CN108089436B - 快速无超调智能控制器参数设计方法 - Google Patents

Abstract

本发明公开了快速无超调智能控制器PID参数设计方法，属于控制理论控制器设计领域。本发明首先将对象估计模型G_m分解；设计对象估计模型G_m的H₂最优控制器

按H_∞最优控制设计滤波器f，得到内模控制器G_IMC；将内模控制器转化为选定的PID控制器；整定滤波器常数λ，得到PID控制器参数。通过混合精英圈养优化算法确定滤波器常数及PID控制器参数。鲁棒IMC‑PID控制器只需要调节一个参数，即滤波器常数，使得IMC‑PID控制器的在线设计变得简便易行。设计的控制器直接在DCS上实施，能实现快速平稳控制，结构简单，免维护。

Description

快速无超调智能控制器参数设计方法

技术领域

本发明涉及一种控制器设计方法，尤其涉及快速无超调智能控制器参数设计方法，属于控制理论控制器设计领域。

背景技术

控制器的设计和整定一直是进行过程控制所面临的主要问题，过去由于受硬件的限制，PID控制器是当然的选择。但是近年来随着计算机的发展，控制系统已经能够实施各种复杂的控制策略。尽管如此，大多数工业控制回路仍依赖于不同形式的PID控制器。由于常规的PID控制器需要整定比例度\积分常数\微分常数三个控制器参数，在应用过程中很难找到一种有效的优化方法，只能凭人工经验的方法，所以控制器的性能很难得到保证。因此找到一种简单的设计方法使得 PID控制器能达到最佳的控制效果就具有相当重要的意义。

PID控制器的整定即调整三个控制器参数Kc、Ti和Td。传统的控制器参数整定为4:1衰减比法，衰减过程慢，具有较强振荡，对现在的大生产强度大，耦合严重，控制回路多，相互影响强烈，致使控制回路很难快速平稳，对生产过程具有一定的干扰。

内模控制技术可解决控制器参数整定的问题，同时还能兼顾控制精度和鲁棒性能。但在实际工业现场，将内模控制应用于实际，就必须改造现有控制系统结构，需要在原有的控制系统中要加入过程对象模型模块，这给内模控制的应用带来了一定难度。而鲁棒IMC-PID控制器可以在DCS上进行适当组态就能顺利地解决这一难题。

发明内容

本发明在内模控制的基础上结合混合精英圈养优化算法提出了快速无超调智能控制器参数设计方法。

本发明采用的技术方案为快速无超调智能控制器参数设计方法，该方法的实现步骤如下：

首先，在内模控制的基础上进行鲁棒IMC-PID控制器的设计。

内模控制的结构框图见1所示。图中G_p为对象模型，G_m为对象估计模型，

G_IMC为内模控制器。

第一步：首先将对象估计模型G_m分解

G_m＝G_m+G_m- (1)

其中G_m+包含所有的时延和右半平面(RHP)上的零点，而G_m-是模型的最小相位系统部分，是稳定的并且不包含任何预估。

第二步：设计对象估计模型G_m的H₂最优控制器

第三步：按H_∞最优控制设计滤波器f，得到内模控制器G_IMC：

选择滤波器，调整参数使得滤波器f满足H_∞最优控制的鲁棒性能要求：

式中：指数n为正整数，选择指数n使G_IMC为正则的，s为拉普拉斯算子。

第四步：将内模控制器转化为选定的PID控制器；

由内模控制的结构与特性得到反馈控制器G_C与内模控制器G_IMC的关系：

第五步：整定滤波器常数λ，得到PID控制器参数。

通过混合精英圈养优化算法确定滤波器常数及PID控制器参数。由第一步到第五步的流程可知，鲁棒IMC-PID控制器只需要调节一个参数，即滤波器常数，使得IMC-PID控制器的在线设计变得简便易行。

混合精英圈养优化算法步骤如下：

步骤1.确立模型参数辨识的性能指标，作为混合精英圈养优化算法的代价函数CF。

选择代价函数即输出误差平方和为最小，如式(6)所示：

其中，

为模型计算输出，y(t)为模型实际输出。

步骤2.把滤波器系数λ，比例系数K，积分时间常数T_i，微分时间常数T_d，作为混合精英圈养优化算法的可操作变量OVs。

OVs＝[λ,K,T_i,T_d] (7)

步骤3.初始化。设定饲养场圈舍的规模N，自定义新品种更新率Q_update和饲养代数L。在可操作变量OVs的搜索范围内，随机生成初始圈舍分配情况 Population。

步骤4.计算饲养场内每个圈舍的代价函数指标CF值，即评价模型参数性能指标。根据CF值对圈舍Population进行排序。

步骤5.根据混合模型计算第i个圈舍的出栏率和入栏率，根据随机函数和入栏率出栏率进行混合操作。此处采用简单易实现的线性混合模型。线性混合模型如下式所示：

其中，α_i为入栏率，β_i为出栏率。I和O分别为最大的入栏率和出栏率；其中s_i是圈舍饲养动物数量，s_max为该圈舍容纳的最大动物数量。

步骤6.根据各圈舍的出栏入栏率，计算混合饲养之后各圈舍饲养数量存在的概率

其中i为圈舍的编号、n为最大的圈舍数，j为混合圈养的代数。

步骤7.根据新品种更新率进行引入新品种操作，新品种更新率

的计算如式(11)所示：

其中，M_updata代表了新品种的更新率，

是j代圈养圈舍里最大的饲养数量。

步骤8.将经过混栏饲养和新品种引入之后的圈舍做检疫检查，使得每个个体都在搜索范围以内。然后计算代价函数，并进行排序。

步骤9.进行搜索动力不足检验，判断最优的CF值和前两代的最优CF值是否相等，就判断搜索动力足不足。混合圈养有效果，则进行步骤10；混合圈养没有收到良好的效果，则直接进行步骤11。

步骤10.根据公式(14)进行人工干预，选取精英个体混合饲养，对该饲养场中最好的圈舍X_best进行特殊改造，提高后代产出新品种的概率，从而提高其跳出局部最优的动力。将饲养场中代价函数值最高的圈舍拆毁按照进行特殊改造之后的圈舍进行重建。

X'＝X_best+sgn(rand-0.5)*E (12)

其中E是维度与X相同且全为1的单位矩阵。相当于在最好的解决方案上面随机的加上一个扰动量，从而增加了圈舍的多样性。

步骤11.判断是否满足结束条件，若不满足，则调到步骤4，若满足，则输出模型辨识参数，结束程序。

结合内模控制、鲁棒IMC-PID控制技术，采用混合精英圈养优化算法直接辨识PID控制器参数，可设计一种MOD-PID控制器，结合IMC、IMC-PID、 MOD-PID的控制思想，设计出三种控制器(IMC/IMC-PID/MOD-PID控制器)，形成了一种快速无超调智能控制器参数设计方法。

与现有技术相比较，本发明具有如下优点：

快速无超调智能控制器参数设计方法设计的控制器，不仅兼顾鲁棒稳定性和控制性能，还具有PID控制器的简单结构，可实现小超调无超调跟踪设定值变化或克服扰动。设计的控制器直接在DCS上实施，能实现快速平稳控制，结构简单，免维护。

附图说明

图1为内模控制的结构框图；

图2为阶跃响应曲线对比。

图3为闭环响应曲线。

图4为混合精英圈养优化算法。

具体实施方式

针对本发明所提出的方法，下面结合一个实例予以说明。

对象模型设定为二阶带纯滞后模型：

其中a,b,c,d,τ分别为模型参数，s为拉普拉斯算子。

式中K为比例系数，T_i为积分时间常数，T_d为微分时间常数。

回路的模型参数如下表所示：

参数名称	a	b	c	d	τ
						参数值	0.00	0.17	0.029	1.89	0.012

用混合精英圈养优化算法获得的滤波器常数λ，及得到最终的PID参数，见下表：

λ	k<sub>c</sub>	T<sub>i</sub>	T<sub>d</sub>
				0.2	0.41	0.53	0.00

通过快速无超调智能控制器参数设计方法得到的PID参数的闭环响应曲线如图3所示。

Claims (1)

1.快速无超调智能控制器参数设计方法，其特征在于：该方法的实现步骤如下：

在内模控制的基础上进行鲁棒IMC-PID控制器的设计；

内模控制的结构框中，G_p为对象模型，G_m为对象估计模型，G_IMC为内模控制器；

第一步：首先将对象估计模型G_m分解

G_m＝G_m+G_m- (1)

其中G_m+包含所有的时延和右半平面上的零点，而G_m-是模型的最小相位系统部分，是稳定的并且不包含任何预估；

第二步：设计对象估计模型G_m的H₂最优控制器

第三步：按H_∞最优控制设计滤波器f，得到内模控制器G_IMC：

选择滤波器，调整参数使得滤波器f满足H_∞最优控制的鲁棒性能要求：

式中：指数n为正整数，选择指数n使G_IMC为正则的，s为拉普拉斯算子；

第四步：将内模控制器转化为选定的PID控制器；

由内模控制的结构与特性得到反馈控制器G_C与内模控制器G_IMC的关系：

第五步：整定滤波器常数λ，得到PID控制器参数；

通过混合精英圈养优化算法确定滤波器常数及PID控制器参数；由第一步到第五步的流程可知，鲁棒IMC-PID控制器只需要调节一个参数，即滤波器常数；

混合精英圈养优化算法步骤如下：

步骤1.确立模型参数辨识的性能指标，作为混合精英圈养优化算法的代价函数CF；

选择代价函数即输出误差平方和为最小，如式(6)所示：

其中，

为模型计算输出，y(t)为模型实际输出；

步骤2.把滤波器系数λ，比例系数K，积分时间常数T_i，微分时间常数T_d，作为混合精英圈养优化算法的可操作变量OVs；

OVs＝[λ,K,T_i,T_d] (7)

步骤3.初始化；设定饲养场圈舍的规模N，自定义新品种更新率Q_update和饲养代数L；在可操作变量OVs的搜索范围内，随机生成初始圈舍分配情况Population；

步骤4.计算饲养场内每个圈舍的代价函数指标CF值，即评价模型参数性能指标；根据CF值对圈舍分配情况Population进行排序；

步骤5.根据混合模型计算第i个圈舍的出栏率和入栏率，根据随机函数和入栏率出栏率进行混合操作；此处采用的线性混合模型如下式所示：

其中，α_i为入栏率，β_i为出栏率；I和O分别为最大的入栏率和出栏率；其中s_i是圈舍饲养动物数量，s_max为圈舍容纳的最大动物数量；

步骤6.根据各圈舍的出栏入栏率，计算混合饲养之后各圈舍饲养数量存在的概率

其中i为圈舍的编号、n为最大的圈舍数，j为混合圈养的代数；

步骤7.根据新品种更新率进行引入新品种操作，新品种更新率

的计算如式(11)所示：

其中，M_updata代表了新品种的更新率，

是j代圈养圈舍里最大的饲养数量；

步骤8.将经过混合饲养和新品种引入之后的圈舍做检疫检查，使得每个个体都在搜索范围以内；然后计算代价函数，并进行排序；

步骤9.进行搜索动力不足检验，判断最优的CF值和前两代的最优CF值是否相等，就判断搜索动力足不足；混合圈养有效果，则进行步骤10；混合圈养没有收到良好的效果，则直接进行步骤11；

步骤10.根据公式(12)进行人工干预，选取精英个体混合饲养，对该饲养场中圈舍X_best进行特殊改造，提高后代产出新品种的概率，从而提高其跳出局部最优的动力；将饲养场中代价函数值最高的圈舍拆毁按照进行特殊改造之后的圈舍进行重建；

X'＝X_best+sgn(rand-0.5)*E (12)

其中E是维度与X相同且对角线上的元素全为1的单位矩阵；相当于在圈舍X_best上随机的加上一个扰动量，从而增加了圈舍的多样性；

步骤11.判断是否满足结束条件，若不满足，则调到步骤4，若满足，则输出模型辨识参数，结束程序。

Images