《惯导测试与仿真设备报告》由会员分享，可在线阅读，更多相关《惯导测试与仿真设备报告（6页珍藏版）》请在金锄头文库上搜索。
1、惯导测试与仿真设备报告学 院：航天学院专 业：控制科学与工程姓 名：徐锐学 号：09S004135PID控制的应用及发展趋势目前工业自动化水平已成为衡量各行各业现代化水平的一个重要标志。同时，控制理论的发展也经历了古典控制理论、现代控制理论和智能控制理论三个阶段。智能控制的典型实例是模糊全自动洗衣机等。自动控制系统可分为开环控制系统和闭环控制系统。一个控制系统包括控制器、传感器、变送器、执行机构、输入输出接口。控制器的输出经过输出接口、执行机构，加到被控系统上；控制系统的被控量，经过传感器，变送器，通过输入接口送到控制器。不同的控制系统，其传感器、变送器、执行机构是不一样的。比如压力控制系统要
2、采用压力传感器。电加热控制系统的传感器是温度传感器。目前，PID控制及其控制器或智能PID控制器（仪表）已经很多，产品已在工程实际中得到了广泛的应用，有各种各样的PID控制器产品，各大公司均开发了具有PID参数自整定功能的智能调节器 (intelligent regulator），其中PID控制器参数的自动调整是通过智能化调整或自校正、自适应算法来实现。有利用PID控制实现的压力、温度、流量、液位控制器，能实现PID控制功能的可编程控制器(PLC），还有可实现PID控制的PC系统等等。可编程控制器（PLC) 是利用其闭环控制模块来实现PID控制，而可编程控制器（PLC）可以直接与Control
3、Net相连，如Rockwell的PLC-5等。还有可以实现 PID控制功能的控制器，如Rockwell 的Logix产品系列，它可以直接与ControlNet相连，利用网络来实现其远程控制功能。一、PID的原理方法在工程实际中，应用最为广泛的调节器控制规律为比例、积分、微分控制，简称PID控制，又称PID调节。PID控制器问世至今已有近70年历史，它以其结构简单、稳定性好、工作可靠、调整方便而成为工业控制的主要技术之一。当被控对象的结构和参数不能完全掌握，或得不到精确的数学模型时，控制理论的其它技术难以采用时，系统控制器的结构和参数必须依靠经验和现场调试来确定，这时应用PID控制技术最为方便。
4、即当我们不完全了解一个系统和被控对象，或不能通过有效的测量手段来获得系统参数时，最适合用PID控制技术。PID控制，实际中也有PI和PD控制。PID控制器就是根据系统的误差，利用比例、积分、微分计算出控制量进行控制的。比例（P）控制比例控制是一种最简单的控制方式。其控制器的输出与输入误差信号成比例关系。当仅有比例控制时系统输出存在稳态误差（Steady-state error）。积分（I）控制在积分控制中，控制器的输出与输入误差信号的积分成正比关系。对一个自动控制系统，如果在进入稳态后存在稳态误差，则称这个控制系统是有稳态误差的或简称有差系统（System with Steady-state
5、Error）。为了消除稳态误差，在控制器中必须引入“积分项”。积分项对误差取决于时间的积分，随着时间的增加，积分项会增大。这样，即便误差很小，积分项也会随着时间的增加而加大，它推动控制器的输出增大使稳态误差进一步减小，直到等于零。因此，比例+积分（PI）控制器，可以使系统在进入稳态后无稳态误差。微分（D）控制在微分控制中，控制器的输出与输入误差信号的微分（即误差的变化率）成正比关系。自动控制系统在克服误差的调节过程中可能会出现振荡甚至失稳。其原因是由于存在有较大惯性组件（环节）或有滞后（delay）组件，具有抑制误差的作用，其变化总是落后于误差的变化。解决的办法是使抑制误差的作用的变化“超前”
6、，即在误差接近零时，抑制误差的作用就应该是零。这就是说，在控制器中仅引入 “比例”项往往是不够的，比例项的作用仅是放大误差的幅值，而目前需要增加的是“微分项”，它能预测误差变化的趋势，这样，具有比例+微分的控制器，就能够提前使抑制误差的控制作用等于零，甚至为负值，从而避免了被控量的严重超调。所以对有较大惯性或滞后的被控对象，比例+微分（PD）控制器能改善系统在调节过程中的动态特性。二、PID参数的预置与调整比例增益 P变频器的 PID 功能是利用目标信号和反馈信号的差值来调节输出频率的，一方面，我们希望目标信号和反馈信号无限接近，即差值很小，从而满足调节的精度：另一方面，我们又希望调节信号具有
7、一定的幅度，以保证调节的灵敏度。解决这一矛盾的方法就是事先将差值信号进行放大。比例增益 P 就是用来设置差值信号的放大系数的。任何一种变频器的参数 P 都给出一个可设置的数值范围，一般在初次调试时， P 可按中间偏大值预置或者暂时默认出厂值，待设备运转时再按实际情况细调。积分时间P如上所述比例增益 P 越大，调节灵敏度越高，但由于传动系统和控制电路都有惯性，调节结果达到最佳值时不能立即停止，导致“超调”，然后反过来调整，再次超调，形成振荡。为此引入积分环节 I ，其效果是，使经过比例增益 P 放大后的差值信号在积分时间内逐渐增大 ( 或减小 ) ，从而减缓其变化速度，防止振荡。但积分时间 I
8、太长，又会当反馈信号急剧变化时，被控物理量难以迅速恢复。因此， I 的取值与拖动系统的时间常数有关：拖动系统的时间常数较小时，积分时间应短些；拖动系统的时间常数较大时，积分时间应长些。微分时间D微分时间 D 是根据差值信号变化的速率，提前给出一个相应的调节动作，从而缩短了调节时间，克服因积分时间过长而使恢复滞后的缺陷。D 的取值也与拖动系统的时间常数有关：拖动系统的时间常数较小时，微分时间应短些；反之，拖动系统的时间常数较大时， 微分时间应长些。三、智能PID的发展趋势1PID人工智能基础微电子技术、计算机软硬件是PID智能控制器构成的基础之一，另一个基础是智能化理论，当前智能化理论主要是指专
9、家系统、模糊集理论、神经网络、混沌集理论等内容。实时专家系统除了专家系统的组成部分(知识库、数字库及推理机)外，还应有获取知识、人机接口及解释执行的机构。作为专家系统的知识，应该是实践经验丰富、被证明是有效的知识，尽可能完备、完满与正确。而推理决策的结果应有可复现性或重复性，知识获取可借助于DCS的数据采集系统，并通过启发式之类的专家推理逻辑，对获取知识加以确认使知识得到更新。DCS采用某类软件平台后，如Onspee与Intouch，实现PID专家系统的软件或硬件接口已得到解决。专家系统推理规则一般为“If条件函数置Xithen决策函数Yi”相当于查字典的推理决策。智能PID优化同确定性PID
10、优化的差别在于智能PID优化是不考虑被控制对象的特性，它仅根据被控制系统的控制偏差e、偏差变化速度de/dt及其历史状态，应用各种智能优化推理方法、模糊推理、神经网络等，确定最优的控制器输出量或决定P,I,D三个参数的最优加权系数，这就是无对象模型的PID优化控制，而有对象模型的确定性的PID优化控制则是根据已知的对象模型，按已有的PID参数整定规则，由人工调整PID参数(Kp,Ti与Td)。如果改手动调整为自动调整，则是自整定PID调节，自整定PID调节器就是智能PID控制器的雏型。有模型的智能PID控制器的困难在于实时辨识模型结构及其参数，虽然辨识模型的方法很多，而且都富有成效，如时间序列
11、法、参考模型法、最小二乘法、滚动模型辨识法等，但往往由于模型计算时间长，拟合方法又费时使实时辨识模型难以实现，加上目前的许多辨识方法不适用于非线性与非平稳随机过程，所以无模型的智能控制器受到学术界与工程界的重视2智能PID控制的发展近年来，人们对模糊智能PID控制器、神经网络智能PID控制器、混沌PID智能控制器及遗传算法一神经网络PID智能控制器等，产生了浓厚的兴趣，研究者甚多。但是，在目前研究中，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。1965年，美国加州大学L_AZadeh提出模糊集Fuzzy Set理
12、论，20世纪80年代模糊控制器已在许多领域推广应用，如蒸汽发动机、交流伺服系统、舰艇、飞机、空调器、洗衣机等都有应用模糊控制的报导，在过程控制中也曾风靡一时，但至今效果都不理想，原因是当时的模糊控制器敌不过常规的PID控制器。模糊控制器的研究，许多是重复前人的二维控制器的设计思路，以误差e(t)及误差变化de(t)dt作为输入量，后经模糊量化处理成模糊量E与EC，送人模糊算法模块运算，产生控制输出决策U，再经反模糊化处理，变成闭环系统的统一信号，二维模糊控制器可以理解为非线性PD控制器，非线性可增加系统的适应性，但PD控制有一个明显的缺点，就是无法消除自衡对象的控制偏差，许多模糊控制的论文都是
13、围绕如何消除系统控制偏差进行的，如在模糊决策之前或之后加入一个确定性的PI控制模块，形成PDPI决策模糊算法或PIPD模糊算法。确定性PID控制有一系列的成熟整定参数的经验，而模糊PDPI或PIPD的参数整定却不成熟，而且固定的模糊控制算法难以适应过程控制系统多变的环境，因而不少学者研究以模糊控制、PID控制各为一模的双模控制，或FuzzyPI的双模控制，目的都是为提高Fuzzy控制系统的环境适应性。有些学者研究FuzzyPPI三模控制，其关键的问题是如何选择切换条件与界限，而且模型数量太多，调试系统会更加困难，这些都应在今后的研究中加以解决。神经网络控制器(NNPID)是将控制算式改写成PI
14、D=Kp1+1TiS+TdS=W1+W2S+W3S，即控制器是对误差e=X1、误差积分etdt=X2，与误差微分detdt=X3进行加权运算，亦即m=W1X1+W2X2+W3X3，以此作为神经网络的输入层，隐含层则多数采用Sigmoid函数，SX=1+exp(-x)-1并同输入层、输出层一起构成神经网络向前三层结构模型，其控制器的好坏在很大程度上是取决于输入层权系数Wi， i=1，2，3的选择。尽管可供选择的优化方法很多，一般还是选择BP算法，但BP算法本质上是梯度寻优的一种方法，容易陷入局部最优解，而不是真正的全局优化。近几年来，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
15、的权系数Wi，i=1，2，3进行寻优。由于GA中寻优的“交叉”与“变异”可以使搜寻过程跳出局部优化区域，而“选择”又可使局部区域的优化解保留与复制下来，因而是一种较理想的参数寻优方法，比穷举法可大大节约参数寻优的时间，但对于某些对象参数寻优的时间仍需很长。DA在NNPID应用的成功关键是看能否达到实时控制，对于快变对象，目前看来仍然是有困难。同PID控制器一样，GANNPID控制器虽然较好地解决时变对象的控制问题，但不适用于大滞后对象与快速非线性响应的对象的控制。不少研究者已对此类问题发生兴趣，如采用Simth预估器补偿大滞后，采用IMC(内模控制)补偿大滞后以及滞后削弱器方法等，事先将有滞后
16、的对象演变成无滞后或小滞后的等效对象，再按PID控制方式筑成NNPID控制系统。无论那种大滞后补偿结构，对象误差模型的参数灵敏度都较大，系统的鲁棒性不高，这些都是应用中存在的问题。至于非线性问题，可在控制器与对象之间插入一种称之为逆非线性补偿器的函数模块，将非线性控制转换成准线性控制，再采用NNPID控制，但目前仅见诸于学术研究，尚未见到工程成功实例，这些研究能否获得工程应用，关键是要看最终结果是否简单且有效，简单有效则意味着实用。目前的GANNPID控制器的研究内容比较丰富，如GA的编码问题、种群选择问题、迭代评价问题、交叉与变异的概率选择问题，有人还试图利用模糊规则与专家系统方法来选择交叉概率与变异概率，以期达到最优问题的解。NN网络复杂化与多层化，也是网络研究的一大趋势，例如Eiman网络，除了传统的三层结构(输入层、输出层、隐含层)外，还
