慣導測試與仿真設備報告學 院：航天學院專 業：控制科學與工程姓 名：徐銳學 號：09S004135PID控制的應用及發展趨勢目前工業自動化水平已成為衡量各行各業現代化水平的一個重要標志。同時，控制理論的發展也經歷了古典控制理論、現代控制理論和智能控制理論三個階段。智能控制的典型實例是模糊全自動洗衣機等。自動控制系統可分為開環控制系統和閉環控制系統。一個控制系統包括控制器、傳感器、變送器、執行機構、輸入輸出接口。控制器的輸出經過輸出接口、執行機構，加到被控系統上；控制系統的被控量，經過傳感器，變送器，通過輸入接口送到控制器。不同的控制系統，其傳感器、變送器、執行機構是不一樣的。比如壓力控制系統要采用壓力傳感器。電加熱控制系統的傳感器是溫度傳感器。目前，PID控制及其控制器或智能PID控制器（儀表）已經很多，產品已在工程實際中得到了廣泛的應用，有各種各樣的PID控制器產品，各大公司均開發了具有PID參數自整定功能的智能調節器 (intelligent regulator），其中PID控制器參數的自動調整是通過智能化調整或自校正、自適應算法來實現。有利用PID控制實現的壓力、溫度、流量、液位控制器，能實現PID控制功能的可編程控制器(PLC），還有可實現PID控制的PC系統等等。可編程控制器（PLC) 是利用其閉環控制模塊來實現PID控制，而可編程控制器（PLC）可以直接與ControlNet相連，如Rockwell的PLC-5等。還有可以實現 PID控制功能的控制器，如Rockwell 的Logix產品系列，它可以直接與ControlNet相連，利用網絡來實現其遠程控制功能。一、PID的原理方法在工程實際中，應用最為廣泛的調節器控制規律為比例、積分、微分控制，簡稱PID控制，又稱PID調節。PID控制器問世至今已有近70年歷史，它以其結構簡單、穩定性好、工作可靠、調整方便而成為工業控制的主要技術之一。當被控對象的結構和參數不能完全掌握，或得不到精確的數學模型時，控制理論的其它技術難以采用時，系統控制器的結構和參數必須依靠經驗和現場調試來確定，這時應用PID控制技術最為方便。即當我們不完全了解一個系統和被控對象，或不能通過有效的測量手段來獲得系統參數時，最適合用PID控制技術。PID控制，實際中也有PI和PD控制。PID控制器就是根據系統的誤差，利用比例、積分、微分計算出控制量進行控制的。比例（P）控制比例控制是一種最簡單的控制方式。其控制器的輸出與輸入誤差信號成比例關系。當僅有比例控制時系統輸出存在穩態誤差（Steady-state error）。積分（I）控制在積分控制中，控制器的輸出與輸入誤差信號的積分成正比關系。對一個自動控制系統，如果在進入穩態后存在穩態誤差，則稱這個控制系統是有穩態誤差的或簡稱有差系統（System with Steady-state Error）。為了消除穩態誤差，在控制器中必須引入“積分項”。積分項對誤差取決于時間的積分，隨著時間的增加，積分項會增大。這樣，即便誤差很小，積分項也會隨著時間的增加而加大，它推動控制器的輸出增大使穩態誤差進一步減小，直到等于零。因此，比例+積分（PI）控制器，可以使系統在進入穩態后無穩態誤差。微分（D）控制在微分控制中，控制器的輸出與輸入誤差信號的微分（即誤差的變化率）成正比關系。自動控制系統在克服誤差的調節過程中可能會出現振蕩甚至失穩。其原因是由于存在有較大慣性組件（環節）或有滯后（delay）組件，具有抑制誤差的作用，其變化總是落后于誤差的變化。解決的辦法是使抑制誤差的作用的變化“超前”，即在誤差接近零時，抑制誤差的作用就應該是零。這就是說，在控制器中僅引入 “比例”項往往是不夠的，比例項的作用僅是放大誤差的幅值，而目前需要增加的是“微分項”，它能預測誤差變化的趨勢，這樣，具有比例+微分的控制器，就能夠提前使抑制誤差的控制作用等于零，甚至為負值，從而避免了被控量的嚴重超調。所以對有較大慣性或滯后的被控對象，比例+微分（PD）控制器能改善系統在調節過程中的動態特性。二、PID參數的預置與調整比例增益 P變頻器的 PID 功能是利用目標信號和反饋信號的差值來調節輸出頻率的，一方面，我們希望目標信號和反饋信號無限接近，即差值很小，從而滿足調節的精度：另一方面，我們又希望調節信號具有一定的幅度，以保證調節的靈敏度。解決這一矛盾的方法就是事先將差值信號進行放大。比例增益 P 就是用來設置差值信號的放大系數的。任何一種變頻器的參數 P 都給出一個可設置的數值范圍，一般在初次調試時， P 可按中間偏大值預置或者暫時默認出廠值，待設備運轉時再按實際情況細調。積分時間P如上所述比例增益 P 越大，調節靈敏度越高，但由于傳動系統和控制電路都有慣性，調節結果達到最佳值時不能立即停止，導致“超調”，然后反過來調整，再次超調，形成振蕩。為此引入積分環節 I ，其效果是，使經過比例增益 P 放大后的差值信號在積分時間內逐漸增大 ( 或減小 ) ，從而減緩其變化速度，防止振蕩。但積分時間 I 太長，又會當反饋信號急劇變化時，被控物理量難以迅速恢復。因此， I 的取值與拖動系統的時間常數有關：拖動系統的時間常數較小時，積分時間應短些；拖動系統的時間常數較大時，積分時間應長些。微分時間D微分時間 D 是根據差值信號變化的速率，提前給出一個相應的調節動作，從而縮短了調節時間，克服因積分時間過長而使恢復滯后的缺陷。D 的取值也與拖動系統的時間常數有關：拖動系統的時間常數較小時，微分時間應短些；反之，拖動系統的時間常數較大時， 微分時間應長些。三、智能PID的發展趨勢1PID人工智能基礎微電子技術、計算機軟硬件是PID智能控制器構成的基礎之一，另一個基礎是智能化理論，當前智能化理論主要是指專家系統、模糊集理論、神經網絡、混沌集理論等內容。實時專家系統除了專家系統的組成部分(知識庫、數字庫及推理機)外，還應有獲取知識、人機接口及解釋執行的機構。作為專家系統的知識，應該是實踐經驗豐富、被證明是有效的知識，盡可能完備、完滿與正確。而推理決策的結果應有可復現性或重復性，知識獲取可借助于DCS的數據采集系統，并通過啟發式之類的專家推理邏輯，對獲取知識加以確認使知識得到更新。DCS采用某類軟件平臺后，如Onspee與Intouch，實現PID專家系統的軟件或硬件接口已得到解決。專家系統推理規則一般為“If條件函數置Xithen決策函數Yi”相當于查字典的推理決策。智能PID優化同確定性PID優化的差別在于智能PID優化是不考慮被控制對象的特性，它僅根據被控制系統的控制偏差e、偏差變化速度de/dt及其歷史狀態，應用各種智能優化推理方法、模糊推理、神經網絡等，確定最優的控制器輸出量或決定P,I,D三個參數的最優加權系數，這就是無對象模型的PID優化控制，而有對象模型的確定性的PID優化控制則是根據已知的對象模型，按已有的PID參數整定規則，由人工調整PID參數(Kp,Ti與Td)。如果改手動調整為自動調整，則是自整定PID調節，自整定PID調節器就是智能PID控制器的雛型。有模型的智能PID控制器的困難在于實時辨識模型結構及其參數，雖然辨識模型的方法很多，而且都富有成效，如時間序列法、參考模型法、最小二乘法、滾動模型辨識法等，但往往由于模型計算時間長，擬合方法又費時使實時辨識模型難以實現，加上目前的許多辨識方法不適用于非線性與非平穩隨機過程，所以無模型的智能控制器受到學術界與工程界的重視2智能PID控制的發展近年來，人們對模糊智能PID控制器、神經網絡智能PID控制器、混沌PID智能控制器及遺傳算法一神經網絡PID智能控制器等，產生了濃厚的興趣，研究者甚多。但是，在目前研究中，重復研究的多，創造性研究的少；停留于仿真成果的多，能夠在工程上應用的少，尤其是運行時間較長的智能PID控制器。可以說微乎其微。1965年，美國加州大學L_AZadeh提出模糊集Fuzzy Set理論，20世紀80年代模糊控制器已在許多領域推廣應用，如蒸汽發動機、交流伺服系統、艦艇、飛機、空調器、洗衣機等都有應用模糊控制的報導，在過程控制中也曾風靡一時，但至今效果都不理想，原因是當時的模糊控制器敵不過常規的PID控制器。模糊控制器的研究，許多是重復前人的二維控制器的設計思路，以誤差e(t)及誤差變化de(t)dt作為輸入量，后經模糊量化處理成模糊量E與EC，送人模糊算法模塊運算，產生控制輸出決策U，再經反模糊化處理，變成閉環系統的統一信號，二維模糊控制器可以理解為非線性PD控制器，非線性可增加系統的適應性，但PD控制有一個明顯的缺點，就是無法消除自衡對象的控制偏差，許多模糊控制的論文都是圍繞如何消除系統控制偏差進行的，如在模糊決策之前或之后加入一個確定性的PI控制模塊，形成PDPI決策模糊算法或PIPD模糊算法。確定性PID控制有一系列的成熟整定參數的經驗，而模糊PDPI或PIPD的參數整定卻不成熟，而且固定的模糊控制算法難以適應過程控制系統多變的環境，因而不少學者研究以模糊控制、PID控制各為一模的雙模控制，或FuzzyPI的雙模控制，目的都是為提高Fuzzy控制系統的環境適應性。有些學者研究FuzzyPPI三模控制，其關鍵的問題是如何選擇切換條件與界限，而且模型數量太多，調試系統會更加困難，這些都應在今后的研究中加以解決。神經網絡控制器(NNPID)是將控制算式改寫成PID=Kp1+1TiS+TdS=W1+W2S+W3S，即控制器是對誤差e=X1、誤差積分etdt=X2，與誤差微分detdt=X3進行加權運算，亦即m=W1X1+W2X2+W3X3，以此作為神經網絡的輸入層，隱含層則多數采用Sigmoid函數，SX=1+exp(-x)-1并同輸入層、輸出層一起構成神經網絡向前三層結構模型，其控制器的好壞在很大程度上是取決于輸入層權系數Wi， i=1，2，3的選擇。盡管可供選擇的優化方法很多，一般還是選擇BP算法，但BP算法本質上是梯度尋優的一種方法，容易陷入局部最優解，而不是真正的全局優化。近幾年來，有一個值得注意的動向是利用遺傳算法GA對神經網絡的PID控制器的權系數Wi，i=1，2，3進行尋優。由于GA中尋優的“交叉”與“變異”可以使搜尋過程跳出局部優化區域，而“選擇”又可使局部區域的優化解保留與復制下來，因而是一種較理想的參數尋優方法，比窮舉法可大大節約參數尋優的時間，但對于某些對象參數尋優的時間仍需很長。DA在NNPID應用的成功關鍵是看能否達到實時控制，對于快變對象，目前看來仍然是有困難。同PID控制器一樣，GANNPID控制器雖然較好地解決時變對象的控制問題，但不適用于大滯后對象與快速非線性響應的對象的控制。不少研究者已對此類問題發生興趣，如采用Simth預估器補償大滯后，采用IMC(內模控制)補償大滯后以及滯后削弱器方法等，事先將有滯后的對象演變成無滯后或小滯后的等效對象，再按PID控制方式筑成NNPID控制系統。無論那種大滯后補償結構，對象誤差模型的參數靈敏度都較大，系統的魯棒性不高，這些都是應用中存在的問題。至于非線性問題，可在控制器與對象之間插入一種稱之為逆非線性補償器的函數模塊，將非線性控制轉換成準線性控制，再采用NNPID控制，但目前僅見諸于學術研究，尚未見到工程成功實例，這些研究能否獲得工程應用，關鍵是要看最終結果是否簡單且有效，簡單有效則意味著實用。目前的GANNPID控制器的研究內容比較豐富，如GA的編碼問題、種群選擇問題、迭代評價問題、交叉與變異的概率選擇問題，有人還試圖利用模糊規則與專家系統方法來選擇交叉概率與變異概率，以期達到最優問題的解。NN網絡復雜化與多層化，也是網絡研究的一大趨勢，例如Eiman網絡，除了傳統的三層結構(輸入層、輸出層、隱含層)外，還有一個對信號起延遲與存儲作用的結構單元，隱含層輸出通過它自聯到隱含層的輸入端，相當于信號流圖的自閉回路。該網絡對歷史狀態的數據具有敏感性，被用于需動態建模的參考模型PID控制系統。混沌優化方法求PID控制系統的最優結構參數，是近幾年開始熱門的研究課題。當參數微變后，混沌軌道會顯著變化，尤其是初始值發生變化時，混沌軌道變化更加顯著，這就是非混沌系統演變到混沌系統進行參數辨識與尋優的重要原因