智能控制 课件 第五章-智能PID控制

智能PID控制IntelligentPIDControl第五章智能PID控制Ch55.1专家PID控制5.2模糊PID控制5.3神经网络PID控制专家PID控制5.1传统PID控制算法数学表达式为：系统输出值与理想值的偏差；比例系数；积分时间常数；微分时间常数；积分系数；微分环节积分环节比例环节微分系数。专家PID控制5.1传统PID控制算法数学表达式为：微分环节积分环节比例环节离散化位置式PID控制算法数学表达式为：为采样周期。专家PID控制5.1传统PID控制算法数学表达式为：离散化位置式PID控制算法数学表达式为：增量式PID控制算法数学表达式为：专家PID控制5.1专家PID控制可以基于增量式PID算法，根据被控对象的特点及实际工况，总结专家经验，设计不同的控制规则，实现控制目标。除了响应的误差，误差的变化情况也是系统控制效果的反映，因此专家PID控制通常会同时考虑误差和误差的变化量来设计控制规则。增量式PID控制算法数学表达式为：专家PID控制5.1误差足够大时，

。采用数值较大的定值输入使响应迅速收敛。误差较大，

。误差绝对值在逐渐变大或误差保持不变，

或

。施加较强的控制输入，控制规则为：误差处于极值附近，

且

，仅采用较强的比例控制，控制规则为：专家PID控制5.1误差较小，

。误差绝对值在逐渐变大或误差保持不变，

或

。施加较弱的控制输入，控制规则为：误差处于极值附近，

且

，仅采用较弱的比例控制，控制规则为：专家PID控制5.1误差满足

且绝对值在逐渐变小时，即且

，保持控制输入不变。误差足够小且不为零，

，采用PI控制消除静态误差，控制规则为：误差为零，保持控制输入不变。模糊PID控制5.2产生背景：实践中经常难以精确描述操作者经验并定量表示各个评价指标，因此学者们将模糊数学的思想引入传统PID控制中，产生了模糊PID控制。优势：在面对不精确模型或扰动时，模糊PID控制器具有较强的鲁棒性和自适应性。分类：模糊-PID混合控制和基于模糊自整定参数的PID控制。1模糊-PID混合控制模糊-PID切换控制为模糊控制器的输出。优势：可以提升系统的静态性能及控制精度。控制器切换瞬间可能产生系统震荡，因此该方案设计难点在于如何实现控制器的平稳切换，避免系统震荡带来的不良影响。1模糊-PID混合控制含积分引入的模糊控制模糊积分PID系统模糊控制与积分控制并联系统模糊控制与模糊PI控制并联系统1模糊-PID混合控制基于模糊补偿的PID控制解决：系统存在建模不确定性、模型中包含未知非线性函数等问题原理：根据万能逼近定理，模糊系统可以作为一种函数逼近器逼近任意连续非线性函数。做法：将传统PID控制与模糊系统相结合，利用模糊系统的万能逼近特性，实现对被控对象非线性部分的自适应模糊补偿，进而根据PID控制原理实现对系统的控制。2基于模糊自整定参数的PID控制比例、积分、微分三个参数的作用和意义？2基于模糊自整定参数的PID控制误差e为正时，未达到输出目标，应增大

，

取正。误差e为负时，说明出现超调，应减小

，

取负。误差e在零附近时ec为正时，正向误差增大，应增大

，

取正。ec为负时，超调变大，应减小

，

取负。ec为零附近时，误差基本固定不变，应增大

来减小误差。比例系数整定原则2基于模糊自整定参数的PID控制模糊规则表2基于模糊自整定参数的PID控制为消除稳态误差且避免积分饱和，采取积分分离策略，即误差只有在零附近时，增大

，

取正。积分系数整定原则模糊规则表2基于模糊自整定参数的PID控制e和ec同号时，说明响应在向误差绝对值变大的方向发展，需要增大

实施制动，取

为正。e和ec异号时，说明误差绝对值已在变小，为保持误差变小的趋势，防止反向校正，此时需要减小

，

取负。误差e减小至零附近时，为防止系统出现振荡，应保持一个较小的

值，取

为零。微分系数整定原则2基于模糊自整定参数的PID控制PID控制器参数整定公式：为参数整定次数。神经网络PID控制5.3传统的PID控制根据经验设定比例、积分、微分系数，然而，被控对象往往复杂多变，难以根据经验选定一组最优参数进行控制器设计。最优参数与系统性能指标之间存在着复杂的非线性关系，如果能找到此非线性关系，则可以根据系统性能指标优化PID控制参数。神经网络有很强的非线性学习能力，可将神经网络与PID控制结合，不断优化调整PID参数，获得更优系统性能。分类：单神经元PID自适应控制、基于BP神经网络的PID控制、基于RBF神经网络的PID控制等。1单神经元PID自适应控制凭借单个神经元的自学习能力，不断调整控制参数，实现自适应PID控制。神经元1单神经元PID自适应控制系统误差：神经元神经元输入：神经元输入权值：1单神经元PID自适应控制增量式PID算法：神经元神经元输入权值1单神经元PID自适应控制有监督Hebb学习规则：单神经元通过不断学习调整输入的权值，进而实现参数可调的自适应PID控制功能。选用有监督Hebb学习规则进行权值的调整。神经元和的连接权值调整量；学习率；期望输出；神经元的输出；神经元的输出。1单神经元PID自适应控制单神经元权值调整规则：单神经元权值的调整与神经元的输入、输出及输出偏差有关比例环节系数学习率；积分环节系数学习率；微分环节系数学习率。1单神经元PID自适应控制调节后权值规范化：1单神经元PID自适应控制K为神经元比例系数。随着K的增大，系统响应速度加快，但易增大超调。当被控对象时延增大时，需减小K保证系统稳定。K过小时，系统快速性变差。1单神经元PID自适应控制单神经元PID自适应控制是通过单神经元学习更新输入权值来实现参数可调的智能PID控制算法。算法控制效果与比例、积分、微分环节系数学习率以及神经元比例系数的选取有关。单神经元PID自适应控制结构简单、学习速度快，有较强鲁棒性。2基于BP神经网络的PID控制以最优化给定性能指标为目标，通过BP神经网络的自学习进行神经网络中加权系数的调整，进而产生最优控制下的一组神经网络输出，即PID控制器的参数。2基于BP神经网络的PID控制三层BP神经网络结构神经网络输入:神经网络输出：

为隐含层激活函数，可以取为输入层第

个节点到隐含层第

个节点的权值隐含层第

个神经元的阈值神经网络隐含层输出:

为输出层激活函数，可以取为

隐含层第

个节点到输出层第

个节点的权值输出层第

个神经元的阈值PID参数2基于BP神经网络的PID控制性能指标函数：用

代替按梯度下降法修正BP网络的权值系数，即按E对权值的负梯度方向调整：BP神经网络隐含层到输出层的权值调整公式：惯性系数；学习速率。为什么不会影响结果？如何计算？2基于BP神经网络的PID控制BP神经网络隐含层到输出层的权值调整公式：BP神经网络输入层到隐含层的权值调整公式：根据上述权值调整公式，BP神经网络可以向着最优化性能指标的方向不断优化学习，进而通过神经网络输出不断调整PID参数，实现系统的PID控制。本章小结Ch5专家PID控制直接运用专家经验设计控制规则，优化调整PID算