電阻爐單神經元PID自適應控制

喻曉紅,張修軍,楊 濤

(1.成都大學電子信息工程學院,四川成都 610106;2.成都大學信息科學與技術學院,四川成都 610106; 3.成都大學實驗技術中心,四川成都 610106)

電阻爐單神經元PID自適應控制

喻曉紅1,張修軍2,楊 濤3

(1.成都大學電子信息工程學院,四川成都 610106;2.成都大學信息科學與技術學院,四川成都 610106; 3.成都大學實驗技術中心,四川成都 610106)

選用單神經元自適應控制結構,采有監督Hebb學習算法實現了對電阻爐大時滯控制系統的單神經元PID控制,探討了參數對系統性能的影響,同時,使用Matlab分別對常規PID算法、自適應單神經元PID算法進行了仿真研究與比較并對參數選擇進行了仿真研究.仿真結果表明,自適應神經元結構的PID控制動態控制效果良好,具有較高的工業實用價值.

單神經元;自適應;常規PID控制

0 引 言

傳統的PID由于具有結構簡單、控制精度較高、控制參數少,以及參數整定簡單且易于實現等優點,在工程控制中獲得了廣泛的應用.但因其建立在精確的數學模型的基礎上,實際中很難獲得令人滿意的控制效果.此外,常規的PID整定參數時間長,往往難以獲得真正意義上的全局最優值,很難同時兼顧控制系統的動態品質和穩態精度之間的矛盾.為了克服傳統PID控制的弱點,研究者提出大量的針對PID控制的改進方案,如廣義預測PID控制、模糊PID控制、專家PID控制、智能PID控制,等等[1,2].近年來興起的神經元網絡具有不依賴于數學模型、信息分布存儲、并行處理能力強,以及具有自組織自學習等能力而獲得廣泛關注[3].對于實際工業生產中常常遇到的大時滯控制系統,較大的時間滯后容易導致系統性能變差甚至不穩定,對此,一些學者在此基礎上引入Smith控制結構以消除時間滯后對控制系統動態性能的影響[4,5].本文針對具有大時滯的電阻爐控制系統提出了一種單神經元PID改進算法,通過對參數選擇進行探討,并使用Matlab分別對傳統的PID算法、單神經元PID算法進行了仿真研究與比較,探討了參數K的變化對系統性能的影響.仿真結果表明,具有神經元結構的PID控制,控制效果良好,具有較高的工業實用價值.

1 單神經元自適應PID控制器的設計

1.1 數字PID控制規律

PID控制器被廣泛應用于工業生產,其控制規律可表示為：

使用計算機進行控制,通過對其離散化可得常用的增量型數字PID控制器的控制輸出為：

其中,k為采樣周期,u為控制輸出量,e為偏差信號,kp為比例系數,ki為積分系數,kd為微分系數.

由于傳統的PID控制都是基于精確的數學模型,針對實際工業生產中控制對象數學模型通常不精確或是很難獲得,以及具有高度非線性和大滯后等特點,傳統的數字PID控制往往很難獲得滿意的控制效果.對此,本文考慮引入能解決此類問題的神經元控制結構.

1.2 單神經元自適應PID控制

單神經元自適應PID控制原理如圖1所示.

圖1中,xi(k)(i=1,2,3)為第k個采樣周期神經元的輸入,Δu(k)為第 K個采樣周期神經元的輸出,K為神經元的比例系數,K＞0.設k時刻對應的加權值為wi(k)(k=1,2,3),yr(k)=(1-α)r(k-1)+ayr(k)為對輸入進行的濾波處理,其可對系統的魯棒性能加以調節,合理選取濾波系數α(0＜α＜1),可使系統獲得良好的魯棒性能.

圖1 單神經元自適應PID控制器結構原理圖

根據數字PID的算法結構及式(2),取單神經元的3個輸入量為：

由神經元結構,可得此神經元自適應PID控制器的輸出為：

而單神經元PID控制在學習過程中正是通過對加權系數的調整來實現自適應、自組織的功能.本系統加權系數的調整選用目前應用最為廣泛的有監督的Hebb學習規則來實現,其控制及學習算法為：

式中：z(k)=r(k)-y(k)=e(k);ηI、ηP、ηD分別為數字PID控制對應的積分、比例、微分的學習速率.

神經元PID控制中,積分(I)、比例(P)、微分(D)通常采用不同的學習速率ηI、ηP、ηD,以便對它們各自的權系數根據需要進行調整,其取值由仿真與實驗確定.

由圖1結構可見,該神經元控制實際上為具有變參數自學習能力的自適應 PID控制,其權值w1(k)、w2(k)、w3(k)分別對應于數字PID控制式(2)的積分系數 Ki,比例系數 Kp,微分系數 Kd,其在線學習功能通過神經元結構的權系數的調整來實現,而控制效果則與加權系數的學習算法以及學習速率的合理選擇相關.

此外,神經元比例系數 K值的選擇非常重要.K越大,快速性越好,但系統超調量大,甚至可能使系統不穩定.當被控對象延時增大時,K值必須減少,以確保系統穩定.K值選擇過小,會使系統的快速性變差.同時,學習速率的選擇也會影響系統控制效果.ηP變大其響應速度較快,超調量也相對增大;當ηI變大時,其響應速度要慢,趨于穩態的時間變長,超調量相對減小;當ηD變大時,響應速度變得更慢,超調量變得更小.

2 實例與仿真

某電阻爐功率為8 KW,交流220 V供電,選用KS200 A/800 V雙向晶閘管過零觸發控制,由其階躍響應的飛升曲線測得其控制對象為帶有純滯后的一階系統,控制對象為：

在單位階躍信號作用下,經反復試驗,選取學習速率為：

使用Matlab編程仿真,并與常規PID控制進行比較,其控制圖如圖2所示.

圖2 常規數字PID及單神經元自適應PID控制比較

由圖2可見,采用自適應單神經元控制較之常規數字PID,在明顯減小超調的同時提高了響應的快速性,有效改善了系統的動態性能.對本例所使用的大時滯控制系統以及模型不精確等控制系統,神經元控制能達到較為明顯的控制效果.

同時,研究還發現,神經元比例系數K的變化對系統性能的影響尤其重要,其影響結果如圖3所示.

圖3 K對單神經元PID控制系統的影響

由圖3可見,當K變大時,系統的快速性尤其是初始階段明顯變好,但由于本電阻爐系統是大時滯的控制系統,增加K值,會導致系統振蕩加劇,振蕩次數明顯增加,且調節時間也變得更長,實際使系統的動態性能變差.因此,合理選擇K值對于獲取良好的控制性能尤其重要.

3 結 語

本文針對具有大時滯對象特性的電阻爐實現了有監督的Hebb單神經元自適應PID控制,并與常規數字PID控制進行對比分析.仿真結果表明,自適應單神經元PID控制本質上為一種非線性控制,具有良好的自適應能力,能有效地改善系統的動態調節性能,在減小超調的同時縮短了調節時間.另外,本設計具有控制方法簡單、調節參數少、調節性能好等特點,具有好良好的工業應用前景.但研究發現,神經元PID控制應用于大時滯系統時,參數的變化對系統影響甚大.為更好地解決大時滯的影響,有學者考慮使用帶有專門解決大時滯問題的Smith結構的神經元PID控制[4],而在單神經元PID控制基礎上發展起來能應對更為復雜的生產過程的神經網絡PID控制更是目前控制研究的一大熱點[3].

[1]舒懷林.PID神經元網絡及其控制系統[M].北京：國防工業出版社,2006.

[2]劉金琨.先進PID控制及其Matlab仿真[M].北京：電子工業出版社,2002.

[3]孫育剛,嵇啟春.基于神經網絡的Smith預估PID控制器設計與仿真[J].控制理論與應用,2009,28(10)：9-12.

[4]陳 以,楊啟偉.模糊Smith智能混合控制器的設計與仿真[J].控制工程,2007,7(1)：422-425.

[5]褚麗麗,李春貿.時滯系統的模糊自適應 PID控制研究[J].自動化技術與應用,2008,27(1)：34-36.

Single Neural PID Adaptive Control of Furnace

YU Xiaohong1,ZHANG Xiujun2,YANG Tao3

(1.School of Electronic Information Engineering,Chengdu University,Chengdu 610106,China; 2.School of Information Science and Technology,Chengdu University,Chengdu 610106,China; 3.Center of Experimental Technology,Chengdu University,Chengdu 610106,China)

A kind of single neural adaptive construction and supervisory Hebb algorithm were used to control furnace with huge delay characteristic,then the impact of the parameterson the systemperformance was discussed.Simulation researches were made to fulfill the conventional digital PID and adaptive single neural PID algorithms using Matlab.A simulation research was made to find how to choose the parameters.The contrast of the simulation research results shows that adaptive single neural PID can get better performance and has a good application prospect in industry.

single neural;adaptive;conventional PID control

TP273

：A

1004-5422(2010)02-0130-03

2010-03-15.

成都大學科技基金資助項目.

喻曉紅(1976—),女,碩士,講師,從事計算機智能控制研究.