（控制理论与控制工程专业论文）基于神经网络的智能pid控制器研究与应用.pdf

基于神经网络的智能p i d 控制器研究与应用 摘要 p i d 控制器的特点是结构简单，鲁棒性强，规则容易理解等，而 神经网络以其很强的适应于复杂环境和多目标控制要求的自学习能 力，并能以任意精度逼近任意非线性连续函数的特性引起控制界的广 泛关注。对于强非线性系统，利用神经网络的优点，设计p i d 控制器 的在线调整控制系统，改善系统性能，无论在理论还是实践上都将具 有重要意义。 本文在吸取传统的经典控制理论强大的分析能力基础上，结合神 经网络控制的特点，将神经网络控制与传统p i d 控制相结合，明确了 神经网络对于解决传统过程控制问题的重要地位。设计了一种基于神 经网络瞬时线性化的在线自校正p i d 控制器，对p i d 控制与神经网 络相结合的几种神经网络p i d 算法进行了仿真分析与研究。对于p h 中和反应控制系统，将神经网络用于其p i d 参数的在线整定，给出了 设计神经网络在线自校正控制器的一般算法，并讨论了在m c g s 中 用v b 语言实现该控制过程的技术方法。 论文的工作充分表明基于神经网络的智能p i d 控制器具有良好 的控制效果，有着广阔的发展前景。 北京化工大学硕十学位论文 关键词：p i d 控制，神经网络，智能控制，非线性系统 i i 摘要 p i dc o n t r o u e rb a s e dn e u r a ln e “v o r k sw i t ha p p l i c a t i o n s a b s t r a c t t h ep i dc o n t r o l l e ri ss i m p l ei ns t l l l c t u r e ，s t r o n gi nr o b u s t n e s s ，a n d c a nb eu n d e r s t o o de a s i l y n e v e r t h e l e s s ，n e u r a ln e t w o r i 【sh a v e g r e a t c a p a b i l i t yi ns o l v i n gc o m p l e xm a t h e m a t i c a lp r o b l e m ss i n c et h e yh a v e b e e np r o v e nt o 印p r o x i m a t ea n yc o m i n u o u s 如n c t i o na sa c c u r a t e l ya s p o s s i b l e h e n c e ，i th a sr e c e i v e dc o n s i d e i a b l ea t t e n t i o ni nt h ef i e l do f p r o c e s sc o n t r 0 1 t a l ( i n gt h ea d v a n t a g eo fn e u r a ln e 觚o r ka n da p p l y i n gi t t oc o n t r o l l e rd e s i g nw h i c hp i dp a r a m e t e r sa r ea d j u s t e do n l i n ef o rh i g h l y n o n l i n e a rs y s t e m ，w h i c hc a ni m p r o v ec o n t r o l l e rp e 响m a n c e s ot h e r e s e a r c ho fp i dc o n t r o lb a s e do nn e u r a ln e t w o r ki ss i g n i a mi ne i t h e r t h e o r yo ra p p l i c a t i o n b a s e do nt h ea n a l y z i n gc 印a b i l i 哆o ft h ec l a s s i c a lc o n t r o l t h e o 巧a n d t h ec h a r a c t e ro ft h en e u r a ln e t w o r kc o n t r o l ，m i sp a p e rc o m b i n e st h e t r a d i t i o n a lp i dc o n t r o la n dm en e u r a ln e t w o r k c o n t r o l ， m i sp 印e r e x p l i c a t e s t h e s i g n i f i c a n tp o s i t i o n f o rt r a d i t i o n a l p r o c e s s c o n t r 0 1 s u b s e q u e n t l y t h i sp a p e rd e s i g n sa no n l i n es e l f t u n i n gp i dc o n t r o l l e r b a s e do nm ei n s t a n t a n e o u s1 i n e a r i z a t i o nn e u r a ln e t w o t l ( ，d i s c u s s e sa n d s i m u l a t e st w ol ( i n d so fp i da l g o r i t h mb a s e do nn e u r a ln e t w o r k m a t s m o r e ，a no n 一1 i n eu p d a t e dp i da l g o r i t h mi sp r o p o s e d ，a n do n es i n m l a t i o n i i l 北京化工大学硕士学位论文 e x 锄p l e o fn o n l i n e a r p h n e u t r a l i z a t i o n s y s t e m i sd i s c u s s e dt o d e m o n s t r a t et h e 印p l i c a _ b i l i t yo ft h ep r o p o s e da l g o d t h m i nt h ee n d ，w e d i s c u s st h et e c h n 0 1 0 9 ym e t h o db yv br e a l i z a t i o nb a s e do nm c g s a si ss h o w ni nm ep 印e r t h ei n t e l l i g e n tp i dc o n t r o l l e rb a s e do n n e u r a ln e t w o r kh a sb e t t e rc o n t r o lp e 订o n n a n c ea n dt h ee x p a ! l s i v e f o r e g r o u n d k e yw o r d s ：p i dc o n t r o l l e r ，n e u r a ln e t w o r l ( i n t e l l i g e n t c o n t r o l ， n o n l i n e a rs y s t e m i v 北京化工大学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下， 独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本 论文不含任何其他个人或集体已经发表或撰写过的作品成果。对本文 的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本 人完全意识到本声明的法律结果由本人承担。 作者签名：垒童日期：型望：笸：! 关于论文使用授权的说明 学位论文作者完全了解北京化工大学有关保留和使用学位论文 的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属北 京化工大学。学校有权保留并向国家有关部门或机构送交论文的复印 件和磁盘，允许学位论文被查阅和借阅；学校可以公布学位论文的全 部或部分内容，可以允许采用影印、缩印或其它复制手段保存、汇编 学位论文。 保密论文注释：本学位论文属于保密范围，在土年解密后适用 本授权书。非保密论文注释：本学位论文不属于保密范围，适用本授 权书。 作者签名：衅日期：塑鲨! 笪! 导师签名：日期： 坦竺：彳_ 第一章绪论 第一章绪论 1 1 课题研究的背景及意义 随着控制理论的迅速发展，在工业过程控制中先后出现了许多先进的控制算 法，然而，p i d 类型的控制技术仍然占有主导地位，特别是在化工、冶金过程控 制中，众多量大面广的控制过程基本上仍然应用p i d 类型的控制单元【l j 。这是因 为p i d 控制具有结构简单、容易实现、控制效果好、稳态精度高等特点，且p i d 算法原理简明，参数物理意义明确，理论分析体系完整，为广大控制工程师所熟 悉。但是传统p d 控制是基于准确模型的，且系统特性变化与控制量之间是线 性映射关系。若采用常规p i d 控制器，以一组固定不变的p i d 参数去适应那些 参数变化、干扰众多的控制系统，显然难以获得满意的控制效果，甚至当参数变 化范围太大时，系统性能会明显变差，因此p i d 控制在解决大时滞、参数变化 大和模糊不确定的非线性过程控制问题时无法获得良好的静态和动态性能。基于 知识和不依赖对象模型的智能控制为解决这类问题提供了新的思路，成为目前解 决传统过程控制局限问题，提高过程控制质量的重要途经。 神经网络以其很强的适应于复杂环境和多目标控制要求的自学习能力，并能 以任意精度逼近任意非线性连续函数的特性引起控制界的广泛关注。人们普遍意 识到神经网络控制理论的研究和应用在现代自动控制领域中有着重要的地位和 意义。神经网络控制不需要精确的数学模型，因而是解决非线性系统控制的一种 有效途径。但是，单纯的神经网络控制也存在精度不高、收敛速度慢以及容易陷 入局部极小【2 】等问题。此外，神经网络以其高度并行的结构所带来的强容错性和 适应性，对于给定的系统很容易处理，易于与传统的控制技术相结合。 从p i d 控制和神经网络控制各自的优势和局限性可以看出，把传统线性p i d 和神经网络控制结合起来，取长补短，可使系统的控制性能得到提高，是一种很 实用的控制方法。但是，仅仅将神经网络用于离线设计p i d 控制器是不够的。 我们发现，当控制对象的非线性特性严重时，如果不在线调整p d 参数，控制 系统的性能将变得很差。因此，利用神经网络的优点，设计p i d 参数在线调整 的控制系统，以改善强非线性系统的控制性能，无论在理论还是实践上都具有重 要意义。 北京化工大学硕士学位论文 1 2 论文研究的主要内容及工作简述 本文的研究在尽量多地吸取传统的经典控制理论强大的分析能力基础上，结 合神经网络控制的独特特点，将神经网络控制与传统p i d 控制相结合，明确了 神经网络对于解决传统过程控制问题的重要意义。对传统p i d 控制与神经网络 控制相结合的几种神经网络p i d 算法进行了仿真分析与研究，并将其应用于p h 中和反应控制系统中。 p l c 在过程控制中的应用十分广泛，但是其中的p i d 模块仍然沿用传统的 p i d 控制策略，对于复杂的控制系统很难满足要求。本课题将高级语言编写的先 进的控制算法嵌入到上位机的组态软件中，对p i d 参数在线整定，以减轻下位 机工作的复杂度，达到改善控制实时性的目的。 第一章简要介绍了课题的来源背景、主要内容、目的意义以及国内外的研究 现状及发展动态。 第二章针对非线性过程控制，阐述了一种离线神经网络模型在线线性化，基 于对象的瞬时线性模型在线调整p i d 控制器参数的算法，并在其中考虑了广义 最小方差等约束条件，通过仿真验证了算法的控制效果。 第三章讨论了基于径向基函数( i m f ) 神经网络的p i d 自适应控制方案。采 用神经网络辨识器在线辨识系统模型，自动调整p i d 控制器参数。从而实现系 统的智能控制。通过m a t l a b 仿真检验了其在非线性系统控制、吊车双摆对象 控制及在噪声环境下的控制效果。 第四章针对具有严重非线性的p h 中和过程，设计了基于瞬时线性化神经网 络的p d 自校正控制器，并将用语言编写的控制算法嵌入到m c g s 工控组 态软件中，实现对下位机p i d 参数的实时调整。 第五章结论与体会，总结自己在课题研究过程中的一些体会和心得，分析了 工作中的不足，提出了以后工作的注意事项，改进方法。 1 3 国内外的研究现状及发展动态 ，3 1p l d 参数的经典整定方法 2 第一章绪论 p i d 控制器的特点是原理简单，适应性强，鲁棒性强，最突出的特点在于它 不依赖对象的精确模型，可以解决工业过程精确建模的困难。而且其应用时期较 长，控制工程师们己经积累了大量的p i d 控制器参数的整定经验。 p i d 控制器的发展经历了液动式、气动式、电动式几个阶段，已经由模拟控 制器向着数字化、智能化控制器的方向发展；这些数字化、智能化的控制器有着 传统的模拟控制器所无法比拟的优点，如：可以灵活的改变控制参数，可以灵活 的改变控制策略等。 但是随着工业装置越建越大，控制回路越来越多，操作越来越复杂，使得 p i d 控制器的参数往往难以整定到理想状态，影响回路控制的效果，对产品质量、 原料消耗、能耗等都会带来不利的影响，更严重的会影响到生产装置的安全操作。 所以p i d 的参数整定方法在实际生产中的应用成为研究的热点。尤其是针对时 变的、非线性对象的p i d 自整定。自整定是指控制器根据对象特性变化自动整 定p i d 参数，使控制系统具有稳定鲁棒性。 自z i e 西e r 和n i c h o l s 提出p i d 参数整定方法【3 】以来，许多技术己经被用于 p i d 控制器的手动和自动整定。根据研究方法的划分，可分为基于频域的p i d 参 数整定方法及基于时域的p i d 参数整定方法；根据发展阶段的划分，可分为常 规p i d 参数整定方法及智能p i d 参数整定方法( 包括自整定和自适应及增益计划 设定) ；按照被控对象个数来划分，可分为单变量对象p i d 参数整定方法及多变 量对象p i d 参数整定方法，前者包括现有大多数整定方法，后者是近年来研究 的热点和难点；按照被控对象的稳定性来划分，可分为稳定对象的p i d 参数整 定方法和不稳定及积分对象的p d 参数整定方法，前者的技术比较成熟，后者 由于较难控制，一直是研究的热点；按控制量的组合形式来划分，可分为线性 p i d 参数整定方法及非线性p i d 参数整定方法，前者用于经典p i d 调节器，后者 用于由非线性跟踪一微分器和非线性组合方式生成的非线性p d 控制器。 1 3 1 1 基于频域的p id 参数整定 大多数工业调节器使用频率响应法进行整定【4 1 ，这是因为建模误差和应用条 件能直接在频域内表述。因此，现有的大部分p i d 参数整定方法均基于对象的 频率响应分析或与频率有关的参数估计。基于在一个或更多频率点被控过程的某 些特征的p d 控制器参数整定已有许多方法，其中一些仅在一个频率点确定过 程传递函数瞪 】，这类方法可称为基于非参数估计的p i d 参数整定方法。基于被 控过程模型参数估计的参数整定方法按控制器参数设计原理可细分为：基于极点 配置、基于相消原理、基于经验规则和基于二次型性能指标等几类，这类方法也 北京化t 大学硕士学位论文 可称为基于参数估计的p i d 参数整定方法【9 】。 然而，既便是用于手动整定，解析方法比繁琐的基于频率图的图形方法更便 利。解析方法使用有限数目参数描述的低阶模型。常用的模型有一阶加纯滞后时 间模型( 简称为f o p d t ) 及积分加一阶模型。前者一般多用于化工过程，后者多 用于描述热力或电子机械过程。为了适用，模型必须考虑控制器特性，模型参数 应该等于控制器参数。因此，对p i d 控制，应定义一个三参数模型，一些整定 方法通过对模型进行合理假设以代替三参数估计【10 1 。 依据域使用的模型，解析整定方法整定可分为两大类。第一类源于z i e 百e r n i c h o l 澍】，使用f o p d t 模型。该项工作被a s t r i j m 和h a g 百u i l d 扩展应用于控 制器自整定。通过无量纲分析，a s 仃6 m 等证明z n 法仅对具有一阶惯性主导的 过程，或对具有一个积分及一个主导滞后时间的过程有效。在这类方法中，根据 过程传递函数模型计算控制器参数的解析方法【1 2 均优点是易于辨识。然而，这 种方法在高频激励下对未建模型动态估计的灵敏度较差，并且若过程的极点和零 点较接近，则有可能在传输特性没有改变的情况下，传递函数模型参数却发生显 著变化。针对上述方法的缺点，文献 1 3 给出一种频域方法，避免了上述现象的 发生。在这种频域方法中，使用一对低通滤波器及一个最小二乘估计器来估计奈 氏曲线上的一个定点。文献 1 4 中的方法对文献 1 3 中方法进行了扩展与改进。 该方法使用n 对低通滤波器及n 个最小二乘估计器来估计奈氏曲线的n 个点， 这样就有效地跟踪了奈氏曲线上的临界点变化，使系统对过程时间参数及滞后时 间变化适应性更强。该方法对临界点的估计不受低频干扰及高频噪声的影响，因 而是鲁棒的。第二类解析整定方法使用积分加一阶模型，由k e s s l 一”】结合对称 优化方法引入。该方法主要特点是最大化相位裕度，并产生对称频率图。该方法 在电力领域较受欢迎。最近它被d a 和l a u d a u 应用到p i d 控制器的自校正方 面。 总结现有的基于频率的参数整定方法，可以将它们分为以下九类主要的整定 方法： ( 1 ) z n 法：z n 频域响应法又称为z n 第二方法。 ( 2 ) 一些超调规则( s o - o v ) ：公式是z - n 整定规则的简单修改，目的是为了 获得设定值变化响应的超调量减少【1 6 】。 ( 3 ) 无超调规则( n o o ：类似于s o o v 规则，试图使设定值变化的响应 没有超调。三个因子均可用于减少z n 规则中的比例增益，同样的因子也可用 于增加微分时间【l 。 ( 4 ) m a 1 1 _ t z - 1 1 a c c o i l iz i e 酉e r n i c h o l s ( m t z n ) ：文献【1 8 】提出一个可获得z - n 调 节性能的两自由度控制器，同时通过使用设定值前向滤波器来改进设定值控制。 4 第一章绪论 通过控制器的比例及微分项的设定值加权以抵消z n 整定导致的低衰减的复共 扼极点。该规则可用于最小相位系统。 ( 5 ) 改进z n 法：该规则由文献【1 9 】提出，在文献【2 0 】中做了进一步完善。 ( 6 ) 平方时间加权偏差的积分( i s t e ) ：基于应用传递模型的p i d 控制器优化 设计，文献【2 1 】提出了针对f o p d t 模型的i s t e 指标最优的整定公式。使用该公 式，整定规则可用于设定值变化和负荷变化。但i s t e 整定公式不能用于两自由 度p i d 控制器。 ( 7 ) p e s s e i l 绝对偏差积分( p 队e ) ：在文献 2 2 】中，z n 整定规则被推广用于 相互作用控制器。 ( 8 ) k e s s l e rl a n d a uv 0 d a ( ) ：该规则试图获得“对称优化，由k e s s l e r 首 先提出。模型用于表示包括“可补偿时间常数 的和，以及小“干扰时间常数 之和的可能包括时滞的系统。 ( 9 ) 非对称优化方法( n s o m ) ：该方法由文献【2 3 】提出。该方法来源于k e s s l e r 的对称优化方法。是对k l v 方法的改进。 1 3 1 2 基于时域的p id 参数整定 z i e 哲盼n i c h o l s 在文献【1 1 】中提出的z n 阶跃响应法是基于时域的p i d 参数 整定的基本方法，又称为z - n 第一方法。文献 2 4 给出的c h r 法是z n 第一方 法的一种改进方法。c h r 法改变阶跃响应方法，并给出较好的闭环特性。它提 出使用“无超调的最快响应”或“具有2 0 超调的最快响应设计策略。该文是 最早提出针对设定值响应及负载干扰响应需要不同的整定方法的论文。上述两种 方法属于基于非参数估计的p i d 整定方法，下面介绍几种基于参数估计的p i d 参数整定方法。 c o h e i l 和c o o n 提出针对f o p d t 模型的用于抗负载干扰的基于极点配置策 略的时域参数整定方法【2 5 1 。该方法试图去配置主导极点以给出一个2 5 的衰减 比。对于p 及p d 控制器，调节极点给出最大的增益，以满足衰减比的限制。这 使因负载干扰引起的稳态偏差最小。对于p i 及p d 控制器，积分增益是最大的， 这相应于i e 最小，即由一个单位阶跃负载干扰引起的积分偏差指标最小。该方 法的缺点是不适用于衰减比过小，即闭环系统具有慢衰减和高灵敏特性的情形； 并且它较难实现高阶系统的期望闭环极点的选取，这可通过主导极点设计方法来 解决该问题【2 6 别。 文献 2 8 ，2 9 提出五整定方法，有时也叫d a l l l i n 法【3 0 1 。这种方法与史密斯预 估计器和内模控制器密切相关【3 1 3 2 1 。文献 3 3 】中方法基于该整定方法。这种方法 北京化工大学硕七学位论文 的优点是可以处理大滞后时间过程。其缺点是过程的极点和零点与被控器的零点 和极点对消掉，这可能导致系统内部存在不可控因素，对于惯性时间占主导的对 象来说，应用该方法来整定，对负载干扰的响应是非常缓慢的【3 4 1 。文献【3 5 】中描 述的预测比例积分( p p i ) 控制器为a 整定方法的特例。文献 3 6 】提出的带滤波器的 p p i 控制器适用于具有大滞后时间及参数不确定的过程。只需要整定积分时间， 比例增益和等价滞后时间三个参数。 基于时域的最小平方性能指标的控制参数确定方法见文献 3 7 3 9 ，这些方 法的缺点是没有将满足性能指标的选择参数与控制回路典型特性( 如幅值裕度和 相位裕度) 联系起来，因此控制器鲁棒性的确定不是直接的。 1 3 2p i d 参数的现代及智能整定方法 a s 打6 m 在1 9 8 8 年美国控制会议( a c c ) 上作的面向智能控制【删的大会报 告为智能p i d 控制的发展奠定了基础。他概述了结合于新一代工业控制器中的 两种控制思想，自整定和自适应。他认为自整定控制器和自适应控制器能视为一 个有经验的仪表工程师的整定经验的自动化。文献 1 7 】中继续阐述了该思想，认 为自整定控制器包含从实验中提出过程动态特性的方法及控制设计方法，并可能 决定何时使用p i 或p i d 控制，即自整定控制器应具有推理能力。自适应p i d 的 应用途径的不断扩大使得对其整定方法的应用研究变得日益重要。目前，在众多 的整定方法中，主要有两种方法在实际工业过程中应用较好。一种是由福克斯波 罗( f o x b o r o ) 公司推出的基于模式识别的参数整定方法【4 1 1 ，另一种是基于继电反 馈的参数整定方法。前者主要应用于f o x b o r 0 的单回路e x a c t 控制器及其分散 控制系统i as 嘶e s 中的p i d e 功能块。其原理基于b r i s t o l 在模式识别的早期 工作，运行经验总结见文献 4 2 】。后者的应用实例比较多，这类控制器现在包括 自整定，增益计划设定及反馈和前馈增益的连续自适应等功能，这些技术极大简 化了p i d 控制器的使用，显著改进了它的性能，它们统称为自适应智能控制技 术。 自适应技术中最主要的是自整定。按工作机理划分，自整定方法能被分为两 类：基于模型的自整定方法和基于规则的自整定方法。下面就分别对这两类方法 加以介绍。下面就分别对这两类方法加以介绍。 6 第一章绪论 1 。3 2 1 基于模型的自整定方法 在基于模型的自整定方法中，可以通过暂态响应实验、参数估计及频率响应 实验来获得过程模型。 在自整定控制器中，使用了许多不同的整定方法，许多方法都源于文献 1 1 】。 文献 3 7 】给出的扩展z n 阶跃响应方法是一种基于暂态响应技术的自整定方法， 该方法直接从阶跃或脉冲响应中获得简单过程模型参数，p d 控制器的参数进而 在满足加权误差平方积分指标( i s e ) 最小的条件下，由模型参数获知，该暂态响 应方法与原始的在z n 阶跃响应法相比对噪声不敏感。h 趣酉u n d 及a s 们m 所写 的基于频率响应的自适应控制器提出了基于互相关度( c s sc o r f e l a t i 傩) 的 自整定方法，它利用二迸制伪随机序列的输入与过程输出问的互相关度来识别最 大增益和相位，并应用于z n 整定公式，其主要优点是能用于噪声很强的环境。 文献 4 3 】基于对参数“黑盒 传递函数的估计，提出一种用于闭环p d 的整 定方法。p i d 控制器参数由频域中的受限优化条件决定。限制条件是典型的控制 系统特性，如灵敏度及补偿灵敏度函数的最大幅值。如果给出期望值，则在p i d 控制器低频幅值特性最大的条件下，确定p i d 参数。这种方法最大的优点是鲁 棒性及快速性的折衷直接通过选择期望条件决定，且整定过程对于扰和噪声灵敏 度较低。缺点是不适应过程的连续变化。 文献 5 】中提出一种继电反馈方法，该方法是获得过程临界信息的最简便的 方法之一，它通过在过程输出至其输入的反馈回路中连入继电器以近似确定临界 点，大多数过程将在一个有限周期内振荡，其临界增益和周期由振荡的幅值和频 率来决定。该方法可保障稳定过程的稳定闭环振荡响应，因此已广泛应用于工业 p i d 控制器参数自整定中。在该方法中，首先产生一个有限周期振荡使得控制系 统在对于系统稳定至关重要的频率点处振荡；然后反复调整控制参数，以使闭环 传递函数满足某个振荡频率点处的幅值要求，与a s 拍m 和h 冱g 讲u 1 1 d 的开环自整 定调节器相比，由于该方法选择振荡频率更合理，使得控制回路具有比后者范围 更宽的增益和相角裕度；并且该方法对振荡频率附近的干扰鲁棒性更强。其主要 缺点是由于激励频率较低及振荡周期数可能因控制参数反复修改而较大，造成整 定周期过长。 针对p i d 控制器对于具有大滞后时间的过程控制性能较差及需要不必要的 决速采样等缺点，文献【4 4 基于继电反馈方法，提出一种用于整定单回路数字控 制器的直接算法。所选控制器的结构采用滞后时间补偿。这种方法优于连续时间 p i d 算法之处在于：( 1 ) 几乎没有近似，离散时间模型直接确定；( 2 ) 使用多于 幅值和频率的全波形信息；( 3 ) 容易调整系统响应速率；( 4 ) 算法可用于处理具 有时滞的系统，同时允许自适应滤波。仿真实验表明该方法对于具有时滞的低阶 7 北京化工大学硕士学位论文 系统效果较好，但不适用于具有较大极点的系统。 文献【4 5 】提出一种新的继电反馈方法，该方法可辨识存在静态负载干扰下的 临界数据组，并用一个自动偏置来克服在继电整定实验过程中的静态负载干扰对 临界增益和临界周期的估计造成的误差。然而，这种方法需要关于过程静态增益 的预先确定的信息。进而，如果没有过程静态增益的先验信息，该方法需要几个 继电实验以获得精确的临界数据和过程的静态增益。文献 4 6 】提出一种具有一个 偏置项，同时估计临界数据组及过程静态增益的新继电整定方法。这种方法有助 于简化使用继电反馈的在线过程辨识步骤。但由于偏置项导致过程输出和继电输 出的混杂，使获得的临界数据组的准确度在某种程度上下降。文献 4 7 提出一种 新的改进继电反馈法，以求在存在静态负载干扰下得到更准确的临界信息。所提 出的继电反馈方法自动改变继电器输出以确保对称的过程输出。该方法不需要关 于过程静态增益的任何先验知识，过程静态增益和临界信息可由一个继电实验同 时获得。 文献 4 8 】提出一种基于继电激励获得被控对象频域模型的p i 及p d 控制器 自校准的方法。该方法使用带滞环的继电器，自动调节继电器输出以获得过程相 位滞后为1 3 5 0 频率处的振荡。整定规则基于对称优化方法，具有同时考虑鲁棒 性( 相角裕度、增益裕度、灵敏度) 及期望闭环特性的优点。但该方法不能不加修 改地用于工业过程控制中去，并且振荡幅度和周期的测量值在噪声环境下准确度 下降。 文献 4 8 将各继电反馈技术用于串级控制器的自动整定，继电器的使用允许 在副回路整定时，不用将主控制器置为手动方式。并且串级回路的相对速度可由 继电反馈自整定获得的有限周期振荡( 等幅震荡) 获知。文献 4 9 】提出一种改进的 继电反馈方法以获得过程更精确的临界信息，他们使用六步信号代替文献 4 4 中使用的两步信号以减少高次谐波项。 利用幅值裕度和相角裕度整定p d 参数能使系统具有良好的控制性能和鲁 棒性能。文献 5 0 提出种基于继电反馈的利用相角裕度自整定p i d 参数的方 法，该方法通过在控制回路中插入时滞变量，在过程的每一步由算法本身完成搜 索，能在实时整定之前找到过程频率响应曲线上的不同点，直到满足某些预设定 的控制性能( 如闭环相角裕度) ，p i d 参数在此时被计算。算法所需的过程先验知 识较少，用户只需给定闭环系统所需的最小相角裕度即可。文献 5 1 提出一种利 用幅值裕度和相角裕度自整定p i d 参数的方法，但该方法不适于整定不稳定对 象。文献 5 2 给出一种新的基于给定相角裕度和幅值裕度的p i d 参数自整定 s p a m 法，该方法利用较少的对象信息，可独立整定p i d 调节器所有参数，仿真 结果表明该方法适用范围较广。h o 等在文献 5 3 】中提出一种基于给定幅值及相 8 第一章绪论 角裕度的频域p i d 参数整定方法，它允许设计者在规定系统鲁棒性的同时，给 定系统性能。接下来，h o 等在文献 5 4 】中又将幅值和相角裕度( g p m ) 设计与时 间优化设计的优点相结合，给出一组能同时满足鲁棒性和最优化性能要求的p i d 控制器整定公式。文中采用了使误差平方积分( i s e ) 为最小的优化准则，i s e g p m 公式适用于p i d 控制的在线实时自整定，公式形式简单，易于工程实现。 1 3 2 2 基于规则的p id 参数整定 在基于规则的自整定方法中，不用获得过程实验模型，整定基于类似有经验 的操作者手动整定的规则。基于规则的自整定过程与基于模型的方法一样，使用 暂态响应、设定值改变或负载干扰等信息，观测被控过程的特性，若被控量偏离 设定值，则基于规则整定控制器参数。为获得一个基于规则的自整定过程，需要 对响应特性进行量化。通常使用的量是描述控制系统稳定性的超调量和衰减比， 以及用来描述控制回路响应速度的时间常数和振荡频率。获得决定不同控制器参 数应该减少或增加的相应的规则比较容易，但确定相应的量较难。因此，基于规 则的整定方法更适于连续自适应控制。与基于模型的整定方法相比，基于规则的 整定方法对于处理负载干扰和处理设定值变化的方法相同，而前者比较适于设定 值变化。 b r i s t 0 1 提出一种基于模式识别的p i d 参数整定方法。他试图避开过程模型问 题，用闭环系统响应波形上一组足以表征过程特性而数目又尽可能少的特征量作 为“状态变量”，以此为依据设计通用的自整定方法。在整定过程中，过程连接 一个p i d 控制器，观察过程的阶跃响应及干扰变化，基于响应曲线调整控制器 参数。该方法的优点在于应用简单，它不需要用户设定模型阶次等先验信息，甚 至不需要预校正测试就能自动地整定。其主要缺点是需要大量的启发式规则，从 而造成设计上的复杂性。另外，该方法对于系统存在正弦干扰、非最小相位动态 特性及多变量交叉祸合的情况性能较差。 文献 5 5 提出一种基于频域辨识的基于规则的自整定方法。该方法优于其它 整定方法在于：其整定过程不必中断正常的闭环控制，并可使用频域辨识技术从 闭环系统获得的数据中估计出过程的开环频率响应。除了几乎没有任何动态特性 先验知识的情形外，该方法不必进行继电整定或开环阶跃响应整定。该方法使用 周期性激励，应用频率响应估计以获得闭环内的相对高的信噪比。辨识易于自动 执行，且计算量适当。 9 北京化丁大学硕上学位论文 1 3 3 神经网络在p l d 控制系统中的应用 目前应用于神经网络控制方案中的神经网络主要有前馈神经网络、反馈神经 网络、模糊神经网络、自组织神经网络等等。 ( 1 ) 前馈网络。在神经网络控制方案中采用最多的是前馈网络，而前馈网络 中以b p 神经网络用的最多，采用r b f 网络的神经网络控制方案也已出现。 ( 2 ) 反馈网络。近年，将反馈网络应用于神经网络控制方案已经引起了人们 的兴趣，并且这方面的文献也越来越多。 ( 3 ) 模糊神经网络。从文献中可以看到，基于模糊神经网络的非线性自适应 控制颇有潜力。 另外，自组织神经网络也已经应用于神经网络控制中。随着人们对神经网络 和神经网络控制研究的深入，各种类型的神经网络都可能被应用于神经网络控制 中。 1 3 3 1 单神经元p id 控制器 文献 5 6 提出用单神经元实现自适应p d 控制的结构框图如图1 1 所示。 在单神经元控制器中引入输出误差平方的二次型性能指标，通过修改神经元 控制器的加权系数m ，使性能指标趋于最小，从而实现自适应p d 的最优控制。 利用具有自学习和自适应能力的单神经元来构成单神经元自适应p d 控制器， 不但结构简单、学习算法物理意义明确、计算量小，且能适应环境变化，具有较 强的鲁棒性。 z ( f ) 图1 1 单神经元自适应p d 控制器结构图 f i g 1 - la d a p t i v ep i dc o n 咖1b 懿e d0 ns i i l 9 1 en e u i o n l o 第一章绪论 1 3 3 2 神经网络p id 控制器 图l - 2 神经网络p i d 控制器 f i g 1 - 2n e u m l n e t 、) l ，o r kp i dc o n 仃0 l l e r 文献 5 7 】在常规p i d 控制器的基础上，加入一个神经网络控制器，构成如图 1 2 所示的神经网络p i d 控制器。此时神经网络控制器实际是一个前馈控制器， 它建立的是被控对象的逆向模型。由图1 2 容易看出，神经网络控制器通过向传 统控制器的输出进行学习，在线调整自己，目标是使反馈误差e ( f ) 或“，( r ) 趋近于 零，从而使自己逐渐在控制作用中占据主导地位，以便最终取消反馈控制器的作 用。但是以p d 构成的反馈控制器一直存在，一旦系统出现干扰等，反馈控制 器马上可以重新起作用。因此，采用这种前馈加反馈的智能控制方法，不仅可确 保控制系统的稳定性和鲁棒性，而且可有效地提高系统的精度和自适应能力。 1 3 3 3 基于神经网络的模糊p i d 控制器 f 逅1 3f u z z yp i dc o n 呐1b a s e do nn e u r a ln e 咐o r k 文献 5 8 将模糊控制具有的较强的逻辑推理功能、神经网络的自适应、自学 习功能以及传统p i d 的优点融为一体，构成基于神经网络的模糊p i d 系统框图 见图1 3 所示。它包括4 个部分：( 1 ) 传统p i d 控制部分：直接对控制对象形成 北京化工大学硕e 学位论文 闭环控制；( 2 ) 模糊量化模块：对系统的状态向量进行归档模糊量化和归一化处 理；( 3 ) 辨识网络n n m ：用于建立被控系统中的辨识模型；( 4 ) 控制网络n n c ： 根据系统的状态，调节p i d 控制的参数以达到某种性能指标最优，具体实现方 法是使神经元的输出状态对应p i d 控制器的被调参数，通过自身权系数的调整， 使其稳定状态对应某种最优控制规律下的p i d 控制参数。这种控制器对模型、 环境具有较好的适应能力以及较强的鲁棒性，但是由于系统组成比较复杂，存在 运算量大、收敛慢、成本较大的缺点。 1 3 3 4 基于神经网络p i d 控制器的多变量解耦控制 文 5 9 】针对多变量系统控制的特点和要求，建立了一种新的多层神经网络， 结构如图1 4 所示。其隐层神经元分别具有比例、积分、微分特性，实现了神经 网络和p d 控制规律的本质结合，称之为神经p d 网络控制器。它采用并列子 网结构，在多变量控制系统中表现出很强的自学习和自适应解耦能力，并行实现 解耦和控制，使系统具有良好的动态和静态性能。 一 图1 4 基于神经网络p m 控制器的解耦控制 f i g 1 4d e c o u p l i n gc o n 的lb a s e d 衄n e u r a ln e 腑o f kp i d 1 2 第二章基于b p 网络的非线性系统智能p i d 控制器 第二章基于b p 网络的非线性系统智能p i d 控制器 2 1b p 网络及其学习算法 1 9 7 4 年p w 矾o s 在其博士论文中提出了第一个适合多层网络的学习算法， 但该算法并未受到足够的重视和广泛的应用，直到2 0 世纪8 0 年代中期，美国加 利福尼亚的p d p ( p a r a l l e ld i s 埘b u t e dp r o c e s s i o n ) 小组于1 9 8 6 年发表了p a r a l l e l d i s t r i b u t e dp r o c e s s i n g 书，将该算法应用于神经网络的研究，才使之成为迄今 为止最著名的多层网络学习算法叫p 算法，由此算法训练的神经网络，称之 为b p 神经网络。目前，在人工神经网络的实际应用中，有8 0 9 0 的人工神经 网络模型是采用b p 网络或它的变化形式，它也是前馈网络的核心部分，体现了 人工神经网络的精华部分。 b p 网络主要应用领域【删包括： 函数逼近：用输入矢量和相应的输出矢量训练一个网络逼近一个函数。研究 表明，一个三层网络只要在隐含层中有足够的神经元，且隐含层神经元的结点函 数为s 型，便可以逼近任意的实际函数： 模式识别：用一个特定的输出矢量将它和输入矢量联系起来； 分类：把输入矢量以所定义的合适方式进行分类； 数据压缩：减少输出矢量维数，以便于传输或存储。 基于b p 算法的多层前馈型网络结构如图2 1 所示【6 l 】，这种网络不仅有输入 结点、输出结点，而且还有一层或多层隐含结点。对输入信息，要先向前传播到 隐含层的结点上，经过各单元的特性为s i 舯o i d 型的激活函数( 又称作用函数、 转换函数或映射函数等) 运算后，把隐含层结点的输出信息传播到输出结点，最 后给出输出结果。网络的学习过程有正向传播和反向传播两部分组成。正向传播 过程中，每一层神经元的状态只影响到下一层神经元网络。如果输出层不能得到 期望输出，就是实际输出与期望输出之间有误差，那么转入反方向传播过程，将 误差信号按原来的连接通路返回，再通过修改各层神经元的权值，逐次的向输入 层传播去进行计算，再经过正向传播过程，这两个过程的反复运用，使得误差信 号最小。实际上，误差达到人们希望的要求时或达到人所设定的两个过程反复运 行的次数时，网络的学习过程就结束。 1 3 北京化工大学硕士学位论文 误差反传( 学习算法) ，广。，。7 一。一。7 。：， ， i 输入层隐含层输出层 信号流 期望输出 向量 图2 l 基于b p 算法的神经网络结构 f i g 2 - lb pn e 山盈ln e “旧ks 仃u c t u r e b p 算法的实现步骤： ( 1 ) 选定权系数初值： ( 2 ) 重复下述过程直到所规定的要求： 对七= 1 到 正向过程计算：计算每层各单元的d 乞1 ，刀甜么和y i ，后= 2 ， 反向过程计算：对各层( ，= 三一1 ) 到2 ，对每层各单元计算万0 。 修正权值= 嘞一， o 嘿 堕：堡 为步长，其中饥台讹。 由于初始条件的随机性，在某些情况下，尽管b p 算法可以获得使均方误差 最小化的网络参数，网络的响应却不能精确的逼近所期望的函数。即从一个初始 条件开始，算法收敛到全局极小值点，而从另一个初始条件开始，算法可能收敛 到一个局部极小值点。所以当b p 算法收敛时，我们并不能确定是否求到了最优 解。最好的方法是多试几个不同的初始条件以确保得到最优解。 b p 学习算法理论依据坚实，推导过程严谨，物理概念清楚，通用性强。由 于这些优点，它至今仍是多层前向神经网络最主要的学习算法【6 2 1 。但是人们在 使用中发现b p 本身也存在许多不足之处，为此，许多人提出了改进的算法。 ( 1 ) 学习过程收敛速度慢的改进：引入动量项，相当于加上阻尼项，减少了学习 过程的振荡趋势，改善了收敛性；变尺度法或共扼梯度法，它们具有如二阶 1 4 第二章基于b p 网络的非缓硅系统智能p i d 控制器 梯度法收敛较快的优点，而又无需直接计算二阶梯度；变步长法，当连续两 次迭代其梯度方向相同时，表明下降太慢，这时可使步长加倍；反之亦然。 ( 2 ) 易陷入局部极小的改进：引入全局优化技术；平坦优化曲面以消除局部极小； 设计合适的网络使其满足不产生局部极小的条件等。 ( 3 ) 网络泛化能力较差的改进：引入与问题相关的先验知识对权值加以限制；对 目标函数附加惩罚项以强制无用权值趋于零；动态修改网络结构，对推广函 数与目标函数进行多目标优化等。 2 2 基于b p 网络的p id 控制器参数整定 基于b p 网络的p i d 控制主要利用了b p 网络的非线性映射能力和自适应能 力。系统结构如图2 2 所示，控制器由两部分组成：1 、参数可调的p i d 控制器， 直接对被控对象进行闭环控制