1、新型自適應模糊 PID 控制系統仿真7新型自適應模糊PID 控制系統仿真趙國山管志川中國石油大學（華東）石油工程學院，山東東營257061摘要： PID 控制具有算法簡單和可靠性高的優點，被廣泛應用于工業過程控制，但是當被控對象變化時，控制器的參數難以自動調整，尤其是對大滯后和非線性的復雜系統。針對實際生產過程具有的非線性和不確定性，提出了一種基于神經網絡的模糊PID 控制方法。它是模糊控制、神經網絡和常規PID 控制器的有效結合，將模糊控制和神經網絡策略引入到傳統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點以及神經網絡的自學習和自適應能力。并建立控制系統模型進行仿

2、真，給出控制器的結構與參數設計方法。仿真結果表明新型自適應模糊PID 控制有較好的魯棒性、抗干擾性和自適應性，其控制特性優于傳統的PID 。關鍵詞： PID 控制參數整定系統仿真模糊控制神經網絡1 引言PID 控制是最早發展起來的控制策略之一，其涉及的設計算法和控制結構簡單1 。但由于實際工業生產過程往往具有非線性和時變不確定性2 ，應用常規PID 控制器不能達到理想控制效果，本文將模糊控制和神經網絡策略引入到傳統PID 控制中，以適應復雜的工況和高指標的控制要求，并利用 SIMULINK工具箱建立了常規PID 控制系統和新型自適應模糊PID 控制系統模型并進行仿真研究。2 PID 控制系統建

3、模2.1 常規 PID 控制系統常規 PID 控制系統模型如圖1 所示，其控制規律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、積分和微分項系數。本文所用的 PID 參數的整定方法是ZN 法 1-3 。 ZN 經驗公式 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 , 研究方向為井下系統、信息與控制工程 ; 管志川 (1959-), 男, 博士 , 教授 , 研究方向為油氣井管柱力學 , 油氣井井下過程監測、診斷與控制等 .8計算機技術與應用進展2008偏差 e：本文選取 負大，負中，負小，零，正小，正中，正大 這七個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 ；在本設計中隸屬函數采用三角形函數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 的控制規則如表 1 所示。表 1 KP、 KI 和 KD 控制規則表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 PID 控制系統模型2.3 新型自適應模糊 PID 控制系統設計三個 BP 網絡，每個 BP網絡具有兩個輸入分別對應系統的偏差e 和偏差變化 ec，具有 4 層隱層和一個輸出層 7-9 ，隱層的活化函數7-9 均選為 tansig 函數，其取值在 -1 1之間。輸出層有一個神經元，對應于 P

8、ID 控制器的三個參數 KP、 KI 和 KD ，輸出層活化函數取為purelin 線性函數。采用 BP 算法對表 1 所示的模糊控制規則進行訓練，其實質是確定BP 網絡各層神經元的連接權值和閾值。由于神經網絡對信息的處理具有自組織和自學習的特點7-9 ，當訓練結束達到期望的誤差精度要求時，網絡己經具備反映模糊規則代表的經驗規律的能力。采用帶動量回傳的梯度遞減法作為訓練函數7-9 ，在 MATLAB的指令窗中輸入 nntool ，打開一個 “網新型自適應模糊PID 控制系統仿真9絡 / 數據管理 ”窗口，在這里創建、載入、訓練、使用和輸出神經網絡與數據。訓練完畢后利用將訓練好的網絡模塊化，新型

9、自適應模糊PID 控制的模塊和系統模型如圖2 和 3 所示。gensim函數3 PID 控制系統仿真比較選取二階滯后（ G1）和高階滯后過程（ G2）模型進行仿真研究， G1 和 G2 的公式如式3 所示。當被控對象為 G1 ，T=10 ，K=1 ， =3 時進行整定，得到 PID 控制器整定后的參數。Kes3e 6 sG1s 1G214T s 1s（3）圖 2 新型自適應模糊PID 控制模塊圖 3 新型自適應模糊PID 控制系統模型(a) BPFLPID8(b) PID8圖 4高階控制系統響應曲線當被控對象的結構發生改變時，即當被控對象由二階滯后自適應響應曲線分別命名為PID8 和 BPFL

10、PID8 ，仿真結果如圖G1 變為高階滯后4 所示。G2 時，常規PID和新型10計算機技術與應用進展20084結束語由理論分析和仿真結果可得結論，常規 PID 控制器在被控對象的參數變化不大時，其具有一定的魯棒性，但在對象參數變化較大時，其控制性能指標較差。尤其當被控對象的結構發生較大變化時，其控制效果極差， 特性曲線呈現增大的振蕩趨勢。 新型自適應模糊 PID 控制算法， 抗干擾特性好， 有較好的魯棒性，表現為當被控對象參數變化時，特別是對象的結構發生變化時，算法表現了很強的自適應性。但在某些情況下，其響應曲線出現小幅振蕩，原因為算法中 BP 網絡對本身非確定值運算的模糊規則和模糊推理進行

11、確定函數關系映射所造成。參考文獻1 陶永華 . 新型 PID 控制及其應用 M. 北京 : 機械工業出版社 , 2002.2 曾河華 , 李東海 , 姜學智等 . 時滯對象的自抗擾 PID 控制 J. 清華大學學報 (自然科學版 ), 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的模糊控制系統計算機仿真J. 安徽工業大學學報, 2001, 18(1):5761.6 曹光明 , 吳迪 , 張殿華 . 基于模糊自適應 PID 的鑄軋機結晶器液位控制系統 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: 機械工業出版社 , 2003.8廖芳芳 , 肖建 . 基于 BP 神經網絡 PID 參數自整定的研究

13、J. 系統仿真學報 , 2005, 17(7): 17111713.9張妤 , 榮盤祥 . 一種基于模糊神經網絡的PID 控制器 J. 哈爾濱理工大學學報 , 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