单神经元PID控制（精选8篇）
单神经元PID控制 篇1
0 引言
PID线性控制器结构简单,使用方便,适用的控制对象面广,至今仍在实际工程应用中使用相当广泛。对一些复杂过程,参数时变系统,由于PID的参数不易实时在线调整,在应用中影响系统的控制品质。而单神经元PID控制器的提出对这一问题有了很大改善。但是单神经元PID控制器的神经元比例系数K不好确定,本文提出的改进算法,K值根据误差的变化在线调整,可以实现较好的控制效果。
1 单神经元PID控制器
1.1 几种常用的学习规则
1.1.1 联想式学习—Hebb规则
如果两个神经元同时被激活,则它们之间的连接强度的增强与他们激励的乘积成正比,以Oi表示神经元i的激活值,Oj表示神经元j的激活值,wij表示神经元i和神经元j的连接权值,则Hebb学习规则可表示为
式中,η为学习速率。
1.1.2 误差传播式学习—Delta学习规则
在Hebb学习规则中,引入教师信号,即将Oj换成希望输出的di与实际输出Oj之差,就构成了Delta学习规则
1.1.3 有监督的Hebb学习规则
将Hebb学习规则和Delta学习两者结合起来就构成了有监督的Hebb学习规则
1.2 单神经元PID控制器结构及控制算法
单神经元PID控制器结构如图1所示。
单神经元自适应控制器是通过对加权系数的调整来实现自适应、自组织功能,权系数调整是按有监督的Hebb学习规则实现的。控制算法及学习算法为
ηΙ、ηP、ηD分别为积分、比例、微分的学习速率;z(k)为性能指标;K为神经元比例系数,K>0;w1(k)为x1(k)的加权系数。
由以上算法可知,这个单神经元控制部分本质上仍然是PID算法,三个输入权值分别就是PID控制器的积分、比例、微分系数,但是神经元网络权值(i=1,2,3)均能在线调整,具有较强的自学习和自适应能力,能适应环境变化或模型不确定性,增强系统的鲁棒性。但是K值的选择还是只能靠专家经验。
K值的大小非常重要。K越大,则快速性越好,但超调量大,甚至可能使系统不稳定。当被控对象时延增大时,K值必须减小,以保证系统稳定。K值选择过小,会使系统的快速性变差。
2 改进的单神经元PID控制器
这里提出一种改进的单神经元PID控制器,K值根据误差的大小在线调整。
式(7)中α值用来保证K>0;β是误差的加权系数,保证K值不会过大也不会过小。当误差较大时,K值也相应的增大,增加系统的响应速度;当误差减到比较小时,K值也同时减小,降低系统的超调量。
改进的单神经元PID控制器结构如图2所示。
3 仿真
被控对象为
输入指令为一阶跃信号:rin(k)=1.0,ξ(k)为在100个采样时间的外加干扰,ξ(100)=0.10,采样时间为1ms。分别对传统的单神经元PID控制器和改进的单神经元PID控制器进行仿真。对传统的单神经元PID控制器K值选0.02,对改进的单神经元PID控制器取α=0.01,β=0.22。传统的单神经元PID控制器的仿真结果如图3所示,改进的单神经元PID控制器的仿真图如图4所示。
对比两个仿真结果,传统的单神经元PID控制器的仿真图过渡时间较长,0.8s左右才达到稳定,而改进的单神经元PID控制器过渡时间仅需不到0.1s,可以看出改进的单神经元PID控制器较好的控制效果。
4 结论
本文提出了一种改进的单神经元PID控制器,根据误差的变化在线调整神经元比例系数。通过仿真分析,该控制器比传统的单神经元PID控制器的快速性明显变快。
参考文献
[1]刘金琨.先进PID控制MATLAB仿真[M].北京:电子工业出版社,2004.
[2]刘金琨.智能控制(第2版)[M].北京:电子工业出版社,2009.
[3]李国勇.神经模糊控制理论及应用[M].北京:电子工业出版社,2009.
[4]张世韬,杨风,郝骞.单神经元PID控制器研究及仿真[J].机械工程与自动化,2009,3:69-70.
[5]高永琪,安士杰,孔德永.基于单神经元自适应PID控制的共轨压力控制研究[J].武汉理工大学学报(交通科学与工程版),2007,31(5):804-806+834.
[6]FANG You-tong,FAN Cheng-zhi.Single neuron network PI control of high reliability linear induct motor for Maglev[J].Journal of Zhejiang University SCIENCE A,2007,8(3):408-411.
[7]ZHANG Dong-yan,LIU Ya-qiu,CAO Jun.Application of single neuron adaptive PID controller during the process of timber drying[J].Journal of Forestry Research,2003,14(3):244-248.
单神经元PID控制 篇2
为了保障飞机刹车性能,对于飞机刹车材料摩擦性能的测试准确度要求很高.因此,需要设计出一个良好摩擦试验机系统.本文将神经网络与常规PID调节器控制相结合,产生一种单神经元自适应PID控制器,并应用于摩擦试验机电惯量系统.根据电惯量系统建立仿真模型,验证改变转矩电流分量的`电流环给定电压来实现电惯量的可行性,通过突加负载和改变转速给定来研究加入单神经元自适应控制器后系统的控制效果.
作 者：赵谦 凌玉华 廖力清 段凌飞 王颂 ZHAO Qian LING Yu-hua LIAO Li-qing DUAN Ling-fei WANG Song 作者单位：赵谦,凌玉华,廖力清,段凌飞,ZHAO Qian,LING Yu-hua,LIAO Li-qing,DUAN Ling-fei(中南大学,信息科学与工程学院,湖南,长沙,410083)
王颂,WANG Song(空军驻长沙地区,军事代表室,湖南,长沙,410111)
单神经元PID控制 篇3
PID控制在多种控制场合取得了很好的效果,但随着生产工艺的日益复杂和人们对工业过程总体性能要求的不断提高,传统的PID控制方法往往难以满足闭环优化控制的要求。基于单神经元知识且不依赖于模型的智能控制为解决这类问题提供了新的思路,成为目前提高过程控制质量的重要途经。而神经网络作为现代信息处理技术的一种,正在很多应用中显示它的优越性,本文在单神经元PID控制器原理分析的基础上,通过Matlab实例仿真及S7-200 PLC的单神经元PID控制器编程调试,分析比较了两种控制器的优缺点。
2 PID及神经元PID控制器原理
2.1 PID原理
PID控制是最早发展起来的应用经典控制理论。在生产过程的自动控制领域中,按照偏差的比例(P)、积分(I)、和微分(D)进行控制,由于算法简单、鲁棒性好和可靠性高,被广泛应用于工业过程并取得了良好的控制效果[1]。
传统的PID控制器算式如下:
相应的离散算式为:
而它的增量式PID控制算法为:
2.2 神经元PID控制器原理
神经网络PID控制是神经网络应用于PID控制并与传统PID控制器相结合而产生的一种改进型控制方法,是对传统的PID控制的一种改进和优化[2]。
根据文献[3],用一个单神经元构造PID控制器,如图1所示。
其网络的输入为:
网络的输出为:
式中,{Wi}为控制器的加权系数,相当于PID控制器中的比例、积分、微分系数-Kp、Ki、Kd,但与传统的PID控制器不同的是参数{Wi}可以进行在线修正。通过不断调整{Wi}从而使之达到最优值{W*},从而可以达到改善控制系统的控制性能的目的。
3 实例仿真分析
针对一阶惯性时滞对象,选择系统对象(6)对上述进行Matlab下的仿真研究:
由于在过程中多是对过程参数的定值控制,且存在干扰和对象参数变化的情况,因此,为验证神经网络PID控制的效果,分别对其跟踪设定值特性和抑制扰动性能力进行仿真研究,并与常用的PID控制器的控制效果进行比较分析。常用的PID控制器参数采用ZN法整定(简称ZNPC),其经验公式如式(7)所示,其中Ku,Tu是系统在纯比例控制下产生等幅振荡时获得的临界增益和振荡周期。
采样时间为20s,延时时间为4个采样周期,采用Z变换进行离散化,经过Z变换后的离散化对象为:
在T=3000s时加入一个干扰信号Ym(k)=10,以考察两种控制器抑制干扰的性能。
如图2所示为G(S)跟踪曲线分析,如图3所示为扰动适应曲线分析,如图4所示为单神经元PID控制器对抗动权值自调整曲线。
从图2至图4两种控制器仿真结果的性能比较可以看到,由于在系统动态响应过程中,权值系数Wi能根据系统的不同状态进行自适应调整,可大大提高了控制器的鲁棒性能,SNPC可以有效地改善系统的动态性能,使系统超调小,调节时间短,较好地解决了各种性能指标之间的矛盾,且相比ZNPC、SNPC对过程参数变化的适应能力明显优于ZNPC。
4 SNPC的PLC实现
基于PLC的SNPC闭环控制系统如图5所示,图中虚线部分在PLC内,ek为第k次采样时的误差值,spk、pvk、ek、Mk分别为模拟量sp(t)、pv(t),M(t)在第k次采样的数字量。由公式(9)得第k次采样时控制器的输出为:
SNPC控制有输入量两个:给定值(SP)和过程变量(PV)。给定值是固定值,过程变量通常是经过A/D转换和计算后得到的被控制量的实测值[6]。给定值和过程变量都是和被控对象有关的值,应用PLC的SNPC对这些量进行运算之前,必须将其转换成标准的浮点数(实数)。同样,对于PID指令的输出,在将其送给D/A转换器之前,也需要进行转换。基于PLC的SNPC程序流程如图6所示。
5 结论
PID控制器在工作点附近具有良好的控制性能,偏离工作点较远时,由于控制对象的非线性而难以保证系统的动态品质。而单神经元PID控制的特点是在偏离工作点较远的区域可明显改善控制的动态性能,并且对于具有变化特性对象的控制比PID控制具有更强的鲁棒性。单神经元PID控制器在超调量和适应能力方面的性能要优于传统的PID控制器。
参考文献
[1]陶永华,尹怡欣,葛芦生.新型PID控制及其应用[M].北京,机械工业出版社,1999.
[2]王启志,王永初.智能PID控制器研究的现状与进展[J].自动化仪表,2002,23,(12).
[3]刘金琨,先进PID控制MATLAB仿真(第2版)[M].电子工业出版社.
[4]张秀玲.神经网络自适应控制的研究进展及展望[J].自动化仪表,2002,(1):10-14.
[5]Martin.T.Hagan,Howard.B.Demuth,Mark H.Demuth.神经网络设计[M].机械工业出版社,2002.
[6]廖常初.可编程序控制器应用技术.重庆大学出版社1,9981,0.
单神经元PID控制 篇4
目前电机控制系统普遍采用PID控制算法,PID参数由人工整定并固定。由于电机负载、对象特性和环境变化等及非线性因素的影响,控制品质会随之下降,很难获得满意的控制性能。单神经元PID控制器是通过对加权系数的调整,实现自适应控制功能。其结构简单,有较强的鲁棒性,能克服变化对象、随机扰动等不确定因素的影响,从而得到较好的控制效果。
可编程序控制器(PLC)的可靠性高,抗干扰能力强,被广泛应用于工业现场控制。笔者设计了基于罗克韦尔自动化公司可编程序控制器SLC500的直流电机调速系统,应用于油田固井和压裂装置中的直流电机控制,取得了满意的控制效果。
1 直流电机控制系统的控制原理
在电机拖动控制系统中,对于要求在一定范围内无级平滑调速的系统来说,通常以调节电枢供电电压的方式,即以直流电机电枢电压为输入量,以电机转速为输出量。假设励磁电流恒定,忽略电枢反应、涡流效应和磁滞的影响,直流电动机的转速及其参量的关系表式为:
式中n为电机转速,U为电枢电压,I为电枢电流,R为电枢回路总电阻,Φ为励磁磁通,Ce为电机结构决定的电动势常数。
在电机调速系统设计中,需要引入被控量转速的负反馈,构成转速闭环控制系统。根据转速给定值与反馈值之间的偏差,采用单神经元PID控制算法,使偏差减小并趋于零,实现对系统转速的控制。
图1为本文采用的直流电机控制系统的硬件框图,其中单神经元PID控制器由PLC主机通过控制算法编程实现。
其中,A/D转换采用高速计数器模块,采集转速传感器输出的频率信号。D/A转换采用模拟量输出模块,输出0-10V的电压值控制直流电机。
2 单神经元PID控制算法
单神经元PID控制器是通过对加权系数的调整实现自适应、自组织功能。权系数的调整按有监督的Hebb学习规则实现,不但结构简单,而且能适应环境变化,有较强的鲁棒性。采用单神经元PID控制器来控制直流电机转速可提高直流电机系统的性能指标。单神经元PID控制系统框图如图2所示。
图中系统输入为给定转速r;实际输出转速信号为y;e=r-y为偏差信号,传统增量式PID控制规律可用差分方程表示为:
式中,KP为比例系数,TI为积分时间,TD为微分时间,TS为采样周期。
单神经元PID控制输出为:
式中,xi(k)(i=1,2,3)为k时刻神经元输入状态;wi(k)为k时刻状态xi(k)所对应的权值;K为神经元的比例系数。
为保证有监督的Hebb学习算法的收敛性,对权值采用了规范化处理,公式为:
式中,
ηI,ηP,ηD分别为积分、比例、微分的学习速率,以便对不同的权系数分别进行调整,取值在0~1之间。
3 基于罗克韦尔PLC的单神经元PID控制器软件设计
本系统硬件结构如图1所示。采用罗克韦尔SLC500对直流电机进行控制,其软件完成的主要任务包括:
1)频率信号的采集;
2)控制算法的实现;
3)D/A转换
其中主要程序为单神经元PID控制器程序,其流程图如下:
4 实验结果及分析
本控制系统在第四石油机械厂罗克韦尔实验室进行了直流电机控制试验。选用罗克韦尔SLC500型可编程序控制器;模拟量输出模块为4路电压输出的1746-NO4V;控制对象为RS 512-6028欧时直流电机,电压24V,功率50W,最大电流2.8A;传感器选用实耐德XS2-D18PA140C转速传感器,最大探测距离8mm,最高频率400Hz;脉冲输入模块是1746-HSCE2多通道高速计数器和编码器模块,可直接与增量型编码器及其它高速输入传感器相连。其中转速控制通过编写的单神经元PID控制器程序实现。
实验中电机转速设定为200r/min,实验结果用rslogix500编程软件自带的趋势图来绘制曲线。对该系统调试时,可观察到采用传统PID控制的阶跃响应曲线如图4所示(参数KP=3,TI=0.1,TD=0.01);采用单神经元PID控制的阶跃响应曲线为图5所示(ηI=0.19,ηP=0.3,ηD=0.3,Κ=0.19):
由以上实验结果来看,将神经网络和PID控制规律相结合,使直流电机速度控制系统响应快、无超调、静差小,系统运行稳定。系统调试时,K越大,则快速性越好。上图单神经元PID控制的阶跃响应的K值比较小,调大K值,上升时间会加快。但K过大,会影响系统的稳定性。
5 结束语
本文设计的基于单神经元PID控制器的PLC直流电机控制系统在罗克韦尔实验室进行了试验,结果表明该系统的控制精度高、响应速度快、运行稳定。因此,本系统已应用到油田固井和压裂控制装置中,并获得较好的控制效果,所以具有一定的推广价值。
摘要：针对传统PID控制器对时变及非线性系统控制能力较差的缺陷,利用神经网络具有自学习、自适应的能力,设计了一种单神经元PID控制器,将其应用于直流电机控制系统中。本文给出了基于罗克韦尔可编程序控制器SLC500的单神经元PID控制器的实现方法。实验结果表明:直流电机控制系统调速性能好,控制精度高。该系统已成功应用于油田固井和压裂控制装置中,并获得较好的控制效果,具有一定的推广价值。
关键词：单神经元PID控制器,直流电机,可编程序控制器,调速
参考文献
[1]刘金琨.先进PID控制MATLAB仿真[M].电子工业出版社,2005.
[2]李士勇.模糊控制,神经控制和智能控制论[M].哈尔滨工业大学出版社,2004.
[3]徐丽娜.神经网络控制[M].电子工业出版社,2003.
[4]邓李.Control Logix系统实用手册[M].机械工业出版社,2008.
[5]高永琪,等.基于单神经元自适应PID控制的共轨压力控制研究[J].武汉理工大学学报,2007,31(5).
单神经元PID控制 篇5
一、ANN在VAV系统中的控制应用
人工神经网络 (ANN) 的应用已渗透到暖通空调领域的各个方面, 成为学科的前沿阵地。不少的学者在预测负荷、能源管理、系统辨识、故障诊断、非线性控制系统和智能控制等方面作了许多有益的尝试, 取得了一些成果。对于VAV系统而言, 它有其自身的特点:系统干扰大;空气调节过程和执行器运行特性的非线性;各控制回路之间耦合强烈。对于VAV系统来说, ANN具有以任意精度逼近任意复杂的非线性函数的特性;网络的冗余性带来很强的容错性和鲁棒性;ANN能将信息分布式并行处理, 可以快速地进行大量计算。而且, 由于当今大多数楼宇的HVAC系统都采用集散控制系统, 他们依靠高速可靠的网络通讯与强大的DDC (直接数字控制器) 或子站来实现各项功能, 为人工神经网络的实际应用创造了条件。在变风量系统中引入人工神经网络增强了信息处理能力和适应能力, 提高了系统的智能水平。人工神经网络之于变风量系统的控制应用理论上是可行的, 而且还是很有必要的。
二、单神经元自适应PID控制器
利用神经网络设计一个具有自适应和自学习功能的单神经元控制器取代传统的PID调节器, 对提高空调系统的控制效果和鲁棒性有积极的意义。下面就对单神经元自适应PID控制器进行讨论。
1. PID调节器的离散差分方程:
对连续系统PID调节器的算式进行离散化处理, 即可求出PID调节器的离散差分方程:
式中:K1为积分比例系数, KD为微分比例系数, △2为差分的平方。执行机构的实际的控制量为控制增量的积累。解决的方法可利用有积累作用的元件来实现。
2. 单神经元自适应PID控制器及其学习算法:
图中转换器的输入反映被控过程及控制设定的状态, 如设定为yr (k) 输出为y (k) , 经转换器后转换为神经元学习控制所需要的状态量x1, x2, x3, 这里:x1 (k) =e (k) , x2 (k) =△e (k) , x3 (k) =e (k) -2e (k-1) +e (k-2) , z (k) =yr (k) -y (k) =e (k) 为性能指标或递进信号。
wi (k) 为对应于xi (k) 的加权系数, k为神经元的比例系数, k>0。神经元通过3关联搜索来产生控制过程信号, 即:
单神经元自适应控制器通过对加权系数的调整来实现自适应、自组织功能, 而加权系数的调整系采用有监督的Hebb学习规则, 它与神经元的输入、输出和输出偏差三者的相关函数有关。
式中:ri (k) 为递进信号, ri (k) 随过程进行逐渐衰减;z (k) 为输出误差信号, z (k) =yr (k) -y (k)
η为学习速率, η>0
c为常数, c>0
引入辅助函数, fi[wi (k) , z (k) , u (k) , xi (k) ], 变换后得到。
上式表明:加权系数wi (k) 的修正按函数fi (●) 对应于wi (k) 的负梯度方向进行搜索。应用随机逼近理论可以证明, 使用上述学习算法, wi (k) 可收敛到某一稳定值wi*, 且其与期望值的偏差在允许范围内。
为保证上述单神经元自适应PID控制学习算法的收敛性和鲁棒性, 对上述学习算法进行规范化处理后有:
ηi, ηp, ηd为积分、比例、微分学习速率。这里对积分、比例、微分分别采用了不同的学习速率ηi, ηp, ηd, 以便对它们各自的权系数能根据需要分别进行调整, 其取值由仿真实验确定, 且取c=0。
3. 神经元自适应PID控制器的仿真。
变风量系统的控制中局部室温控制采取的是串级回路的PID控制, 其中室温自动控制回路根据室温设定值与测定值的偏差向风量自动控制回路给出设定风量, 风量自动控制回路根据风量设定值与测定值的偏差来调节风阀开度。升温过程中每隔一段时间就需调节量测一次温度, 如果PID调节器多则劳动量大, 反应缓慢且很难保证温控精度。下面我们将一级回路应用单神经元自适应PID控制器, 进行模拟和仿真。
实际运行经验表明其数学模型近似为一个带纯滞后的惯性环节, 在工作点附近作线性化处理, 离散后可近似用一个低阶 (通常取二阶) 差分方程表示。如:
对该神经自适应PID控制器应用最优二次型性能学习算法进行仿真研究。ζ (k) 为在100个采样时间的外加干扰, ζ (100) =0.10, 输入为阶跃响应信号r (k) =1.0。系统启动时先进行开环控制, 取u=0.1726, k=0.02, p=2, q=1, d=6, 比例、积分、微分三部分加权系数学习速率分别取ηi=4, ηp=120, ηd=159, w1 (0) =0.34, w2 (0) =0.32, w3 (0) =0.33。由以上结果可知:单神经元自适应PID控制作为一种简单的神经网络控制器, 对输入的响应快速而且准确, 可获得较传统PID控制更好的控制效果。
单神经元PID控制 篇6
PID控制由于其算法简单、容易实现和鲁棒性好等特点,被广泛应用于工业过程控制并取得了良好的控制效果。但当被控对象数学模型复杂,尤其对于大滞后、时变和非线性的复杂系统,常规PID控制显得无能为力,其应用受到很大的限制和挑战,因此,需要在传统的PID控制上加入先进的智能控制算法,使得控制效果更为理想。神经网络具有逼近任意连续有界非线性函数的能力,对于非线性系统和不确定性系统,是一种解决问题的有效途径[1]。本文将神经网络与常规PID控制相结合,发挥各自的优势,形成神经元自适应PID控制器,并在PLC中设计实现。与传统PID相比较,具有响应速度快、抗干扰能力强和超调量小等特点。
1 基于PLC的单神经元PID控制系统结构
控制系统采用单神经元组成的PID控制器,它具有传统PID控制器的优点,也具有神经网络的并行结构和学习记忆功能,并且结构简单,易于实现[2]。
以PLC作为控制器构成的单神经元PID控制系统如图1所示。图1中虚线部分为单神经元PID控制器。检测元件将被控量实际值y测量转换为1-5V电压信号或4-20m A电流信号,该模拟信号接至PLC的AI模块,进行A/D转换。将测量值y与给定值r比较,通过二者的偏差e(t)进行单神经元PID算法的运算得到输出操作信号u(t),经PLC的AO模块进行D/A转换,用于驱动执行机构,实现对被控对象的控制。
2 单神经元PID控制器算法原理
传统连续型PID控制器的控制规律为:
式中:KP—比例系数;TI—积分时间常数;TD—微分时间常数。
设采样周期为T,将式(1)离散化,得离散化标准位置式PID算式:
式中:Kp、Ki、Kd分别为比例、积分和微分系数,e(k)为第k次所得偏差信号,u(k)为第k次采样时刻控制器的输出值。
根据(2)式可得到增量式PID控制算法为:
将偏差的比例、积分和微分的三个分量作为单神经元的输入量,就构成量单神经元PID控制器,其结构如图1虚线部分所示。
图1中,根据给定输入信号r(k)和实际输出信号y(k),经状态转换器转换为神经元的输入量x1(k),x2(k),x3(k),即对应积分、比例和微分的三个分量分别为:
单神经元输出为:
式中,K为神经元的比例系数,K>0,wi(k)为对应于xi(k)的加权系数,wi(k)是对wi(k)的归一化处理。
比较式(3)和(5)可以看出PID参数分别为故该神经元控制器具有PID控制器的特性,它通过对加权系数的调整来实现自适应、自组织功能,从而可以达到改善控制系统的控制性能的目的[3]。
权系数的调整可以按不同的学习规则实现,在本系统中单神经元自适应PID控制器采用改进的有监督的Hebb学习规则。单神经元加权系数的调整公式为:
式(7)中,ηI,ηP,ηD分别为积分、比例和微分的学习速率。对积分、比例和微分分别采用不同的学习速率ηI,ηP,ηD,可以对不同的权系数分别进行调整。
3 基于SCL的单神经元PID控制算法功能块设计
西门子S7系列PLC在国内工控领域中使用很广,它的编程软件STEP7除了支持梯形图(LAD)、指令表(STL)和功能块(FDB)语言编程,还提供结构控制语言SCL(Structure Control Language)编程,SCL非常适合复杂控制算法的编程[4]。
以S7300PLC作为控制器,采用SCL语言编写了功能块FB3来实现单神经元PID控制算法。
3.1 变量声明及初始化
采用SCL编写单神经元PID算法时,先要进行变量声明及初始化。变量包括输入变量、输出变量及中间变量。
根据单神经元PID控制算法,定义的输入变量包括设定值、过程值、学习速率、权系数、神经元的比例系数以及单神经元PID控制器输出的最大值最小值,并且在变量声明时给出了变量数据类型和初始值。SCL语言编写如下:
VAR_INPUT
SV:REAL;//设定值
PV:REAL;//过程值
xite P:REAL:=0.4;//学习速率
xite I:REAL:=0.35;//学习速率
xite D:REAL:=0.4;//学习速率
w Kp_1:REAL:=0.1;//比例系数(加权系数随机值)
w Ki_1:REAL:=0.1;//积分系数
w Kd_1:REAL:=0.1;//微分系数
K:REAL:=0.12;//神经元的比例系数
Limit High:REAL:=100.0;//输出最大值
Limit Low:REAL:=0;//输出最小值
END_VARVAR
输出变量传送当前输出值到产生调用的块。单神经元PID控制算法的输出操作值即为输出变量。SCL语言的编写:
VAR_OUTPUT
Out:REAL:=0;//输出操作值
END_VAR
为了实现控制算法.还要定义一些中间变量,中间变量用于运算结果的中间存储,方便计算。SCL语言的编写:
VAR//定义中间变量
e_k,u_k:REAL;//e_k为基本偏差量
e_1:REAL:=0;//e(k-1)
e_2:REAL:=0;//e(k-2)
x_1:REAL:=0;//神经元输入信号,初值设为0
x_2:REAL:=0;//神经元输入信号
x_3:REAL:=0;//神经元输入信号
u_1:REAL:=0;//
w Kp_k,w Ki_k,w Kd_k:REAL;//加权系数(第k次)
wadd_k:REAL;//权值和w11_k,w22_k,w33_k:REAL;//归一化各权值END_VAR
3.2 单神经元PID控制算法SCL编程
实现单神经元PID控制算法的SCL程序编程步骤如下:
1)计算偏差e(k);
2)计算神经元输入xi(k);
3)计算加权系数的调整值wi(k);
4)对wi(k)的归一化处理,计算wi(k);
5)计算控制器的输出u(k),并进行限幅处理。
对SCL源程序文件进行编译,编译成功就生成单神经元PID功能块FB3,并保存在S7程序中的Blocks文件夹中,可以被其他程序调用,也可以作为通用功能块被其他用户使用。单神经元PID功能块FB3被调用时的梯形图如图2所示,左侧为输入参数,对应输入变量;右侧为输出参数,对应输出变量。在调用FB3时要对相应的参数赋实参,还需要指定一个背景数据块。
4 单神经元PID控制器应用实例
采用S7300 PLC控制器,以一个典型的双容液位过程为被控对象,以后一个容器液位为被控量,用STEP 7编写控制程序调用功能块FB3进行液位单神经元PID调节。
液位设定值为200mm,采用单神经元PID控制,设初始学习速率ηP=0.01,ηI=0.001,ηD=0.01,增益K=300,加权系数初值w Kp_1=0.015,w Ki_1=0.82,w Kd_1=0.16,采样周期2s。实时响应曲线如图3所示。
采用传统PID控制时的实时响应曲线如图4所示。
由图3和图4可知,单神经元PID控制器超调大大减小,稳态性能也得到提高。
5 结论
将神经网络与常规PID调节器控制思路相结合,产生了单神经元PID控制器,单神经元结构的连接权值与常规PID的三个参数一一对应,可以在线进行PID参数的学习[5]。以PLC为控制器,利用SCL编程语言实现单神经元PID算法比较简单,而且编写的单神经元PID控制功能块具有通用性。与传统PID控制器比较,基于PLC的单神经元PID控制器具有自学习和自适应能力[6],超调量和稳态误差显著减小,控制效果良好。
参考文献
[1]黄金燕,葛化敏,唐明军.基于BP神经网络的PID控制方法的研究[J].微计算机信息,2006,9.
[2]韩兵欣,刘利贤,胡晓娟,冯涛.神经网络在PLC控制系统中的应用[J].微计算机信息,2007,11.
[3]刘金锟,著.先进PID控制MATLAB仿真[M].北京:电子工业出版社,2007.
[4]RenJunjie,ZuoQuan,LiHongxing.Structure Control Language and its Application in ControlAlgorithm Programming.International Conference onMeasuring Technology and Mechatronics Automation(ICMTMA2010).2010,3.
[5]孙健.基于单神经元PID的电阻炉智能温度控制系统[D].大连:大连理工大学.2008.
单神经元PID控制 篇7
柴油机作为一种主要的动力来源,在很多领域得到了广泛的应用。柴油机调速系统的作用就是在各种工况运行过程中,针对外界负荷的变化自动调整以保证柴油机在规定转速下稳定运转。由于柴油机调速系统是多层次复杂系统,很难建立恰当的数学模型来表达其输入输出关系。计算机技术和微电子技术的发展,为柴油机电控技术的发展奠定了基础。将电控技术应用于柴油机调速系统,不仅能够提高柴油机的动力性、经济性以及排放性能,还能够大大提高车辆的整体性能,因此柴油机电控技术的应用已经成为必然的趋势。而电控系统的核心是电子调速器,为了更好的控制柴油机,对电子调速器进行控制算法的研究也就变得十分必要。
1 单神经元PID控制算法
PID控制器是最早发展起来的控制策略之一,具有结构简单,调整方便和参数整定与工程指导联系紧密等特点。神经元作为构成神经网络的基本单位,具有自组织、自适应和自学习的能力。将两者结合,实现对复杂系统的有效控制。
单神经元自适应PID控制器具有自学习和自适应能力,结构简单,能够很好的适应环境变化,具有较强的鲁棒性。单神经元自适应PID控制器的结构如图1所示。
单神经元自适应控制器通过调整加权系数实现自适应、自组织功能,利用有监督的Hebb学习规则调整权系数,具体的控制算法和学习算法如下:
上式反映了神经元通过关联搜索来产生控制信号。
其中
hP、hI和hD分别表示比例、积分和微分的学习速率,K是神经元的比例系数,且K>0。为了能够对权系数分开调整,采用了不同的学习速率。K值的选取很关键,K值越大,调节速度越快,但会出现超调量过大,甚至可能导致系统不稳定。当控制对象延时增加时,应减小K值,以保证系统稳定。选取参数时,初始加权系数可以任意选择,对于K值的选择可以先确定一个增益,再根据仿真和控制结果进行调整,由于采用了规范化学习算法,学习速率可以取的较大。
2 柴油机调速系统
柴油机作为一种动力装置,在舰船、汽车、工程机械、以及电站等领域有着广泛的应用。柴油机调速器的性能直接决定了其运行的稳定性和经济性,它从早期手工调节进油阀门开度来控制进油量的控制方式,逐渐发展到采用电子系统控制进油阀。
柴油机转速控制最早主要是通过机械调速器来完成的,这种调速器由操纵手柄通过一系列机械传动装置改变油泵齿条位置,使柴油机转速调整到期望值。它最大的优点就是所用的控制设备简单,成本低,但控制精度低、响应速度慢,而且对燃油燃烧度及废气的排放不能很好的控制。在运行要求不高的情况下使用。
随着微电子技术及微计算机技术的进步,它们在发动机上有了越来越多的应用,电子调速器调节精度更高,结构更简单,更加易于实现自动化。图2是柴油机电子调速示意图。电子调速器主要由电子调速模块、转速传感器、执行机构(一般包括伺服电机、燃油调节阀)等组成。
总的来说,对于电子调速器的研究分为两方面:一方面集中在对关键零部件如执行器、传感器的研制上;另一方面集中在数学模型和控制算法上。在控制算法上,人们除了对传统的PID控制算法进行改进,还研究了一些具有智能性的算法,例如神经网络、模糊控制等。
3 系统仿真
选取的柴油机模型是:
状态变量取x1=0t ndt,x2=n,则有s=ce+,其中,e=x1-x1d,=x2-x2d,柴油机的模型可表示成:
其中,d1=-0.003,d2=-0.0001,d3=8.4,d4=-0.144,d5=5926,d6=-114.7。
另外,当车辆在复杂路况的道路特性时,假设其按正弦规律变化,则柴油机模型可改写为
式中,l=0.00007,J=5。图3为柴油机的结构图。
采用单神经元PID控制柴油机调速系统,利用Matlab仿真验证,取K=4.9。仿真结果如图4、图5、图6和图7所示。
4 结束语
采用单神经元PID控制算法对柴油机进行转速控制,可以实现对柴油机转速的精确控制。稳态误差小,控制精度高并大幅削减了抖振,取得了令人满意的控制效果。
参考文献
[1]毛小兵.变结构控制理论在非线性发动机调速系统中的应用研究[D].武汉理工大学.2008.
[2]刘金琨.先进PID控制及其MATLAB实现[M].北京,电子工业出版社,2003.
[3]Wheeler G,Su C H,Stepanenko Y.A sliding mode controller with improved adaptation laws for the upper bounds on the norm of uncertainties.Automatica,1998,34(12):1657-1661.
[4]田靓,高孝洪.基于Matlab/Simulink的船舶主柴油机转速控制系统的动态仿真[J].船海工程,2006(2):18-21.
[5]Parma G,Menezes B R,Braga A P,Costa M A.Sliding mode neural network control of an induction motor drive.International Journal of Adaptive Control and Signal Processing,2003,17(6):501-508.
单神经元PID控制 篇8
无刷直流电机采用方波励磁方式,与其它类型的电机相比,提高了永磁材料的利用率,减小了电机体积,增大了电机出力,具有高效率、高可靠性的特点。本文选用的直流无刷电机的PID控制方法是基于单神经元的PID算法[1],基于该算法的PID控制器是通过对加权系数的调整来实现自适应、自学习功能,权系数的调整是根据有监督的Hebb学习规则实现的。由它构成的控制系统算法简单,易于实现,能够适应环境的变化,可实时控制,有较强的鲁棒性。
2. 无刷直流电机数学模型及等效电路
根据无刷直流电机的结构与特性所建立的数学模型[2]主要有微分方程模型、传递函数模型以及状态空间模型,本文所采用的是微分方程模型[3]。
本模型中的无刷直流电机的定子绕组为Y型连接,三个霍尔元件在空间相隔120o对称放置。电机每相绕组的相电压由绕组电阻压降和绕组感应电势两部分组成,以A相绕组为例,其相电压可表示为:
其中iA,iB,iC为每一相的相电流,LA为A相绕组自感,MAB,MAC分别为B、C相绕组对A相绕组的互感,eA为A相反电动势。由于定子三相绕组结构对称,每相绕组的自感和相绕组之间的互感均相等,LA=LB=LC=L,MAB=MBA=MBC=MCB=MAC=MCA=M,并且三相电流满足iA+iB+iC=0,因此,式(1)可简化为:
由于三相对称,对B、C相可以得出类似结果,因此无刷直流电机相电压方程的矩阵形式可表示为:
对应方程(1.3)的无刷直流电机等效电路如图1所示。
与其它电机类似,无刷直流电机的电磁功率为三相反电动势与相电流乘积之和
由电磁功率可以得到电磁转矩为
其中,Ω为电机机械角速度。
在此引入电机运动方程:
综合上述的电压方程(3)和转矩方程(5)以及电机运动方程(6),就构成一个完整的直流无刷电机系统的数学模型。
3. 无刷直流电机双闭环调速原理及控制器设计
如图2所示为无刷直流电机的双闭环调速系统[4]框图,双闭环控制中的外环为速度环,主要起稳定转速和抗负载扰动作用;内环为电流环,主要起稳定电流和抗电网电压波动的作用。
现有的各种双闭环调速系统的PID控制器有传统的PID、模糊逻辑PID、神经网络PID、变速积分PID等。本文选用的是基于改进的单神经元算法的PID控制器。如图3所示为单神经元控制器结构图。
控制算法及学习算法为
其中
ηI,ηP,ηD,分别为积分、比例、微分学习速率,K为神经元的比例系数。K值的选取很重要,K值越大,则快速性越好,但超调量会过大,甚至可能使系统不稳定;K值选择过小,会使系统的快速性变差。
4. 无刷直流电机控制系统模型的建立
本文用MATLAB/Simulink仿真工具[5]来建立电机的系统模型。如图4所示,为无刷直流电机模型控制系统的总体结构。
4.1 电机本体模块
根据电机的等效电路(图1)及数学模型(式(3)),本文采用Simpowersystem里的电路元件建立电机的等效电路模型,如图5所示。
4.2 换向逻辑
根据电角度计算出位置信号,由位置信号来确定换向逻辑,本模型采用Simulink/Logic里的combinatorial logic模块,结合位置信号,通过查找真值表的方法,来编写换向逻辑,如图6所示。本模型采用两两导通方式,每隔60度依次导通。
4.3 PID速度调节模块
根据单神经元算法,利用Simulink模块建立基于单神经元算法的PID模型,如图7所示。本文采用Simulink里的S-function模块,并选择合适的参数,来编写单神经元PID控制算法。
4.4 电流滞环控制及PWM控制
如图9所示,将PID调速后输出的参考电流按照三相相位关系分别给三相作为参考电流,将三相参考电流与各相输出的电流进行滞环比较,得出的逻辑信号与换向逻辑信号共同作用,产生PWM斩波信号,控制全桥逆变模块的电压输出,从而来控制电机模块,达到调速的目的。
5. 仿真与结果
本实例仿真中用到的无刷直流电机的参数为:额定电压U=202V,额定转速n=3000rpm,最大转速为5000rpm,额定负载TL=70.8N·m,极对数p=8,每相定子绕组电阻R=0.6Ω,每相定子绕组等效电感L-M=0.82m H,转子的转动惯量J=0.01Kg·m2。参考转速为额定转速,仿真时空载启动,在0.03s时加入额定负载,仿真时间为0.2s,得到转子转速、A相定子电流及A相反电动势的波形,对应仿真结果分别如图9中图(a)、(b)、(c)所示。
6. 结论
用Matlab/Simulink所建立的无刷直流控制系统,经过仿真试验,系统过渡时间短,超调量小,稳态性能好(上升时间tr均小于4.8ms,超调量ts均小于0.4%),仿真结果与理论分析相吻合。对该模型的各个模块,可以方便地进行修改或替换,并能够灵活实现各种控制方法。
参考文献
[1]张世韬,杨风,郝骞.单神经元PID控制器研究及仿真[J].机械工程与自动化,2009,06:69-70.
[2]张琛.直流无刷电动机原理及应用[M].北京:机械工业出版社,2003.
[3]谢志诚,李益华,林利红.无刷直流电机双闭环控制系统的建模与仿真[J].电机技术,2009,09:41-44.
[4]Implementation of a Speed Controlled Brushless DC Drive Using TMS320F240.BPRA064Texas Instruments Europe,1997,07.