CN113467225A - 智能pid控制器在线优化方法及系统 - Google Patents
智能pid控制器在线优化方法及系统 Download PDFInfo
- Publication number
- CN113467225A CN113467225A CN202110706499.8A CN202110706499A CN113467225A CN 113467225 A CN113467225 A CN 113467225A CN 202110706499 A CN202110706499 A CN 202110706499A CN 113467225 A CN113467225 A CN 113467225A
- Authority
- CN
- China
- Prior art keywords
- pid controller
- model
- optimization method
- online optimization
- parameters
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 103
- 238000005457 optimization Methods 0.000 title claims abstract description 39
- 239000002245 particle Substances 0.000 claims abstract description 74
- 230000008569 process Effects 0.000 claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 230000008859 change Effects 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 31
- 238000010845 search algorithm Methods 0.000 claims description 13
- 238000005312 nonlinear dynamic Methods 0.000 claims description 8
- 240000007049 Juglans regia Species 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 15
- 230000008901 benefit Effects 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 3
- 238000001824 photoionisation detection Methods 0.000 description 53
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 239000003054 catalyst Substances 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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.
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种智能PID控制器在线优化方法及系统。该方法包括:初始化时变高阶线性离散参数模型,使用可靠递推在线辨识算法实时获得模型参数,完成适用于流程工业过程的建模工作。将实时高阶模型作为被控对象,在闭环回路中设计PID控制器。具体设计方法:基于给定的适应度函数,采用改进的粒子群算法进行PID控制器参数寻优,最终得到PID控制器参数的全局最优解。当工况发生改变(模型参数改变)或者到达慢率更新时刻,都将重新对PID控制器参数寻优,以应对工况改变的情况,同时实现控制工程优化。本发明所提供的智能PID控制器在线优化方法及系统适用范围广泛、适应性强、生命周期长并且能够控制效果极佳。
Description
技术领域
本发明涉及流程工业技术领域,特别是涉及一种智能PID控制器在线优化方法及系统。
背景技术
流程工业是国民经济中的主导性行业,在石化、电力、冶金、制药、轻工、水利、环保等诸多领域占据主导性地位。流程工业指主要生产过程为连续生产的工业,具有如下特点:
(1)连续性生产,工艺流程基本保持不变,生产过程需要调整工艺操作的参数;
(2)工艺反应过程中基本生产设备为单元级生产装置,物料、能量间存在最佳控制策略;
(3)要保证生产的稳产、高产和节能降耗,就必须保证工艺流程的安全、长周期和稳定;
(4)生产环境较为苛刻,整个生产过程可能包含复杂的物理、化学过程和各种突变状况以及不确定性因素。
由于非随机持久性干扰、设定点改变导致增益时间常数改变、过程内部特性发生显著变化而工况不发生变化等问题的出现,使得系统工作在一个工况改变的状态。例如在换热网络过程中,发生结垢现象,使得传热系数发生改变,从而过程内部特性也发生改变。针对工况发生改变的情况,有以下几种表现形式。
第一种是慢时变过程。随着时间的推移,在实际生产中系统会发生一系列元器件的老化、工作环境的变化和器械磨损等正常现象,导致被控对象的一些参数缓慢地发生某种可测或不可测的变化,即为系统的慢时变特性。在各种工业生产操作过程中,系统参数的慢时变现象十分普遍,如在机电系统中直流电机的动态特性随负载摩擦而变化;在火箭升空的过程中,燃料燃烧和消耗使得火箭的质量不断减少,从而导致火箭的固有特性(固有频率、振型等)会发生变化;振动方程中同样存在慢时变特性,其中的恢复力、激振力就是慢时变参数.在化工过程中,固定床反应器的催化剂失活、换热器的结垢老化,催化剂活性和结垢热阻也均为慢时变参数。
第二种是切换过程。设定值发生改变,在不同的设定值处,对应的过程内部特性、增益和常数将发生显著变化,这时候对应的就是切换系统。系统可以分为几个子系统,其中子系统(1)的模型参数为{a1i,b1j},子系统(2)的模型参数为{a2i,b2j},延伸到子系统(n)的模型参数为{ani,bnj}。
第三种是非线性动态过程。在大部分工业过程中,不可避免的存在非线性特性,例如圆柱形水箱液位系统,低中高液位的变化可以看成是切换系统。但是液位由低到高是个连续的变化过程,可以将此过程看成是非线性动态过程。可以使用模块化的方法去解决。模块化非线性系统,由线性动态模块和非线性动态模块按照不同的形式级联而成。可以分类成四类系统,分别为Hammerstein系统、Wiener系统、Wiener-Hammerstein系统、Hammerstein-Wiener系统,该类系统也是目前研究最多的一类模块化非线性系统,它们为解决许多实际非线性问题提供了一种非常有效的结构形式。
在流程工业中,据统计,目前80%以上的过程仍采用PID控制。PID控制器算法简单,只有三个参数需要根据具体的被控过程进行调整,因而很受工程技术人员的欢迎。更重要的是PID控制器的控制性能和鲁棒性都相当好,适用范围广泛,在大多数工业过程都能取得满意的控制效果。所以自从问世以来,一直广泛应用于各类工业过程控制中。几十年来,控制理论得到了很大的发展,出现了不计其数的控制新算法,但都无法取代控制的优势地位。
针对工况改变的情况,传统的PID控制系统往往是将工况划分成不同的工作点,在不同的工作点分别提前将PID参数整定完毕,操作员根据实际工况手动设置对应的PID参数,进而实现闭环控制。这种方法的优点是简单、有效,缺点是往往依赖于操作人员的技巧和经验,方法本身缺乏适应性。具体来说,这种方法在处理工况改变时,往往不够及时地捕捉到这种变化。即使捕捉到了工况发生改变,到新的PID投入使用,也需要较长的时间。在这段时间内,之前的PID参数的调节作用大大减弱,进一步加剧了工况的波动,容易造成资源的浪费,更甚者如果波动的时间过长,范围过大,会引起安全事故。同时,控制精确度取决于工作点的划分情况,划分地越细,控制精度越高。当实际工况处于两个工作点之间,需要凭借操作人员的技巧和经验,才能给定新的PID参数。
发明内容
本发明要解决的技术问题是提供一种智能PID控制器在线优化方法及系统,能够准确、快速的搜索到PID控制器参数的全局最优解。
为解决上述技术问题,本发明提供了一种智能PID控制器在线优化方法,所述方法包括:初始化用于描述流程工业中工况改变的时变高阶离散线性模型;使用可靠递推辨识算法获得高阶模型参数;基于高阶模型和适应度函数,使用引入了levy飞行原理的粒子群搜索算法对PID控制器进行参数寻优;根据辨识得到的高阶参数模型,构建了相应的智能PID控制器。
在一些实施方式中,时变高阶离散线性模型由如下公式给出:
其中,u(t)与y(t)分别表示模型的输入变量与输出变量,υ(t)表示有界随机噪声项,常数p与m表示模型阶次,一般要设置足够大,ai(t)与ck(t)表示模型中待求解的时变的参数。
在一些实施方式中,在可靠递推辨识算法中引入了Nussbaum函数,用于重新定义辨识误差。
在一些实施方式中,Nussbaum函数由如下公式给出:
其中,p(t)是离散序列,并且p(0)=0,sN(p(t))是符号函数,只能取值±1,用于决定下一时刻的更新方向。
在一些实施方式中,基于高阶模型和适应度函数,使用引入了levy飞行原理的粒子群搜索算法对PID控制器进行参数寻优,包括:初始化用于对PID控制器中的参数(PID)寻优的粒子群;根据高阶模型与适应度函数,计算所有粒子的适应度;将所有粒子的位置复制给粒子群中的粒子,并根据适应度更新;根据levy飞行算法,计算出惯性因子;根据计算得到的惯性因子,计算下一代粒子群的位置和速度;在可行域中产生新的粒子群;迭代执行除初始化以外的上述步骤,直至迭代次数到达迭代次数上限。
在一些实施方式中,根据计算得到的惯性因子,计算下一代粒子群的位置和速度,包括:根据如下公式计算下一代粒子群的位置和速度:
Vnd=μ·Vnd+c1·r1·(Gnd-Xnd)+c2·r2·(Zgd-Xnd)
Xnd=Xnd+Vnd
其中,Vnd,n∈[1,2,...,N],d∈[1,2,...,D]表示第n个粒子在第d维空间的速度。Xnd,n∈[1,2,...,N],d∈[1,2,...,D]同理表示第n个粒子在第d维空间的位置,Gnd表示第n个粒子在第d维空间个体极值。Zgd表示第d维空间粒子群极值,μ为惯性因子,其值非负,数值越大,全局寻优能力越强,局部寻优能力变弱,(c1,c2)分别代表个体学习因子和种群学习因子,取值范围:[0,4]。(r1,r2)是[0,1]之间的随机数。
在一些实施方式中,惯性因子由如下公式给出:
μ=μmax-ite/max gen·(μmax-μmin)+Δμ
其中,ite为当前迭代次数,μmax,μmin分别表示惯性因子的上下界。
在一些实施方式中,采用性能指标函数作为适应度函数,性能指标函数选择时域性能指标。
在一些实施方式中,由PID控制器所控制的过程包括:切换过程,慢时变过程和非线性动态过程。
此外,本发明还提供了一种智能PID控制器在线优化系统,所述系统包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据前文所述的智能PID控制器在线优化方法。
采用这样的设计后,本发明至少具有以下优点:
本发明基于高阶线性模型的智能PID控制器在线优化的方法,以流程工业为研究对象,充分考虑工况改变的情况,使用高阶线性模型去还原这种过程;同时,基于模型提出了可靠递推辨识技术,并在辨识算法中引入调节因子与Nussbaum增益,用于加快参数收敛的速度,提高算法精度。而且,给出了辨识算法的收敛性证明;接着,采用levy飞行原理结合粒子群算法搜索PID控制器中参数最优解;整体算法既可以实时在线优化PID参数,又能快速应对流程工业中工况改变的情况,真正实现智能控制器在线优化的功能;此方法具有耗时短、精确度高、自适应能力强、实用性强、适用范围广泛等优点,具有极佳的应用前景和商业价值。
附图说明
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是智能PID控制器方法及系统工作流程示意图;
图2是仿真实验跟踪参考轨迹效果。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
智能PID控制器在线优化方法在处理过程工况发生改变或者系统工作状态发生改变的情况具有独特优势(这些改变包括慢时变、切换模式、非线性动态等),尽管此类情形意味着动态过程或者系统的内部特性(典型如增益和时间常数)发生了变化,但通过建立高阶线性动态模型以及构建可靠的递推辨识算法,我们能很好地跟踪这种变化。另外,基于当前辨识的模型参数,并利用改进群智能搜索机制,我们能较为高效地得到PID控制器的优化参数,为闭环条件下改善动态性能创造了条件。值得注意的是,搜索中的时域性能指标的确定需根据具体要求来设置,若对过渡过程动态没有特殊要求,可设置为对时序误差进行非负积分的形式,与此同时还需加入对控制增量的非负积分约束。
本发明通过下述技术方案实现:
在流程工业中,当工况发生改变(包括时变过程,切换过程,非线性动态过程等),都可以采用时变的高阶线性离散的参数模型进行统一描述,具体模型为:
式(1)中,u(t)与y(t)分别表示模型的输入变量与输出变量。υ(t)表示有界随机噪声项,常数p与m表示模型阶次,一般要设置足够大。ai(t)与ck(t)表示模型中待求解的时变的参数。
流程工业系统运行的一段时间后,过程内部非随机的持续性干扰与其他因素,会不断改变工况,此时过程的增益和时间常数发生经常性的改变。反映在模型上,就是式(1)的阶次一定,参数可变。所以要通过在线辨识算法求解出模型参数,同时,所涉及的辨识算法也需要在输入少激励的情况下(例如多次阶跃)仍能产生较为有效的参数估计值,这就是可靠的递推辨识算法。
将式(1)写成回归形式:
通过令辨识误差趋于零,以此获得准确的模型参数估计值。辨识误差为:
为了避免模型参数收敛的随意性,加快收敛速度,在辨识算法中引入了NussbaumGain:N(p(t)),并定义为
式(4)中,p(t)是离散序列,并且p(0)=0。sN(p(t))是符号函数,只能取值±1,用于决定下一时刻的更新方向,更新方式为:
符号函数的更新方式
令:
G(t)=1+|N(p(t))| (5)
由于Nussbaum函数的引入,重新定义辨识误差ε(t):
ε(t)=γe(t)/G(t) (6)
式(6)中,γ为调节因子,它能根据参数的辨识结果改变数值大小,数值越大,参数收敛速度越快。同时,可在参数更新过程中设置下界。在参数初始化阶段,一般设置较大。
引入死区因子l(t),当辨识误差的绝对值大于门槛值σ(一个很小的正的常数)死区因子取值为1,采用辨识算法实时更新参数估计值;其他情况下,辨识误差小到可以忽略,死区因子取值为0,辨识算法不更新,即:
引入归一化因子D(t):
离散序列p(t)的增量形式为:
可以得到参数估计值的递推形式:
完整的可靠递推辨识算法为:
G(t)=1+|N(p(t))| (5)
ε(t)=γe(t)/G(t) (6)
下面给出辨识算法的收敛性证明。
定义:
引理1.如果ps(t)无上界,公式(12)成立。
引理2.如果ps(t)≤τ1,|Z(p(t))|≤τ2成立。其中,τ1,τ2为正的常数。
定理1.如果limt→∞G(t)=h,辨识算法误差满足limt→∞sup|e(t)|≤hσ/γ。定义:
令:
V(t)的增量形式ΔV(t)表示为:
令有界随机噪声|υ(t)|≤C2+C3,其中C2,C3为正的常数,可得:
2γN(p(t))l(t)υ(t)ε(t)≤l(t)·|2γ(C2+C3)/σ|·|N(p(t))|·ε2(t) (16)
进一步对ΔV(t)缩放,有:
假设p(t)无界,当p(t)≥0,ps(t)必无上界。因此,一定存在一个时刻t0,使得公式(19)成立。
事实上,p(t)是非负非递减序列,有界性可以通过公式(20)推导出来。
Δp(t)=l(t)G(t)ε2(t)/D(t)→0 (20)
此外,还可以从式(20)中得到:l(t)→0或G(t)ε2(t)/D(t)→0。
如果G(t)ε2(t)/D(t)→0,说明ε(t)→0。
如果l(t)→0,由式(7)可知|ε(t)|≤σ。
无论哪种结果都有limt→∞sup|ε(t)|≤σ,这保证了G(t)会收敛到常数h。即:
limt→∞G(t)=limt→∞(1+|N(p(t))|)=h (21)
由式(6),可得:
limt→∞sup|e(t)|=limt→∞sup|ε(t)G(t)/γ|≤hσ/γ (22)
基于辨识出的参数模型,接下来要设计PID控制律,实现闭环控制。首先,定义闭环控制系统的控制偏差:
ev(t)=ya(t)-y(t) (23)
式(23)中,ya(t)为设定值。
增量式的离散PID控制律u(t)为:
u(t)=Δu(t)+u(t-1) (24)
式(24)中,u(t-1)为t-1时刻的控制律,u(0)=0。控制律增量Δu(t):
式(25)中,Ts为采样时间,ev(t-1)表示t-1时刻的控制偏差,ev(t-2)表示t-2时刻的控制偏差,ev(0)=0。
接下来的任务是找出Kp,Ti,Td三个参数,完成控制律的设计。但是,目前PID的参数整定没有固定的规则,只有一些经验方法,如临界比例度法和试凑法等。由于缺乏了系统的理论指导,PID的整定值是否达到最优也未知,高阶线性模型更是如此。为解决此问题,提出采用改进的群智能搜索机制获得PID控制器的优化参数。即采用粒子群优化算法(PSO)结合Levy Fl ight原理,形成了改进的群智能搜索算法。
基本思路:随机初始化一定个数和维度的粒子群与其他参数。分布在可行域中,每一个粒子(位置)就是优化问题的一个可行解,粒子的优劣由适应度函数作为评判标准,可以获得粒子个体极值与粒子群极值(极值,指的是最佳适应值对应的粒子的位置)。粒子群在可行空间中的新位置是在粒子个体和整个种群极值的基础上结合levy飞行原理产生的。进而通过适应度函数,再次获得极值,同时更新粒子群的历史最佳极值。再次更新粒子群位置,循环往复,直到更新次数达到最大迭代次数的设定值为止。此时得到了搜索算法中的粒子群的历史最佳极值就是PID控制器参数的全局最优解。
在智能搜索算法中,一个重要的组成部分就是适应度函数,它是算法评价可行解的优劣性的依据。它的设置带有主观性,可根据实际需求来设置。因此,本算法中采用性能指标函数作为适应度函数。
一般而言,性能指标可分为两类:时域指标与频域指标。本算法采用时域性能指标。此外,时域性能指标也有两类:
(1)积分性能函数类型。包括绝对值误差积分(Integral of Absolute Error,IAE),具体形式为:平方误差积分(Integral of Squared Error,ISE),具体形式为:时间乘绝对误差积分(Integral of Time multiplied by the Absolutevalue of Error,ITAE),具体形式为:时间乘平方误差积分(Integral ofTime multiplied by Squared Error,ITSE),具体形式为:
(2)时域响应性能参数类型。包括最大偏差(maximum deviation),也叫做超调量(overshoot);上升时间(the rise time);调节时间,也叫做过渡时间(transient time);稳态误差(the steady error)等。
综合考虑,如果着重考虑系统时域响应过程中的各项性能,可采用:
J=(1-e-β)(GMp+Hess)+e-β(ts-tr)+λσ(Δ) (26)
如果更加关注系统在运行过程中的误差性能指标、对控制增量进行约束,可采用:
式(27)中,性能指标函数由误差与控制律增量两部分构成,两者的比重可通过调整参数λ的权重实现,λ∈[0.5,1.0]。为保证两部分处于同一数量级上,提出增加参数ξ。
粒子群位置的更新方式是智能搜索算法中最重要的部分。它关乎搜索效率与准确性。优秀的搜索算法往往能通过较少的迭代次数,使参数收敛到全局最优解。值得注意的是:搜索过程中要避免算法陷入局部搜索。因此,在PSO算法基础上,引入Levy Flight原理。它是一种随机游走策略,用于实现点在任意维度空间内向任意方向前进随机长度的距离,重复这一过程,就可以“走”遍整个空间。相比于其他随机游走方法,Levy Flight中步长的分布是重尾分布,也就是说,出现大跨步的频率更高。这样可以使智能搜索算法能够从局部区域中逃逸出来,面向全局寻优。整个智能搜索算法的具体步骤为:
首先初始化粒子群规模N,维度D,位置X,迭代次数ite,最大迭代次数maxgen,搜索范围等。由于目标是优化PID控制器的三个参数,所以粒子群的维度D等于3。初始的粒子位置分布可以采用标准正态分布。搜索范围一般依据经验设定,并且三个参数的搜索范围一般不同。
在一次迭代中,每一个粒子的适应度函数值的计算方法为:使用辨识的参数模型与粒子位置中包含的PID参数生成的控制器,构建闭环系统。在足够长的单位阶跃信号的输入作用下,可以得到闭环系统的时域响应(包含暂态响应与稳态响应)。进而采集时域性能指标,代入到式(26)中,可以计算出粒子的适应值,得到粒子极值。计算整个粒子群的适应值,获得了一次迭代中粒子群极值。
粒子群更新包含两部分:速度更新与位置更新。速度更新方式为:
Vnd=μ·Vnd+c1·r1·(Gnd-Xnd)+c2·r2·(Zgd-Xnd) (29)
式(29)中,Vnd,n∈[1,2,...,N],d∈[1,2,...,D]表示第n个粒子在第d维空间的速度。Xnd,n∈[1,2,...,N],d∈[1,2,...,D]同理表示第n个粒子在第d维空间的位置。Gnd表示第n个粒子在第d维空间个体极值。Zgd表示第d维空间粒子群极值。μ为惯性因子,其值非负,数值越大,全局寻优能力越强,局部寻优能力变弱。(c1,c2)分别代表个体学习因子和种群学习因子,取值范围:[0,4]。(r1,r2)是[0,1]之间的随机数。
位置更新方式为:
Xnd=Xnd+Vnd (30)
此外,为提高搜索精度与效率,粒子位置更新方式做出改变。在一次迭代中,选取10个粒子在历史最佳适应度位置基础上,在不同范围的领域内更新位置。其他粒子按照式(29)和(30)更新位置。即:X=Xbest+δr1(Dup-Dlow),其中r1为[0,1]之间的随机数,Dup与Dlow分别表示搜索上界与下界,δ为邻域大小。
为了使搜索算法的寻优效率更高,对惯性因μ做出调整。引入levy飞行算法,使其自动改变数值大小。具体为:
μ=μmax-ite/max gen·(μmax-μmin)+Δμ (31)
式(30)中,ite为当前迭代次数,μmax,μmin分别表示惯性因子的上下界。
式(31)中,χ0是比例因子,取值范围:0.01~0.05。β为常数,取值范围:[1,3]。
此外,当粒子位置更新值超出搜索边界,那么新位置取值在上下限的边界上。
更直观地展示PSO-Levy Flight算法流程:
PSO via Levy Flight
Begin
初始化粒子群规模N,粒子的位置与速度,定义最大迭代次数maxgen,ite=1。
while(ite<maxgen)
根据适应度函数J,计算所有粒子的适应度。
将所有粒子的位置赋值给Pn,n=1,2,...,N并根据适应度更新,适应度最佳的粒子位置赋值给Pg并更新。
由公式(31)、(32)计算出惯性因子。
由公式(29)、(30)计算下一代粒子群的位置与速度。
判执行边界处理程序,在可行域中产生新的粒子群。
ite=ite+1
end while
输出全局最优的PID控制器参数Pg。
End
将搜索得到的PID优化参数输出到实际工业过程,实现闭环系统自动跟踪控制。整个智能PID控制器在线优化方法的实施的具体步骤为:
(1)确定高阶线性时变模型阶次,初始化优化方法参数,设置手动模式与自动模式切换点。
(2)算法投入运行,从零开始实时记录算法运行时间,使用可靠递推辨识算法获得高阶模型参数。在切换点之前,采取开环手动控制。首先,手动给定控制律,并依据同一模型参数的前后两个时刻辨识结果的差值,自动调整在线辨识算法中的调节因子,调节因子的数值逐步减小,使模型参数快速收敛。在这个过程中,调节因子会调整到合理的值。其次,在合理的范围内,多次手动改变控制律。在手动模式的后期,按照30秒的频率(可自定义)使用搜索算法实时优化PID参数。此举意在为自动模式提供PID参数初值。
(3)在切换点之后,闭环自动控制模式启动。此时的控制律采用手动模式后期产生的PID参数生成。值得注意的是,在整个自动模式下,当新的PID参数未更新,控制律不变。
(4)在整个自动控制阶段,依据控制偏差进行闭环控制。当实际过程输出不能完全跟踪设定值,将产生控制偏差。为了消除控制偏差,采用智能PID控制器在线优化方法更新PID控制器参数,重新计算控制律,投入到实际流程工业过程中,完成闭环控制。同时,当算法运行到已设定频率的更新时刻,PID控制器参数也会实时优化,实现优化控制。
此外,控制偏差增大都是由工况改变导致的。在前文已经提到,工况改变可以分成三种情况:切换过程,慢时变过程和非线性动态过程。但是,切换过程带来的设定值改变对于控制偏差的影响是巨大的,而后两种改变则是缓慢地增大控制偏差。对于切换过程,需要立即更新PID控制器参数,以应对这种突发状况,使过程输出重新跟踪设定值;对于后两种情况,通过按固定频率实时优化PID控制器参数的方式,就可以使控制偏差一直维持0值附近。
综上所述,针对流程工业中工况改变的情况,使用智能PID控制器在线优化算法能够完美地跟踪这种变化。
本发明与现有技术相比,具有如下的优点:
本发明基于高阶线性模型的智能PID控制器在线优化的方法,以流程工业为研究对象,充分考虑工况改变的情况,使用高阶线性模型去还原这种过程;同时,基于模型提出了可靠递推辨识技术,并在辨识算法中引入调节因子与Nussbaum增益,用于加快参数收敛的速度,提高算法精度。而且,给出了辨识算法的收敛性证明;接着,采用levy飞行原理结合粒子群算法搜索PID控制器中参数最优解;整体算法既可以实时在线优化PID参数,又能快速应对流程工业中工况改变的情况,真正实现智能控制器在线优化的功能;此方法具有耗时短、精确度高、自适应能力强、实用性强、适用范围广泛等优点,具有极佳的应用前景和商业价值。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰,均落在本发明的保护范围内。
Claims (10)
1.一种智能PID控制器在线优化方法,其特征在于,包括:
初始化用于描述流程工业中工况改变的时变高阶离散线性模型;
使用可靠递推辨识算法获得高阶模型参数;
基于高阶模型和适应度函数,使用引入了levy飞行原理的粒子群搜索算法对PID控制器进行参数寻优;
根据辨识得到的高阶参数模型,构建了相应的智能PID控制器。
3.根据权利要求1所述的智能PID控制器在线优化方法,其特征在于,在可靠递推辨识算法中引入了Nussbaum函数,用于重新定义辨识误差。
5.根据权利要求1至4任意一项所述的智能PID控制器在线优化方法,其特征在于,基于高阶模型和适应度函数,使用引入了levy飞行原理的粒子群搜索算法对PID控制器进行参数寻优,包括:
初始化用于对PID控制器中的参数(P I D)寻优的粒子群;
根据高阶模型与适应度函数,计算所有粒子的适应度;
将所有粒子的位置复制给粒子群中的粒子,并根据适应度更新;
根据levy飞行算法,计算出惯性因子;
根据计算得到的惯性因子,计算下一代粒子群的位置和速度;
在可行域中产生新的粒子群;
迭代执行除初始化以外的上述步骤,直至迭代次数到达迭代次数上限。
6.根据权利要求5所述的智能PID控制器在线优化方法,其特征在于,根据计算得到的惯性因子,计算下一代粒子群的位置和速度,包括:
根据如下公式计算下一代粒子群的位置和速度:
Vnd=μ·Vnd+c1·r1·(Gnd-Xnd)+c2·r2·(Zgd-Xnd)
Xnd=Xnd+Vnd
其中,Vnd,n∈[1,2,...,N],d∈[1,2,...,D]表示第n个粒子在第d维空间的速度,Xnd,n∈[1,2,...,N],d∈[1,2,...,D]同理表示第n个粒子在第d维空间的位置,Gnd表示第n个粒子在第d维空间个体极值,Zgd表示第d维空间粒子群极值,μ为惯性因子,其值非负,数值越大,全局寻优能力越强,局部寻优能力变弱,(c1,c2)分别代表个体学习因子和种群学习因子,取值范围:[0,4],(r1,r2)是[0,1]之间的随机数。
7.根据权利要求6所述的智能PID控制器在线优化方法,其特征在于,惯性因子由如下公式给出:
μ=μmax-ite/maxgen·(μmax-μmin)+Δμ
其中,ite为当前迭代次数,μmax,μmin分别表示惯性因子的上下界。
8.根据权利要求6所述的智能PID控制器在线优化方法,其特征在于,采用性能指标函数作为适应度函数,性能指标函数选择时域性能指标。
9.根据权利要求1至4任意一项所述的智能PID控制器在线优化方法,其特征在于,由PID控制器所控制的过程包括:切换过程,慢时变过程和非线性动态过程。
10.一种智能PID控制器在线优化系统,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据权利要求1至9任意一项所述的智能PID控制器在线优化方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110706499.8A CN113467225A (zh) | 2021-06-24 | 2021-06-24 | 智能pid控制器在线优化方法及系统 |
CN202210379095.7A CN114839861A (zh) | 2021-06-24 | 2022-04-12 | 智能pid控制器在线优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110706499.8A CN113467225A (zh) | 2021-06-24 | 2021-06-24 | 智能pid控制器在线优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113467225A true CN113467225A (zh) | 2021-10-01 |
Family
ID=77872727
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110706499.8A Withdrawn CN113467225A (zh) | 2021-06-24 | 2021-06-24 | 智能pid控制器在线优化方法及系统 |
CN202210379095.7A Pending CN114839861A (zh) | 2021-06-24 | 2022-04-12 | 智能pid控制器在线优化方法及系统 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210379095.7A Pending CN114839861A (zh) | 2021-06-24 | 2022-04-12 | 智能pid控制器在线优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113467225A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116893614A (zh) * | 2023-06-06 | 2023-10-17 | 苏州优世达智能科技有限公司 | 一种基于多传感器融合的水陆两栖无人艇的控制方法 |
-
2021
- 2021-06-24 CN CN202110706499.8A patent/CN113467225A/zh not_active Withdrawn
-
2022
- 2022-04-12 CN CN202210379095.7A patent/CN114839861A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116893614A (zh) * | 2023-06-06 | 2023-10-17 | 苏州优世达智能科技有限公司 | 一种基于多传感器融合的水陆两栖无人艇的控制方法 |
CN116893614B (zh) * | 2023-06-06 | 2023-12-15 | 苏州优世达智能科技有限公司 | 一种基于多传感器融合的水陆两栖无人艇的控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114839861A (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112147891B (zh) | 一种火电机组协调系统全局非线性优化控制方法 | |
CN113378463B (zh) | 基于深度学习的电传动推土机电池热管理控制方法及系统 | |
CN113869795B (zh) | 一种工业副产煤气系统长期调度方法 | |
Dominic et al. | An adaptive, advanced control strategy for KPI-based optimization of industrial processes | |
CN112015082B (zh) | 一种基于模糊增益调度预测控制的机炉协调系统控制方法 | |
CN112785080A (zh) | 一种基于水泥工业的实时动态水泥粉磨系统能耗优化方法 | |
CN114839861A (zh) | 智能pid控制器在线优化方法及系统 | |
Marusak | A numerically efficient fuzzy MPC algorithm with fast generation of the control signal | |
Van den Broeck et al. | Time optimal MPC for mechatronic applications | |
Myrtellari et al. | Analysis and Performance of Linear Quadratic Regulator and PSO algorithm in optimal control of DC motor | |
CN113741182B (zh) | 一种基于广义值迭代的污水处理过程控制方法 | |
Maghfiroh et al. | Optimal energy control of DC-drive conveyor using LQR method | |
Zhang et al. | A modelling and control approach for a type of mixed logical dynamical system using in chilled water system of refrigeration system | |
Mohammed | DC motor drive with P, PI, and particle swarm optimization speed controllers | |
Lian et al. | Permanent magnet synchronous motor control of electromechanical actuator based on parameter self-tuning method | |
Yang et al. | Intelligent forecasting system using Grey model combined with neural network | |
Yu et al. | Predictive control based on neural networks of the chemical process | |
Lei | Application of improved PID control technology in hydraulic turbine governing systems | |
Kheriji et al. | Efficient implementation of constrained robust model predictive control using a state space model | |
Gao et al. | Control of system with large parametric uncertainty using multiple robust controllers and switching | |
Xakimovich et al. | Structural-Parametric Synthesis of an Adaptive Fuzzy-Logical System | |
Shern et al. | Performance Evaluation of EHA System using Weight Aggregation Strategy in MOPSO-PID | |
Manling et al. | Frequency reformation of ground source heat pump system based on proportional control with grey prediction | |
Korotka et al. | Modification of the method of corrective functions in control problems on the accuracy of numerical analysis of structures | |
Wang et al. | An Automatic Guided Vehicle Control System Based on an ARX Model Identifications and a Hybrid Particle Swarm Parameter Optimization |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211001 |
|
WW01 | Invention patent application withdrawn after publication |