基于智能控制算法的PAC控制器的设计方法

摘要

本发明公开了基于智能控制算法的PAC控制器的设计方法，本发明在传统PAC控制器的基础上，采用了改进PID控制算法、变论域模糊PID控制算法、基于神经网络的PID控制算法等智能控制算法，能够提高控制精度，提高控制响应，满足更高的控制要求。在网络通讯方面，在传统的串口232、485的基础上增加了以太网、CAN总线等通讯方式，使用Modbus‑RTU、Modbus‑TCP、CANopen，自定义协议等，来实现网络的互联互通。在常规PID的基础上增加了防止积分饱和算法、对控制变量进行微分、微分先行等算法，能够显著提高PID的效果，提高了响应时间，减小控制超调量。

主权项

基于智能控制算法的PAC控制器的设计方法，该方法基于一种智能控制装置实现的，所述的智能控制装置主要包括以下几个部分：1)传感器采样电路，该电路包括电压、电流、电阻信号的采样信号调理电路，以期实现传感器的信号高精度采集，如压力变送器、PT100温度传感器、角度传感器、4～20mA的电流传感器等；2)控制输出电路，含有隔离单元，使用固态继电器控制大电压大电流；使用PWM输出信号，控制输出精度高；3)用于参与运算的微控制器，以及以太网通讯电路，232、485、CAN总线通讯电路，复位电路，看门狗电路；4)确保电源稳定的电源模块电路；传感器通过输入信号调理电路与微控制器相交互；其特征在于：该方法包括以下步骤：步骤一：设计PID自整定算法，常见的工业控制对象具有非线性、时变性以及不确定性等因素，导致PID参数采用人工整定的方法比较耗费时间，整定的效果也比较差，在本方法中增加了PID自整定的算法，能够自动确定设备运行的PID参数，节省了时间，提高了控制效果；步骤二：另外在传统的PID控制基础上，增加了防止积分饱和算法、对控制变量进行微分、微分先行等算法，能够显著提高PID的效果，提高了响应时间，减小控制超调量；步骤三：由于控制对象的非线性、时变性以及不确定性等因素，仅仅使用PID控制，控制效果比较差；该方法在改进了常规PID控制方法的基础上，增加了模糊控制算法，通过建立模仿人类知识语言的模糊规则表，以及隶属度函数来进行模糊控制运算，使用模糊控制与常规PID控制相结合的方式，能够提高控制器在控制对象具有非线性、时变性以及不确定性因素的控制效果；步骤四：在模糊控制中，模糊规则及隶属度函数的获得大多来自人的经验，控制效果的好坏也跟模糊规则及隶属度函数的选择息息相关；然而神经网络具有很强的非线性拟合能力，可学习和自适应能力等优势，将神经网络与PID控制相结合，能够利用神经网络的自学习能力，计算PID控制的最优参数，达到最优控制，效果显著；所述步骤一提到的PID自整定的实现具体分为以下步骤：1.1，采用Z‑N(齐格勒‑尼克尔斯法则)继电反馈式整定方法来实现，相比Z‑N方法有很好的优势，即使用继电方法来产生振荡环节，其中继电特性的描述方程：式中，M为继电特性幅值，X为测量输出峰值差计算求得；当满足argG(jω)＝‑π，式中A是通过测量输出的最大值和最小值求得，K_u为临界振荡比例增益，d为划分的对称继电特性的振幅；1.2，通过产生的振荡曲线，获得以上K_u及临界振荡周期T_u，由Ziegler‑Nichols自整定方法的计算公式，如表1所示，根据需要的性能要求，计算出整定的PID参数，完成继电反馈的PID自整定过程；表1Z‑N自整定PID参数(快速性能)所述步骤二提到的改进常规PID的实现具体分为以下步骤：2.1，常规PID算法如果不加修改使用的话，会暴露出容易超调、系统稳定周期时间长、在稳定时会有振荡现象的缺点；2.2，PID的常用形式是：$u\left(t\right)=Kp[e\left(t\right)+\frac{1}{Ti}{\int }_0^{t}e\left(t\right)dt+Td\frac{de\left(t\right)}{d\left(t\right)}]=k_{p}e\left(t\right)+k_i{\int }_0^{t}e\left(t\right)dt+k_d\frac{de\left(t\right)}{d\left(t\right)},$采用抗积分饱和算法来限制积分导致超调现象，又能快速提高上升时间；其中，Umin≤u(t)≤Umax，当时，令u₁(t)＝Umax,其中令限制了积分饱和现象；另外改进微分的变化量，由于其中e(t)＝r(t)‑y(t)，其中r(t)为设置值，y(t)为传感器采样值，然而当r(t)调整的时候，必然导致微分项的瞬间变化，会增加系统的不稳定性，因此令所述步骤三提到的变论域模糊控制PID的实现具体分为以下步骤：3.1，变论域自适应模糊控制是以误差e和误差变化率ec作为系统的输入，在不同时刻根据e和ec的不同对PID参数进行自动调整，模糊规则在线对PID参数的Kp、Ki、Kd进行修改；模糊自整定PID是在PID算法的基础上，通过计算当前系统误差e和误差变化率ec，利用模糊规则进行模糊推理，查询模糊规则表进行参数调整；3.2，模糊控制表的建立不是唯一的，针对不同控制系统有所差异，但针对常见系统，使用以下模糊控制表均能满足控制要求：ΔKP模糊规则表:ΔKi模糊规则表:ΔKd模糊规则表:3.3论域的选择以及隶属度函数的确定通过人工经验确定，确保尽量准确；另外通过监测e和ec的变化，不断优化和缩小论域的范围，达到变论域自整定的问题；所述步骤四提到的神经网络PID的实现具体分为以下步骤：4.1本方法采用单神经元神经网络PID控制算法，能够避免像使用BP神经网络、遗传算法、粒子群算法计算量大的问题，也能够保证实时控制，在线不断修正；4.2神经元PID结构模型为3个输入单输出的结构，其中3个输入为神经元的输出为u(k)，其中神经元的权值为PID的比例、积分、微分三个系数即Kp、Ki、Kd；4.3神经元的输出为$u\left(k\right)=K_{p}e\left(k\right)+K_i{T}_s\underset{m=0}{\overset{k}{\Sigma }}e\left(m\right)+K_d\frac{e\left(k\right)-e(k-1)}{Ts},$其中Ts为采样时间，误差函数为e(k)＝r_in(k)‑y_out(k)，取性能指标采用最速下降法，神经元的权值调整如下：${\mathrm{\Delta K}}_p(k+1)=-\mu \frac{\partial J}{\partial K_p}=\mu \frac{\partial J}{\partial e(k+1)}\frac{\partial e(k+1)}{\partial y(k+1)}\frac{\partial y(k+1)}{\partial u\left(k\right)}\frac{\partial u\left(k\right)}{\partial K_p}=\mu e(k+1)T_s\underset{m=0}{\overset{k}{\Sigma }}e\left(m\right)\frac{\partial y(k+1)}{\partial u\left(k\right)}$同理可得，${\mathrm{\Delta K}}_i(k+1)=-\mu \frac{\partial J}{\partial Ki}=\mu e(k+1)T_s\underset{m=0}{\overset{k}{\Sigma }}e\left(m\right)\frac{\partial y(k+1)}{\partial u\left(k\right)},$${\mathrm{\Delta K}}_d(k+1)=-\mu \frac{\partial J}{\partial K_d}=\mu e(k+1)T_s\frac{e\left(k\right)-e(k-1)}{Ts}\frac{\partial y(k+1)}{\partial u\left(k\right)},$其中μ为学习率，0<μ<1；4.4令$\frac{\partial y(k+1)}{\partial u\left(k\right)}=sign\left\{\frac{y\left(k\right)-y(k-1)}{u(k-1)-u(k-2)}\right\},$则通过步骤三可依次求得：Kp(k+1)＝Kp(k)+ΔKp(k+1)，Ki(k+1)＝Ki(k)+ΔKi(k+1)，Kd(k+1)＝Kd(k)+ΔKd(k+1)；4.5神经网络权值的初始值使用步骤一涉及的PID自整定方法计算出的值作为初始值，能够加快神经网络PID自整定的速度。