论文部分内容阅读
PID控制是最早发展起来的控制策略之一,其算法结构简单,十分适用于工程中,是迄今工业过程控制中应用最广泛的一种控制策略。面对越来越复杂的被控对象,如具有非线性、参数时变、数学模型无法精确获得等特点的对象,传统PID设计方法难以取得较好的控制效果。因此,需要先进的智能算法来改进PID控制器。智能PID算法是近年来发展起来的一种将智能控制方法和常规PID控制方法相融合的新方法。它具有自学习、自适应、自组织能力,而且构成的PID控制器结构简单、抗干扰性强、鲁棒性高。本文重点研究了几种常见的智能PID算法,包括神经网络PID算法、模糊自适应PID算法以及基于遗传算法的PID优化算法,通过仿真和应用于温度对象的控制研究了他们各自的特点。主要研究内容如下:1、本文的被控对象为具有非线性、参数时变等特点的温度对象,通过辨识获得该对象的近似数学模型。应用研究中,控制器选取的是贝加莱公司(B&R)的PCC,通过在Automation Studio软件平台上使用Automation Basic语言编写程序,研究各种智能PID算法在实际温度控制中的特性。2、阐述了单神经元自适应PID和BP神经网络PID的控制原理,采用了增益自调整的单神经元自适应PID算法,及改进的BP神经网络PID算法,实现对温度对象的控制。仿真和应用结果表明,单神经元自适应PID算法能满足较高的动态性能指标,且算法简单,占用CPU、堆栈等资源少,抗干扰能力和鲁棒性较传统PID有较大的提高;BP神经网络PID算法自学习能力强,资源使用较多,在抗干扰能力和鲁棒性方面比单神经元自适应PID算法有进一步的提高。3、研究了模糊控制的基本原理及特点,采用了变论域的思想来实现自适应模糊PID控制。变论域模糊自适应PID控制可实现模糊因子和PID参数的自调节。仿真和应用结果表明,模糊自适应PID改善了系统的性能,系统的调节时间变短,抗干扰能力和鲁棒性较传统PID控制也有较大的提高。4、采用遗传算法进行PID参数优化,针对两种不同的性能指标,动态性能指标(如超调量、调节时间)和误差绝对值时间积分指标(ITAE),通过遗传算法寻优,得到最优PID控制器参数。仿真试验结果表明遗传算法是一种寻求全局最优且与初始条件无关的优化方法,应用于PID参数优化时具有良好的实用性,优化性能高,使控制系统具有良好的控制精度和动态性能。