电阻炉单神经元PID自适应控制

喻晓红,张修军,杨 涛

(1.成都大学电子信息工程学院,四川成都 610106;2.成都大学信息科学与技术学院,四川成都 610106; 3.成都大学实验技术中心,四川成都 610106)

电阻炉单神经元PID自适应控制

喻晓红1,张修军2,杨 涛3

(1.成都大学电子信息工程学院,四川成都 610106;2.成都大学信息科学与技术学院,四川成都 610106; 3.成都大学实验技术中心,四川成都 610106)

选用单神经元自适应控制结构,采有监督Hebb学习算法实现了对电阻炉大时滞控制系统的单神经元PID控制,探讨了参数对系统性能的影响,同时,使用Matlab分别对常规PID算法、自适应单神经元PID算法进行了仿真研究与比较并对参数选择进行了仿真研究.仿真结果表明,自适应神经元结构的PID控制动态控制效果良好,具有较高的工业实用价值.

单神经元;自适应;常规PID控制

0 引 言

传统的PID由于具有结构简单、控制精度较高、控制参数少,以及参数整定简单且易于实现等优点,在工程控制中获得了广泛的应用.但因其建立在精确的数学模型的基础上,实际中很难获得令人满意的控制效果.此外,常规的PID整定参数时间长,往往难以获得真正意义上的全局最优值,很难同时兼顾控制系统的动态品质和稳态精度之间的矛盾.为了克服传统PID控制的弱点,研究者提出大量的针对PID控制的改进方案,如广义预测PID控制、模糊PID控制、专家PID控制、智能PID控制,等等[1,2].近年来兴起的神经元网络具有不依赖于数学模型、信息分布存储、并行处理能力强,以及具有自组织自学习等能力而获得广泛关注[3].对于实际工业生产中常常遇到的大时滞控制系统,较大的时间滞后容易导致系统性能变差甚至不稳定,对此,一些学者在此基础上引入Smith控制结构以消除时间滞后对控制系统动态性能的影响[4,5].本文针对具有大时滞的电阻炉控制系统提出了一种单神经元PID改进算法,通过对参数选择进行探讨,并使用Matlab分别对传统的PID算法、单神经元PID算法进行了仿真研究与比较,探讨了参数K的变化对系统性能的影响.仿真结果表明,具有神经元结构的PID控制,控制效果良好,具有较高的工业实用价值.

1 单神经元自适应PID控制器的设计

1.1 数字PID控制规律

PID控制器被广泛应用于工业生产,其控制规律可表示为：

使用计算机进行控制,通过对其离散化可得常用的增量型数字PID控制器的控制输出为：

其中,k为采样周期,u为控制输出量,e为偏差信号,kp为比例系数,ki为积分系数,kd为微分系数.

由于传统的PID控制都是基于精确的数学模型,针对实际工业生产中控制对象数学模型通常不精确或是很难获得,以及具有高度非线性和大滞后等特点,传统的数字PID控制往往很难获得满意的控制效果.对此,本文考虑引入能解决此类问题的神经元控制结构.

1.2 单神经元自适应PID控制

单神经元自适应PID控制原理如图1所示.

图1中,xi(k)(i=1,2,3)为第k个采样周期神经元的输入,Δu(k)为第 K个采样周期神经元的输出,K为神经元的比例系数,K＞0.设k时刻对应的加权值为wi(k)(k=1,2,3),yr(k)=(1-α)r(k-1)+ayr(k)为对输入进行的滤波处理,其可对系统的鲁棒性能加以调节,合理选取滤波系数α(0＜α＜1),可使系统获得良好的鲁棒性能.

图1 单神经元自适应PID控制器结构原理图

根据数字PID的算法结构及式(2),取单神经元的3个输入量为：

由神经元结构,可得此神经元自适应PID控制器的输出为：

而单神经元PID控制在学习过程中正是通过对加权系数的调整来实现自适应、自组织的功能.本系统加权系数的调整选用目前应用最为广泛的有监督的Hebb学习规则来实现,其控制及学习算法为：

式中：z(k)=r(k)-y(k)=e(k);ηI、ηP、ηD分别为数字PID控制对应的积分、比例、微分的学习速率.

神经元PID控制中,积分(I)、比例(P)、微分(D)通常采用不同的学习速率ηI、ηP、ηD,以便对它们各自的权系数根据需要进行调整,其取值由仿真与实验确定.

由图1结构可见,该神经元控制实际上为具有变参数自学习能力的自适应 PID控制,其权值w1(k)、w2(k)、w3(k)分别对应于数字PID控制式(2)的积分系数 Ki,比例系数 Kp,微分系数 Kd,其在线学习功能通过神经元结构的权系数的调整来实现,而控制效果则与加权系数的学习算法以及学习速率的合理选择相关.

此外,神经元比例系数 K值的选择非常重要.K越大,快速性越好,但系统超调量大,甚至可能使系统不稳定.当被控对象延时增大时,K值必须减少,以确保系统稳定.K值选择过小,会使系统的快速性变差.同时,学习速率的选择也会影响系统控制效果.ηP变大其响应速度较快,超调量也相对增大;当ηI变大时,其响应速度要慢,趋于稳态的时间变长,超调量相对减小;当ηD变大时,响应速度变得更慢,超调量变得更小.

2 实例与仿真

某电阻炉功率为8 KW,交流220 V供电,选用KS200 A/800 V双向晶闸管过零触发控制,由其阶跃响应的飞升曲线测得其控制对象为带有纯滞后的一阶系统,控制对象为：

在单位阶跃信号作用下,经反复试验,选取学习速率为：

使用Matlab编程仿真,并与常规PID控制进行比较,其控制图如图2所示.

图2 常规数字PID及单神经元自适应PID控制比较

由图2可见,采用自适应单神经元控制较之常规数字PID,在明显减小超调的同时提高了响应的快速性,有效改善了系统的动态性能.对本例所使用的大时滞控制系统以及模型不精确等控制系统,神经元控制能达到较为明显的控制效果.

同时,研究还发现,神经元比例系数K的变化对系统性能的影响尤其重要,其影响结果如图3所示.

图3 K对单神经元PID控制系统的影响

由图3可见,当K变大时,系统的快速性尤其是初始阶段明显变好,但由于本电阻炉系统是大时滞的控制系统,增加K值,会导致系统振荡加剧,振荡次数明显增加,且调节时间也变得更长,实际使系统的动态性能变差.因此,合理选择K值对于获取良好的控制性能尤其重要.

3 结 语

本文针对具有大时滞对象特性的电阻炉实现了有监督的Hebb单神经元自适应PID控制,并与常规数字PID控制进行对比分析.仿真结果表明,自适应单神经元PID控制本质上为一种非线性控制,具有良好的自适应能力,能有效地改善系统的动态调节性能,在减小超调的同时缩短了调节时间.另外,本设计具有控制方法简单、调节参数少、调节性能好等特点,具有好良好的工业应用前景.但研究发现,神经元PID控制应用于大时滞系统时,参数的变化对系统影响甚大.为更好地解决大时滞的影响,有学者考虑使用带有专门解决大时滞问题的Smith结构的神经元PID控制[4],而在单神经元PID控制基础上发展起来能应对更为复杂的生产过程的神经网络PID控制更是目前控制研究的一大热点[3].

[1]舒怀林.PID神经元网络及其控制系统[M].北京：国防工业出版社,2006.

[2]刘金琨.先进PID控制及其Matlab仿真[M].北京：电子工业出版社,2002.

[3]孙育刚,嵇启春.基于神经网络的Smith预估PID控制器设计与仿真[J].控制理论与应用,2009,28(10)：9-12.

[4]陈 以,杨启伟.模糊Smith智能混合控制器的设计与仿真[J].控制工程,2007,7(1)：422-425.

[5]褚丽丽,李春贸.时滞系统的模糊自适应 PID控制研究[J].自动化技术与应用,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.

成都大学科技基金资助项目.

喻晓红(1976—),女,硕士,讲师,从事计算机智能控制研究.