一种基于物理信息神经网络的PID控制器参数整定方法技术

本发明专利技术公开了一种基于物理信息神经网络的PID控制器参数整定方法，涉及工业过程控制的技术领域，包括：构建被控系统的动力学模型，设置被控系统的目标函数；利用PID控制器形式表示被控系统中的控制变量，获得动力学模型的状态方程；根据动力学模型的状态方程构建物理信息神经网络，建立总损失函数；基于梯度下降法对总损失函数进行优化，获得最优PID控制器参数。本方法结合系统自身物理信息，符合物理规律，把PID控制器参数整定问题转化为物理信息神经网络内部参数寻优过程，物理信息神经网络训练过程，遵循训练数据样本分布规律，使PID控制器参数整定过程高效化、智能化，获得的PID控制器参数更加合理、准确。准确。准确。

【技术实现步骤摘要】
一种基于物理信息神经网络的PID控制器参数整定方法


[0001]本专利技术涉及工业过程控制的
，更具体地，涉及一种基于物理信息神经网络的PID控制器参数整定方法。

技术介绍

[0002]比例(P)
‑
积分(I)
‑
微分(D)控制器具有简单的结构，是目前工业控制中使用最普遍的控制器，通过调节PID控制器的三个参数，实现所需要的控制效果。PID控制器最核心的工作就是控制过程中的参数调控，即对比例(P)、积分(I)和微分(D)三项参数进行整定，使系统的动态和静态性能达到要求且某项性能指标达到最优。目前工业过程中的采用的PID控制方法需要工程师根据积累的工作经验和知识，针对不同控制目标要求对PID三个参数进行手动试错调参，调参过程耗时耗力；一旦生产工况发生改变，PID参数又需要重新调节，并且会出现超调量大、稳态误差大等缺点。传统的PID控制器参数的整定方法有临界比例法、反应曲线法和衰减曲线法，这些方法都是通过人工进行大量计算，得出PID控制器的初始参数，再根据控制效果进行微调，得到较为理想的控制效果。但是这种根据物理规律建模、人工计算的调节方法，在面对复杂的被控对象时，计算量增大，计算耗时增长，人工计算的初始参数具有误差，无法获得合理的控制参数。利用智能算法整定PID控制参数的方法中，较为常见的是基于BP神经网络的PID控制器参数整定法，该方法通过前期采集大量的PID控制器下的系统输入输出关系参数，形成数据集对BP神经网络进行大量的样本训练，以实现拟合P、I、D三个参数输入与系统输出之间的非线性关系。该方法仅仅是通过纯数据驱动的方式构建一个神经网络的黑箱子模型来描述输入与输出间的关系，没有利用系统自身所具有的实际物理信息；其次，在神经网络训练过程中，往往需要大量的样本数据，导致采集样本数据的工作量巨大，参数整定过程效率低。基于监督学习以纯数据驱动的方式得到的黑箱模型，不能完全替代工业过程实际的物理模型；受到控制对象的基本物理规律限制，有时难以得到合理的控制模型描述，甚至会违背控制对象的物理规律，得到不可靠的控制模型。
[0003]现有技术提供一种PID控制器的参数整定方法、装置、存储介质、终端及系统，方法包括：获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算PID控制器的控制误差；若所述控制误差超过预设阈值，获取PID控制器的输出数据，将所述PID控制器的输出数据发送到神经网络模型，得到辨识输出数据；将所述辨识输出数据发送至单神经元控制器，控制所述单神经元控制器根据所述辨识输出数据对神经网络模型的参数进行调整，得到调整后的神经网络模型，根据调整后的神经网络模型确定PID控制器的参数。该方法仅仅是通过纯数据驱动的方式构建一个神经网络的黑箱子模型来描述输入与输出间的关系，没有利用系统自身所具有的实际物理信息，模型描述不合理，最终获得的PID控制器不准确。

技术实现思路

[0004]本专利技术为克服上述现有的PID控制器参数整定过程依赖人工经验、效率低，参数整定结果背离实际系统物理规律的缺陷，提供一种基于物理信息神经网络的PID控制器参数整定方法，结合系统自身物理信息，遵循训练数据样本分布规律，使PID控制器参数整定过程高效化、智能化，获得的PID控制器参数更加合理、准确，达到理想的控制效果。
[0005]为解决上述技术问题，本专利技术的技术方案如下：
[0006]本专利技术提供一种基于物理信息神经网络的PID控制器参数整定方法，包括：
[0007]S1：构建被控系统的动力学模型，设置被控系统的目标函数；
[0008]S2：利用PID控制器形式表示被控系统中的控制变量，获得动力学模型的状态方程；
[0009]S3：根据动力学模型的状态方程构建物理信息神经网络，建立总损失函数；
[0010]S4：基于梯度下降法对总损失函数进行优化，获得最优PID控制器参数。
[0011]本专利技术提供的方法首先构建被控系统的动力学模型，所述动力学模型包含被控系统的实际物理信息，符合物理规律，目标函数表示要实际要解决的控制问题；利用PID控制器形式表示被控系统中的控制变量，获得动力学模型的状态方程，继而根据状态方程构建物理信息神经网络，使物理信息神经网络也具备了被控系统的实际物理信，并且把PID控制器参数整定问题转化为物理信息神经网络内部参数寻优过程；而物理信息神经网络的总损失函数中包括了符合被控系统物理规律的正则化因子，利用梯度下降法对总损失函数进行优化，获得的最优PID控制器参数更加合理、准确，更加贴合被控系统的物理信息。
[0012]优选地，所述步骤S1中，构建的被控系统的动力学模型具体为：
[0013][0014]式中，z(t)表示t时刻的实际输出，u(t)表示t时刻输入的控制变量，表示z(t)的一阶导数。
[0015]构建被控系统的动力学模型前，需要明确被控系统的工作机理，根据力学、电学、电机学等学科知识，构建合理的动态模型，为后续步骤做准备。
[0016]优选地，所述步骤S1中，被控系统的目标函数具体为：
[0017][0018]式中，t
f
表示给定的时间域，z1(t)表示t时刻被控系统的实际输出，表示t时刻被控系统的期望输出。
[0019]根据实际要解决的控制问题设置目标函数，即实现在给定时间域内，被控系统的实际输出更加符合被控系统的期望输出。
[0020]优选地，所述步骤S2中，利用PID控制器形式表示被控系统中的控制变量的具体方法为：
[0021]控制变量的PID控制器方程为：
[0022][0023]式中，k
p
,k
I
,k
D
分别表示PID控制器的比例参数、积分参数、微分参数，e(t)表示被
控系统的跟踪误差，表示e(t)的一阶导数，其中e(t)＝z1(t)
‑
q
d
，q
d
表示设置的期望。
[0024]优选地，所述步骤S2中，获得动力学模型的状态方程的具体方法为：
[0025]引入状态变量x(t)＝[x1(t),x2(t),x3(t),x4(t),x5(t)]，令
[0026]x1(t)＝z1(t),x2(t)＝z2(t)
[0027][0028][0029]z2(t)表示t时刻被控对象的实际输出，表示z2(t)的一阶导数，代入PID控制器方程，获得：
[0030]u(t)＝k
p
(x1(t)
‑
q
d
)+k
I
x5(t)+k
D
x3(t)
[0031]定义PID控制器参数向量K＝[k
P
k
I
k
D
]T
，替换被控系统的动力学模型中输入的控制变量，则被控系统的动力学模型转化为：
[0032][0033]利用状态变量表述上式：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物理信息神经网络的PID控制器参数整定方法，其特征在于，包括：S1：构建被控系统的动力学模型，设置被控系统的目标函数；S2：利用PID控制器形式表示被控系统中的控制变量，获得动力学模型的状态方程；S3：根据动力学模型的状态方程构建物理信息神经网络，建立总损失函数；S4：基于梯度下降法对总损失函数进行优化，获得最优PID控制器参数。2.根据权利要求1所述的基于物理信息神经网络的PID控制器参数整定方法，其特征在于，所述步骤S1中，构建的被控系统的动力学模型具体为：式中，z(t)表示t时刻的实际输出，u(t)表示t时刻输入的控制变量，表示z(t)的一阶导数。3.根据权利要求2所述的基于物理信息神经网络的PID控制器参数整定方法，其特征在于，所述步骤S1中，被控系统的目标函数具体为：式中，t
f
表示给定的时间域，z
t
(t)表示t时刻被控系统的实际输出，表示t时刻被控系统的期望输出。4.根据权利要求3所述的基于物理信息神经网络的PID控制器参数整定方法，其特征在于，所述步骤S2中，利用PID控制器形式表示被控系统中的控制变量的具体方法为：控制变量的PID控制器方程为：式中，k
p
,k
I
,k
D
分别表示PID控制器的比例参数、积分参数、微分参数，e(t)表示被控系统的跟踪误差，表示e(t)的一阶导数，其中e(t)＝z1(t)
‑
q
d
，q
d
表示设置的期望。5.根据权利要求4所述的基于物理信息神经网络的PID控制器参数整定方法，其特征在于，所述步骤S2中，获得动力学模型的状态方程的具体方法为：引入状态变量x(t)＝[x1(t),x2(t),x3(t),x4(t),x5(t)]，令x1(t)＝z1(t),x2(t)＝z2(t)(t)z2(t)表示t时刻被控对象的实际输出，表示z2(t)的一阶导数，代入PID控制器方程，获得：u(t)＝k
p
(x1(t)
‑
q
d
)+k
I
x5(t)+k
D
x3(t)定义PID控制器参数向量K＝[k
P
k
I
k
D
]
T
，替换被控系统的动力学模型中输入的控制变量，则被控系统的动力学模型转化为：
利用状态变量表述上式：并且系统初始值设置为0，则动力学模型的状态方程表示为：式中，f(
·

【专利技术属性】
技术研发人员：任志刚，黎树森，吴宗泽，王界兵，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：