采用离线粗调和在线细调相结合改进实时控制

关键词：离线粗调；在线细调；PID控制器 中图分类号：TPl83 文献标识码：A Improve Real- time Control With Off-line Roughly Adjustment and On- line Precisely Adjustment CHEN Yong1, KONG Feng2, LIU Xia3 (1. Automation College, Chongqing University, Chongqing 400044, China;2. Dept. of Electronic Information and Control Engineering, Guangxi University of Technology, Liuzhou 545006, China; 3. Dept. of Computer, Guilin University of Electronic Technology, Guilin 541004, China) Abstract: The controlling strategy combining Off-line Roughly Adjustment and On- line Precisely Adjustment is presented, in order to improve the application capability of neural network and genetic algorithm in real- time control system. Combined with DC motor mode, the example of real - time control is analyzed, and emulates it by MATLAB, in order to prove that the controlling strategy is available. Key words: off- line roughly adjustment ;on- line precisely adjustment; real- time control 1 前 言 随着对控制系统精确度、稳定性以及实时性的要求逐渐加强，控制理论从古典控制理论发展到线性控制理论，现在又发展到了智能控制理论(包括神经网络、遗传算法、专家系统、模糊控制等)，但是，由于神经网络和遗传算法的收敛速度很慢，这制约了它们在实时控制系统中的应用。为了改进这个问题，本文提出了离线粗调和在线细调相结合的控制策略，采用基于遗传算法和BP神经网络的 PID控制器对直流电机实现实时调速，并在MAT— LAB6．1上成功地仿真，证明了所提出的控制策略是可行的。这在一定程度上推动智能控制算法在实时控制中的应用。 2 控制策略 由于神经网络在存在较多局部极小情况下很容易陷入局部极小点，且不可避免存在学习精度与学习速度的矛盾。而遗传算法是一种基于自然选择的自然遗传的全局优化算法，具有本质的并行计算特点，采用从自然选择机理中抽象出来的几对算子对参数编码字符串进行操作。这种操作是针对多个可行解构成的群体进行的，故在其世代更替中可以并行地对参数空问不同区域进行搜索，并使得搜索朝着更有可能找到全局最优的方向进行而不至于陷入局部最小。神经网络和遗传算法结合的控制不易陷入局部最小点，且适应度不必可微。于是采用两者相结合来寻优PID参数的控制思想。本文利用这种思想构成GA - BPNN的PID控制器来调速直流电机。但是由于神经网络和遗传算法的收敛速度慢，使得这种智能PID控制器在实时控制中受到了限制。为了改进这个问题，本文提出了离线粗调和在线细调相结合的控制策略，使得此控制系统具有较高的精度、较好的稳定性，最重要的是实时性增强了。 控制策略提出的依据：任何一个电机都有自己的一系列额定值，变化的是电压、负载，然而电压和负载的变化最终影响电流和转速的变化，但是电机的电流和转速的变化都是有范围的，也就给系统提供了一个寻优范围。所以电机在控制系统中是相对固定的。在电机实时调速控制系统中，许多工作也就可以在离线状态来完成，即离线粗调。在离线工作的基础上，系统在运行过程中只需完成少量的工作，即在线细调。 控制策略的基本思想：首先，粗调PID控制器参数。根据电流和转速的变化范围，使用遗传算法进行全局寻优PID参数，在一定误差范围内，停止遗传算法寻优，以此时的PID参数作为以后PID参数的初始值，接着采用BP神经网络进行局部寻优，得到离线状态粗调的PID的参数。其次，细调 PID控制器参数。以离线状态粗调的PID的参数，作为PID控制器在实际控制中的初始值，根据系统运行中的电压和负载变化，就采取BP神经网络在线细调PID参数，由于这些PID参数变化不会很大并且神经网络具有记忆性，使得系统在调速过程中能很快地找到相应的PID参数，从而提高了系统的响应速度。这样就改进了智能算法在实时控制系统中的应用特性。 3 控制策略的操作 3．1 离线粗调 3．1．1 遗传算法 以速度为变量，以PID三个参数为寻优目标，使用遗传算法进行全局寻优[1,3,4]。其步骤如下： (1)编码 确定速度变化范围，对每个PID的三个参数进行编码：每个参数用8位无符号二进制表示，三个参数串接在一起构成单个样本。这样每个样本串长度为24位无符号二进制码，从左到右依次为 (2)选择 采用最佳保留选择机制。首先采用轮盘赌选择法，即各个体被选中的概率和其适应度成正比。然后将当前群体中适应度更高的个体结构完整地复制到下一个群体中。其优点表现为整个进化过程能始终向着最优化的方向进行，并且最后收敛于全局最优值。 (3)交叉和变异 遗传算法中有两个很重要的控制参数(交叉概 (5)算法终结条件 当适应度函数的最大值已知或者准最优解适应度的下限可以确定时，一般以发现满足最大值或准最优解为遗传算法迭代停止条件，同时设定最大遗传代数，到了最大遗传代数，即使没有找到准最优解也终止算法。这是因为当遗传搜索收敛时，解群体中大多数个体的适应度值位于某一值附近。 3．1．2 BP神经网络 (3)选定网络各节点之间连接的初始权值，通常是随机选定； (4)通过计算BP网络学习、训练，直到网络的速度实际输出与速度期望输出之间的差距满足一定的要求，或者其差距不再减少为止； (5)BP网络的输出层的输出即为PID控制器 调。一方面由于神经网络具有记忆性实时地给出最佳的PID控制器参数，另一方面神经网络还能继续学习，不断地调整神经网络中各个神经元之间权系数，以适应受控对象的变化。因此，这种控制方式具有很强的自适应性。 控制策略的系统方框图，如图1所示，虚框中的表示离线粗调部分，因在线细调所使用的BP神经网络是离线时训练好的网络，所以图中的BP神经网络被虚框和实框框着。 4 仿真实验结果 本文以信息产业部第二十一研究所生产的无刷直流电机为例，电动机参数如下：额定电压：48V；额定电流：1．5A；额定功率：50W；额定转速：3000r／min；连接方式：星型连接；极对数：3；绕线电阻：2．6Ω。通过这些参数可知，此直流电机的电流范围0 - 1．5A，转速范围0 - 3000r／min。所以提供了一个寻优范围。先采用离线粗调的方法对PID控制器参数进行寻优，在此基础上，结合速度的不同变化范围，通过的MATLAB6．1仿真，得出在电机速度不同变化范围，PID控制器参数变化情况，如表1。 从表1中可以看出，采用离线粗调和在线细调相结合所得的PID控制器在实时控制系统中，它的参数在原来的基础上变化不大，证明离线粗调是可取的，也为在线细调提供了依据，并为实现实时控制提供了保障。 在采用此控制策略时，通过MTALAB6．1仿真出了控制系统对于不同速度变化范围的响应图，采样周期为1ms，如图2。 通过图2可以看出，起始阶段，系统响应的稳定时间t为70ms，超调量为10％。在速度变化500r／min时，稳定时间t为75ms，但没有了超调量。随后，速度变化量尽管增大，系统响应的稳定时间仍逐步减少，并且没有超调量。这说明了系统实时性较强、稳定性好。 5 总 结 离线粗调和在线细调相结合的控制策略很好地改进了神经网络和遗传算法收敛速度慢的问题，使得神经网络和遗传算法更好地应用到实时控制系统中。通过仿真实验，验证了此控制策略是可行的，这种控制策略使控制系统具有较高的精度、较好稳定性以及较好的实时性。 参考文献 [1]黄友锐．基于遗传神经网络的自整定PID控制器[J]．系统仿真学报。2003，15(11)：1628 ～ 1641． [2]石争浩等．遗传算法和BP算法相结合进行图像匹配[J]．武汉大学学报(工学版)2003，36(3)：91-84． [3] 陈祥光．遗传算法在PID控制器参数寻优中的应用研究[J]．计算机仿真，2001，18(2)：30--32． [4] PORTER B.JONES A H. Genetic Tuning of Digital PID Controllers[J]. Electronics Letters, 1992,28(9) :843 ～ 844. [5] 王群仙等．基于BP网络的PID型预测自校正控制器[J]．控制与决策，1998，13(2)：185 188．