智能PID

智能PID控制在工业过程控制中，PID控制是历史最悠久，生命力最强的控制方式。

它是迄今为止最通用的控制方法。

PID控制的特点是原理简单，适应性强，鲁棒性强。

而且其应用时期较长，控制工程师们己经积累了大量的PID控制器参数的调节经验。

随着工业的发展，对象的复杂程度不断加深，尤其对于大滞后、时变的、非线性的复杂系统:其中有的参数未知或缓慢变化;有的带有延时或随机干扰。

有的无法获得较精确的数学模型或模型非常粗糙。

加之人们对控制品质的要求日益提高，常规PID控制的缺陷逐渐暴露出来。

对于时变对象和非线性系统，传统的PID控制更是显得无能为力。

因此常规PID控制的应用受到很大限制和挑战。

人们在对PID应用的同时，也对其进行了各种改进。

智能控制(Intelligent Control)是一门新兴的理论和技术，它是传统控制发展的高级阶段，主要用来解决那些用传统方法难以解决的复杂系统的控制，其中包括智能机器人系统、复杂工业过程控制系统、交通运输系模糊PID控制器统、航天航空系统等。

近年来，智能控制无论是理论上还是应用技术上均得到了长足的发展，随之不断涌现将智能控制方法和常规PID控制方法融合在一起的新方法，形成了许多形式的智能PID控制器。

它简化了建模手续，算法简单，明显地提高了系统的控制品质，引起了国内外学者的广泛关注，己成为当前控制领域研究热点之一。

首先，它具备自学习、自适应、自组织的能力，能够自动辨识被控过程参数、自动整定控制参数、能够适应被控过程参数的变化。

其次，它又具有常规PID控制器结构简单、鲁棒性强、可靠性高、为现场工程设计人员所熟悉等特点。

正是这两大优势，使得智能PID控制成为众多过程控制的一种较理想的控制装置。

一、模糊自适应PID控制器在工业控制过程中经常会碰到大滞后、时变的、非线性的复杂系统，其中有的参数未知或缓慢变化.有的带有延时和随机干扰。

有的无法获得较精确的数学模型或模型非常粗糙。

对上述这些系统，如果使用常规的PID控制器，则较难整定PID参数，因而比较难达到预期效果。

模糊控制器是一种近年来发展起来的新型控制器，其优点是不要求掌握受控对象的数学模型，而根据人工控制规则组织控制决策表，然后由该表决定控制量的大小。

将模糊控制和PID控制两者结合起来，扬长避短，既具有模糊控制灵活，适应性强的优点，又具有PID 控制精度高的特点。

1.1 模糊自适应PID控制器模糊自适应PID(FAPID)控制系统如图1所示。

FAC为模糊自适应控制器，与常规PID 控制器起组成FAPID控制器。

FAPID控制器的设计分为独立的两步进行，简单方便。

FAC 的输出即为PID控制器的输入。

PID参数若采用工程方法整定，可不需要被控对象模型。

整定PID参数时，去掉FAC的作用。

当在每个采样时刻获得了系统响应后，就可以根据此时刻系统响应偏离给定的情况及变化趋势，依据已有的系统控制知识，运用模糊控制方法，适当加大或减小控制力度，以控制响应朝偏离给定的方向变化，使输出尽快趋于稳定，可基于这种思路来设计FAC。

模型规则表物理意义明确，实时计算工作量小，便于工程应用。

事实上，由于模糊控制部分已隐含对误差的PD成分，所以在采用FAPID控制时，PID控制器中微分部分没有必要加入。

与传统PID控制比较，FAPID控制大大提高了系统的鲁棒性，减小了超调量，提高了抗干扰能力，缩短了调节时间。

图1 FAPID 控制系统框图1.2 基于神经网络的模糊PID 控制将模糊控制具有的较强的逻辑推理功能、神经网络的自适应、自学习功能以及传统PID 的优点融为一体，构成基于神经网络的模糊PID 系统框图见下图所示。

图2 基于神经网络的模糊PID 控制系统框图它包括四个部分:①传统PID 控制部分:直接对控制对象形成闭环控制；②模糊量化模块:对系统的状态向量进行归档模糊量化和归一化处理；③辨识网络NNM:用于建立被控系统中的辨识模型；④控制网络NNC:根据系统的状态，调节PID 控制的参数以达到某种性能指标最优，具体实现方法是使神经元的输出状态对应PID 控制器的被调参数，通过自身权系数的调整，使其稳定状态对应某种最优控制规律下的PID 控制参数。

这种控制器对模型、环境具有较好的适应能力以及较强的鲁棒性，但是由于系统组成比较复杂，存在运算量大、收敛慢、成本较大的缺点。

1.3 其它模糊PID 控制器在模糊PID 控制中，为了完善PID 控制器自适应性能，目前较多的是采用对被控对象的在线辨识，根据一定的控制要求或目标函数，对PID 控制器的三个参数(p K ， i K ，d K )进行在线调整。

此外还采用计算机最优化方法寻求最佳PID 参数。

采用辨识方法，必须建立在被控对象的精确数学模型基础上，当被控对象具有结构非线性、参数时变性与模型不确定性时，其辨识结果不一定有效。

为此，提出一种用模糊控制器对p K ,i K , d K 三个参数进行在线调整的“PID 自调整模糊控制器”。

模糊控制系统的控制质量，主要取决于模糊控制器规则的建立和模糊关系的真实性。

而模糊规则的建立往往带有主观性，难以保证系统具有良好的动态特性。

为了克服这种主观性对系统控制质量的影响，许多学者在模糊控制器结构设计中引人自学习功能，使模糊控制系统具有自我完善性。

这是模糊控制向具有更高度智能性进展的有效途径之一。

二、基于神经网络的PID 控制器人工神经网络是最近发展起来的十分热门的交又学科、它涉及生物、电子计算机、数学、和物理等学科，有着非常广泛的应用背景，这门学科的发展对目前和未来的科学技术的发展将有着重要的影响。

以非线性大规模并行处理为主要特征的神经网络，以生物神经网络为模拟基础，试图模拟人的形象思维以及学习和获取知识的能力。

它具有学习、记忆、联想、容错、并行处理等能力，已在控制领域得到广泛的应用。

2.1 单神经元PID 控制器构成单元神经元自适应PID 控制器结构如图3所示。

图中转换器的输人为设定值t y 及输出y(k)，转换器的输出为神经元学习控制所需要的状态量1X ，2X ，3X 。

神经元PID 控制器的输出为31()()()i i i u k K k X k ω=∆=∑式中，K 为神经元比例系数。

由PID 的增量式，令:1X =e(k);2X =e(k)—e(k —1);3X =e(k)一2e(k 一1)+e(k 一2)i ω (i=1,2,3)就反应了PID 三个参数的大小。

正是由于权值能够进行自适应调整，故可大大提高系统的鲁棒性能。

而这种单神经元自适应控制器的学习功能就是通过改变权系数大小来实现的。

一般地，在单神经元控制器中引人输出误差平方的二次型性能指标，按折椅指标修改控制器地加权系数，可以使得性能指标趋于最小，从而实现自适应PID 地最优控制。

利用具有自学习和自适应能力的单神经元来构成单神经元自适应 PID 控制器，不但结构简单、学习算法物理意义明确、计算量小，且能适应环境变化，具有较强的鲁棒性。

图3 单元神经元自适应PID 控制器结构图2.2 BP 神经网络PID 控制器构成基于BP 神经网络的PID 控制系统结构如图4所示。

图4 基于BP 神经网络的PID 控制系统结构BP 神经网络的学习过程可分为前向网络计算和反向误差传播一一连接加权系数修正两个部分，这两个部分是相连续反复进行的。

直至误差满足要求。

不论学习过程是否己经结束，只要在网络的输入节点加入输入信号，则这些信号将一层一层向前传播；通过每一层时要根据当时的连接加权系数和节点的活化函数与闭值进行相应计算，所得的输出再继续向下一层传送。

这个前向网络计算过程，既是网络学习过程的一部分，也是将来网络的工作模式。

在学习过程结束之前，如果前向网络计算的输出和期望输出之间存在误差，则转入反向传播，将误差沿着原来的连接通路回送，作为修改加权系数的依据，目标使使误差减小。

将p K ,i K ,d K 视为依赖于系统运行状态的可调系数时，则:u(k)=f[u(k 一1) , p K , i K , d K , e(k), e(k 一I ) , e(k-2)]式中，f(*)是与p K ,i K , d K , u(k-1), e(k)相关的非线性函数。

可利用BP 神经网络NN 通过训练和学习来找到这样一个最佳控制规律。

此时神经网络控制器实际是一个前馈控制器，它建立的是被控对象的逆向模型。

由图4容易看出，神经网络控制器通过向传统控制器的输出进行学习，在线调整自己，目标是使反馈误差趋近于零，从而使自己逐渐在控制作用中占据主导地位，以便最终取消反馈控制器的作用。

但是以PID 构成的反馈控制器一直存在，一旦系统出现干扰等，反馈控制器马上可以重新起作用。

因此，采用这种前馈加反馈的智能控制方法，不仅可确保控制系统的稳定性和鲁棒性，而且可有效地提高系统的精度和自适应能力。

三、专家PID控制专家系统是人工智能的一个重要分支。

所谓的专家系统就是一种在相关领域中具有专家水平解题能力均智能程序系统，它能运用领域专家多年积累的经验与专门知识，模拟人类专家的思维过程，求解需要专家才能解决的困难问题。

它具有两个要素:一是知识，分为数据级、知识级、和控制级三个层次。

二是推理，它是专家系统的“思维”机构，模拟领域专家的思维过程，长解领域内的现实问题。

专家控制的实质是基于受控对象和控制规律的各种知识，以智能的方式来利用这些知识，求得受控系统尽可能地优化和实用化，它反映出智能控制的许多重要特征和功能。

随着微机技术和人工智能技术的发展，出现了多种形式的专家控制器。

人们自然地也想到用专家经验来建立PID参数。

专家PID控制系统原理框图如图5所示。

这种专家PID控制器能根据专家知识和经验实时调整PID参数，具有良好的控制特性和鲁棒性。

此外，该控制器结构简单，执行时间短，因此可望在工业控制领域中得到广泛应用。

图5 专家PID控制系统原理框图四、智能PID自学习控制一个系统若能通过在线实时学习，自动获得知识，并能将所学的知识用来不断改善一个具有未知特征过程的控制性能，则称之为自学习控制系统，其结构如图6所示。

图6 智能PID自学习控制系统的结构框图智能PID控制器采用规则PID控制形式，即在系统运行的不同阶段或不同情况下采用不同的PID 参数。

性能评价部分设置的目的，是能够了解到智能控制器的性能及其好坏，以便及时修正PID 控制器的参数。

设置逆对象增量模型的目的是将系统性能评价的结果折合到应对受控对象的控制量u 的修正量u ∆上去。

PID 参数自学习部分设置的目的是为了在得到了u ∆后，能够合理有效地自动修正智能PID 控制器中的各组PID 的p K , i K , d K 三个参数。

该系统的特点是在规则PID 控制的基础上，重视和强调对该控制器的控制性能的评价，将这个评价结果反馈给PID 参数的自学习机构，从而使系统在运行过程中能自动地对各PID 的参数进行自学习和自整定。