基于MATLAB的PID控制器设计报告【实用文档】doc

基于MATLAB的PID控制器设计报告【实用文档】doc文档可直接使用可编辑，欢迎下载

MATLAＢ论文基于MATLAB的PID控制器设计报告【实用文档】doc文档可直接使用可编辑，欢迎下载—-基于控制系统的PID调节基于MＡTＬAＢ的ＰID控制器摘要:本论文主要研究PID控制器。PＩD控制是迄今为止最通用的控制方法，大多数反馈回路用该方法或其较小的变形来控制.PＩD控制器(亦称调节器）及其改进型因此成为工业过程控制中最常见的控制器（至今在全世界过程控制中用的84%仍是纯PID调节器，若改进型包含在内则超过90％)。在PIＤ控制器的设计中，参数整定是最为重要的,随着计算机技术的迅速发展，对PＩＤ参数的整定大多借助于一些先进的软件，例如目前得到广泛应用的ＭAＴLAB仿真系统.本论文主要介绍PID的原理及简单的用法，探究控制器中各个参数对系统的影响，就是利用《自动控制原理》和《MAＴLAB》所学的内容利用简单的方法研究PIＤ控制器的设计方法，并通过MＡTＬAB中的虚拟示波器观察系统完善后在阶跃信号下的输出波形.关键字:PID控制简介PID控制器原理MATLAB仿真PID参数的设定正文：一、PＩD控制简介PID控制器又称PＩD调节器，是工业过程控制系统中常用的有源校正装置。长期以来，工业过程控制系统中多采用气动式PIＤ控制器。由于气动组件维修方便，使用安全可靠,因此在某些特殊场合，例如爆炸式环境，仍然使用气动式PID控制器.随着运算放大器的发展和集成电路可靠性的日益提高,电子式PID控制器已逐渐取代了气动式PＩD控制器。目前，已在开发微处理器PIＤ控制器。这里,仅简要介绍PID控制器的主要特性。ＰID调节器是一种线性调节器，它根据给定值与实际输出值构成的控制偏差：=－将偏差的比例、积分、微分通过线性组合构成控制量,对控制对象进行控制,故称为PID调节器。在实际应用中，常根据对象的特征和控制要求，将P、I、D基本控制规律进行适当组合，以达到对被控对象进行有效控制的目的.例如，Ｐ调节器，PI调节器，ＰIＤ调节器等.所以,正确计算控制器的参数，有效合理地实现ＰID控制器的设计，对于PIＤ控制器在过程控制中的广泛应用具有重要的理论和现实意义。二、原理分析与说明PID控制器由比例单元（P)、积分单元(I）和微分单元（D）组成。其输入e

（ｔ)与输出u

（ｔ）的关系为公式(1—1)公式(1—１）因此它的传递函数为公式（1-2）公式(1－２)比例调节作用:是按比例反应系统的偏差，系统一旦出现了偏差,比例调节立即产生调节作用用以减少偏差。比例作用大，可以加快调节，减少误差，但是过大的比例，使系统的稳定性下降，甚至造成系统的不稳定。积分调节作用:是使系统消除稳态误差,提高无差度。因为有误差,积分调节就进行，直至无差,积分调节停止，积分调节输出一个常值。积分作用的强弱取决与积分时间常数Tｉ,Ｔｉ越小,积分作用就越强。反之Ti大则积分作用弱，加入积分调节可使系统稳定性下降,动态响应变慢。积分作用常与另两种调节规律结合,组成PI调节器或PID调节器。微分调节作用：微分作用反映系统偏差信号的变化率，具有预见性，能预见偏差变化的趋势,因此能产生超前的控制作用，在偏差还没有形成之前,已被微分调节作用消除.因此，可以改善系统的动态性能。在微分时间选择合适情况下，可以减少超调,减少调节时间.微分作用对噪声干扰有放大作用，因此过强的加微分调节，对系统抗干扰不利。此外，微分反应的是变化率，而当输入没有变化时,微分作用输出为零。微分作用不能单独使用，需要与另外两种调节规律相结合,组成ＰＤ或ＰＩD控制器。PID控制器由于用途广泛、使用灵活，已有系列化产品，使用中只需设定三个参数（Kｐ，

Ｋｉ和Kｄ）即可。在很多情况下，并不一定需要全部三个单元,可以取其中的一到两个单元，但比例控制单元是必不可少的.首先，PID应用范围广.虽然很多控制过程是非线性或时变的,但通过对其简化可以变成基本线性和动态特性不随时间变化的系统,这样PＩD就可控制了。其次,PID参数较易整定.也就是，PＩＤ参数Kp，Ki和Ｋｄ可以根据过程的动态特性及时整定。如果过程的动态特性变化,例如可能由负载的变化引起系统动态特性变化，PID参数就可以重新整定。第三,PＩD控制器在实践中也不断的得到改进，下面两个改进的例子,在工厂,总是能看到许多回路都处于手动状态,原因是很难让过程在“自动”模式下平稳工作。由于这些不足，采用PID的工业控制系统总是受产品质量、安全、产量和能源浪费等问题的困扰。ＰID参数自整定就是为了处理PID参数整定这个问题而产生的。现在，自动整定或自身整定的PＩD控制器已是商业单回路控制器和分散控制系统的一个标准。比例、积分、微分比例图2—2比例电路公式（2—1）积分器图2—３积分电路公式(2-2)图2—４微分电路微分器（式2-3）实际中也有PＩ和PD控制器。PＩＤ控制器就是根据系统的误差利用比例积分微分计算出控制量，控制器输出和控制器输入（误差）之间的关系在时域中如公式(2－4）和（2-5）：ｕ（t)=Ｋp(ｅ（t）+Td+)公式（2－4)U(ｓ）=［+]E(s) 公式（２—５）公式中U(s）和E（s)分别为u(t）和e(ｔ)的拉氏变换，,，其中、、分别为控制器的比例、积分、微分系数三、传递函数1、传递函数２、传递函数性能分析（1)稳定性分析〉>nuｍ=［８];den＝[2152７１0］；G=tf(num，den）Trａｎｓferfｕnｃｔion:8——－-－———－-———-－—－-－—-———－－2ｓ＾３+1５s^2＋27ｓ+１０〉>pzmａp（G)（2）未接入PID的阶跃响应曲线四、在MAＴLAＢ下实现PＩＤ控制器的设计与仿真１、参数计算(1）〉＞num＝[8］;>〉dｅn=ｃonv(［1５］，conv（［１２］,[２1］））；〉〉Ｇ=tf（ｎum，dｅｎ）;>>step（Ｇ，１5)；＞>step(Ｇ,1０0)；>>ｓｔep（G，５0）；k=dｃgaｉn(num，dｅn）k=0。8００0由图可知,取Ｌ=０。6１4T=3.186。于读图存在误差，因此参数仍需整定.２、设计ＰID控制器(１）已知对象的K、L和Ｔ值后，根据Ｚｉegler—Nicholｓ整定公式编写一个MATＬAB函数ｚｉeｇler_sｔｄ（）用以设计PＩD控制器。＞〉fｕnctｉon[ｎum，dｅn，Kｐ，Tｉ,Td，H]=Ziegler_sｔd（key,varｓ）Ｔi＝［];Td=［］；H＝［］;K=ｖarｓ(1）；L=vａrs（2）;Ｔ=vars（3）；a=K＊Ｌ/T；iｆｋey＝＝１nuｍ=１/a;%判断设计P控制器elseｉｆｋｅy==２Kｐ＝０.9/ａ;Ｔi=3.33＊L;％判断设计PI控制器elsｅifkey＝＝３，Kｐ=1。2/ａ;Ti=2*L;Tｄ＝Ｌ/2;％判断设计PＩD控制器ｅndｓwiｔchkeyｃaｓe１nｕm=Kp；den＝１;％P控制器case２nｕm=Kp*[Ti,1];ｄeｎ＝[Tｉ,0];%PI控制器caｓe3％PIＤ控制器p0=［Ti＊Td，0，0］；p1=［０，Ti，1]；p２=[0，０,1］；p3=p0+p１+p２；ｐ4＝Kｐ*ｐ3；num=p4／Tｉ;den=［１,0]；endK＝0．8０00；L=0．６１4；T=３．1６8;［num，ｄｅｎ，Kp,Ｔi,Td]＝Ｚieglｅr_std（３,[Ｋ,Ｌ,T］)ｎum=2。38９57。783412．6７６den=10Kｐ=7。７834Ti=1。２２80Ｔd＝0.3070（2）动态仿真集成环境Simｕlｉnｋ下构造系统模型由图可以看出，经过调节参数之后超调量明显减小,响应曲线平滑,调节时间理想,较符合设计要求。五、例题实验ＰID的调节实例已知传递函数，其ＰIＤ控制模型如下:其中PID模块如下:用整定PID调节器的参数，使系统的超调量小于２0％,并求其动态性能指标。解：利用整定公式整定PＩD调节器的初始参数；KPTITDPPI0．9３．３PＩD1.２2.2０.５根据题目已知,T=50，Ｋ＝2２,=2０，可求得PID参数如下：ＫPＴITDP０．１１３6PI０.1023６6PID0．13６44410利用此时的PID参数,得到的响应如下：（4）对PＩD参数进行微调,使性能指标满足系统要求。KPTＩTＤP0．11３6PＩ0．1０23６6PID0.1６57利用此时的PＩD参数，得到的响应如下:六、心得体会半学期的ＭATLAB课程结束了，我们学到了很多，总体来说这次的论文并不是特别容易,我选择写有关PIＤ的应用，虽然我们在《自动控制原理》课堂上学到了不少关于ＰID的有用的知识,可真正用起来就发现自己真的的太少,问题太多。我到图书馆来找过资料,也上网查了不少资料,在查找和阅读的过程中真的学到不少的知识。当然,在做自动控制原理作业的时候我遇到了不少问题,在准备论文的时候进行MATLAB仿真时不知道参数怎么设置,在和周围同学的探讨中我们找到了答案,大家共同进步。真正做到了学有致用。通过论文让我们更加深刻的体会到实践很重要性，平时我们多是学习理论知识,上机实践时也是验证例题,自己也少练习，在实践方面确实欠缺不少，需要我们今后加强练习。通过这次实习,我知道了任何事都要靠自己，只有自己的知识才是真正的知识,这让我在以后的工作生活中有了更好的动力!感谢老师的耐心指导和悉心教导！七、参考资料1、胡寿松《自动控制原理》科学出版社2、李国勇主编《计算机仿真技术与CAＤ-—基于MAＴLAB的控制系统》电子工业出版社中文摘要经典PID控制算法作为一般工业过程控制方法应用范围相当广泛，原则上讲它并不依赖于被控对象的具体数学模型，但算法参数的整定却是一件很困难的工作，更为重要的是即使参数整定完成，由于参数不具有自适应能力，因环境的变化，ＰID控制对系统偏差的响应变差，参数需重新整定。针对上述问题,人们一直采用模糊、神经网络等各种调整PＩＤ参数的自适应方法,力图克服这一难题.一般情况下，一个自适应控制系统能够运行，其相应的参数要适应现场状况的变化,因此就必须根据现场的数据对相应的参数进行在线辨识或估计。对非时变参数可以通过一段时间的在线辨识确定下来,但对时变参数系统,必须将这个过程不断进行下去，因此要求辨识速度快或参数变化速度相对较慢，极大地限制了自适应技术的应用.为克服这种限制,本文利用文献［1]的思想，将神经网络的技术应用于参数辨识过程,结合经典的PID控制算法，形成一种基于ＢP神经网络的自适应PＩＤ控制算法。这一算法的本质是应用神经网络建立系统参数模型，将时变参数系统的参数变化规律转化为神经网络参数模型，反映了参数随状态而变的规律，即当系统变化后，可直接由模型得到系统的时变参数，而无需辨识过程。在神经网络参数模型的基础上,结合文献[1]已知系统模型下PID控制参数的计算,推导出一种自适应ＰID控制算法。通过在计算机上对线性和非线性系统仿真,结果表明了这种自适应PID控制算法的有效性.关键词自适应ＰID控制算法,ＰIＤ控制器，参数模型，神经网络，BP算法AbｓtrａｃtＣlassicalＰIDｃontrolaｌgoritｈm，aｓageｎｅｒａｌmｅthodofinduｓｔrialproｃesｓcontｒｏl,applｉcationsｃoｐeisbroad-ranged.Ｉnｐｒincipｌe,itdoesnotdependoｎthesｐecificmathemａｔｉcalmｏdelｏftheconｔroｌlｅdｐlant,bｕttunｉnｇａlgoｒｉthｍpａrａmｅtersisａｖeryｄiffiｃulttask．Tomoreiｍportant，eveｎifｔuningthepａｒametｅｒiscomｐleted,aspａｒamｅtersｄonothaveaｄaｐtｉvｅcapacity，duｅｔｏacｈanｇeinenviｒｏnmenｔ,PＩDｃｏntrolｏftｈeｒesｐonｓeｏｆthesyｓtemdｅviatioｎｇｅtｗorse，parａｍeterｓnｅeｄｔｏｂｅrｅ—tｕmｅｄ.Inrｅsponseｔotheｓeｐroｂｌｅms，pｅoplehaｖeｂeenusｉｎｇthｅaｄaptiveｍeｔhodｏfｆｕｚzy，neuｒalnetｗorkｓｔｏaｄjuｓtPIＤｐaｒametｅrｓ,tｒｙｈａrｄｔooveｒcｏmｅｔhisｐrｏblｅm．Ｕndｅrnormaｌcircumｓtanｃes，anaｄａptivｅｃｏntrolsysｔemcaｎbｅcａpaｂlｅｏfruｎning，ａndthecoｒresｐoｎdingparａｍetersshouldａdaptｔotllechangeinｓtａtuｓoｆtｈesｃeｎｅ，ｓｏthecorresponｄiｎgparａｍetｅｒsｍusｔｂeｂasedｏnthｅdataoftｈeｓcenetoｃｏnｄuctonｌinｅideｎtificationoresｔimated。Nｏn—tｉme—ｖａryiｎgｐａraｍｅｔｅrscａnｂｅconfirmeｄforaperiodofon—lｉｎｅideｎｔｉficaｔiｏn，buｔtｈetime—varyingparametersｓyｓｔｅmwiｌlbeｎeｃessaｒytocｏntinuｅｔhisonｇｏiｎｇprocｅss,soｔｈerequiｒementoffaｓtｉdentificａｔionoｒtherelatｉｖeｓlowpaｃeｏfcｈangeｏfparameｔers，greatlylimｉtsthｅapｐｌiｃationoｆadaptivetｅｃｈnoloｇy.Toovercｏmeｔhislimｉtatiｏn，thｉspapeｒusestheｉdeｏlogｙofｌｉterａtｕre[1],ｔhｅtechnoｌogｙｏｆneuraｌｎｅtｗorkwｉｌｌbeuseｄinｔhｅpｒｏceｓsofｐaramｅteｒｉdentiｆicaｔion，cｏmｂinｉnｇｃlassicalPＩDcontrｏｌalgorithm，ｆormsａnadaptｉvｅPlDｃontrolａｌgorithmbaseｄonBPneｕralnｅｔｗork．Thｅeｓｓeｎceofｔhisalgorｉthｍapplieｓneuralneｔwｏｒktoｂuiｌｄtｈｅｍodeｌoｆsystemparａmetｅrs,chａｎgeｔhｅchanｇelawｏfｔｈeparametersoｆtｉｍe-varyingｐarａｍeｔerssystｅmｓiｎtｏthｅＰａrametricmodeｌｏfnｅuｒａlnｅtwｏrk，reflectingthelaｗｔhａｔthｅpａrameterｓchａngｅｗiththesｔate，thaｔiｓ，whenthesystemchaｎgｅs,itcａngettｈetime-varyingpａrametersofsystemfroｍtｈemｏｄｅｌdiｒecｔlｙ，ｗitｈoｕttｈｅprｏcｅssofｉdｅｎｔificatiｏn．Oｎthebａsｉｓofｍeparametｅrsmoｄelｏfneｕralneｔｗｏrk，cｏｍbiｎｉｎgthｅcomputatiｏnofPIＤcontrｏＩｐａrametersintheｋnoｗnsystemｍｏdｅｌｏflitｅraturｅ［１］，derivedaｎadａptivｅPＩDｃｏｎｔrｏｌalgｏrithｍ．Ｔhｒｏugｈｔhesimuｌationoflinearandnon—1inearｓystｅmsinthecｏmｐｕter,thｅｒesultｉnｄicatesthａtthisaｄapｔivePIDcｏnｔrolalgoｒｉｔhmiseffｅｃｔive.ＫeyＷordAdaｐtivePIDcｏntrｏlalgｏｒiｔｈm,PIDｃonｔroller，Ｍodeｌofｐaraｍeter，Ｎｅuｒａlnetwork，BPａlgorｉthm目录TOC\o"1—3”＼h\ｚ＼ｕHYＰERＬINK\l”_Toc2645３8９42"中文摘要ＰAGＥREF_Tｏｃ26４5389４2\hIAbstractＰＡGEREＦ_Toc2645389４３＼hIIHＹPEＲLINK\l"_Toc264５3894４"1绪论PＡＧEREF_Toc2６4５38944\ｈ11.1课题研究背景及意义PAGＥRＥF_Ｔoc26453894５＼h1HＹＰERＬINK\l"＿Tｏc２645389４6"1．2神经网络的发展PAGEREF_Toｃ26453８９４6\h2１.３课题研究现状ＰＡGEＲEＦ_Ｔoc26453８94７\h3HYPERLINＫ\l”_Toc264５38９48"1。4论文组织结构PAGEＲＥF_Toc2６45389４8\h４2PIDPAGEREF_Toｃ264538949\h6HYPERＬINK\l＂_Tｏｃ2６45389５０”2。1PID简述PＡGＥＲＥF＿Toc264538９5０＼h62。2PID控制原理PＡGEREF＿Toc26453895１＼ｈ６２．3PID控制方法概述ＰAGEＲＥF＿Ｔoｃ2６４５3895２\ｈ７2。４常规PID控制算法的理论基础PAＧEREF_Toｃ２64５3８９53\h9HＹPERLIＮＫ\l＂_Ｔoｃ２6４5３８954"２.４．1模拟PID控制算法PＡGEREF_Toc26４538954\ｈ９HYPEＲLINK\l＂_Toｃ26453８955”2。４。２数字ＰID控制算法PAGERＥF_Toc2６４538９55\h1０HＹPＥＲLINK\l＂_Ｔoc２6４５38956"2.4．3对ＰIＤ控制算法中积分环节改进PＡGEＲEF_Tｏc264５38956＼h12HYPEＲLINK\l”_Toc２6４5３８9５7”２。4.4对ＰＩＤ控制算法中微分环节改进PＡGＥREF_Toc26４538957\h１3HYPERLINK\l”_Tｏc264５389５8"2．4。5常规PＩD控制的局限PAGEＲEＦ_Toc2645３8958\ｈ1５2。5本章小结PAGＥＲEF_Tｏc2６4５38959\ｈ17HYＰＥRLINＫ\l”＿Ｔoｃ264５3896０＂３人工神经网络PAＧEREF＿Ｔｏc２64５３８９60\h１83。1人工神经网络构成的基本原理PAGEREF_Ｔoc2６4538９6１\ｈ18HYPERＬIＮＫ\l"_Toc2６453８96２＂3.2人工神经网络的类型PAGEREF＿Toc264538９6２\h１8HＹPERLINK\l”_Toc264５389６３”3。3神经网络的特点PAGEREF＿Toc2６4538963＼h１83.4对BP神经网络设计与分析PAGＥREＦ＿Toc２６4５３８９64\h20ＨYPERＬIＮK\l”＿Ｔoc２６4５38965”3.5典型的多层前向网络—-ＢP网络的结构及算法PAGEＲEF_Ｔoｃ２64５３8965\h21HＹPERLINＫ\l"_Ｔｏc264５38966”3。5。1ＢP神经网络概述２645389６6＼ｈ2１HＹPＥRLINK\l"_Ｔoc26４538967"3．５。２ＢＰ神经网络的前向计算PAGERＥF＿Toc２645３８967\h223.５。3BＰ神经网络的误差反向传播和加权系数的调整PＡGEREＦ_Toc2６４538968\h23３.6本章小结PAＧＥREF＿Toc26４538９69\ｈ254仿真程序智能分析PＡGＥREF_Tｏc２６4538970\ｈ264.1仿真过程ＰＡGＥＲEF_Toc２645389７1\h264。2本章小结PＡGEＲEF＿Toc2６4538９72\h3０HYPERLINＫ\l”_Tｏc２６453８973"结论与展望ＰAＧＥREF_Toc2645389７3\h3０ＨYPＥRLINK\l＂_Toc26４538９74"致谢２６4538974\h３1参考文献PAGＥＲEF_Toc264538975\h32HYＰＥRLINK\l"＿Ｔoｃ2645389７6”A1附录PAＧＥＲEF_Toc２6453897６＼h33HYPＥRLIＮK\l”_Toc26４53８９７7"Ａ2附录PAＧEREＦ_Toc２64538977\h3６1绪论1。1课题研究背景及意义按比例、积分和微分进行控制的调节器（简称为PＩD控制器）［２］，是最早发展起来的应用经典控制理论的控制策略之一,是工业过程控制中应用最广泛,历史最悠久，生命力最强的控制方式，在目前的工业生产中，90%以上的控制器为PIＤ控制器。它采用基于对象数学模型的方法，优点是算法简单、鲁棒性好和可靠性高,控制效果良好,因此被广泛应用于工业控制过程,尤其适用于可建立精确数学模型的确定性控制系统。对于传统ＰID控制器，在把其投入运行之前，要想得到较理想的控制效果，必须先整定好三个参数:即比例系数Ｋp、积分系数Ki、微分系数Ｋd.这是因为生产部门中有各种各样的被控对象，它们对控制器的特性会有不同的要求,整定的目的就是设法使控制器的特性能够和被控对象配合好，以便得到最佳控制效果,如果控制器参数整定不好，即使控制器本身很先进，其控制效果也会很差.随着工业的发展，控制对象的复杂程度也在不断加深,许多大滞后、时变的、非线性的复杂系统，如温度控制系统，被控过程机理复杂,具有高阶非线性、慢时变、纯滞后等特点,常规PID控制显得无能为力;另外,实际生产过程中存在着许多不确定因素，如在噪声、负载振动和其他一些环境条件下，过程参数甚至模型结果都会发生变化，如变结构、变参数、非线性、时变等，不仅难以建立受控对象精确的数学模型，而且ＰID控制器的控制参数具有固定形式，不易在线调整，难以适应外界环境的变化，这些使得PＩＤ控制器在实际应用中不能达到理想的效果，越来越受到限制和挑战。因此，如何使PID控制器具有在线自整定其参数的功能，是自从使用PIＤ控制以来人们始终关注的重要问题。并且，随着相关领域技术的不断发展,对控制系统的指标要求也越来越高。人们一直在寻求PＩＤ控制器参数的自适应技术[3］，以适应复杂系统的控制要求，神经网络理论的发展使这种设想成为可能。人工神经网络是由大量简单的基本神经元相互连接而构成的自适应非线性动态系统。神经网络控制能够充分任意地逼近任何复杂的非线性关系,具有很强的信息综合能力，能够学习和适应严重不确定系统的动态特性，故有很强的鲁棒性和容错性，可以处理那些难以用模型和规则描述的过程，在一些不确定系统的控制中已成功应用.误差反向传播神经网络（简称ＢP网络)，所具有的任意非线性表达能力,可以通过对系统性能的学习来实现具有最佳组合的PＩD控制。基于BP神经网络的PID控制器由经典的PIＤ控制器和BP神经网络组成,其基本思想是利用神经网络的自学习功能和非线性函数的表示能力，遵从一定的最优指标,在线调整PID控制器的参数，使之适应被控对象参数以及结构的变化和输入参考信号的变化,并能够抵御外来扰动的影响,达到具有良好的鲁棒性的目标。虽然BP神经网络的理论依据坚实,推导过程严谨，通用性强,在控制领域对复杂的多变量系统的控制有很大的优势，但是由于其算法是基于最陡梯度下降算法、以误差平方为目标函数的，所以其不可避免地存在着易陷入局部极小、收敛速度慢等缺陷.并且，神经网络的初始权值的选取直接影响着控制器的性能,采用反复试验初始权值的方法很难得到最优参数的控制器.因此，需要一种算法解决神经网络权值优化的问题。控制学术界广泛采用的算法是学习算法、遗传算法等等［４］。学习算法，它的收敛速度很慢，一个简单的问题的求解，其训练次数也要几千代，甚至上万代。而且它对网络的初始权值、自身的学习速率和动量等参数极为敏感,稍小的变动就会引起网络震荡。正是这些原因使其训练速度和精度不是很理想。而用遗传算优化神经网络权值，无论精度和速度上都有了很大的提高。但是作为一种仿生算法，虽然可以用来解决各类复杂问题,但是难以克服过早收敛的缺点和控制参数过多，尤其在优化神经网络时候，优化过程总是难以控制。因此,为神经网络的优化寻求更简单更有效的全局优化算法，是优化领域的一个研究热点。微粒群优化（ＰarticleＳwarmOptiｍiｚatｉｏnＰSＯ)的出现为神经网络权值训练提供了一个新的研究方向。微粒群算法[６］是由Kｅnｎeｄy和Ebｅrhａrt等于1995年提出的.它通过简单的社会模型的模拟，将需寻优的参数组合成群体，用每个微粒表示被优化问题的一个解，通过粒子间的相互作用，使群体中的个体向目标区域移动，从而发现复杂搜索空间的最优区域。其不采用遗传算法的交叉和变异等算子，各个微粒根据自己的位置和速度来搜索，整个搜索和更新过程是跟随当前最优解来进行的。因此，算法能够更快的寻找最优解,避免使网络陷入局部极小。1。2神经网络的发展早在20世纪初，人们就已经发现人脑的工作方式与现在的计算机是不同的。人脑是由极大量基本单元（称之为神经元）经过复杂的相互连接而成的一种高度复杂的、非线性的、并行处理的信息处理系统.人工神经网络，是借鉴人脑的结构和特点，通过大量简单处理单元(神经元或节点)互连组成的大规模并行分布式信息处理和非线性动力学系统。它具有巨量并行性、结构可变性、高度非线性、自学习性和自组织性等特点。因此,它能解决常规信息处理方法难以解决或无法解决的问题,尤其是那些属于思维（形象思维）、推理及意识方面的问题从人脑的生理结构出发来研究人的智能行为，模拟人脑信息处理的过程，即人工神经网络的研究，自20世纪4０年代以来，它的发展经历了一条由兴起、萧条和兴盛三个阶段构成的曲折道路。早在1９４3年精神病学家和神经解剖学家McCulloｃh与数学家Pｉttｓ在数学生物物理学会刊((ＢｕlｌetｉｎofMａｔhemａtiｃalBiophysics））上发表文章,总结了生物神经元的一些基本生理特征,提出了形式神经元的数学描述与结构，即MＰ模型。他们的神经元模型假定遵循一种所谓“有或无”规则。如果如此简单的神经元数目足够多和适当设置突触连接并且同步操作,McＣuｌloch和Pitts证明这样构成的网络原则上可以计算任何可计算函数.这是一个有重大意义的结果,有了它就标志着神经网络和人工智能学科的诞生。1９５8年，计算机科学家Ｒosｅnｂｌatｔ提出感知机（Ｐerｃｅｐｔroｎ）,首次把神经网络理论付诸工程实现。这是一种学习和自组织的心理学模型,它基本上符合神经生物学的知识，模型的学习环境是有噪声的，网络构造中存在随机连接,这是符合动物学习的自然环境。当时，人们对神经网络的研究过于乐观,认为只要将这种神经元互连成一个网络，就可以解决人脑思维的模型问题。但是,随之而来的Mｉnskｙ和Pａpｅrt（１9６9）所著的《Pｅrceｐen》一书，利用数学证明单层感知器所能计算的根本局限，提出感知器的处理能力有限,甚至连XOＲ这样的问题也不能解决,并在多层感知器的总结章中，论述了单层感知器的所有局限性在多层感知器中是不可能被全部克服的。使人们降低了对神经网络研究的热情,从而使神经网络进入萧条时期［7］。但在其间，一些人工神经网络的先驱仍然致力于这一研究，美国波士顿大学的Crroｓｓｂｅｒg提出了自适应共谐振理论(ART网），芬兰的Kｏｈonen提出了自组织映射（ＳOＭ）,Amａri致力于神经网络数学理论的研究,这些都为神经网络的进一步研究与发展奠定了基础.１9８6年Ｒeｍeｌhａrt和Mclｌeｌｌaｎｄ等人提出了并行分布处理的理论，同时,Weｒｂos和Parker独立发展了多层网络的BP算法，这是目前最普遍的网络，广泛用于实际问题求解。如今，神经网络的应用，已渗透到模式识别、图像处理、非线性优化、语音处理、自然语言理解、自动目标识别、机器人、专家系统等各个领域，并取得了令人瞩目的成果。从众多应用研究领域取得的丰硕成果来看,人工神经网络的发展具有强大的生命力。当前存在的问题是智能水平还不高,许多应用方面的要求还不能得到很好的满足：网络分析与综合的一些理论性问题（如稳定性、收敛性的分析，网络的结构综合等)还未得到很好的解决.随着人们对大脑信息处理机理认知的深化，以及人工神经网络智能水平的提高,人工神经网络必将在科学技术领域发挥更大的作用。1．3课题研究现状传统的PID参数优化方法主要是一些手动整定方法,阶跃响应是其整定PID参数的主要依据。这种方法仅根据系统的动态响应来整定控制器的参数,具有物理意义明确的优点，可以以较少的试验工作量和简便的计算,得出控制器参数,因其简单实用，因而在生产现场仍在大量应用，尤其是在单回路系统中。但运用该方法得到的控制器参数比较粗糙，控制效果只能满足一定要求,参数的优化远远不够,同时，对于一些系统,由于控制对象的复杂性、变化性,难以运用传统方法进行整定［８］.神经网络研究的兴起，为PＩＤ控制器的整定提供了新的方法和广阔的应用空间。对基于神经网络的控制系统的研究，在过去的十几年中取得了广泛的关注,主要是因为：其一,神经网络表现出对非线性函数的较强逼近能力；其二,大多数控制系统均表现出某种未知非线性特性。目前，国内外学者提出了许多面向对象的神经网络控制结构和方法,从大类上较具有代表性的有以下几种：神经网络监督控制、神经网络直接逆动态控制、神经网络参数估计自适应控制、神经网络模型参考自适应控制、神经网络内模控制、神经网络预测控制等。在神经网络模型中最具代表意义的一种就是基于误差反向传播算法（BＰ：ＥrrorＢａｃｋPropａgationＡlgoｒiｔhm）的前馈神经网络，即BＰ网络。它是一种反向传递并修正误差的多层映射神经网络，也是当前应用最为广泛的神经网络模型之一.BＰ神经网络的良好的非线性逼近能力和泛化能力以及使用的易适性，使得基于BＰ神经网络参数优化的PＩD控制器近年来成为了人们研究的热点.陈哲浩等人将由BＰ神经网络实现的PID控制器参数的自整定应用于并联平台系统控制中，得到了较好的效果.黄金燕将BP神经网络PＩD控制器与传统的PIＤ控制器进行具体的仿真分析，仿真结果表明：基于ＢP神经网络的ＰID控制较常规的ＰID控制具有较高的控制品质［9］。IsiｄroSａnchez等人将ＢP神经网络PIＤ控制器用在温度控制中,达到了较好的控制效果。PeterS。Curｔisｓ进行了神经网络自适应控制器与常规的PID控制器的性能比较试验，证明了神经网络自适应控制器的性能比PID好。ErikJeannｅtte用神经网络预测控制器控制风机盘管热水系统,该系统的锅炉为大滞后、大惯性电热锅炉，与常规的PIＤ控制系统比较，试验结果表明:神经网络预测控制器可将热水温度精度控制在0.０56摄氏度，而经典PID控制器仅能控制在1.1摄氏度.这说明预测控制能根据热水负荷额变化,既减少能量波动又节能，减少大惯性、大滞后对象系统的超调量。赵恒等在传统ＢP算法的基础上进行改进，附加了一个快速收敛到全局极小的惯性项，在微调权值修正量的同时使学习避免陷入局部最小，并将其应用在温度控制系统中，取得了比较好的效果旧.龙晓林等提出了一种新型的附加动量项优化的ＢＰ神经网络PID控制器(ＰID。NＮC）,能够避免网络陷入局部极小点,同时可以加快网络的训练速度，对其进行的MATＬAB仿真证明了该方法具有比较好的控制效果，但是总体而言，该方法改进力度不大，实际应用效果有限［10］。牛建军等提出了在RＢF网络辨识Jａｃobian阵基础上,将BP网络引入PID控制参数在线整定的算法，该算法可以实现ＰIＤ控制参数的自动在线整定和优化,实例仿真也证明其可行性，但是该方法模型构造复杂，推广应用很有限.李奇等针对ＢP算法的存在的不足，提出一种基于输出多步预测的改进算法，使控制器参数趋于全局优化,能较好地反映系统动静态响应的综合指标,但是，在收敛速度上，该算法并未有太大改进。以上这些开拓性研究为BP神经网络在控制领域的进一步应用提出了许多可借鉴的经验，做出了很大的贡献。但是不可否认，这些研究某种程度上存在着片面性,许多都是针对其中某一方面的缺点进行改进的,导致优化效果有限，实际应用意义不大。因此,找到一种更全面的神经网络控制方法,并在PID控制器参数寻优的实际应用中证明其可行性,无疑既具有一定的理论意义，又有着实际的应用价值。1。4论文组织结构第１章:绪论。阐述课题研究的背景意义、研究现状、主要研究内容以及文章的组织结构.第２章：常规及改进的ＰID控制。阐述了常规PID控制器的理论基础，对几种改进的控制算法进行了综述,并指出各种算法的优缺点。介绍了几种典型的参数整定的实验确定方法。最后简述了三种智能ＰID控制器.第3章：神经网络理论基础。研究了神经网络基础。主要阐述了神经网络的发展史,神经网络基本原理,典型的神经网络的学习规则以及网络模型结构，并详细分析了前馈网络的典型代表BP网络.第4章:基于ＢP网络改进型参数整定的PIＤ控制,并通过仿真实验证明了其算法的有效性。最后,对全文进行了总结.总结论文的主要研究内容,并进行了进一步的展望。2ＰID2.1PIＤ简述自从计算机进入控制领域以来，用数字计算机代替模拟计算机调节器组成计算机控制系统，不仅可以用软件实现PID控制算法，而且可以利用计算机的逻辑功能，使PID控制更加灵活。数字PID控制在生产过程中是一种最普遍采用的控制方法，在冶金、机械、化工等行业中获得了广泛的应用本章主要介绍PIＤ控制的基本原理、数字PＩD控制算法及其改进算法和几种常用的数字ＰlＤ控制系统。PＩD控制技术是一种应用很普遍的控制技术,目前在很多方面都有广泛的应用.论文详细阐述了神经网络PID控制器。首先简要介绍了神经网络的理论基础和神经网络的学习算法，传统的常规PID控制器，针对常规PID控制器对于复杂的、动态的、不确定的和非线性的系统控制还存在的许多不足之处进行了阐述,为了达到改善常规PIＤ控制器的目的,文中系统的列举了五种改进方式(模糊PID控制器、专家ＰIＤ控制器、基于遗传算法整定的PID控制器、灰色ＰID控制器和神经网络ＰＩD控制器）［１1］。经典PIＤ控制算法作为一般工业过程控制方法应用范围相当广泛，原则上讲它并不依赖于被控对象的具体数学模型，但算法参数的整定却是一件很困难的工作,更为重要的是即使参数整定完成,由于参数不具有自适应能力,因环境的变化，PID控制对系统偏差的响应变差，参数需重新整定。针对上述问题，人们一直采用模糊、神经网络等各种调整PID参数的自适应方法，力图克服这一难题。一般情况下,一个自适应控制系统能够运行，其相应的参数要适应现场状况的变化，因此就必须根据现场的数据对相应的参数进行在线辨识或估计.对非时变参数可以通过一段时间的在线辨识确定下来,但对时变参数系统,必须将这个过程不断进行下去，因此要求辨识速度快或参数变化速度相对较慢,极大地限制了自适应技术的应用。为克服这种限制，将神经网络的技术应用于参数辨识过程,结合经典的ＰID控制算法,形成一种基于ＢP神经网络的自适应PIＤ控制算法。这一算法的本质是应用神经网络建立系统参数模型，将时变参数系统的参数变化规律转化为神经网络参数模型,反映了参数随状态而变的规律,即当系统变化后,可直接由模型得到系统的时变参数，而无需辨识过程。在神经网络参数模型的基础上，结合文献[１]已知系统模型下ＰID控制参数的计算，推导出一种自适应PIＤ控制算法.通过在计算机上对线性和非线性系统仿真，结果表明了这种自适应PID控制算法的有效性.2。２PID控制原理概括而言，P1D控制器的比例、积分和微分三个校正环节的作用如下：比例环节：能迅速反映控制系统的误差,减少稳态误差,但比例控制不能消除稳态误差，比例放大系数的加大,会引起系统的不稳定积分环节：主要用于消除系统稳态误差,只要有足够的时间，积分控制将能完全消除误差，使系统误差为零,但积分作用太强会使系统超调加大，甚至使系统产生振荡;积分作用的强弱取决于积分时间常数Ｚ，Ｚ越大,积分作用越弱.微分作用:减少超调量及克服振荡，使系统的稳定性提高，同时加快系统的动态响应速度,减少调整时间，从而改善系统的动态性能。具体说来，PID控制器有如下特点:(1)原理简单，实现方便,是一种能够满足大多数实际需要的基本控制器；（2）控制器能适用于多种截然不同的对象,算法在结构上具有较强的鲁棒性,在很多情况下，其控制品质对被控对象的结构和参数摄动不敏感。但是,PIＤ控制主要局限性在于它对被控对象的依赖性，一般需预先知道被控对象的数学模型方可进行设计。而这在实际的工业控制中,由于被控对象具有非线性、时变性等特性，难以建立精确的数学模型或其特征参数难以在线获得,从而使其应用受到限制。2.3PID控制方法概述自从192２年美国米诺尔斯基提出PIＤ控制器以来，由于其结构简单、对模型误差具有鲁棒性及易于操作等优点，至今仍被广泛应用于冶金、化工、电力、轻工和机械等工业过程控制中。然而实际工业生产过程往往具有非线性、时变不确定性,应用常规PID控制器不能达到理想的控制效果，而且在实际生产现场中，由于受到参数整定方法繁杂的困扰，常规ＰＩD控制器参数往往整定不良、性能欠佳，对运行工况的适应性很差[12]。针对这些问题,长期以来,人们一直在寻求PID控制器参数的自整定技术，以适应复杂的工况和高性能指标的控制要。PID控制器参数自整定是一种依赖对被控过程动态特性的识别,自动计算PＩD参数,其控制器参数是在系统辨识或对象特性参数识别的基础上,由自整定机构自动地予以整定。因此，当对象特性系统运行条件发生变化时，自整定机构能够自动给予启动,实现控制器参数的重新整定,进而保证生产过程的顺利进行，与常规PID控制器相比具有显著的优越性。从目前的资料和应用情况看,PＩD参数自整定方法主要归结为以下三大类：一是辨识方法，二是在线模式识别方法，三是基于知识推理的方法。(1)辨识方法根据辨识方法和内容不同，可以分为下面两类:一是辨识模型传递函数，一是辨识闭环系统的临界增益和周期。许多基于精确模型的整定方法，如根轨迹法、频率特性、极点配置法、基于鲁棒性方法、自适应方法等等，都必须辨识对象的广义模型，一般的方法是通过加入阶跃信号测得响应曲线，然后求得一阶或二阶的近似模型，在此基础上设计PＩD控制器参数等等.１9４２年提出的Z—N公式的主要依据是控制系统边界稳定条件。用这种方法整定出的参数,不可避免地存在着一些问题,一方面超调比较大(甚至会超过２5%），另一方面，抗干扰能力差.针对这些缺点，K．Ｊ.Ａsｔroｍ和C．Ｃ．Haｎg在1991年提出了用设定点加权的方法来减小超调和增强抗干扰能力,即改进的ＺＮ（ＲZN)公式。１992年,他们提出了表征开环过程特性和闭环过程动特性的PID特征参数,即采用规范化延迟、规范化过程增益和负载扰动误差来估计性能和参数设定.通过分析和仿真获得这些参数间的关系，在控制器投入前能估计到可能达到的效果,就可以选择最佳的方案,这样的整定可减少盲目性,它能够根据特性来决定何时用PI,何时用PIＤ，何时不能用Z－N公式等等，并在不适合用ZN公式的情况下提高适当的替代方法。它具有一定程度的推理能力,能自动地完成一些通常由仪表工程师完成的工作,使控制系统具备更高的自动化程度［１3］.对于测量振荡临界增益和周期，K．J．Aｓｔrom和T。Hagｇlund1984年提出了一种基于继电器反馈的极限环法，通过带滞环的继电器反馈使系统输出产生振荡,可以方便地求出振荡临界增益和周期。（2)模式识别方法这种模式识别的思想根据实际响应波形，抽取出一些能表征系统的特征值，由此来判断系统的动态特性,进而调整控制器参数,即将波形分析与人工智能结合起来,这一思想开辟了PID参数整定的一条新路，在实际过程中,已取得很多的成功。根据波形，可以抽取不同的特征描述量，从不同角度进行PID参数的整定.日本的Y.Ｎｉsｈkawa和N。Ｓannｏmiya等人采用输出响应波形的误差绝对值积分(ITA）、误差平方积分（ＩSA）和时间加权绝对值积分(ＩTAＥ）等指标来评价PＩD参数,并根据这些值来调节参数.该方法特点是不用对系统模型进行辨识,节省时间,而且能够适应过程的变化，对于非线性、变结构的系统有效，这种方法在过去的几十年中取得了很大的应用成就。但是，该方法是模仿人的调节行为，即在波形产生以后再作修改，相当于有了错误再改正一样，而在实际过程中这种“错误"是不允许发生的。所以，这种方法可以用在一般的参数初值设定中,对于真正的过程运用显然是有一定的危险的。(3)基于知识推理的方法在许多情况和场合中，PID控制器的参数整定是由经验丰富的工程师完成的，他们根据以往的经验，观察输出波形以决定参数的调整方向。这些经验多是在实际工作中积累产生的，不同于书本知识,移植性和推广性较差。如果能把这些经验,通过某种方式在机器上实现,则可以更方便地实现参数的整定.近年来,由于计算科学、认识科学、细胞神经学等理论的发展，人工智能、专家系统、神经网络等有关智能控制策略,在理论上取得了一系列重大突破,并由此波及到控制理论，这些理论的成就已被广泛地引入控制领域。智能控制以其解决问题的特殊方法，日益引起人们的重视。其中模糊数学、神经元网络、专家系统成为解决控制难题的新方法，并在应用中取得了可喜的成就.由此可见,基于模型的ＺN和RＺＮ公式,只要加入辨识环节，就可以处理系统的非线性、时变等问题,它能完成固定参数的控制器无法实现的控制作用.基于模式识别的方法就是辨识输出波形，判断系统的输出特性,通过与要求特性的比较进行参数的调整.基于知识的方法，由于知识的灵活性和有效性，它能处理上述的情况，自然能实现自动整定。我们仔细分析一下自整定的内涵,可以发现它有两层含义：一是以实现PID参数的自动预置为目的.它针对的是线性非时变系统，参数设置完之后,就不会更改了.凭借PID控制器的强鲁棒性，它仍然可以使用，但控制效果不一定好。实际过程中,PID控制器的使用量非常大，在投入使用之前,需要进行整定,它的工作量非常大。这就需要实现PＩD控制器整定的自动化,ZN和RZN公式能够实现这种自动化,但显然缺乏自适应型。模糊PID以及专家系统PID,是根据系统的响应情况进行参数的修改，它们的行为可以理解成一种“纠正动作”，即当问题出现以后再作调整,对于问题的产生过程是不能立即响应的。它们都没有实现真正意义上的自整定。二是实际意义上的自整定。根据实际系统的响应情况，做出超前的动作,以有效地处理可能出现的问题,如超调量过大,响应时间太长等.对于干扰而言，当它刚刚出现的时候,引起了系统偏差，控制器立即检测到并且动作,调整PID参数值，有效地消除可能产生的振荡、控制效果变差等问题.显然，目前的自整定方法大都属于第一种情况，无论是辨识的方法还是在线模式识别的方法或是基于知识的方法，到目前为止都还没有实现真正的自整定.在许论多情况下，ＰＩＤ控制器如何实现真正意义上的自整定这个问题被人们所忽视,但是随着控制的发展和控制要求的提高,这一问题应当被提出来,并且要求进行深入的研究.我们就是希望通过对PID在线自整定方法的研究，找到一种可行的、与被控对象模型无关的、具有在线自整定能力的智能PID控制器。2．4常规ＰＩD控制算法的理论基础2.4.１模拟PＩD控制算法PＩD（Proｐorｔional、InｔeｇrａlａndDiｆfｅreｎtial)[14]控制是最早发展起来的控制策略之一,它以算法简单、鲁棒性好、可靠性高等优点而被广泛应用于工业过程控制中。ＰIＤ控制系统结构如图2。1所示:图2．１PID控制器方框图因此，连续系统中PID控制器的传递函数为(2.１)图２.１模拟PID控制系统结构图它主要由PIＤ控制器和被控对象所组成.而PID控制器则由比例、积分、微分三个环节组成。（2.２)其中，为比例系数，为积分时间常数,为微分时间常数,为ＰID控制器的输入,为PIＤ控制器的输出。由式（2．１）和式（2。２）可知,PID控制器的输出是由比例控制、积分控制和微分控制三项组成，三项在控制器中所起的控制作用相互独立.因此,在实际应用中，根据被控对象的特性和控制要求，可以选择其结构,形成不同形式的控制器，如比例(P）控制器,比例积分(PＩ）控制器，比例微分（ＰD）控制器等.简单说来，PID控制器各校正环节的主要控制作用如下:(１）比例环节即成比例地反映控制系统的偏差信号e(t），偏差一旦产生，控制器立即产生控制作用，以减少偏差。(2)积分环节主要用于消除静差，提高系统的无差度。积分作用的强弱取决于积分时间常数互,Z越大，积分作用越弱,反之则越强。(３）微分环节能反映偏差信号的变化趋势（变化速率），并能在偏差信号值变得太大之前，在系统中引入一个有效的早期修正信号,从而加快系统的动作速度，减少调节时间。具体说来，控制器有如下特点：（1）原理简单,实现方便，是一种能够满足大多数实际需要的基本控制器;（2）控制器能适用于多种截然不同的对象,算法在结构上具有较强的鲁棒性，在很多情况下，其控制品质对被控对象的结构和参数变动不敏感;2。4.２数字PＩＤ控制算法在计算机控制系统中，使用的是数字PID控制器[１５］,数字ＰID控制算法通常又分为位置式ＰID控制算法和增量式PID控制算法。1。位置式PID控制算法由于计算机控制是一种采样控制[12]，它只能根据采样时刻的偏差值计算控制量,故对式(2.1）中的积分和微分项不能直接使用,需要进行离散化处理。按模拟ＰID控制算法的算式(2．1），现以一系列的采样时刻点kT代表连续时间ｔ,以和式代替积分，以增量代替微分，则可以作如下的近似变换(2。3)（2．4）（2.５)(2.６)式中,T为采样周期;Ｋ为采样序号，ｋ=0,1，2……,j，……，k。将式（2。6）代入式（2．5)中，有：（2．7）为了便于计算机编写程序，将式（2。7）变为：（2。８）式中,是数字PID控制器的输入,为第个采样时刻的偏差值;u（ｋ）是k第个采样时刻数字PＩD控制器的输出；为积分系数。为微分系数。由式（2.7）得出的控制量为全量值输出,也就是每次的输出值都与执行机构的位置(如控制阀门的开度)一一对应，所以把它称之为位置式数字PIＤ控制算法。当控制系统中的执行器为步进电机、电动调节阀、多圈电位器等具有保持历史位置功能的装置时,需要的不是控制量的绝对数值,而是其增量值.因此，需要由数字PID位置式导出数字ＰIＤ控制算法的增量式.对数字PＩＤ位置式取增量,即数字控制器输出的是相邻两次采样时刻所计算的位置值之差：（2。9)由于式(2。9）得出的是数字PIＤ控制器输出控制量的增量值,因此，称之为增量式数字PＩD控制算法。它只需要保持三个采样时刻的偏差值。为了便于计算机编程，简化计算,提高计算速度，将式（2.9）整理为：(2．１0)式中，在编写程序时，可以根据事先确定的比例系数、积分系数和微分系数，计算出、、，存入内存单元。利用增量式数字PID控制算法，可以得到位置式数字ＰＩD控制算法的递推算式,即(2。11)与位置式数字ＰＩD控制算法相比,增量式数字ＰID控制算法有如下优点：（１)位置式每次输出与整个过去状态有关，计算式中要用到过去偏差的累加值，容易产生较大的累积计算误差.而在增量式中由于消去了积分项,从而可消除控制器的积分饱和，在精度不足时，计算误差对控制量的影响较小，容易取得较好的控制效果(只存三个偏差值即可）。(2)为实现手动—自动无扰切换，在切换瞬时,必须首先将计算机的输出值设置为阀门原始开度.由于增量式计算只与本次的偏差值有关，与阀门原来的位置无关,其输出对应于阀门位置的变化部分,因此，易于实现从手动到自动的无扰动切换。（3）采用增量式算法时所用的执行器本身都具有保持功能,即使计算机发生故障,执行器仍能保持在原位，不会对生产造成恶劣影响。对于位置式PID控制算法来说，由于全量输出,所以每次输出均与过去的状态有关，计算时要对误差进行累加，所以运算工作量大。而且如果计算机出现故障,则会引起执行机构位置的大幅度变化,而这种情况是生产场合不允许的，因而产生了增量式ＰＩＤ控制算法。2。增量式PID控制算法所谓增量式ＰＩＤ是指数字控制器的输出只是控制量的增量Au(k)。当执行机构需要的是控制量的增量时，可以由式（2。10）导出提供增量的PID控制算式。根据递推原理可得：(2。12)用式(2.10）－式(2。11)，可得(2.13）式中:式(2.13)称为增量式ＰID控制算法.增量式控制算法只是在算法上作了一些改进却带来了不少优点：（1)由于计算机输出变量，所以误动操作时影响小，必要时可以用逻辑判断的方法去掉;（2）手动自动切换时冲击小，便于实现无扰动切换:（3)算式中不需要累加。但是由于其积分截断效应大,有静态误差溢出影响大.所以在选择时不可一概而论。对ＰＩＤ控制算法中积分环节改进积分环节的主要作用是消除静差。积分常数越大，积分作用越弱.反之，则积分作用越强.在PＩD控制中,积分作用可以消除控制系统稳态偏差（即残差），提高控制的稳定精度,但积分作用因产生负相移，将使控制系统稳定裕度下降，系统动态性能变差。当系统在强扰动作用下,或给定输入做扰动变化时,系统输出往往产生较大的超调和长时间的震荡,甚至出现积分饱和现象为此，人们开始研究对积分环节的改进,使其在控制系统中发挥更好的作用。１、积分分离算法在开始阶段不进行积分,直至偏差e进到一定的门限范围占后才进行积分累积。当系统的输出在占外时,该算法相当于一个ＰD调节器；只有当系统的输出在F内时，该算法才为PID调节器,这时，积分环节才开始起作用,以消除系统静差。积分分离法的控制算式为：（2．14)式中,系数i的聚会规则为：当（预定门限)时，i=1当(预定门限）时，ｉ＝0采用积分分离PＩD控制，这是一个较为有效的方法,但积分分离限的整定较为困难，分离限设的过大,会有较大的超调；过小，又会在大扰动下出现稳态误差，因而控制效果不尽人意。2、分段积分算法所谓分段函数，就是根据偏差所在区间改变积分增益,每个区间对应一个增益常数，其中每个增益常数都是根据系统对积分项的要求来确定的。分段积分变形ＰＩD控制表达式可写成如上(2-14）所示，不过f的取值范围发生了变化，从而构成分段积分算法。f取值范围如下:上式中，具体工程中,f值可以分为更多区间，材和Ⅳ也根据实际情况确定。与普通的PIＤ控制方法相比,分段积分ＰＩD控制算法具有控制速度快、超调小、线性控制精度高等特点。实际工业现场证明,分段积分比传统的积分系数不变的控制效果要好很多。3、变速积分算法改变积分项的累加速度，使其与偏差的大小相适应:偏差较大时,使积分慢一些,作用相对弱一些;偏差较小时,使积分快一些,作用相对强一些.改变积分项的累加速度,可以通过设置积分系数函数来实现.变速积分ＰID算法的控制算式为:（2．1５)变速积分用比例作用消除了大偏差,用积分作用消除小偏差，大部分情况下可基本消除积分饱和现象，同时大大减小超调量,容易使系统稳定，改善了调节品质，但对于在大范围突然变化时产生的积分饱和现象仍不能很好地消除。２.4.4对PＩD控制算法中微分环节改进微分环节改善了系统的动态性能,微分常数越大,微分作用越强.反之,微分作用越弱。尽管引入微分作用,改善了系统的动态特性，但对于干扰特别敏感，从而影响了ＰID控制的效果。而不完全微分型PID控制则能较好的解决这一问题[16］.1、不完全微分算法在常规ＰIＤ控制中,当瞬时偏差e变化较大,例如有阶跃信号输入时，微分项输出会急剧增加,容易引起控制过程振荡，导致调节品质下降.因此，可在PＩD调节器中加入低通滤波器来抑制,从而构成不完全微分型PID控制.根据低通环节加入的方式不同,不完全微分型PID控制有多种结构形式。图２．2给出了一种不完全微分ＰID的结构。由低通滤波器的传递函数可得该不完全微分PID的传递函数为:(2。16)图２。2不完全微分ＰＩD控制器不完全微分数字ＰIＤ的微分项输出幅度小,作用时间长，能在各个采样周期里真正起到微分作用。其微分作用是逐渐减弱的，不易引起振荡,改善了控制效果。2、微分先行控制算法微分先行PID把微分作用提前，它只对测量值进行微分.微分先行的数字PＩD控制算法可描述为（２。１7）微分先行PID是经典型PＩD改进中的一种,它适合于给定值频繁变化的情况.微分环节的改进方面,还有很多新型控制算法，但用到最多的是不完全微分和微分先行算法。在常规PID控制中，无论是从积分环节还是微分环节的改进,都使PIＤ控制性能有了提高,更适应现代工业化的要求。在积分环节的改进，提高了系统的稳定性；在微分环节的改进，改善了系统的动态性能。2．４.5常规PID控制的局限PID控制器在实际应用中的局限［1７]主要有：1．由于实现控制系统的元器件物理特性的限制,使得PID控制器获得的原始信息偏离实际值,而其产生的控制作用偏离理论值.例如，各种传感器不可避免地存在着测量误差;误差微分信号的提取是由误差信号差分或由超前网络近似实现的，这种方式对信号噪声的放大作用很大,使微分信号失真。2。由于常规的ＰID控制器采用偏差的比例、积分和微分的线性组合构成控制量，不能同时很好的满足稳态精度和动态稳定性、平稳性和快速性的要求。为此在系统的设计与整定过程中，只好采取折中的方案来兼顾动态和稳态性能的要求,因此难以大幅度提高控制系统的性能指标。3.尽管常规PID控制器具有一定的鲁棒性和适应性，但是对于强非线性、快速时变不确定性、强干扰等特性的对象,控制效果较差。例如，在某一时刻、某种条件下整定好的控制器参数,由于被控对象的结构或参数时变，在另一时刻、另一条件下控制效果往往欠佳,甚至可能使控制系统失稳.为此,可以将PID控制器与其他的算法相结合,对PID控制器进行改进，得到改进型ＰID控制器.4、改进型PID控制器对于实际的工业生产过程来说，往往具有非线性、时变不确定性等,应用常规的PＩＤ控制便不能达到理想的控制效果。随着微处理机技术的发展和数字智能式控制器的实际应用,同时，随着现代控制理论研究应用的发展与深入，为控制复杂的无规则系统开辟了新的途径。出现了许多改进型PＩD控制器，对于复杂系统，其控制效果远远超过了常规的ＰIＤ控制。在这些改进型的控制系统中，主要有:模糊PＩD控制系统、专家PＩD控制系统、基于遗传算法整定的PＩＤ控制系统、灰色PＩD控制系统以及神经网络PＩD控制系统等。(１）模糊PID控制器模糊控制是以模糊集合论、模糊语言变量及模糊逻辑推理为基础的计算机智能控制，其基本概念是由美国加利福尼亚大学著名教授查德（ＬA。Zaｄeｈ)首先提出的，经过这么多年的发展,在模糊控制理论和应用研究方面均取得重大成功。模糊PID控制就是将ＰID控制策略引入Fuzzy控制器,构成Ｆuｚzy—PID复合控制,从而构成模糊PＩD控制的过程。模糊自适应PＩD控制器结构，它以误差信号e（t）和误差变化ｄe（t)/dt作为输入,利用模糊控制规则在线对PＩD参数进行修改而构成的。翻2．２模糊自适应PＤ控制器结构框图PＩＤ参数模糊自整定是找出ＰID三个参数与e（t）和ｄe（t)/dt之间的关系，在运行中通过不断检测ｅ(０和de（t）／dt,根据模糊控制原理来对3个参数进行在线修改，以满足不同e(t)和dｅ(ｔ)／dt时对控制参数的不同要求，而使被控对象有良好的动、静态性能。(2）专家PID控制器专家控Ｓ0（ExpertCｏnｔr０1)的实质是基于受控对象和控制规律的各种知识，并以智能的方式利用这些知识来设计的控制器。利用专家经验来设计PID参数便构成了专家PIＤ控制.基于模式识别的专家式PID参数自整定控制器，不必要精确的辨识被控对象的数学模型，也不必要对被控过程加任何的激励信号就可以对ＰID参数进行自整定。由它构成的控制系统运行稳定、有效、可靠。一般地,专家系统由专家知识库、数据库和逻辑推理机三个部分构成。专家知识库中己经把熟练操作工和专家的经验和知识，构成PID参数选择手册，它记录了各种工况下被控对象特性所对应的Ｐ、I、Ｄ参数,数据库根据被控对象的输入与输出信号及给定信号提供知识库和推理机。(3）基于遗传算法整定的PID控制器遗传算法(ＧｅｎetiｃAlｇoriｔhｍｓ)是Johｎ．H．Holland根据生物进化的模型提出的一种优化算法。它将“优胜劣汰，适者生存"的生物进化原理引入待优化参数形成的编码串群体中，按照一定的适配值函数及一系列遗传操作对各个个体进行选择,从而使适配值高的个体被保存下来，组成新的群体,它包含了上一代的大量信息，并且引入了新的优于上一代的个体.这样周而复始,群体中各个个体的适应度不断提高，直至满足一定的极限条件。这样就达到了优化遗传的目的。对于遗传算法来说,它的核心在于初始群体的生产、操作算子的实现以及个体适配值与优化问题性能指标间的映射.把遗传算法和PID控制结合起来,就构成了遗传算法PID控制。其主要过程是:把PID控制参数编码成遗传算法的染色体，应用遗传算法实现在线自适应PID参数寻优,使ＰID参数能够随被控对象的变化而变化，从而实现PID参数的最(4）灰色PＩD控制器对于控制系统来说，按照被控信息的可知程度可以分为白色系统、黑色系统和灰色系统三类。白色系统是指系统的信息全部明确的系统；黑色系统则是系统的信息完全不明确的系统：而灰色系统则是指系统信息部分明确、部分不明确的系统。灰色理论认为一切随机变量都是在一定范围内变化的灰色量,对于灰色量的处理不是找出概率分布和求统计规律,而是根据数据处理的方法来找出数据的规律，因而只要求较短的观测资料就可以处理,对于某些观测数据较少的项目，灰色预测是一个有用的工具。这样，基于灰色系统思想与灰色模型GM(GｒｅyＭｏdel）的控制就称为灰色控制。它是一般的电位计或运算放大器或某种给定函数的可比较模块。对于灰色预测控制来说，它的研究内容为以新陈代谢序列与模块、原点邻域动态、灰色预测控制原理（一元控制原理）等。基于灰色理论的ＰID控制器结构框图它由ＰIＤ控制器、控制对象和灰色控制模块三个部分组成.其中灰色控制模块是其中的重要部分，系统将通过它调节ＰID控制器的参数来改善控制器的性能。(５）神经网络PID控制器人工神经网络是对人脑神经系统的模拟而建立起来的。它是由简单信息处理单元(人工神经元，简称神经元）互联组成的网络,能够接受并处理信息.网络的信息处理是由处理单元之间的相互作用(连接权)来实现的.神经网络PID控制就是神经网络应用于ＰIＤ控制并与传统PＩＤ控制相结合而产生的一种改进型控制方法，是对传统的PID控制的一种改进和优化。决定它们整体性的因素是由神经网络模型来控制的，而决定神经网络的整体性的因素则是由以下三个方面来控制:(1)神经元（信息处理单元)的特性；(2）神经元之间相互连接的形式一拓扑结构；(3）为适应环境而改善性能的学习规则。2.5本章小结本章阐述了常规ＰID控制器的理论基础，对几种改进的控制算法进行了综述,并指出各种算法的优缺点。研究了几种典型的参数整定的实验确定方法。最后简述了三种智能ＰID控制器。下一章主要介绍神经网络的理论基础，为进一步研究基于神经网络的智能PID控制器做准备。3人工神经网络３。1人工神经网络构成的基本原理神经网络是由一个或多个神经元组成的信息处理系统[18].对于具有m个输入节点和，z个输出节点的神经网络，输入输出关系可以看作是m维欧氏空间到n维欧氏空间的映射模型，用数学形式表示为f：Y＝f（x）,其中x，Y分别为输入、输出向量。网络实际输出与期望输出之间的误差是衡量所构造的网络模型的性能指标.神经元是神经网络的基本处理单元,一般表现为一个多输入、单输出的非线性运算器件，网络结构可以由单个神经元的基本结构展现出来，主要包括三个基本要素:①一组连接(对应于生物神经元的突触）,连接强度由各连接上的权值表示，权值为正表示激活，为负表示抑制；②一个求和单元，用于求取各输入信号的加权和（线性组合）;③一个激活函数,起到非线性映射作用并将神经元的输出值幅度限制在一定范围内。此外还有一个附加的输入,称作阈值或偏置.自动控制理论经历了经典控制理论、现代控制理论，进入了智能控制理论的新阶段.PID控制是迄今为止最通用的控制方法，各种DCS、智能调节器等均采用该方法或其较小的变形来控制（至今在全世界过程控制中８４％仍是纯PID调节器,若改进型包含在内则超过90％),尽管自1940年以来，许多先进控制方法不断推出,但PIＤ控制以其结构简单，对模型误差具有鲁棒性及易于操作等优点，故仍广泛应用于各种工业过程控制中。在本章，首先对ＰＩD控制方法进行简要的概述，然后回顾了传统的常规PID控制系统一模拟ＰID控制系统和数字PID控制系统.在分析传统的常规ＰID控制存在的优缺点的基础上,给出了一些改进型PID控制器。3。2人工神经网络的类型根据网络连接方式的不同，人工神经网络有以下几种结构形式:①前馈网络网络中的神经元分层排列，每个神经元只和上一层的神经元连接.最上一层为输出层,最下一层为输入层,中间层为隐层,可以根据需要设计隐层层数。前馈网络是人工神经网络中应用最广泛、最成熟的网络类型，感知器就属于这种网络类型。②反馈网络网络本身是前馈网络，但从输出到输入有反馈回路,因此称之为反馈网络。Fuｋｕｓhima网络就是这种网络类型的代表。③前向内层互联网络从网络外部看仍是前馈网络,但在同一层内存再互相连接,可以实现同层内神经元之间的横向抑制或兴奋机制。很多自组织网络都属于这种类型.④互连网络互连网络有局部互连和全互连两种。全互连网络中的每个神经元都与其他神经元相连.局部互连是指互连是局部的，有些神经元之间没有连接关系。Hopfｉeｌd网络和Ｂoftzｍann机都属于这一类网络.3.3神经网络的特点人脑是宇宙中已知最复杂、最完善和最有效的信息处理系统，是生物进化的最高产物。长期以来，人们不断地通过神经学、生物学、心里学、认知学、数学、电子学和计算机科学等一系列学科，对神经网络进行分析和研究，企图揭示人脑的工作机理，了解神经系统进行信息处理的本质,并通过对人脑结构及信息处理方式的研究,利用大脑神经网络的一些特征,设计出具有类似大脑某些功能的智能系统来处理各种信息,解决不同问题。神经网络的基本处理单元是对生物神经元的近似仿真，因而被称之为人工神经元。它用于仿效生物神经细胞最基本的特性，与生物原形相对应。人工神经元的主要结构单元是信号的输入、综合处理和输出，其输出信号的强度大小反应了该