一种微分可调PID控制器参数工程整定方法

摘要

本发明提出一种微分可调PID控制器参数工程整定模型及方法。该方法采用遗传算法优化技术，通过仿真获得不同热工过程及PID控制器微分份额下对应的优化的PID控制器参数，并以优化的PID控制器参数作为样本，采用BP神经网络技术建立PID控制器参数工程整定模型，根据实际热工过程阶跃响应曲线的特征参数及选择的PID控制器微分份额大小，采用建立的神经网络模型计算PID控制器参数的整定值。采用本发明方法整定的PID控制器，其控制性能在快速性、稳定性和鲁棒性等方面都优于采用传统工程整定方法整定的PID控制器，并且能方便地调整PID控制器微分作用的大小，有效克服了传统PID控制器参数工程整定方法的不足。

主权项

一种微分可调PID控制器参数工程整定方法，其特征在于：包括步骤：步骤1：PID控制器的传递函数为s为复变量，K_P为比例系数，K_I为积分系数，K_D为微分系数，并且满足：其中α为PID控制器微分份额；采用BP神经网络技术，建立以过程阶跃响应曲线的特征参数滞后时间τ和惯性时间T_c以及PID控制器微分份额α为模型输入变量，以PID控制器参数K_P、K_I和K_D为模型输出变量的神经网络模型，并以该神经网络作为PID控制器参数工程整定模型；其中用于建立神经网络模型的辨识样本通过如下方法获取：(1)神经网络模型输入辨识样本通过如下计算：(11)设置热工过程传递函数的两个参数T₀和n的取值范围，分别为：T₀∈[10,110]、n∈[1,8]的整数，T₀为时间常数，n为过程的阶次，控制器微分份额范围为α∈[0.15,0.25]；T₀、n和α在上述范围内以等间隔的方式分别取若干值，并将T₀、n和α的取值配对组合，共有N种不同组合，记每种组合中所对应的3个参数T₀、n和α的值分别为T_0i、n_i和α_i，以每种组合中的T_0i和n_i作为热工过程传递函数的对应参数，得到N个传递函数i＝1，2，……，N；(12)通过仿真获得传递函数G_i(s)的阶跃响应曲线，并计算获得该传递函数的阶跃响应曲线的特征参数τ_i和T_ci，i＝1，2，……，N；其中τ_i为滞后时间，其值为阶跃响应曲线上拐点处的切线与横坐标轴的交点值，T_ci为惯性时间，其值为以阶跃响应曲线上的最大速度，从起始值变化到最终平衡值所需要的时间；以τ_i、T_ci及与传递函数G_i(s)参数T_0i和n_i对应的组合参数α_i作为神经网络模型的输入辨识样本；(2)与τ_i、T_ci和α_i对应的神经网络模型输出辨识样本通过如下计算：由热工过程G_i(s)和PID控制器构成单回路负反馈控制系统，热工过程输入为PID控制器的输出u(t)，输出为y(t)，PID控制器的输入为热工过程输出设定值r与y(t)之差，t为时间；设定值r作单位阶跃扰动，采用遗传算法优化PID控制器的两个独立参数K_P和K_I，得到对应于G_i(s)及PID控制器微分份额α_i下的优化的PID控制器比例系数K_Pi和积分系数K_Ii，并由下式计算对应的优化的微分系数K_Di值：$K_{Di}=\frac{{\alpha }_i·{K_{Pi}}^2}{K_{Ii}},i=1,2,......,N;$并以K_Pi、K_Ii和K_Di作为与τ_i、T_ci和α_i对应的神经网络模型的输出辨识样本；上述遗传算法以使如下的性能指标J最小为优化目标：$J=\beta {\int }_0^{t_1}{[r-y\left(t\right)]}^{2}dt+{\int }_{t_1}^{t_2}|r-y\left(t\right)|dt$其中β为常数，取0.8～2之间的值，t₂＝3(τ_i+T_ci)，i＝1，2，……，N；步骤2：对于实际被控热工过程，通过试验得到过程的阶跃响应曲线，计算阶跃响应曲线的特征参数K、τ和T_c，K为稳态增益；根据具体应用确定PID控制器微分份额α，将α，τ和T_c作为步骤1中神经网络模型的输入，得到神经网络的输出为K_P'、K_I'和K_D'，则相应PID控制器参数的整定值分别为