基于遗传算法的模糊PID复合控制在电阻炉上的应用
0 引言
传统的PID控制器,由于电阻炉存在非线性、大滞后、时变性等特点[1],现场PID参数整定困难,电阻炉的对象模型难以确定,外界的干扰也会使控制偏离最佳状态,PID控制的效果并不理想。因为要想取得良好的控制效果,必须先整定好其3个参数:比例系数、积分时间、微分时间。如果控制器参数整定不好,即使控制器本身很先进,其控制效果也会很差。在工业控制系统中,存有各种不确定性,导致已整定好的参数无法保证系统继续良好的工作。因此,要求PID控制器具有自动调整其参数的功能,才能保证工作良好。
遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的随机搜索的全局优化算法[2]。提出将神经网络和遗传算法有机地结合起来,构成遗传神经网络。通过遗传神经网络来在线自整定PID的参数,提高炉温控制系统的动、稳态性能,从而对电阻炉进行有效的控制。
提出遗传神经网络PID控制算法对炉温控制器进行设计,采用遗传算法的改进算法作为BP网络的学习算法来整定神经网络的权值,由遗传神经网络得到一组最合理的PID参数,对电阻炉控制对象进行控制。
1 遗传神经网络PID控制系统[3]
原理图如图1所示。
2 遗传神经网络PID控制器设计[4]
2.1 PID控制器的基本结构
增量式数字PID控制算式为
PID控制器是工业生产中常见的控制方法.根据不同的控制对象适当地整定PID的3个参数,可以得到较好的控制效果。但当对象特性改变而且外界环境发生变化时,难以保持良好的控制效果。
2.2 改进的自适应遗传算法[5]
2.2.1 染色体编码方法
采用的是浮点数的编码方法,染色体个体的每个基因值用某一范围内的浮点数来表示,个体的编码长度等于其决策变量的个数。染色体个体的编码形式为:其中:分别为输入层和隐层,隐层和输出层的初始权值;
2.2.2 适应度函数
在遗传算法中用适应度来度量群体中个体接近或达到最优解的优良程度,区分个体好坏的标准。设计如下的适应度函数: 式中Cmax是f (x)的最大值估计。
2.2.3 遗传算子
(1)选择:采用的是比例选择算子,每个个体被选中的概率和它的适应度成正比,适应度值越高,被选中的可能性就越大,进入下一代的概率就越大。
(2)交叉:交叉算子的作用是使2个染色体以某种方式交换某个或某些位,形成2个新个体。因为使用浮点数编码,所以采用两点算术交叉。
相关文章
- 2024-01-16输液瓶液位测量及报警装置
- 2023-05-18微加速度计在恶劣环境下的可靠性
- 2024-02-02轻量化折衍混合中波红外热像仪光学系统设计
- 2024-08-08大尺寸量具检测装置的研制
- 2024-07-29单元结构尺寸对不锈钢/空气二维声子晶体声波禁带的影响
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。