PID控制器的参数。
进一步的，所述根据调整后的神经网络模型确定PID控制器的参数，包括：
根据调整后的神经网络模型辨识被控对象的离散度，根据所述离散度确定PID控制器的参数调整信息，控制所述单神经元控制器根据参数调整信息调整PID控制器的参数。
进一步的，所述根据参数调整信息调整PID控制器的参数之后，还包括：
对PID控制系统进行下一次采样，获取下一次采样的采样数据，直至根据所述采样数据计算得到的PID控制器的控制误差不超过预设阈值。
进一步的，所述根据参数调整信息调整PID控制器的参数之后，还包括：
获取PID控制器的响应时间及上升速度；
当所述响应时间及上升速度均满足预设要求，获取当前的环境参数；
将所述调整后的PID控制器的参数与当前的环境参数关联存储。
进一步的，所述神经网络模型为RBF神经网络模型；所述获取PID控制系统的输入与输出的采样数据之前，还包括：
初始化RBF神经网络模型的参数；
根据遗传算法优化RBF神经网络模型的参数。
进一步的，所述根据遗传算法优化RBF神经网络模型的参数，包括：
获取RBF神经网络模型的输出权重、隐单元中心和基宽度参数的初始范围；
设置遗传算法的若干个算法参数，将算法参数的集合作为种群，将算法参数作为种群中的个体，初始化种群；
计算种群中的每一个个体的适应度；
根据所述适应度对种群中的个体进行遗传操作，获取新一代的种群；
获取所述新一代的种群中满足所述初始范围的个体，将满足所述初始范围的个体对应的算法参数确定为RBF神经网络模型的参数。
第二方面，本申请还提供了一种PID控制器的参数整定装置，包括：
误差计算模块：用于获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算PID控制器的控制误差；
输出辨识模块：用于若确定所述控制误差超过预设阈值，获取PID控制器的输出数据，将所述PID控制器的输出数据发送到神经网络模型，得到辨识输出数据；
参数整定模块：用于将所述辨识输出数据发送至单神经元控制器，控制所述单神经元控制器根据所述辨识输出数据对神经网络模型的参数进行调整，得到调整后的神经网络模型，根据调整后的神经网络模型确定PID控制器的参数。
第三方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的PID控制器的参数整定方法。
第四方面，本申请还提供了一种终端设备，包括：
一个或多个处理器；
存储器；
一个或多个计算机程序；
其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行上述的PID控制器的参数整定方法。
第五方面，本申请还提供了一种PID控制系统，所述PID控制系统包括PID控制器、被控对象、RBF神经网络模型及单神经元控制器，所述PID控制器、被控对象、RBF神经网络模型及单神经元控制器协同作用，执行上述的PID控制器的参数整定方法。
本申请与现有技术相比，具有以下有益效果：
本申请提供了一种PID控制器的参数自整定和优化的方法，通过自动获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算控制误差，当所述控制误差超过预设阈值，基于神经网络获得PID参数的调整信息，利用单神经元控制器对控制器参数进行自适应整定，从而实现PID系统的智能控制，提高PID控制器的参数整定效率，实现PID控制器的参数在当前性能指标下达到最优，使该状态下的PID控制器具有比常规PID控制器更为优良的性能，并且提高了PID控制器的控制精度，保证PID控制器具有较强的抗干扰和自适应能力，提高了PID系统的控制效果。
本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请PID控制器的参数整定方法的一流程实施例示意图；
图2为传统PID的算法PID控制器的阶跃响应与应用RBF-PID算法的PID控制器的阶跃响应仿真一实施例对比图；
图3为本申请PID控制器的参数整定装置的一实施例示意图；
图4为本申请终端设备的一结构实施例示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
本申请实施例提供一种PID控制器的参数整定方法，如图1所示，所述方法包括如下步骤：
S10：获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算PID控制器的控制误差。
本实施例中，PID控制系统包括了PID控制器和被控对象，当系统接收到输入信号时，输入信号经PID控制器至被控对象，从而产生输出信号，本实施例对系统的输入与输出进行采样，将对系统的输入与输出进行采样得到的数据定义为采样数据，进一步的，本实施例中，所述采样数据还包括PID控制系统中间环节产生的数据，而PID控制系统的输入存在着对应的期望输出，当采样得到的系统输入对应的系统输出与该系统输入对应的期望输出存在差别时，根据所述采样数据便可计算PID控制器的控制误差，在一种所述方式中，先根据系统输入获取对应的期望输出，再根据所述系统输出与期望输出计算得到PID控制器的控制误差。
S20：若所述控制误差超过预设阈值，获取PID控制器的输出数据，将所述PID控制器的输出数据发送到神经网络模型，得到辨识输出数据。
在理想的状态下，PID控制系统根据系统输入得到的系统输出无限接近于期望输出，PID控制器的控制误差无限接近于0，而在PID控制系统实际使用过程中，则希望PID控制器的控制误差不超过某一设定值，若PID控制器的控制误差超过该设定值，此时的系统输出亦会受到影响，则说明此时的系统输出达不到预设状态，需要对PID控制器的参数进行重新整定，以调整PID控制器的参数，控制系统输出达到预设状态。本实施例中，若确定PID控制器的控制误差超过预设阈值，获取PID控制器的输出数据，在一种实施方式中，在对控制系统的输入与输出进行采样的同时，将与该次输入与输出的关联数据同时进行记录，所述关联数据包括PID控制器的输出，PID控制器的参数，当确定了当次的采样数据确定的PID控制器的控制误差超过预设阈值时，从所述关联数据中便可获取PID控制器的输出数据。在得到PID控制器的输出数据后，为了对所述PID控制器进行参数调整，将所述PID控制器的输出数据发送到神经网络模型，得到辨识输出数据。
S30：将所述辨识输出数据发送至单神经元控制器，控制所述单神经元控制器根据所述辨识输出数据对神经网络模型的参数进行调整，得到调整后的神经网络模型，根据调整后的神经网络模型确定PID控制器的参数。
在得到所述辨识输出数据后，将所述辨识输出数据发送至单神经元控制器，单神经元是具有多输入单输出的信息处理单元，是构成神经网络的基本单位，具有自学习和自适应能力，单神经元控制器接收到神经网络模型的辨识输出数据后，基于所述辨识输出数据对神经网络模型的参数进行调整，从而得到调整后的神经网络模型。在得到调整后的神经网络模型后，根据所述神经网络模型对PID控制器的参数进行修正，从而确定PID控制器的参数，然后对PID控制器的参数进行调整，以实现PID控制器的参数在当前性能指标下达到最优，从而使该状态下的PID控制器具有比常规PID控制器更为优良的性能。
为了验证算法有效，根据本申请实施例对0.998/(0.021s2+s)整定PID参数，并与传统的PID算法进行对比，如图2所示是传统PID的算法PID控制器的阶跃响应与应用RBF-PID算法的PID控制器的阶跃响应仿真对比图，仿真结果表明，本申请对于PID控制的优化算法克服了基于传统PID控制算法的不足，使得PID控制器的参数更好地适应了环境的变化，提高了PID控制器的控制精度，从而保证PID控制器具有较强的抗干扰和自适应能力，提高了PID系统的控制效果。
本实施例提供了一种PID控制器的参数自整定和优化的方法，通过自动获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算控制误差，当所述控制误差超过预设阈值，基于神经网络获得PID参数的调整信息，利用单神经元控制器对控制器参数进行自适应整定，从而实现PID系统的智能控制，提高PID控制器的参数整定效率，实现PID控制器的参数在当前性能指标下达到最优，使该状态下的PID控制器具有比常规PID控制器更为优良的性能，并且提高了PID控制器的控制精度，保证PID控制器具有较强的抗干扰和自适应能力，提高了PID系统的控制效果。
本申请的一种实施例，所述根据调整后的神经网络模型确定PID控制器的参数，包括：
根据调整后的神经网络模型辨识被控对象的离散度，根据所述离散度确定PID控制器的参数调整信息，控制所述单神经元控制器根据参数调整信息调整PID控制器的参数。
本实施例中，神经网络对被控对象建立在线辨识模型，从而达到被控对象的辨识信息进行及时观测，在确定PID控制器的参数的过程中，根据调整后的神经网络模型辨识被控对象的离散度，离散度能够反映被控对象的各项参数的收敛程度，当收敛程度越高时，被控对象的输出结果更加逼近任意连续函数，然后单神经元控制器不断对自身的权系数进行动态调整，根据所述离散度确定PID控制器的参数调整信息，控制所述单神经元控制器根据参数调整信息调整PID控制器的参数。
本申请的一种实施例，所述根据参数调整信息调整PID控制器的参数之后，还包括：
对PID控制系统进行下一次采样，获取下一次采样的采样数据，直至根据所述采样数据计算得到的PID控制器的控制误差不超过预设阈值。
本实施例中，在一次调整了PID控制器的参数后，需要对调整后的PID控制器的参数进行进一步校验，即重复上述步骤S10，对PID控制系统进行下一次采样，获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算PID控制器的控制误差，直至根据所述采样数据计算得到的PID控制器的控制误差不超过预设阈值，确定PID控制器的参数在当前性能指标下达到最优，从而使该状态下的PID控制器具有比常规PID控制器更为优良的性能，提高PID控制系统的精度。
本申请的一种实施例，所述根据参数调整信息调整PID控制器的参数之后，还包括：
获取PID控制器的响应时间及上升速度；
当所述响应时间及上升速度均满足预设要求，获取当前的环境参数；
将所述调整后的PID控制器的参数与当前的环境参数关联存储。
本实施例中，根据参数调整信息调整PID控制器的参数之后，不仅要让PID控制系统的精度满足要求，同时PID控制器本身的性能指标亦要满足要求，PID控制器的性能指标包括PID控制器的响应时间及上升速度，所述响应时间即PID控制器接收到输入后进行响应的时间，所述上升速度即PID控制器接收到输入后到达预设输出的单位时间，当所述响应时间及上升速度均满足预设要求时，确定PID控制器满足当前的性能指标，此时获取当前的环境参数，然后将所述调整后的PID控制器的参数与当前的环境参数关联存储，后续若包含有同样的PID控制器的其他PID控制系统在相同的环境参数下进行工作时，可以快速地将PID控制器的参数调整至与当前的环境参数关联的参数，从而快速使PID控制系统进行高精度的工作。
本申请的一种实施例，所述神经网络模型为RBF神经网络模型；所述获取PID控制系统的输入与输出的采样数据之前，还包括：
初始化RBF神经网络模型的参数；
根据遗传算法优化RBF神经网络模型的参数。
本实施例中，所述神经网络模型为径向基(RBF)神经网络模型，RBF神经网络是模拟人脑中局部调整、相互覆盖接受域的神经网络结构，RBF神经网络模型具有三层网络结构，第一层是输入层，由信号源组成，第二层由隐含层组成，第三层是输出层，RBF神经网络是一种局部逼近网络，它能以任意精度逼近任意连续函数；在获取PID控制系统的输入与输出的采样数据之前，需要初始化RBF神经网络模型的参数，所述初始化RBF神经网络模型的参数可以是通过获取历史的参数进行初始化，然后再根据遗传算法优化RBF神经网络模型的参数，所述遗传算法具有全局搜索能力，能够快速优化RBF神经网络模型的参数，提高RBF神经网络收敛速度，确定RBF神经网络模型的参数的更优值。
本申请的一种实施例，所述根据遗传算法优化RBF神经网络模型的参数，包括：
获取RBF神经网络模型的输出权重、隐单元中心和基宽度参数的初始范围；
设置遗传算法的若干个算法参数，将算法参数的集合作为种群，将算法参数作为种群中的个体，初始化种群；
计算种群中的每一个个体的适应度；
根据所述适应度对种群中的个体进行遗传操作，获取新一代的种群；
获取所述新一代的种群中满足所述初始范围的个体，将满足所述初始范围的个体对应的算法参数确定为RBF神经网络模型的参数。
本实施例中，根据遗传算法优化RBF神经网络模型的参数，首先选择RBF网络的输出权重、隐单元中心和基宽度参数初始范围，再设置遗传算法的若干个算法参数，所述算法参数包括最大迭代代数、种群数目、交叉、变异概率，然后将算法参数的集合作为种群，将算法参数作为种群中的个体，进而执行初始化种群，种群中的每一个个体代表一组算法参数，模拟自然进化过程；然后计算种群中的每一个个体的适应度，在每一代种群中根据问题个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，对种群中的个体进行遗传操作，产生出代表新的种群，获取所述新一代的种群中满足所述初始范围的个体，如果找到了符合要求的个体则输出，将满足所述初始范围的个体对应的算法参数确定为RBF神经网络模型的参数，此时得到了RBF神经网络最优参数，优化结束，如果未能找到符合要求的个体，则继续对种群进行遗传操作，对参数进一步寻优。
如图3所示，在另一种实施例中，本申请提供了一种空PID控制器的参数整定装置，包括：
误差计算模块10：用于获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算PID控制器的控制误差；
输出辨识模块20：用于若确定所述控制误差超过预设阈值，获取PID控制器的输出数据，将所述PID控制器的输出数据发送到神经网络模型，得到辨识输出数据；
参数整定模块30：用于将所述辨识输出数据发送至单神经元控制器，控制所述单神经元控制器根据所述辨识输出数据对神经网络模型的参数进行调整，得到调整后的神经网络模型，根据调整后的神经网络模型确定PID控制器的参数。
本申请的一种实施例，所述参数整定模块30还包括执行：
根据调整后的神经网络模型辨识被控对象的离散度，根据所述离散度确定PID控制器的参数调整信息，控制所述单神经元控制器根据参数调整信息调整PID控制器的参数。
本申请的一种实施例，所述装置还包括：
循环模块：用于在调整PID控制器的参数之后，对PID控制系统进行下一次采样，获取下一次采样的采样数据，直至根据所述采样数据计算得到的PID控制器的控制误差不超过预设阈值。
本申请的一种实施例，所述装置还包括：
关联模块：用于获取PID控制器的响应时间及上升速度；当所述响应时间及上升速度均满足预设要求，获取当前的环境参数；将所述调整后的PID控制器的参数与当前的环境参数关联存储。
本申请的一种实施例，所述装置还包括：
神经网络模型优化模块：用于初始化RBF神经网络模型的参数；根据遗传算法优化RBF神经网络模型的参数。
本申请的一种实施例，所述神经网络模型优化模块还包括执行：
获取RBF神经网络模型的输出权重、隐单元中心和基宽度参数的初始范围；
设置遗传算法的若干个算法参数，将算法参数的集合作为种群，将算法参数作为种群中的个体，初始化种群；
计算种群中的每一个个体的适应度；
根据所述适应度对种群中的个体进行遗传操作，获取新一代的种群；
获取所述新一代的种群中满足所述初始范围的个体，将满足所述初始范围的个体对应的算法参数确定为RBF神经网络模型的参数。
在另一种实施例中，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例所述的PID控制器的参数整定方法。其中，所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(RandomAcceSS Memory，随即存储器)、EPROM(EraSable Programmable Read-Only Memory，可擦写可编程只读存储器)、EEPROM(Electrically EraSable Programmable Read-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，存储设备包括由设备以能够读的形式存储或传输信息的任何介质，可以是只读存储器，磁盘或光盘等。
本申请实施例提供的一种计算机可读存储介质，可实现获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算PID控制器的控制误差；若所述控制误差超过预设阈值，获取PID控制器的输出数据，将所述PID控制器的输出数据发送到神经网络模型，得到辨识输出数据；将所述辨识输出数据发送至单神经元控制器，控制所述单神经元控制器根据所述辨识输出数据对神经网络模型的参数进行调整，得到调整后的神经网络模型，根据调整后的神经网络模型确定PID控制器的参数。通过提供一种PID控制器的参数自整定和优化的方法，通过自动获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算控制误差，当所述控制误差超过预设阈值，基于神经网络获得PID参数的调整信息，利用单神经元控制器对控制器参数进行自适应整定，从而实现PID系统的智能控制，提高PID控制器的参数整定效率，实现PID控制器的参数在当前性能指标下达到最优，使该状态下的PID控制器具有比常规PID控制器更为优良的性能，并且提高了PID控制器的控制精度，保证PID控制器具有较强的抗干扰和自适应能力，提高了PID系统的控制效果。
本申请实施例提供的计算机可读存储介质可以实现上述PID控制器的参数整定方法的实施例，具体功能实现请参见方法实施例中的说明，在此不再赘述。
此外，在又一种实施例中，本申请还提供一种终端设备，如图4所示，所述终端设备包括处理器403、存储器405、输入单元407以及显示单元409等器件。本领域技术人员可以理解，图4示出的结构器件并不构成对所有终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件。所述存储器405可用于存储计算机程序401以及各功能模块，所述处理器403运行存储在存储器405的计算机程序401，从而执行设备的各种功能应用以及数据处理。所述存储器405可以是内存储器或外存储器，或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。
输入单元407用于接收信号的输入及接收用户的输入，输入单元407可包括触控面板以及其它输入设备，触控面板可收集用户在其上或附近的触摸操作，并根据预先设定的程序驱动相应的连接装置。显示单元409可用于显示用户输入的信息或提供给用户的信息以及计算机设备的各种菜单。显示单元409可采用液晶显示器、有机发光二极管等形式。处理器403是计算机设备的控制中心，利用各种接口和线路连接整个电脑的各个部分，通过运行或执行存储在存储器403内的软件程序和/或模块，以及调用存储在存储器内的数据，执行各种功能和处理数据。
在一种实施方式中，所述终端设备包括一个或多个处理器403，以及一个或多个存储器405，一个或多个计算机程序401，其中所述一个或多个计算机程序401被存储在存储器405中并被配置为由所述一个或多个处理器403执行，所述一个或多个计算机程序401配置用于执行以上实施例所述的PID控制器的参数整定方法。图4中所示的一个或多个处理器403能够执行、实现图3中所示的误差计算模块10、输出辨识模块20、参数整定模块30的功能。
本申请实施例提供的一种终端设备，可实现获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算PID控制器的控制误差；若所述控制误差超过预设阈值，获取PID控制器的输出数据，将所述PID控制器的输出数据发送到神经网络模型，得到辨识输出数据；将所述辨识输出数据发送至单神经元控制器，控制所述单神经元控制器根据所述辨识输出数据对神经网络模型的参数进行调整，得到调整后的神经网络模型，根据调整后的神经网络模型确定PID控制器的参数。通过提供一种PID控制器的参数自整定和优化的方法，通过自动获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算控制误差，当所述控制误差超过预设阈值，基于神经网络获得PID参数的调整信息，利用单神经元控制器对控制器参数进行自适应整定，从而实现PID系统的智能控制，提高PID控制器的参数整定效率，实现PID控制器的参数在当前性能指标下达到最优，使该状态下的PID控制器具有比常规PID控制器更为优良的性能，并且提高了PID控制器的控制精度，保证PID控制器具有较强的抗干扰和自适应能力，提高了PID系统的控制效果。
本申请实施例提供的终端设备可以实现上述提供的PID控制器的参数整定方法的实施例，具体功能实现请参见方法实施例中的说明，在此不再赘述。
此外，在又一种实施例中，本申请还提供一种PID控制系统，所述空气质量的检测系统包括PID控制器、被控对象、RBF神经网络模型及单神经元控制器，所述PID控制器、被控对象、RBF神经网络模型及单神经元控制器协同作用，执行上述的PID控制器的参数整定方法，包括：获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算PID控制器的控制误差；若所述控制误差超过预设阈值，获取PID控制器的输出数据，将所述PID控制器的输出数据发送到神经网络模型，得到辨识输出数据；将所述辨识输出数据发送至单神经元控制器，控制所述单神经元控制器根据所述辨识输出数据对神经网络模型的参数进行调整，得到调整后的神经网络模型，根据调整后的神经网络模型确定PID控制器的参数。进一步的，其他PID控制器的参数整定方法的实施方式已在上述实施例的实施方式揭示，本领域技术人员可以通过上述实施例的实施方式，将其推导并应用于本PID控制系统的实施例。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种PID控制器的参数整定方法，其特征在于，包括：
获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算PID控制器的控制误差；
若所述控制误差超过预设阈值，获取PID控制器的输出数据，将所述PID控制器的输出数据发送到神经网络模型，得到辨识输出数据；
将所述辨识输出数据发送至单神经元控制器，控制所述单神经元控制器根据所述辨识输出数据对神经网络模型的参数进行调整，得到调整后的神经网络模型，根据调整后的神经网络模型确定PID控制器的参数。
2.根据权利要求1所述的方法，其特征在于，所述根据调整后的神经网络模型确定PID控制器的参数，包括：
根据调整后的神经网络模型辨识被控对象的离散度，根据所述离散度确定PID控制器的参数调整信息，控制所述单神经元控制器根据参数调整信息调整PID控制器的参数。
3.根据权利要求2所述的方法，其特征在于，所述根据参数调整信息调整PID控制器的参数之后，还包括：
对PID控制系统进行下一次采样，获取下一次采样的采样数据，直至根据所述采样数据计算得到的PID控制器的控制误差不超过预设阈值。
4.根据权利要求2所述的方法，其特征在于，所述根据参数调整信息调整PID控制器的参数之后，还包括：
获取PID控制器的响应时间及上升速度；
当所述响应时间及上升速度均满足预设要求，获取当前的环境参数；
将所述调整后的PID控制器的参数与当前的环境参数关联存储。
5.根据权利要求1所述的方法，其特征在于，所述神经网络模型为RBF神经网络模型；所述获取PID控制系统的输入与输出的采样数据之前，还包括：
初始化RBF神经网络模型的参数；
根据遗传算法优化RBF神经网络模型的参数。
6.根据权利要求5所述的方法，其特征在于，所述根据遗传算法优化RBF神经网络模型的参数，包括：
获取RBF神经网络模型的输出权重、隐单元中心和基宽度参数的初始范围；
设置遗传算法的若干个算法参数，将算法参数的集合作为种群，将算法参数作为种群中的个体，初始化种群；
计算种群中的每一个个体的适应度；
根据所述适应度对种群中的个体进行遗传操作，获取新一代的种群；
获取所述新一代的种群中满足所述初始范围的个体，将满足所述初始范围的个体对应的算法参数确定为RBF神经网络模型的参数。
7.一种PID控制器的参数整定装置，其特征在于，包括：
误差计算模块：用于获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算PID控制器的控制误差；
输出辨识模块：用于若确定所述控制误差超过预设阈值，获取PID控制器的输出数据，将所述PID控制器的输出数据发送到神经网络模型，得到辨识输出数据；
参数整定模块：用于将所述辨识输出数据发送至单神经元控制器，控制所述单神经元控制器根据所述辨识输出数据对神经网络模型的参数进行调整，得到调整后的神经网络模型，根据调整后的神经网络模型确定PID控制器的参数。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任意一项所述的PID控制器的参数整定方法。
9.一种终端设备，其特征在于，包括：
一个或多个处理器；
存储器；
一个或多个计算机程序；
其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行根据权利要求1至6任意一项所述的PID控制器的参数整定方法。
10.一种PID控制系统，包括PID控制器、被控对象，其特征在于：
所述PID控制系统还包括RBF神经网络模型及单神经元控制器；所述PID控制器、被控对象、RBF神经网络模型及单神经元控制器协同作用，执行如权利要求1至6任意一项所述的PID控制器的参数整定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911234206.XA CN111103790A (zh) | 2019-12-05 | 2019-12-05 | Pid控制器的参数整定方法、装置、存储介质、终端及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911234206.XA CN111103790A (zh) | 2019-12-05 | 2019-12-05 | Pid控制器的参数整定方法、装置、存储介质、终端及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111103790A true CN111103790A (zh) | 2020-05-05 |
Family
ID=70421597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911234206.XA Pending CN111103790A (zh) | 2019-12-05 | 2019-12-05 | Pid控制器的参数整定方法、装置、存储介质、终端及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111103790A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111800901A (zh) * | 2020-07-31 | 2020-10-20 | 国网上海市电力公司 | 一种led节能控制系统及其方法 |
| CN112506039A (zh) * | 2020-11-11 | 2021-03-16 | 珠海格力电器股份有限公司 | 电器设备输出的控制方法、控制装置以及电器设备 |
| CN112886670A (zh) * | 2021-03-04 | 2021-06-01 | 武汉联一合立技术有限公司 | 机器人的充电控制方法、装置、机器人及存储介质 |
| CN115343942A (zh) * | 2022-08-10 | 2022-11-15 | 河南翔宇医疗设备股份有限公司 | 气泵控制系统以及pid参数整定方法、装置以及介质 |
| CN115598967A (zh) * | 2022-11-01 | 2023-01-13 | 南栖仙策（南京）科技有限公司（Cn） | 参数整定模型训练、参数确定方法、装置、设备及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105159081A (zh) * | 2015-09-02 | 2015-12-16 | 中国民航大学 | 舵机电液加载系统智能控制方法 |
| CN105511270A (zh) * | 2016-02-04 | 2016-04-20 | 南京邮电大学 | 一种基于协同进化的pid控制器参数优化方法和系统 |
| CN106054598A (zh) * | 2016-05-05 | 2016-10-26 | 安徽农业大学 | 机器人自适应转向单神经元pid控制方法 |
| CN106325074A (zh) * | 2016-10-25 | 2017-01-11 | 浙江邦业科技股份有限公司 | 一种基于布谷鸟算法的pid控制器参数智能整定方法 |
| CN107145935A (zh) * | 2017-05-12 | 2017-09-08 | 东华大学 | 一种基于改进型神经网络的Smith预估控制方法 |
| CN107657125A (zh) * | 2017-09-30 | 2018-02-02 | 中冶赛迪技术研究中心有限公司 | 基于联合仿真的控制系统设计与pid参数整定方法及系统 |
| CN108181802A (zh) * | 2017-12-05 | 2018-06-19 | 东南大学 | 一种性能可控pid控制器参数优化整定方法 |
| CN109507871A (zh) * | 2018-12-11 | 2019-03-22 | 广东工业大学 | 用于两轮平衡车车身平衡控制的pid参数整定方法及产品 |
| CN109839967A (zh) * | 2019-01-24 | 2019-06-04 | 广东元森能源科技有限公司 | 一种自整定pid节能温度控制方法及模块 |
-
2019
- 2019-12-05 CN CN201911234206.XA patent/CN111103790A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105159081A (zh) * | 2015-09-02 | 2015-12-16 | 中国民航大学 | 舵机电液加载系统智能控制方法 |
| CN105511270A (zh) * | 2016-02-04 | 2016-04-20 | 南京邮电大学 | 一种基于协同进化的pid控制器参数优化方法和系统 |
| CN106054598A (zh) * | 2016-05-05 | 2016-10-26 | 安徽农业大学 | 机器人自适应转向单神经元pid控制方法 |
| CN106325074A (zh) * | 2016-10-25 | 2017-01-11 | 浙江邦业科技股份有限公司 | 一种基于布谷鸟算法的pid控制器参数智能整定方法 |
| CN107145935A (zh) * | 2017-05-12 | 2017-09-08 | 东华大学 | 一种基于改进型神经网络的Smith预估控制方法 |
| CN107657125A (zh) * | 2017-09-30 | 2018-02-02 | 中冶赛迪技术研究中心有限公司 | 基于联合仿真的控制系统设计与pid参数整定方法及系统 |
| CN108181802A (zh) * | 2017-12-05 | 2018-06-19 | 东南大学 | 一种性能可控pid控制器参数优化整定方法 |
| CN109507871A (zh) * | 2018-12-11 | 2019-03-22 | 广东工业大学 | 用于两轮平衡车车身平衡控制的pid参数整定方法及产品 |
| CN109839967A (zh) * | 2019-01-24 | 2019-06-04 | 广东元森能源科技有限公司 | 一种自整定pid节能温度控制方法及模块 |
Non-Patent Citations (1)
| Title |
|---|
| 陈益飞: "RBF神经网络的PID控制研究与仿真", 《计算机仿真》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111800901A (zh) * | 2020-07-31 | 2020-10-20 | 国网上海市电力公司 | 一种led节能控制系统及其方法 |
| CN112506039A (zh) * | 2020-11-11 | 2021-03-16 | 珠海格力电器股份有限公司 | 电器设备输出的控制方法、控制装置以及电器设备 |
| CN112886670A (zh) * | 2021-03-04 | 2021-06-01 | 武汉联一合立技术有限公司 | 机器人的充电控制方法、装置、机器人及存储介质 |
| CN115343942A (zh) * | 2022-08-10 | 2022-11-15 | 河南翔宇医疗设备股份有限公司 | 气泵控制系统以及pid参数整定方法、装置以及介质 |
| CN115598967A (zh) * | 2022-11-01 | 2023-01-13 | 南栖仙策（南京）科技有限公司（Cn） | 参数整定模型训练、参数确定方法、装置、设备及介质 |
| CN115598967B (zh) * | 2022-11-01 | 2023-12-08 | 南栖仙策(南京)高新技术有限公司 | 参数整定模型训练、参数确定方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111103790A (zh) | Pid控制器的参数整定方法、装置、存储介质、终端及系统 | |
| CN111556461B (zh) | 一种基于深度q网络的车载边缘网络任务分发卸载方法 | |
| EP3091537B1 (en) | Noise cancellation for voice activation | |
| CN106709565A (zh) | 一种神经网络的优化方法及装置 | |
| CN110138612A (zh) | 一种基于QoS模型自校正的云软件服务资源分配方法 | |
| CN105068515A (zh) | 一种基于自学习算法的智能家居设备语音控制方法 | |
| CN111609534B (zh) | 温度控制方法、装置及中央温度控制系统 | |
| CN110134165A (zh) | 一种用于环境监测与控制的强化学习方法及系统 | |
| CN109165081B (zh) | 基于机器学习的Web应用自适应资源配置方法 | |
| CN106919056A (zh) | 智能家居自动控制方法及装置 | |
| CN111191769B (zh) | 自适应的神经网络训练与推理装置 | |
| KR20190076628A (ko) | 보상 제어기를 이용한 강화 학습 방법 및 이를 위한 장치 | |
| CN112734014A (zh) | 基于置信上界思想的经验回放采样强化学习方法及系统 | |
| CN110631221A (zh) | 一种空调的控制方法、装置、终端及存储介质 | |
| CN113467487B (zh) | 路径规划模型的训练、路径规划方法、装置及电子设备 | |
| EP3129839A1 (en) | Controlling a target system | |
| US20220326665A1 (en) | Control system, and control method | |
| CN113852080A (zh) | 一种智能电网的潮流优化方法、系统、设备及存储介质 | |
| CN111488208B (zh) | 基于可变步长蝙蝠算法的边云协同计算节点调度优化方法 | |
| CN111831356B (zh) | 权重精度配置方法、装置、设备及存储介质 | |
| CN109961160A (zh) | 一种基于潮流参数的电网未来运行趋势预估方法及系统 | |
| CN113919217B (zh) | 自抗扰控制器自适应参数整定方法及装置 | |
| WO2019081756A1 (en) | AUTOMATIC LEARNING SYSTEM | |
| CN111781840B (zh) | 基于深度强化学习无模型自适应混水温度控制系统及方法 | |
| CN114386320A (zh) | 汽轮机阀门管理方法、装置、设备及存储介质 |
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: 20200505 |
|
| RJ01 | Rejection of invention patent application after publication |