【正文】 ................................................................................................................. 32 參考文獻(xiàn) .................................................................................................................... 33 致謝 ............................................................................................................................ 36 附錄 ............................................................................................................................ 37 常州工學(xué)院畢業(yè)設(shè)計(jì)論文 1 第 1 章 緒論 課題研究背景 PID 調(diào)節(jié)器是最早發(fā)展起來(lái)的控制策略之一，因?yàn)樗婕暗脑O(shè)計(jì)算法和控制結(jié)構(gòu)都是簡(jiǎn)單的，并且十分適用于工程應(yīng)用背景，此外 PID 控制方案并不要求精確的受控對(duì)象的數(shù)學(xué)模型，且采用 PID 控制的控制效果一般是比較令人滿意的，所以在工業(yè)實(shí)際應(yīng)用中， PID 調(diào)節(jié)器是應(yīng)用最為廣泛的一種控制策略，也是歷史最久、生命力最強(qiáng)的基本控制方式。如果把 PID 型和優(yōu)化 PID 型二者加起來(lái)則占 90%以上，這說(shuō)明PID 控制方式占絕大多數(shù)，如果把手動(dòng)控制型再與上述兩種加在一起，則占 97. 5%，這說(shuō)明古典控制占絕大多數(shù)。它結(jié)構(gòu)簡(jiǎn)單、適用面廣、魯棒性強(qiáng)、參數(shù)易于調(diào)整、在實(shí)際中容易被理解和實(shí)現(xiàn)、在長(zhǎng)期應(yīng)用中已積累了 豐富的經(jīng)驗(yàn)。正是 PID 控制算法具有以上多種優(yōu)點(diǎn)，所以這種算法仍將在現(xiàn)場(chǎng)控制中居于主導(dǎo)地位?？蒲腥藛T在不斷探索新方法的同時(shí)，也對(duì)傳統(tǒng)的 PID 控制的改進(jìn)做了大量的 研究。研究人員在這一領(lǐng)域做的工作主要有以下兩方面。由于受控對(duì)象存在著大量不可知因素，如隨機(jī)擾動(dòng)、系統(tǒng)時(shí)變、敏感誤差等，這些不可知因素的作用常會(huì)導(dǎo)致受控對(duì)象參數(shù)的改變 常州工學(xué)院畢業(yè)設(shè)計(jì)論文 2 為了克服存在的問(wèn)題人們提出了 PID 參數(shù)自整定，也就是隨著受控對(duì)象的變化 PID調(diào)節(jié)器自我調(diào)整和重新設(shè)定 PID 參數(shù)，科研人員根據(jù)古典控制理論和現(xiàn)代控制理論提 出了許多種 PID 參數(shù)的在線自整定的方法。PID 參數(shù)在線自整定方法比較典型的有改進(jìn)型 ZieglerNichols 臨界 比例度法、基于經(jīng)驗(yàn)的專(zhuān)家法參數(shù)自整定、模糊型 PID 調(diào)節(jié)器等。 PID 參數(shù)優(yōu)化是指依據(jù)一定的控制目標(biāo)和給定的生產(chǎn)過(guò)程的模型通過(guò)理論計(jì)算得到最優(yōu)的 PID 參數(shù)， PID 參數(shù)優(yōu)化在 PID 控制應(yīng)用之初人們就開(kāi)始作了大量研究工作，已經(jīng)提出了許多種方法，如免疫算法，神經(jīng)網(wǎng)絡(luò)算法，單純形法，粒子群優(yōu)化算法，差分進(jìn)化算法，遺傳算法等。 國(guó)內(nèi)外研究現(xiàn)狀 國(guó)內(nèi)外 遺傳算法 GA(GencticAlgorithms，簡(jiǎn)稱(chēng) GA)產(chǎn)生于一些生物學(xué)家用計(jì)算機(jī)模擬生物進(jìn)化過(guò)程的仿真實(shí)驗(yàn)。自從達(dá)爾文的進(jìn)化理論得到人們的普遍接受之后，進(jìn)化機(jī)制便引起了人們的極大興趣。自然選擇決定了那些個(gè)體能夠存活并繁殖 。這種由基因重組產(chǎn)生的后代進(jìn)化要快得多。 20世紀(jì) 50 年代中期創(chuàng)立了仿生學(xué)，許多科學(xué)家從生物中尋求用于人工系統(tǒng)的靈感。進(jìn)化算法包括三方面內(nèi)容 :遺傳算法 GA，進(jìn)化策略 ES(Evo1utionary Strategy)和進(jìn)化規(guī)劃 EP(Evo1utionary program)。遺傳算法早期的研究工作始于 20 世紀(jì) 60 年代。 近些年來(lái)，遺傳算法已被成功地應(yīng)用于下業(yè)、經(jīng)濟(jì)答理、交通運(yùn)輸、工業(yè)設(shè)常州工學(xué)院畢業(yè)設(shè)計(jì)論文 3 計(jì)等不同領(lǐng)域 .解決了許多問(wèn)題。本文將從遺傳算法的理論和技術(shù)兩方而概述目前的研究現(xiàn)狀。 遺傳程序設(shè)計(jì)是借鑒生物界的自然選擇和遺傳機(jī)制，在遺傳算法的基礎(chǔ)上發(fā)展起來(lái)的搜索算法，它己成為進(jìn)化計(jì)算的一個(gè)新分支。遺傳程序設(shè)計(jì)運(yùn)用遺傳算法的思想，常采用樹(shù)的結(jié)構(gòu)來(lái)表示計(jì)算機(jī)程序，從而解決問(wèn)題。 把遺傳算法和計(jì)算機(jī)程序結(jié)合起來(lái)的思想出現(xiàn)在遺傳算法中， Holland 把產(chǎn)生式語(yǔ)言和遺傳算法結(jié)合起來(lái)實(shí)現(xiàn)分類(lèi)系統(tǒng)，還有一些遺傳算法應(yīng)用領(lǐng)域的研究者將類(lèi)似于遺傳算法的遺傳操作施加于樹(shù)結(jié)構(gòu)的程序上。 1996 年，舉行了第 1 次遺傳程序設(shè)計(jì)國(guó)際會(huì)議，該領(lǐng)域己引起越來(lái)越多的相關(guān)學(xué)者們的興趣。此后， Holland 指導(dǎo)學(xué)生完成了多篇有關(guān)遺傳算法研究的論文。 1975 年是遺傳算法研究歷史上十分重要的一年。 Holland 在該書(shū)中系統(tǒng)地闡述了遺傳算法的基本理論和方法，并提出了對(duì)遺傳算法的理論研究和發(fā)展極其重要的模式理論（ schema theory）。同年， Jong 完成了他的博士論文《一類(lèi)遺傳自適應(yīng)系統(tǒng)的行為分析》（ An Analysis of the Behavior of a Class of Geic Adaptive System） 。盡管 De Jong 和 Hollstien 一樣主要側(cè)重于函數(shù)優(yōu)化的應(yīng)用研究，但他將選擇、交叉和變異操作進(jìn)一步完善和系統(tǒng)化，同時(shí)又提出了諸如代溝（ generation gap）等新的遺傳操作技術(shù)。 進(jìn)入八十年代，遺傳算法迎來(lái)了興盛發(fā)展時(shí)期，無(wú)論是理論研究還是應(yīng)用研究都成了十分熱門(mén)的課題。 1989 年， Holland 的學(xué)生 出版了專(zhuān)著《搜索、優(yōu)化和機(jī)器學(xué)習(xí)中的遺傳算法》（ Geic Algorithms in Search , Optimization, and Machine Learning）。同年，美國(guó)斯坦福大學(xué)的 Koza 基于自然選擇原則創(chuàng)造性地提出了用層次化的計(jì)算機(jī)程序來(lái)表達(dá)問(wèn)題的遺傳程序設(shè)計(jì) ( geic programming, GP)方法，成功地解決了許多問(wèn)題。此外，以遺傳算法的理論基礎(chǔ)為中心的學(xué)術(shù)會(huì)議還有 Foundations of Geic Algorithms，該會(huì)也是從 1990 年開(kāi)始隔年 召開(kāi)一次。 1991 年， 編輯出版了《遺傳算法手冊(cè)》（ Handbook of Geic Algorithms），其中包括了遺傳算法在工程技術(shù)和社會(huì)生活中的大量應(yīng)用實(shí)例。 1994 年，他又出版了《遺傳程序設(shè)計(jì)，第二冊(cè) :可重用程序的自動(dòng)發(fā)現(xiàn)》深化了遺傳程序設(shè)計(jì)的研究，使程序設(shè)計(jì)自動(dòng)化展現(xiàn)了新局面。 常州工學(xué)院畢業(yè)設(shè)計(jì)論文 5 1993 年， MIT 出版社創(chuàng)刊了新雜志《 Evolutionary Computation》?！?Advanced Computational Intelligence》雜志即將發(fā)刊，由模糊集合創(chuàng)始人 教授為名譽(yù)主編。 論文主要研究?jī)?nèi)容、目的和意義 論文的主要工作是研究基于遺傳算法的 PID 整定，主要有以下幾個(gè)方面 : （ 1）確定決策變量和約束條件。 （ 2）確定目標(biāo)函數(shù)。 （ 3）確定編碼和解碼方法。對(duì)于該課題我們可以用二進(jìn)制編碼方法和實(shí)數(shù)編碼方法。評(píng)價(jià)個(gè)體適應(yīng) 度的一般過(guò)程是：對(duì)個(gè)體編碼串進(jìn)行解碼處理后，可得到個(gè)體的表現(xiàn)型 ,由表現(xiàn)型可計(jì)算出對(duì)應(yīng)個(gè)體的目標(biāo)函數(shù)值 ,根據(jù)最優(yōu)化問(wèn)題的類(lèi)型，由目標(biāo)函數(shù)值按一定的轉(zhuǎn)換規(guī)則可求出個(gè)體的適應(yīng)度。 圖 21 PID 控制系統(tǒng)原理圖 常規(guī)的 PID 控制系統(tǒng) (見(jiàn)圖 21)，在過(guò)程控制中， 按 偏差的比例（ P）、積分（ I）和微分（ D）進(jìn)行控制的 PID 控制器（亦稱(chēng) PID 調(diào)節(jié)器）是應(yīng)用最為廣泛的一種自動(dòng)控制器。 PID 調(diào)節(jié)規(guī)律是連續(xù)系統(tǒng)動(dòng)態(tài)品質(zhì)校正的一種有效方法，它的參數(shù)整定方式簡(jiǎn)便，結(jié)構(gòu)改變靈活。 PID 控制器簡(jiǎn)單易懂，使用中不需精確的系統(tǒng)模型等先決條件，因而成為應(yīng)用最為廣泛的控制器。其輸入 e (t)與輸出 u (t)的關(guān)系為 ])()(1)([)u( 0? ??? t dip dt tdeTdtteTtekt 式中積分的上下限分別是 0 和 t。 PID 控制器的基本用途 PID 控制器由于用途廣泛、使用靈活，已有系列化產(chǎn)品，使用中只需設(shè)定三個(gè)參數(shù)（ pK ， iT 和 dT ）即可。 首先， PID 應(yīng)用范圍廣。 其次， PID 參數(shù)較易整定。如果過(guò)程的動(dòng)態(tài)特性變化，例如可能由負(fù)載的變化引起系統(tǒng)動(dòng)態(tài)特性變化， PID 參數(shù)就可以重新整定。 在工廠，總是能看到許多回路都處于手動(dòng)狀態(tài)，原因是很難讓過(guò)程在“自動(dòng)”模式下平穩(wěn)工作。 PID 參數(shù)自整定就是為了處理 PID 參數(shù)整定這個(gè)問(wèn)題而產(chǎn)生的。 在一些情況下針對(duì)特定的系統(tǒng)設(shè)計(jì)的 PID 控制器控制得很好，但它們?nèi)源嬖谝恍﹩?wèn)題需要解決： 如果自整定要以模型為基礎(chǔ)，為了 PID 參數(shù)的重新整定在線尋找和保持好過(guò)程模型是較難的。這個(gè)方法會(huì)引起擾動(dòng)，所以基于模型的 PID 參數(shù)自整定在工業(yè)應(yīng)用不是太好。另外，由于基于控制律的系統(tǒng)沒(méi)有成熟的穩(wěn)定性分析方法，參數(shù)整定可靠與否存在很多問(wèn)題。自動(dòng)整定通常是指根據(jù)開(kāi)環(huán)狀態(tài)確定的簡(jiǎn)單過(guò)程模型自動(dòng)計(jì)算PID 參數(shù)。最重要的是，如果 PID 控制器不能控制復(fù)雜過(guò)程，無(wú)論怎么調(diào)參數(shù)都沒(méi)用。 PID 控制器的現(xiàn)實(shí)意義 目前工業(yè)自動(dòng)化水平已成為衡量各行各業(yè)現(xiàn)代化水平的一個(gè)重要標(biāo)志。智能控制的典型實(shí)例是模糊全自動(dòng)洗衣機(jī)等。一個(gè)控制系統(tǒng)包括控制器、傳感器、變送器、執(zhí)行機(jī)構(gòu)、輸入輸出接口。不同的控制系統(tǒng)，其傳感器 、變送器、執(zhí)行機(jī)構(gòu)是不一樣的。 PID 控制及其控制器或智能 PID 控制器（儀表）已經(jīng)很多，產(chǎn)品已在工程實(shí)際中得到了廣泛的應(yīng)用，有各種各樣的 PID 控制器產(chǎn)品，各大公司均開(kāi)發(fā)了具有PID 參數(shù)自整定功能的智能調(diào)節(jié)器 (intelligent regulator)，其中 PID 控制器參數(shù)的自動(dòng)調(diào)整是通過(guò)智能化調(diào)整或自校正、自適應(yīng)算法來(lái)實(shí)現(xiàn)。 可編程控制器 (PLC) 是利用其閉環(huán)控制模塊來(lái)實(shí)現(xiàn) PID控制，而可編程控制器 (PLC)可以直接與 ControlNet相連，如 Rockwell的 PLC5 等。 PID 控制器的參數(shù)整定 比例、積分、微分三種控制方式各有其獨(dú)特的作用。添入積分控制后，可以消除純比例常州工學(xué)院畢業(yè)設(shè)計(jì)論文 9 控制無(wú)法消 除的余差 。將三種方式組合在一起，就是比例積分微分 (PID)控制 : STS i?? dp TK PID 控制器有三個(gè)參數(shù)，比例系數(shù) K ，積分時(shí)間界，微分時(shí)間 iT 。? 越小，積分作用越強(qiáng)，微分作用越強(qiáng)。當(dāng)界 ??iT 時(shí)，則變成了比例微分控制器。只要根據(jù)被控對(duì)象的特性，合理選擇比例度、積分時(shí)間和微分時(shí)間，就能獲得較高的控制質(zhì)量。它是根據(jù)被控過(guò)程的特性確定 PID 控制器的比例系數(shù)、積分時(shí)間和微分時(shí)間的大小。 （ 1）經(jīng)驗(yàn)試湊法 人們?cè)陂L(zhǎng)期的實(shí)踐和經(jīng)驗(yàn)中不斷總結(jié)與發(fā)現(xiàn)，各種被控對(duì)象對(duì)其 PID 參數(shù)都有一定的范圍，根據(jù)各參數(shù)對(duì)系統(tǒng)響應(yīng)的大致影響反復(fù)試湊參數(shù)，以達(dá)到滿意的控制效果，從而確定 PID 調(diào)節(jié)器參數(shù)。 工程整定方法簡(jiǎn)單，易于掌握，雖然他們是一種近似的經(jīng)驗(yàn)方法，但相當(dāng)實(shí)用。 試湊法是解決這一問(wèn)題的最佳途徑，但計(jì)算量太大，幾乎沒(méi)有實(shí)際意義。 本章小結(jié) 本章主要介紹了 PID 控制器的控制原理， PID 控制器參數(shù)的整定和整定優(yōu)化的常用方法。 經(jīng)驗(yàn) 試湊法因?yàn)橛?jì)算量過(guò)于龐大， ZieglerNichols 方法是根據(jù)帶有時(shí)滯環(huán)節(jié)的一階近似模型的階躍響應(yīng)或頻率響應(yīng)數(shù)據(jù)來(lái)設(shè)定的。 遺傳算法是從代表問(wèn)題可能潛在的解集的一個(gè)種群 （ population） 開(kāi)始的，而一個(gè)種群則由經(jīng)過(guò)基因 （ gene） 編碼的一定數(shù)目的個(gè)體 (individual)組成。染色體作為遺傳物質(zhì)的主要載體，即多個(gè)基因的集合，其內(nèi)部表現(xiàn)（即基因型）是某種基因組合，它決定了個(gè)體的形狀的外部表現(xiàn)，如黑頭發(fā)的特征是由染色體中控制這一特征的某種基因組合決定的。由于仿照基因編碼的工作很復(fù)雜，我們往往進(jìn)行簡(jiǎn)化，如二進(jìn)制編碼，初代種群產(chǎn)生之后，按照適者生存和優(yōu)勝劣汰的原理，逐代 （ generation） 演化產(chǎn)生出越來(lái)越好的近似解，在每一代，根據(jù)問(wèn)題域中個(gè)體的適應(yīng)度 （ fitness） 大小挑選 （ selection）個(gè)體，并借助于自然遺傳學(xué)的遺傳算子 （ geic operators） 進(jìn)行組合交叉 （ crossover）和變異 （ mutation） ，產(chǎn)生出代表新的解集的種群。 標(biāo)準(zhǔn)遺傳算法 串 （ string） ：它是個(gè)體的形式，在算法中為二進(jìn)制，并且對(duì)應(yīng)遺傳學(xué)中的染色體。 群體大小 （ population size） ：在群體中個(gè)體的數(shù)量稱(chēng)為群體的大小。例如有一個(gè)1011s? ， 則其中的 1， 0， 1， 1 這 4 個(gè)元素分別稱(chēng)為基因。 基因位置 （ gene position） ： 一個(gè) 基因在串中的位置稱(chēng)為基因位置，有時(shí)也稱(chēng)為基因位?；蛭恢脤?duì)應(yīng)于遺傳學(xué)中的地點(diǎn)?；蛭恢?1 中的 1，它 的基因特征值是 8?；虿僮魇窃诮Y(jié)構(gòu)空間中進(jìn)行的。 參數(shù)空間 sp：這是串空間在物理系統(tǒng)中的映射，它對(duì)應(yīng)于遺傳學(xué)中的表現(xiàn)型的集合。 適應(yīng)度（ fitness）：表示某一個(gè)體對(duì)于環(huán)境的適應(yīng)程度。