1、新型自適應(yīng)模糊 PID 控制系統(tǒng)仿真7新型自適應(yīng)模糊PID 控制系統(tǒng)仿真趙國山管志川中國石油大學(xué)（華東）石油工程學(xué)院，山東東營257061摘要： PID 控制具有算法簡單和可靠性高的優(yōu)點(diǎn)，被廣泛應(yīng)用于工業(yè)過程控制，但是當(dāng)被控對象變化時(shí)，控制器的參數(shù)難以自動調(diào)整，尤其是對大滯后和非線性的復(fù)雜系統(tǒng)。針對實(shí)際生產(chǎn)過程具有的非線性和不確定性，提出了一種基于神經(jīng)網(wǎng)絡(luò)的模糊PID 控制方法。它是模糊控制、神經(jīng)網(wǎng)絡(luò)和常規(guī)PID 控制器的有效結(jié)合，將模糊控制和神經(jīng)網(wǎng)絡(luò)策略引入到傳統(tǒng)PID 控制中，使得PID 控制器具有模糊控制簡單有效的非線性控制的優(yōu)點(diǎn)以及神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和自適應(yīng)能力。并建立控制系統(tǒng)模型進(jìn)行仿

2、真，給出控制器的結(jié)構(gòu)與參數(shù)設(shè)計(jì)方法。仿真結(jié)果表明新型自適應(yīng)模糊PID 控制有較好的魯棒性、抗干擾性和自適應(yīng)性，其控制特性優(yōu)于傳統(tǒng)的PID 。關(guān)鍵詞： PID 控制參數(shù)整定系統(tǒng)仿真模糊控制神經(jīng)網(wǎng)絡(luò)1 引言PID 控制是最早發(fā)展起來的控制策略之一，其涉及的設(shè)計(jì)算法和控制結(jié)構(gòu)簡單1 。但由于實(shí)際工業(yè)生產(chǎn)過程往往具有非線性和時(shí)變不確定性2 ，應(yīng)用常規(guī)PID 控制器不能達(dá)到理想控制效果，本文將模糊控制和神經(jīng)網(wǎng)絡(luò)策略引入到傳統(tǒng)PID 控制中，以適應(yīng)復(fù)雜的工況和高指標(biāo)的控制要求，并利用 SIMULINK工具箱建立了常規(guī)PID 控制系統(tǒng)和新型自適應(yīng)模糊PID 控制系統(tǒng)模型并進(jìn)行仿真研究。2 PID 控制系統(tǒng)建

3、模2.1 常規(guī) PID 控制系統(tǒng)常規(guī) PID 控制系統(tǒng)模型如圖1 所示，其控制規(guī)律1 為：u tK P e t K Ite t dt K D de t dt0式中， e(t)控制器偏差輸入；u(t)控制器輸出； KP 、KI和 KD 比例、積分和微分項(xiàng)系數(shù)。本文所用的 PID 參數(shù)的整定方法是ZN 法 1-3 。 ZN 經(jīng)驗(yàn)公式 3 如式 2 所示：K P0.6K r ， TI0.5 Tr， TD 0.125 Tr（ 1）（ 2）2.2 模糊 PID 控制系統(tǒng)的信號采用二輸入三輸出的模糊控制器， 以 e 和 ec 為輸入語言變量 4-6 ，以 KP 、KI 和 KD 為輸出語言變量，輸入、輸出

4、的模糊子集如下：作者簡介： 趙國山 (1978-), 男, 山東泰安人 , 博士生 , 研究方向?yàn)榫孪到y(tǒng)、信息與控制工程 ; 管志川 (1959-), 男, 博士 , 教授 , 研究方向?yàn)橛蜌饩苤W(xué) , 油氣井井下過程監(jiān)測、診斷與控制等 .8計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展2008偏差 e：本文選取 負(fù)大，負(fù)中，負(fù)小，零，正小，正中，正大 這七個(gè)語言變量值來描述用符號表示為NB ， NM ， NS， ZO ， PS， PM， PB) ；同理，偏差變化率ec： NB ， NM ， NS， ZO ，PS， PM ，PB ；KP： NB ， NM ， NS， ZO ， PS， PM ，PB ；KI ： N

5、B ，NM ， NS， ZO， PS，PM ， PB ；KD ：NB ， NM ， NS， ZO ，PS，PM ， PB ；把語言變量進(jìn)行量化歸檔4-6 ：偏差 e： (-6， -4， -2， 0， +2， +4， +6 ；偏差變化率ec： (-6， -4，-2 ， 0， +2， +4， +6 ；KP： (-6， -4， -2，0， +2， +4，+6 ；KI ： (-6， -4， -2， 0， +2 ，+4， +6 ；KD ：(-6 ， -4，-2， 0， +2， +4， +6 ；在本設(shè)計(jì)中隸屬函數(shù)采用三角形函數(shù)KP KI KDNBNMNBPB NB PSPB NB NSNMPB NB PS

6、PB NB NSNSPM NB ZOPM NM NSecZOPM NM ZOPM NM NSPSPS NM ZOPS NS ZOPMPS ZO PBZO ZO NSPBZO ZO PBZO ZO PM6 ， KP、 KI 和 KD 的控制規(guī)則如表 1 所示。表 1 KP、 KI 和 KD 控制規(guī)則表eNSZOPSPMPM NM NBPM NM NBPS NS NBZO ZO NMPM NM NBPS NS NMPS NS NMZO ZO NMPM NS NMPS NS NMZO ZO NSNS PS NSPS NS NSZO ZO NSNS PS NSNM PM NSZO ZO ZONS PS

7、 ZONS PS ZONM PM ZONS PS PSNM PS PSNM PM PSNM PB PSNM PS PMNM PM PMNM PM PSNB PB PSPBZO ZO PS NS ZO ZO NS PS ZO NM PM ZO NM PB ZO NB PB PB NB PB PB圖 1 常規(guī) PID 控制系統(tǒng)模型2.3 新型自適應(yīng)模糊 PID 控制系統(tǒng)設(shè)計(jì)三個(gè) BP 網(wǎng)絡(luò)，每個(gè) BP網(wǎng)絡(luò)具有兩個(gè)輸入分別對應(yīng)系統(tǒng)的偏差e 和偏差變化 ec，具有 4 層隱層和一個(gè)輸出層 7-9 ，隱層的活化函數(shù)7-9 均選為 tansig 函數(shù)，其取值在 -1 1之間。輸出層有一個(gè)神經(jīng)元，對應(yīng)于 P

8、ID 控制器的三個(gè)參數(shù) KP、 KI 和 KD ，輸出層活化函數(shù)取為purelin 線性函數(shù)。采用 BP 算法對表 1 所示的模糊控制規(guī)則進(jìn)行訓(xùn)練，其實(shí)質(zhì)是確定BP 網(wǎng)絡(luò)各層神經(jīng)元的連接權(quán)值和閾值。由于神經(jīng)網(wǎng)絡(luò)對信息的處理具有自組織和自學(xué)習(xí)的特點(diǎn)7-9 ，當(dāng)訓(xùn)練結(jié)束達(dá)到期望的誤差精度要求時(shí)，網(wǎng)絡(luò)己經(jīng)具備反映模糊規(guī)則代表的經(jīng)驗(yàn)規(guī)律的能力。采用帶動量回傳的梯度遞減法作為訓(xùn)練函數(shù)7-9 ，在 MATLAB的指令窗中輸入 nntool ，打開一個(gè) “網(wǎng)新型自適應(yīng)模糊PID 控制系統(tǒng)仿真9絡(luò) / 數(shù)據(jù)管理 ”窗口，在這里創(chuàng)建、載入、訓(xùn)練、使用和輸出神經(jīng)網(wǎng)絡(luò)與數(shù)據(jù)。訓(xùn)練完畢后利用將訓(xùn)練好的網(wǎng)絡(luò)模塊化，新型

9、自適應(yīng)模糊PID 控制的模塊和系統(tǒng)模型如圖2 和 3 所示。gensim函數(shù)3 PID 控制系統(tǒng)仿真比較選取二階滯后（ G1）和高階滯后過程（ G2）模型進(jìn)行仿真研究， G1 和 G2 的公式如式3 所示。當(dāng)被控對象為 G1 ，T=10 ，K=1 ， =3 時(shí)進(jìn)行整定，得到 PID 控制器整定后的參數(shù)。Kes3e 6 sG1s 1G214T s 1s（3）圖 2 新型自適應(yīng)模糊PID 控制模塊圖 3 新型自適應(yīng)模糊PID 控制系統(tǒng)模型(a) BPFLPID8(b) PID8圖 4高階控制系統(tǒng)響應(yīng)曲線當(dāng)被控對象的結(jié)構(gòu)發(fā)生改變時(shí)，即當(dāng)被控對象由二階滯后自適應(yīng)響應(yīng)曲線分別命名為PID8 和 BPFL

10、PID8 ，仿真結(jié)果如圖G1 變?yōu)楦唠A滯后4 所示。G2 時(shí)，常規(guī)PID和新型10計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展20084結(jié)束語由理論分析和仿真結(jié)果可得結(jié)論，常規(guī) PID 控制器在被控對象的參數(shù)變化不大時(shí)，其具有一定的魯棒性，但在對象參數(shù)變化較大時(shí)，其控制性能指標(biāo)較差。尤其當(dāng)被控對象的結(jié)構(gòu)發(fā)生較大變化時(shí)，其控制效果極差， 特性曲線呈現(xiàn)增大的振蕩趨勢。 新型自適應(yīng)模糊 PID 控制算法， 抗干擾特性好， 有較好的魯棒性，表現(xiàn)為當(dāng)被控對象參數(shù)變化時(shí)，特別是對象的結(jié)構(gòu)發(fā)生變化時(shí)，算法表現(xiàn)了很強(qiáng)的自適應(yīng)性。但在某些情況下，其響應(yīng)曲線出現(xiàn)小幅振蕩，原因?yàn)樗惴ㄖ?BP 網(wǎng)絡(luò)對本身非確定值運(yùn)算的模糊規(guī)則和模糊推理進(jìn)行

11、確定函數(shù)關(guān)系映射所造成。參考文獻(xiàn)1 陶永華 . 新型 PID 控制及其應(yīng)用 M. 北京 : 機(jī)械工業(yè)出版社 , 2002.2 曾河華 , 李東海 , 姜學(xué)智等 . 時(shí)滯對象的自抗擾 PID 控制 J. 清華大學(xué)學(xué)報(bào) (自然科學(xué)版 ), 2007, 47(11): 20182021.3 蘇玉鑫 , 段寶巖 . 一種新型非線性 PID 控制器 J. 控制與決策 , 2003, 18(1): 126 128.4 Eker ?., Torun Y. Fuzzy logic control to be conventional method J. Energy Conversion and Manage

12、ment,47(2006): 377 394.5汪光陽 . 基于模糊工具箱和SIMULINK的模糊控制系統(tǒng)計(jì)算機(jī)仿真J. 安徽工業(yè)大學(xué)學(xué)報(bào), 2001, 18(1):5761.6 曹光明 , 吳迪 , 張殿華 . 基于模糊自適應(yīng) PID 的鑄軋機(jī)結(jié)晶器液位控制系統(tǒng) J. 控制與決策 , 2007, 22(4): 399 402+407.7MARTIN T. HAGAN, HOW ARD B. DEMUTH, MARK H. BEALE. Neural Network Design M.北京: 機(jī)械工業(yè)出版社 , 2003.8廖芳芳 , 肖建 . 基于 BP 神經(jīng)網(wǎng)絡(luò) PID 參數(shù)自整定的研究

13、J. 系統(tǒng)仿真學(xué)報(bào) , 2005, 17(7): 17111713.9張妤 , 榮盤祥 . 一種基于模糊神經(jīng)網(wǎng)絡(luò)的PID 控制器 J. 哈爾濱理工大學(xué)學(xué)報(bào) , 2005, 10(6): 6365.Simulation of the New Adaptive Fuzzy PID Control SystemZhao Guoshan Guan ZhichuanCollege of Petroleum Engineering, China University Of Petroleum (East China), DongYing, 257061Abstract: Since its simplic

14、ity and reliability, PID control algorithm has been widely used in process control systems. However, it is difficult for PID controllers to automatically adjust their parameters when the control objects change, especially for the long delay and non-linear systems. Aiming at nonlinearity and uncertai

15、nty in the production process, the method of fuzzy PID based on neural network was putted forward.It is an effective combination of fuzzy control, neural network and PID controller. The traditional PID controllers introduced the strategies of fuzzy control and neural network. It not only possesses t

16、he advantage of fuzzy controls simplicity and nonlinear controlling but has the capability of neural networks self-learning and self-adaptation. The traditional PID and adaptive fuzzy PID control system models were made. And the controller structures and methods for parameters design were addressed. The simulation results show