计算机技术与应用进展20087-10页

1、新型自适应模糊 PID 控制系统仿真7新型自适应模糊PID 控制系统仿真赵国山管志川中国石油大学（华东）石油工程学院，山东东营257061摘要： PID 控制具有算法简单和可靠性高的优点，被广泛应用于工业过程控制，但是当被控对象变化时，控制器的参数难以自动调整，尤其是对大滞后和非线性的复杂系统。针对实际生产过程具有的非线性和不确定性，提出了一种基于神经网络的模糊PID 控制方法。它是模糊控制、神经网络和常规PID 控制器的有效结合，将模糊控制和神经网络策略引入到传统PID 控制中，使得PID 控制器具有模糊控制简单有效的非线性控制的优点以及神经网络的自学习和自适应能力。并建立控制系统模型进行仿

2、真，给出控制器的结构与参数设计方法。仿真结果表明新型自适应模糊PID 控制有较好的鲁棒性、抗干扰性和自适应性，其控制特性优于传统的PID 。关键词： PID 控制参数整定系统仿真模糊控制神经网络1 引言PID 控制是最早发展起来的控制策略之一，其涉及的设计算法和控制结构简单1 。但由于实际工业生产过程往往具有非线性和时变不确定性2 ，应用常规PID 控制器不能达到理想控制效果，本文将模糊控制和神经网络策略引入到传统PID 控制中，以适应复杂的工况和高指标的控制要求，并利用 SIMULINK工具箱建立了常规PID 控制系统和新型自适应模糊PID 控制系统模型并进行仿真研究。2 PID 控制系统建

3、模2.1 常规 PID 控制系统常规 PID 控制系统模型如图1 所示，其控制规律1 为：u tK P e t K Ite t dt K D de t dt0式中， e(t)控制器偏差输入；u(t)控制器输出； KP 、KI和 KD 比例、积分和微分项系数。本文所用的 PID 参数的整定方法是ZN 法 1-3 。 ZN 经验公式 3 如式 2 所示：K P0.6K r ， TI0.5 Tr， TD 0.125 Tr（ 1）（ 2）2.2 模糊 PID 控制系统的信号采用二输入三输出的模糊控制器， 以 e 和 ec 为输入语言变量 4-6 ，以 KP 、KI 和 KD 为输出语言变量，输入、输出

4、的模糊子集如下：作者简介： 赵国山 (1978-), 男, 山东泰安人 , 博士生 , 研究方向为井下系统、信息与控制工程 ; 管志川 (1959-), 男, 博士 , 教授 , 研究方向为油气井管柱力学 , 油气井井下过程监测、诊断与控制等 .8计算机技术与应用进展2008偏差 e：本文选取 负大，负中，负小，零，正小，正中，正大 这七个语言变量值来描述用符号表示为NB ， NM ， NS， ZO ， PS， PM， PB) ；同理，偏差变化率ec： NB ， NM ， NS， ZO ，PS， PM ，PB ；KP： NB ， NM ， NS， ZO ， PS， PM ，PB ；KI ： N

5、B ，NM ， NS， ZO， PS，PM ， PB ；KD ：NB ， NM ， NS， ZO ，PS，PM ， PB ；把语言变量进行量化归档4-6 ：偏差 e： (-6， -4， -2， 0， +2， +4， +6 ；偏差变化率ec： (-6， -4，-2 ， 0， +2， +4， +6 ；KP： (-6， -4， -2，0， +2， +4，+6 ；KI ： (-6， -4， -2， 0， +2 ，+4， +6 ；KD ：(-6 ， -4，-2， 0， +2， +4， +6 ；在本设计中隶属函数采用三角形函数KP KI KDNBNMNBPB NB PSPB NB NSNMPB NB PS

6、PB NB NSNSPM NB ZOPM NM NSecZOPM NM ZOPM NM NSPSPS NM ZOPS NS ZOPMPS ZO PBZO ZO NSPBZO ZO PBZO ZO PM6 ， KP、 KI 和 KD 的控制规则如表 1 所示。表 1 KP、 KI 和 KD 控制规则表eNSZOPSPMPM NM NBPM NM NBPS NS NBZO ZO NMPM NM NBPS NS NMPS NS NMZO ZO NMPM NS NMPS NS NMZO ZO NSNS PS NSPS NS NSZO ZO NSNS PS NSNM PM NSZO ZO ZONS PS

7、 ZONS PS ZONM PM ZONS PS PSNM PS PSNM PM PSNM PB PSNM PS PMNM PM PMNM PM PSNB PB PSPBZO ZO PS NS ZO ZO NS PS ZO NM PM ZO NM PB ZO NB PB PB NB PB PB图 1 常规 PID 控制系统模型2.3 新型自适应模糊 PID 控制系统设计三个 BP 网络，每个 BP网络具有两个输入分别对应系统的偏差e 和偏差变化 ec，具有 4 层隐层和一个输出层 7-9 ，隐层的活化函数7-9 均选为 tansig 函数，其取值在 -1 1之间。输出层有一个神经元，对应于 P

8、ID 控制器的三个参数 KP、 KI 和 KD ，输出层活化函数取为purelin 线性函数。采用 BP 算法对表 1 所示的模糊控制规则进行训练，其实质是确定BP 网络各层神经元的连接权值和阈值。由于神经网络对信息的处理具有自组织和自学习的特点7-9 ，当训练结束达到期望的误差精度要求时，网络己经具备反映模糊规则代表的经验规律的能力。采用带动量回传的梯度递减法作为训练函数7-9 ，在 MATLAB的指令窗中输入 nntool ，打开一个 “网新型自适应模糊PID 控制系统仿真9络 / 数据管理 ”窗口，在这里创建、载入、训练、使用和输出神经网络与数据。训练完毕后利用将训练好的网络模块化，新型

9、自适应模糊PID 控制的模块和系统模型如图2 和 3 所示。gensim函数3 PID 控制系统仿真比较选取二阶滞后（ G1）和高阶滞后过程（ G2）模型进行仿真研究， G1 和 G2 的公式如式3 所示。当被控对象为 G1 ，T=10 ，K=1 ， =3 时进行整定，得到 PID 控制器整定后的参数。Kes3e 6 sG1s 1G214T s 1s（3）图 2 新型自适应模糊PID 控制模块图 3 新型自适应模糊PID 控制系统模型(a) BPFLPID8(b) PID8图 4高阶控制系统响应曲线当被控对象的结构发生改变时，即当被控对象由二阶滞后自适应响应曲线分别命名为PID8 和 BPFL

10、PID8 ，仿真结果如图G1 变为高阶滞后4 所示。G2 时，常规PID和新型10计算机技术与应用进展20084结束语由理论分析和仿真结果可得结论，常规 PID 控制器在被控对象的参数变化不大时，其具有一定的鲁棒性，但在对象参数变化较大时，其控制性能指标较差。尤其当被控对象的结构发生较大变化时，其控制效果极差， 特性曲线呈现增大的振荡趋势。 新型自适应模糊 PID 控制算法， 抗干扰特性好， 有较好的鲁棒性，表现为当被控对象参数变化时，特别是对象的结构发生变化时，算法表现了很强的自适应性。但在某些情况下，其响应曲线出现小幅振荡，原因为算法中 BP 网络对本身非确定值运算的模糊规则和模糊推理进行

11、确定函数关系映射所造成。参考文献1 陶永华 . 新型 PID 控制及其应用 M. 北京 : 机械工业出版社 , 2002.2 曾河华 , 李东海 , 姜学智等 . 时滞对象的自抗扰 PID 控制 J. 清华大学学报 (自然科学版 ), 2007, 47(11): 20182021.3 苏玉鑫 , 段宝岩 . 一种新型非线性 PID 控制器 J. 控制与决策 , 2003, 18(1): 126 128.4 Eker ?., Torun Y. Fuzzy logic control to be conventional method J. Energy Conversion and Manage

12、ment,47(2006): 377 394.5汪光阳 . 基于模糊工具箱和SIMULINK的模糊控制系统计算机仿真J. 安徽工业大学学报, 2001, 18(1):5761.6 曹光明 , 吴迪 , 张殿华 . 基于模糊自适应 PID 的铸轧机结晶器液位控制系统 J. 控制与决策 , 2007, 22(4): 399 402+407.7MARTIN T. HAGAN, HOW ARD B. DEMUTH, MARK H. BEALE. Neural Network Design M.北京: 机械工业出版社 , 2003.8廖芳芳 , 肖建 . 基于 BP 神经网络 PID 参数自整定的研究

13、J. 系统仿真学报 , 2005, 17(7): 17111713.9张妤 , 荣盘祥 . 一种基于模糊神经网络的PID 控制器 J. 哈尔滨理工大学学报 , 2005, 10(6): 6365.Simulation of the New Adaptive Fuzzy PID Control SystemZhao Guoshan Guan ZhichuanCollege of Petroleum Engineering, China University Of Petroleum (East China), DongYing, 257061Abstract: Since its simplic

14、ity and reliability, PID control algorithm has been widely used in process control systems. However, it is difficult for PID controllers to automatically adjust their parameters when the control objects change, especially for the long delay and non-linear systems. Aiming at nonlinearity and uncertai

15、nty in the production process, the method of fuzzy PID based on neural network was putted forward.It is an effective combination of fuzzy control, neural network and PID controller. The traditional PID controllers introduced the strategies of fuzzy control and neural network. It not only possesses t

16、he advantage of fuzzy controls simplicity and nonlinear controlling but has the capability of neural networks self-learning and self-adaptation. The traditional PID and adaptive fuzzy PID control system models were made. And the controller structures and methods for parameters design were addressed. The simulation results show