先进PID控制MATLAB仿真(第3版)
第八章《模糊PID控制和专家PID控制》
模糊规则在PID控制中的作用:一是利用模糊规则调节实现PID的整定;二是利用模糊系统的万能逼近理论逼近被控对象的未知项,实现控制补偿,提升PID控制的性能;三是把控制律模糊化,当成未知项直接利用模糊规则进行逼近。(二与三都是基于模糊规则的万能逼近特性)
基于自适应模糊补偿的PD控制: 在利用模糊规则对被控对象的未知项进行逼近时,需要适当选取模糊规则参数,使逼近误差尽可能的小,才能保证控制系统的稳定性。(对应二)
基于模糊规则表的PD控制: 将跟踪误差和误差变化量作为模糊规则的输入,控制输入作为规则的输出,根据经验构造模糊规则表,可实现无需模型信息的控制。(对应三,这个勉强算得上是PD控制吧)
模糊自适应整定PID控制(专家PID控制器): 以误差 e e e和误差变化 e ˙ \dot e e˙作为输入,利用模糊规则对PID控制器的3个参数进行在线修改,来满足系统对PID参数自整定的要求。首先将专家长期实践积累的经验知识用控制规则模型化,然后运用推理便可以对PID参数实现最佳调整。(对应一)
专家PID控制: 基于受控对象和控制规律的各种知识,无需知道被控对象的精确模型,利用专家经验来设计PID参数。(和“一”相似)
第九章《神经网络PID控制》
与上一章类似,神经网络和模糊规则原理都具有万能逼近特性,因此神经网络在PID控制中的作用:一是利用神经网络调节实现PID的整定;二是利用神经网络逼近被控对象的未知项,实现控制补偿,提高PID控制的性能;三是直接把控制律当成未知项,利用神经网络直接进行逼近。(“三”就不能算作PID控制器了)
基于RBF神经网络整定的PID控制: 设定神经网络整定指标,基于梯度下降法,调整PID控制器的三参数,使神经网络整定指标最小。(对应“一”)
此处神经网络参数或控制参数都是按经验选取或试凑的,只能保证闭环系统在局部得到优化,不能保证闭环系统的稳定性。如果参数选择不当,闭环系统控制很容易发散。
基于单神经元网络的PID智能控制: 通过对加权系数的调整来实现自适应、自组织功能,权系数的调整是按某种学习规则实现的。也就是说该控制算法由控制算法和学习算法组成。常见的学习算法(学习规则)有:无监督Hebb学习规则、有监督的Delta学习规则、有监督的Hebb学习规则。(对应“一”的变形)
基于自适应神经网络补偿的PD控制: 基于RBF神经网络的万能逼近特性,实现对被控对象未知项的自适应逼近。(对应“二”)
第十二章《迭代学习PID控制》
可以先通过迭代学习的仿真来确定PID控制器的初始参数,再通过模糊规则、神经网络或遗传算法进行参数整定。
PID参数整定方法
第八章的基于模糊规则的PID参数整定
第九章的基于神经网络的PID参数整定
第十章的基于遗传算法的PID参数整定
第十二章的迭代学习PID控制也是一种参数整定方法
先进PID整定方法:设定优化性能指标,将控制问题转换为优化问题,利用优化算法进行PID的参数整定。优化算法包括不限于粒子群算法、遗传算法、蚁群算法等等。
常规PID整定方法:基于响应曲线法的PID整定、基于Ziegler-Nichols的频域响应PID整定、基于频域分析的PD整定、基于相位裕度整定的PI控制、基于极点配置的稳定PD控制、基于临界比例度法的PID整定、基于优化函数的PID整定、基于NCD(Nonlinear Control Design)优化的PID整定、基于NCD与优化函数结合的PID整定。
PID控制方法优缺点
优点:算法简单、无需建模
缺点:参数难以整定、不能保证稳定性
自适应控制(Adaptive Control):能修正自己特性以适应对象和扰动动态特性变化的控制方法。
鲁棒控制(Robust Control):控制系统能在一定的参数摄动下,维持某些性能的特性。
参考文献
- 刘金琨. 先进PID控制MATLAB仿真(第3版)[M]. 电子工业出版社, 2011.