智能PID控制综述

密 封 线智能PID 控制综述摘要 传统的PID 控制应用于复杂的实际系统时存在一定的局限性，因而智能PID 控制器是当今研究的热点。

融合了先进智能控制思想和传统PID 构成的智能PID 控制器则具有更加良好的特性。

文中对几种常见的智能PID 控制器,包括模糊PID 、神经网络PID 、专家PID 控制器及基于遗传算法的PID 控制器等进行了综述。

关键词 PID 控制器 智能控制 智能PID一、引言PID 控制[1-10,51-52]作为经典控制算法中的典型代表，是一种传统的控制方式。

1922年 N.Minorsky 提出PID 控制方法，1942年美国Taylor 仪器公司的 J.g.ziegler 和 N.B.Nichols 提出PID 参数[1]的最佳调整法至今，其在工业控制中的应用已十分广泛[2-4]。

PID 控制具有结构简单、参数物理意义明确和鲁棒性强等特点。

PID 控制器[5-9]对系统给定值()r t 同系统输出值()y t 的偏差()e t 分别进行比例、积分、微分运算，并由此得到其输出值()u t ，计算公式为：0()()()()()t P L D de t u t K e t K e t d t K dt =++⎰式中P K 为比例系数;L K 为积分系数；D K 为微分系数。

P K 、L K 、D K 可对系统的稳定性、稳态精度、响应速度和超调量等性能产生影响，它们的作用分别为：(1)比例系数P K 可以加快系统的响应速度，提高系统的调节精度。

系统的响应速度和调节精度同P K 呈正相关，但P K 过大则会产生超调，使系统不稳定，P K 过小则会使响应速度变慢，使系统静、动态特性变坏。

(2)积分作用系数L K 可以消除系统的稳态误差。

L K 越大，系统静差就会越快消除。

但L K 过大会在响应过程产生较大超调，产生积分饱和现象。

L K 过小则会使系统稳态误差不易消除，影响调节精度。

(3)微分作用系数D K 可以改善系统的动态性能。

但D K 过大会使系统的调节时间延长，抗干扰性能降低。

PID 控制具有结构简单、稳定性能好、可靠性高等优点，尤其适用于可建立精确数学模型的确定性控制系统。

在控制理论和技术飞速发展的今天，工业过程控制领域仍有近90%的回路在应用PID 控制策略。

PID 控制中一个关键的问题便是PID 参数的整定。

但是在实际的应用中，许多被控过程机理复杂，具有高度非线性、时变不确定性和纯滞后等特点。

在噪声、负载扰在PID控制中，不仅PID参数的整定不依赖于对象数学模型，并且PID参数能够在线调整，以满足实时控制的要求。

智能控制是一门新兴的理论和技术，它是传统控制发展的高级阶段，主要用来解决那些传统方法难以解决的控制对象参数在大范围变化的问题，其思想是解决PID 参数在线调整问题的有效途径[1][4][8]。

近年来，智能控制[11-16,53]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。

它吸收了智能控制与常规PID控制两者的优点。

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。

文中主要介绍几种智能PID 控制器的常见构成形式，并分析各自的特点。

二、智能PID控制器研究现状智能PID控制的专家控制[17-18]、学习控制[19-20]、仿人控制[21-22]、免疫算法[22-24]等都在发展之中。

纵观近年来智能PID控制的发展，可以大致归纳出以下特点：智能复合控制成为提供和改善智能控制性能的有效途径，并成为研究的重点。

近几年来，模糊控制[25-29]与神经网络[30-36]的结合代表着控制与智能系统研究的一个新的趋势，另外有一个值得注意的动向是利用遗传算法GA对神经网络的PID控制器的权系数进行寻优，而将遗传算法应用于模糊控制,被证明是调整规则和隶属函数的一种有效方法。

文献[9]将遗传算法、模糊控制和免疫反馈机理与传统的PID控制相结合，提出了基于遗传整定的模糊免疫PID控制算法并将它应用在双容液位系统的控制中。

PID控制重新受到广泛重视，并和智能控制等方法结合，形成新一轮的研究热潮。

国际著名学术刊物 Control Engineering Practice和IEEE Control Systems Magazine 分别于2001和2006年出版了PID控制特辑。

2000年, IFAC 数字控制工作组在西班牙 Terrassa 举行了专题为 Past Present and Future of PID Control 的PID控制学术会议。

国际著名控制理论学者AS-TROM 教授指出, PID控制器在未来的控制工程中扔将继续扮演重要的角色，同时将成为各种复杂控制器的基本单元。

国内学者吴宏鑫院士提出的特征建模理论[37-38]，第一次从理论上论证了PID控制器广泛应用的理论依据并且指出，PID控制器具有独特的优越性，它将成为复杂系统智能控制中最基本、最基础的子控制单元[2,9,14,16,19]。

在理论研究特别在应用方面，国内与国外差距明显。

国外如日本、欧美等国家不但在理论研究方面走在前列，而且已经有成功应用的产品，Yokogawa 电气和Fuji 电气的温度控制器，它们把模糊逻辑与标准的PID 控制集成在一起来抑制超调，取得了成功。

而国内重复研究的多，创造性研究的少,停留于仿真成果的多，能够在工程上应用的少，尤其是运行时间较长的智能PID 控制器可以说微乎其微。

这一状况需要广大理论工作者和工程技术人员共同努力，尽快转变这一局面。

三、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叉学科。

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应用。

3.1、单神经元PID 控制器[39-40]用单神经元实现自适应PID 控制的结构框图如图3-1所示。

图3-1中转换器的输入为设定值r y 及输出y ，转换器的输出为神经元学习控制所需要的状态量123,,X X X 。

神经元PID 控制器的输出为31()(1)()()i i i u k u k K W k X k ==-+∑式中,K 为神经元比例系数。

在单神经元控制器中引入输出误差平方的二次型性能指标，通过修改神经元控制器的加权系数i W ，使性能指标趋于最小，从而实现自适应PID 的最优控制。

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。

3-1单神经元自适应PID 控制器结构3.2、神经网络PID 控制器[29,30,33,35]在常规PID 控制器的基础上，加入一个神经网络控制器，构成如图3-2 所示的神经网络PID 控制器[4]。

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3-2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()e t 或()u t 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。

图3-2 神经网络+PID 控制器四、模糊PID 控制器将模糊控制技术和PID 控制相结合,既可克服常规PID 控制器的不足,又能使PID 控制器具有参数自适应能力。

模糊PID 控制器以数字PID 控制器为基础,引入模糊集合论,将PID 参数根据偏差和偏差变化值的大小而动态变化, 这样显然更符合被控对象真实的控制规律。

在此着重简述模糊自适应PID 控制器以及基于神经网络的模糊PID 控制器。

4.1、模糊自适应PID 控制器[41-43,54]模糊自适应PID(FAPID)控制系统如图4-1 所示。

FAC 为模糊自适应控制器，与常规PID 控制器一起组成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[6]，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4-1 FAPID控制系统框图4.2、基于神经网络的模糊PID控制[29,30,31]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系统框图见图4-2所示。

它包括4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。

图4-2 基于神经网络的模糊PID控制系统框图五、专家PID控制器[17-18,44-46]具有专家系统的自适应PID控制器结构如图5-1所示。

它由参考模型、可调系统和专家系统组成。