基于智能控制算法的PAC控制器的设计方法

摘要

本发明公开了基于智能控制算法的PAC控制器的设计方法，本发明在传统PAC控制器的基础上，采用了改进PID控制算法、变论域模糊PID控制算法、基于神经网络的PID控制算法等智能控制算法，能够提高控制精度，提高控制响应，满足更高的控制要求。在网络通讯方面，在传统的串口232、485的基础上增加了以太网、CAN总线等通讯方式，使用Modbus?RTU、Modbus?TCP、CANopen，自定义协议等，来实现网络的互联互通。在常规PID的基础上增加了防止积分饱和算法、对控制变量进行微分、微分先行等算法，能够显著提高PID的效果，提高了响应时间，减小控制超调量。

说明书

技术领域

本发明属于工业自动控制领域，涉及嵌入式PAC控制器的设计，高精度温度控制, 智能控制算法等。

背景技术

在工业制造业生产过程中，对控制的需求越来越高。PAC控制器在控制性能上、信 息处理上以及网络通讯能力上具有一些比较显著的优点。PAC控制器结合了PLC固有的可靠 性、坚固性和分布特性，同时与PC控制相比，PAC使用实时操作系统，在处理性能上具有实时 性、确定性等PC机不可比拟的优点。然而传统的PAC控制器在控制算法上比较单一，在涉及 一些复杂算法时，经常采用的方法是与PC机等方式进行结合控制，也暴露出一些缺陷，例 如：控制的效果差，通讯的延迟性，成本的增加。

发明内容

根据上述现有技术中提出的问题，本发明的目的是：提高控制系统的控制性能，采 用了改进PID控制算法、变论域模糊PID控制算法、基于神经网络的PID控制算法，能够提高 控制精度，提高控制响应。另外提高了采集信号的可扩展性，模拟量输入信号可以为电压信 号或者是电流信号以及电阻等信号。在网络通讯方面，在传统的串口232、485的基础上增加 了以太网、CAN总线等通讯方式，使用Modbus-RTU、Modbus-TCP、CANopen，自定义协议等，来 实现网络的互联互通。

本发明是基于一种智能控制装置实现的，所述的智能控制装置主要包括以下几个 部分：

1、传感器采样电路，该电路包括电压、电流、电阻信号的采样信号调理电路，以期 实现传感器的信号高精度采集，如压力变送器、PT100温度传感器、角度传感器、4～20mA的 电流传感器等。

2、控制输出电路，含有隔离单元，使用固态继电器控制大电压大电流。使用PWM输 出信号，控制输出精度高。

3、用于参与运算的微控制器，以及以太网通讯电路，232、485、CAN总线通讯电路， 复位电路，看门狗电路。

4、确保电源稳定的电源模块电路。

传感器通过输入信号调理电路与微控制器相交互。

本发明是提出了一些智能控制算法及实现，主要包括以下几个部分：

步骤一：设计了PID自整定算法，常见的工业控制对象具有非线性、时变性以及不 确定性等因素，导致PID参数采用人工整定的方法比较耗费时间，整定的效果也比较差，在 本发明中增加了PID自整定的算法，能够自动确定设备运行的PID参数，节省了时间，提高了 控制效果。

步骤二：另外在传统的PID控制基础上，增加了防止积分饱和算法、对控制变量进 行微分、微分先行等算法，能够显著提高PID的效果，提高了响应时间，减小控制超调量。

步骤三：由于控制对象的非线性、时变性以及不确定性等因素，仅仅使用PID控制， 控制效果比较差。该方法在改进了常规PID控制方法的基础上，增加了模糊控制算法，通过 建立模仿人类知识语言的模糊规则表，以及隶属度函数来进行模糊控制运算，使用模糊控 制与常规PID控制相结合的方式，能够提高控制器在控制对象具有非线性、时变性以及不确 定性因素的控制效果。

步骤四：在模糊控制中，模糊规则及隶属度函数的获得大多来自人的经验，控制效 果的好坏也跟模糊规则及隶属度函数的选择息息相关。然而神经网络具有很强的非线性拟 合能力，可学习和自适应能力等优势，将神经网络与PID控制相结合，能够利用神经网络的 自学习能力，计算PID控制的最优参数，达到最优控制，效果显著。

所述步骤一提到的PID自整定的实现具体分为以下步骤：

1.1，采用Z-N(齐格勒-尼克尔斯法则)继电反馈式整定方法来实现，相比Z-N方法 有很好的优势，即使用继电方法来产生振荡环节，其中继电特性的描述方程： 式中，M为继电特性幅值，X为测量输出峰值差计算求得。当满足argG(j ω)＝-π，式中A是通过测量输出的最大值和最小值求得，K_u为临界振荡比例 增益，d为划分的对称继电特性的振幅。

1.2，通过产生的振荡曲线，获得以上K_u及临界振荡周期T_u，由Ziegler-Nichols自 整定方法的计算公式，如表1所示，根据需要的性能要求，计算出整定的PID参数，完成继电 反馈的PID自整定过程。

表1Z-N自整定PID参数(快速性能)

所述步骤二提到的改进常规PID的实现具体分为以下步骤：

2.1，常规PID算法如果不加修改使用的话，会暴露出容易超调、系统稳定周期时间 长、在稳定时会有振荡现象的缺点。

2.2，PID的常用形式是：

$u\left(t\right)=Kp[e\left(t\right)+\frac{1}{Ti}{\int }_0^{t}e\left(t\right)dt+Td\frac{de\left(t\right)}{d\left(t\right)}]=k_{p}e\left(t\right)+k_i{\int }_0^{t}e\left(t\right)dt+k_d\frac{de\left(t\right)}{d\left(t\right)},$

采用抗积分饱和算法来限制积分导致超调现象，又能快速提高上升时间。其中， Umin≤u(t)≤Umax，当时，令u₁(t)＝Umax,其中令 限制了积分饱和现象。另外改进微分的变化量，由于 其中e(t)＝r(t)-y(t)，其中r(t)为设置值，y(t)为传感器采样值，然而当r (t)调整的时候，必然导致微分项的瞬间变化，会增加系统的不稳定性，因此令

所述步骤三提到的变论域模糊控制PID的实现具体分为以下步骤：

3.1，变论域自适应模糊控制是以误差e和误差变化率ec作为系统的输入，在不同 时刻根据e和ec的不同对PID参数进行自动调整，模糊规则在线对PID参数的Kp、Ki、Kd进行 修改。模糊自整定PID是在PID算法的基础上，通过计算当前系统误差e和误差变化率ec，利 用模糊规则进行模糊推理，查询模糊规则表进行参数调整。

3.2，模糊控制表的建立不是唯一的，针对不同控制系统有所差异，但针对常见系 统，使用以下模糊控制表均能满足控制要求：

ΔKP模糊规则表:

ΔKi模糊规则表:

ΔKd模糊规则表:

3.3论域的选择以及隶属度函数的确定通过人工经验确定，确保尽量准确。另外通 过监测e和ec的变化，不断优化和缩小论域的范围，达到变论域自整定的问题。所述步骤四 提到的神经网络PID的实现具体分为以下步骤：

4.1本方法采用单神经元神经网络PID控制算法，能够避免像使用BP神经网络、遗 传算法、粒子群算法计算量大的问题，也能够保证实时控制，在线不断修正。

4.2如图4所示，神经元PID结构模型为3个输入单输出的结构，其中3个输入为e (k),神经元的输出为u(k)，其中神经元的权值为PID的比例、积分、微 分三个系数即Kp、Ki、Kd。

4.3神经元的输出为$u\left(k\right)=K_{p}e\left(k\right)+K_i{T}_s\underset{m=0}{\overset{k}{\Sigma }}e\left(m\right)+K_d\frac{e\left(k\right)-e(k-1)}{Ts},$其中Ts为采样时 间，误差函数为e(k)＝r_in(k)-y_out(k)，取性能指标采用最速下降法，神经元 的权值调整如下：

${\mathrm{\Delta K}}_p(k+1)=-\mu \frac{\partial J}{\partial K_p}=\mu \frac{\partial J}{\partial e(k+1)}\frac{\partial e(k+1)}{\partial y(k+1)}\frac{\partial y(k+1)}{\partial u\left(k\right)}\frac{\partial u\left(k\right)}{\partial K_p}=\mu e(k+1)T_s\underset{m=0}{\overset{k}{\Sigma }}e\left(m\right)\frac{\partial y(k+1)}{\partial u\left(k\right)}$

同理可得，

${\mathrm{\Delta K}}_i(k+1)=-\mu \frac{\partial J}{\partial Ki}=\mu e(k+1)T_s\underset{m=0}{\overset{k}{\Sigma }}e\left(m\right)\frac{\partial y(k+1)}{\partial u\left(k\right)},$

${\mathrm{\Delta K}}_d(k+1)=-\mu \frac{\partial J}{\partial K_d}=\mu e(k+1)T_s\frac{e\left(k\right)-e(k-1)}{Ts}\frac{\partial y(k+1)}{\partial u\left(k\right)},$

其中μ为学习率，0<μ<1；

4.4令$\frac{\partial y(k+1)}{\partial u\left(k\right)}=sign\left\{\frac{y\left(k\right)-y(k-1)}{u(k-1)-u(k-2)}\right\},$则通过步骤三可依次求得：

Kp(k+1)＝Kp(k)+ΔKp(k+1)，

Ki(k+1)＝Ki(k)+ΔKi(k+1)，

Kd(k+1)＝Kd(k)+ΔKd(k+1)。

4.5神经网络权值的初始值使用步骤一涉及的PID自整定方法计算出的值作为初 始值，能够加快神经网络PID自整定的速度。

本发明在常规PAC控制器设计上，硬件上提高了采集精度，提高了网络互连互通， 使用CANopen以及Modbus-TCP、Modbus-RTU作为常用通讯协议，在软件上采用了改进常规 PID控制方法、变论域模糊自适应方法、神经网络PID算法，更加精确的良好的实现工控现场 设备的控制，能够较好的适用在如石油管道电伴热系统、棉纺织行业温湿度控制、锅炉温度 控制等场合。

附图说明

图1系统硬件结构框图；

图2PID继电自整定框图；

图3变论域模糊控制PID结构框图；

图4神经网络PID结构框图；

具体实施方式

根据下文结合附图对本发明具体实施的详细描述，本领域技术人员将会更加明了 本发明的上述优点和特征。

首先是硬件结构，如图1所示。

微控制器，选用意法半导体公司的STM32F207VET6，具有大容量的存储空间和高性 能的运算速率，可以保证运行一些控制算法。

看门狗和复位电路，选用SP706，为专门的看门狗复位芯片，可以提高系统的稳定 性和抗干扰性。

电源模块，设备外采用开关电源220v转24v,系统设备内使用LM2576及SPX1117- 3.3进行电压转换，以满足系统模块电压需求，另外ADC采样模块需要精准的参考电压，选用 TL431作为参考电压源。

传感器及输入信号调理电路，为保证4～20mA电流型、电压型、电阻值变化型传感 器等接入系统内，设计了在同一端口可以根据选择传感器不同设置相应的跳冒选择开关。 例如温度传感器使用PT100，信号调理电路选用电桥方式，把PT100变化的电阻值转化为对 应的电压形式送控制器的ADC进行采样。经过换算得到实际温度值，将采集的温度送至微处 理器进行处理。其它的传感器电路也类似处理。

输出信号调理电路和执行器，控制器运算得到的数字控制量，可以将输出方式根 据需求转化为开关量、PWM输出等。内部含有电气隔离模块，防止受到外界的干扰，另外为了 大功率的输出控制，内置固态继电器。

数据存储模块，选用FM24CL04,可以存放少量的数据并且掉电保存不丢失的功能。 可以用来存放一些关键参数信息。

通讯模块，采用MAX3485、MAX3232、PCA82C250、DP83848等分别作为RS485、RS232、 CAN通讯、以太网通讯的数据处理芯片及物理层收发电路。多种通讯方式的选择可以与不同 的设备之间进行更具有兼容性的信息交互。

PID继电自整定法如图2所示。

通过继电环节产生的振荡曲线，获得K_u及临界振荡周期T_u(见上文所述)，由 Ziegler-Nichols自整定方法的计算公式，如表2所示，可以根据需要的性能要求，计算出整 定的PID参数，完成继电反馈的PID自整定过程。

表2继电反馈式Z-N自整定PID参数(快速性能)

经过计算可以获得PID参数，可以作为模糊控制及神经网络控制的初始值。

变论域模糊控制方法如图3所示。主要由模糊控制及PID控制器两部分组成。

数字PID控制器的输入为通过传感器采样获得的采集值r(t)及人工设定的目标值 y(t)，通过改进PID控制算法得到数字输出控制量u(t).控制量u(t)经过D/A变化或者是通 过数字输出PWM波进行输出控制。进而控制设备的运行。达到使输出控制在目标值的功能。

变论域模糊控制PID算法如图3所示。

1.确定论域及隶属度函数。根据输入信号的偏差e和偏差变化率ec输入范围确定 论域，论域的确定一般根据人工经验，论域的模糊集合分为{负大，负中，负小，零，正小，正 中，正大}。具体的论域范围需要结合使用场景来确定。隶属度函数即确定输入的信号值所 在区间范围的比重，在嵌入式设备中一般选用直线组成的曲线作为隶属度函数模型，为了 方便嵌入式处理器计算，为以下模糊规则及解模糊做准备。

2.确定模糊规则表。模糊规则表的确立应尽量确保准确，因为控制算法的好坏与 模糊规则的准确性息息相关。一般将e和ec的范围划分为七段，即：{负大，负中，负小，零，正 小，正中，正大}。因此可以建立49条完整的模糊规则集合。以温升曲线为例，当温度上升期 间时，应该尽量让Kp取比较大的值以确保能够快速响应，减少上升时间，Ki取相对较小的 值，防止积分饱和，积分超调现象的发生，Kd取相对较大的值，为了防止超调，减小系统的输 出，控制上升速率。

因此规则1：当e为“PB”且ec为“Z0”时，ΔKp为“PM”,ΔKi为“PS”,ΔKd为“PM”。

规则2：当e为“PB”且ec为“NS”时，ΔKp为“PM”,ΔKi为“PS”,ΔKd为“PM”。

规则3：当e为“PB”且ec为“NM”时，ΔKp为“PS”,ΔKi为“Z0”,ΔKd为“PM”。

以此而推，具体规则列表为：

ΔKP模糊规则表:

ΔKi模糊规则表:

ΔKd模糊规则表:

3.为了得到真实的PID控制器参数Kp和Ki及Kd，进行如下变化：

Kp＝Kp0+ΔKp；Ki＝Ki0+ΔKi；Kd＝Kd0+ΔKd(其中Kp0、Ki0、Kd0分别表示PID系数 的初始值)；

神经元PID结构模型如图4所示，

1.结构为三输入单输出的结构，其中三个输入为e(k),神经元 的输出为u(k)，其中神经元的权值为PID的比例、积分、微分三个系数(Kp、Ki、Kd)。

2、神经元的输出为$u\left(k\right)=K_{p}e\left(k\right)+K_i{T}_s\underset{m=0}{\overset{k}{\Sigma }}e\left(m\right)+K_d\frac{e\left(k\right)-e(k-1)}{Ts},$误差函数为e(k) ＝r_in(k)-y_out(k)，取性能指标采用最速下降法，神经元的权值调整如下：

${\mathrm{\Delta K}}_p(k+1)=-\mu \frac{\partial J}{\partial K_p}=\mu \frac{\partial J}{\partial e(k+1)}\frac{\partial e(k+1)}{\partial y(k+1)}\frac{\partial y(k+1)}{\partial u\left(k\right)}\frac{\partial u\left(k\right)}{\partial K_p}=\mu e(k+1)T_s\underset{m=0}{\overset{k}{\Sigma }}e\left(m\right)\frac{\partial y(k+1)}{\partial u\left(k\right)}$

(其中μ为学习率，0<μ<1)

同理可得，

${\mathrm{\Delta K}}_i(k+1)=-\mu \frac{\partial J}{\partial Ki}=\mu e(k+1)T_s\underset{m=0}{\overset{k}{\Sigma }}e\left(m\right)\frac{\partial y(k+1)}{\partial u\left(k\right)},$

${\mathrm{\Delta K}}_d(k+1)=-\mu \frac{\partial J}{\partial K_d}=\mu e(k+1)T_s\frac{e\left(k\right)-e(k-1)}{Ts}\frac{\partial y(k+1)}{\partial u\left(k\right)},$

3、令$\frac{\partial y(k+1)}{\partial u\left(k\right)}=sign\left\{\frac{y\left(k\right)-y(k-1)}{u(k-1)-u(k-2)}\right\},$则通过上式可依次求得：Kp(k+1)＝Kp(k) +ΔKp(k+1)，Ki(k+1)＝Ki(k)+ΔKi(k+1)，Kd(k+1)＝Kd(k)+ΔKd(k+1).

4、神经网络权值的初始值可以使用本方法步骤一提到的PID自整定方法计算出的 值作为初始值，能够加快神经网络PID自整定的速度。