单神经元自适应PID控制器及其应用

收稿日期:2003-03-11;收修定稿日期:2003-07-03

作者简介:丁 军(1972-),男,安徽庐江人,硕士研究生,主要研究方向为智能控制;徐用懋,女,教授,博士生导师。

控制工程

Control Eng ineering of China Jan.2004Vol.11,No.1

2004年1月第11卷第1期

文章编号:1671-7848(2004)01-0027-05

单神经元自适应PID 控制器及其应用

丁 军,徐用懋

(清华大学自动化系,北京 100084)

摘 要:研究了单神经元自适应PI D 控制器,阐述了该控制器的特点、控制律、适用对象及工程整定方法,在和利时公司的SmartP ro 系统平台上开发出单神经元自适应PI D 控制器,进行了单神经元自适应PI D 控制器的典型一、二阶对象闭环仿真,最终将单神经元自适应P ID 控制器应用于制药厂发酵罐温度控制回路中。单神经元控制器具有可调参数少、易于整定、控制输出平稳、鲁棒性强的独特优点,适用于大滞后且要求平稳控制输出的工业过程。

关 键 词:单神经元自适应控制器;PID;DCS 中图分类号:T P 273 文献标识码:A

1 引 言

为适应快速过程神经网络控制的要求,并将神经网络与常规PID 调节器控制思路相结合,产生了神经元自适应PID 控制器。文献[1]采用单神经元构成PID 控制器,并和预测控制相结合,克服时滞对控制系统的影响,并在大时滞、大惯性的电加热炉上获得成功应用,缺点是要对过程进行辨识。文献[2]使用单神经元控制器对过热汽温对象的串级控制回路进行了仿真,结果表明,控制品质优于常规PID 控制器,但尚未投入实际工业运行。文献[3](类似的神经元控制文献[4~6])从常规PID 控制的机理得到启发,采用负反馈+反向BP 算法,使用3层神经元节点(其中一层为隐层),分别将带权值修正后的比例分量、积分分量、微分分量(从物理意义上讲)的神经元的共6个权值分别进行修正,使得总的能量函数最小。文中的仿真试验表明,此方法可以有效地在时滞系统上使用,具有一定的启发意义;主要缺点为计算量相对较大,且易陷入局部极小值。文献[7]对单神经元PID 做了深入的研究,大量与常规PID 的对比仿真表明,单神经元PID 控制器的性能优越,但尚未将单神经元PID 投入工业实际运行。本文在北京和利时系统工程股份有限公司SmartPro 分布式控制系统(DCS)平台上,将单神经元PID 控制器进行工程化开发与仿真研究,在充分发掘单神经元PID 优越性能的基础上,探索

工程化整定方法,最终投入工业实际运行。

2 单神经元自适应PID 控制器的设计

1)控制律 单神经元PID 控制器单神经元PID 控制器具有现场调整参数少、易于现场调试的重要特点,能较大地改善典型非线性时变对象的动态品质,能够适应过程的时变特性,保证控制系统在最佳状态下运行,控制品质明显优于常规PID 控制器。其工作机理如图1所示。

图1 单神经元自适应PID 的工作原理

设定值的滤波处理:

y r (k +1)=(1-A )r (k )+A y r (k )式中,r (k )为设定值,y r (k)为滤波处理后的设定值,A (0

神经元输入:

x 1(k )=e(k ),x 2(k )=e(k)-e(k -1),x 3(k )=e(k)-2e(k -1)+e(k -2)。

神经元特性取为$u(k)=K u

E 3i=1

w i (k)x i (k)/[E 3

i =1

|

w i (k)|],

w i(k+1)=w i(k)+G i5E(k)/5w i(k)

式中,$u(k)为当前k时刻神经元输出增量;K u 为神经元比例系数;w i(k)为k时刻状态神经元所对应的权值;x i(k)为k时刻神经元输入值,其中x1(k)为当前误差,x2(k)为误差的一阶差分, x3(k)为误差的二阶差分;G i为神经元学习率。

目标函数取为

E(k)=[y r(k)-y(k)]2/2

使用Hebb的学习规则、学习策略p i(k)完成神经元权值的调整:

w i(k+1)=w i(k)+G i p i(k)

联想式学习策略:

p i(k)=z(k)u(k)x i(k)

z(k)=e(k)=r(k)-y(k)

该学习策略采用Hebb学习(p i(k)= $u i(k)x i(k))和监督学习(p i(k)=z i(k)x i(k), z(k)为教师信号,x i(k)为当前误差信号)相结合的方式,通过关联搜索对未知的外界做出反应和作用,即神经元在教师信号z(k)的作用下对环境信息进行自组织来产生控制作用,并隐含着对神经元作用信号的评价。

目标函数对权值的偏导数按下式推导:

5E(k) 5w i(k)=5E(k)

5y(k)

5y(k)

5$u(k)

5$u(k)

K5w i(k)

学习算法:

w i(k+1)=w i(k)+

G i K u(k)e(k)u(k)x i(k),

e(k)=y r(k)-y(k)

式中,G i为神经元学习率。一般地,学习率不能过大,否则神经元调节器易超调;学习率也不能过小,否则神经元调节器调节过程缓慢。

K u的非线性变换在线修正方法:

K u(k)=K u0+N[y r(k)-y(k+d)]3/y2r(k)式中,K u0为神经元比例系数稳态初值;N为调整系数,一般为K u0的1/10。

2)权值及K u的自适应调整的研究

¹权值修正在仿真试验中发现,如果闭环回路投运单神经元PID控制器自动运行,一直做权值修正很长时间(一般超过若干天)后,权值的修正可能出现错误情况,甚至可能出现负值。仿真试验曾经出现比例分量的神经元权值由1修正到-1810的错误情况,直到控制器的调节效果基本丧失。因此,在SmartPro的实现上,可以先训练神经元权值,直到调节效果较为满意之后,再人为设定神经元调节器的工作模式为不自动修正权值模式。

ºK u的自适应调整K u对系统的稳定性和快速性影响较大。K u较小时,系统响应慢,超调量减少。K u不能取得太小,否则响应过慢。K u较大时,系统响应快,但是超调量增大,调整时间长。K u不能取得过大,否则响应易振荡。为此,提出响应目标应为:在动态响应初期,偏差e(k)较大, K u取较大值,使响应加快;在进入稳态后,偏差e(k)趋于零,K u应逐步减小到稳定值K u0,确保系统稳定且超调量较小。K u的在线自适应调整削弱了学习率对控制特性不利的影响,几乎可以不予考虑。权值w i(k)可根据偏差e(k)的大小而自适应变化,最终使对象过程值跟踪设定值。因此选用上述的K u非线性变换在线修正方法。

3)参数整定方法由上面的单神经元控制率可以看出,单神经元控制器的可调参数有5个:设定值输入滤波系数A,3个权值学习率G i,神经元放大系数K u0。由于A调节系统的稳定性,一般根据经验值设定为固定值(如012)即可;由于K u 具有在线自适应调整作用,使G i对控制特性的影响很小,所以在控制器投运前,设定学习率为G i 的一组任意初值即可;最后,仅剩下K u0为影响控制特性的主要参数。在工程应用中,现场操作时只要调整这个参数就可以取得良好的控制品质。

由此得出结论:单神经元自适应预测控制器的极大优点是现场只需整定一个参数(神经元放大系数初值K u0),易于收敛,过渡过程短,不易振荡及发散,易于工程组态实现。

参数整定方法为:为防止K u0设置过大而达不到稳态值,或输出产生振荡,K u0的整定应从百分位(如0101)开始逐渐增大。确定最终值方法:在系统阶跃输入扰动情况下,当过程值超调过大或振荡时,应适当减小K u0;当输出跟踪不上设定值时,应适当增大K u0;若控制量u(k)持续增长到控制输出上限值,表明K u0设置过大,应大幅度降低;若控制量u(k)变化甚微,控制量u(k)持续缓慢增长或缓慢降低,表明K u0设置过小,神经元已经丧失学习能力,应大幅度增加K u0。

#

28

#控制工程第11卷