基于遗传算法的PID参数整定的MATLAB程序代码

基于遗传算法的PID参数整定

1引言

传统的比例、积分、微分控制，即PID控制具有算法简单、鲁棒性好和可靠性高等优点，已经被广泛用于工业生产过程。但工程实际中，PID控制器的比例、积分和微分调节参数往往采用实验加试凑的方法由人工整定。这不仅需要熟练的技巧，往往还相当费时。更为重要的是，当被控对象特性发生变化，需要控制器参数作相应调整时，PID控制器没有自适应能力，只能依靠人工重新整定参数，由于经验缺乏，整定结果往往达不到最优值，难以满足实际控制的要求。考虑生产过程的连续性以及参数整定费事费力，这种整定实际很难进行。所以，人们从工业生产实际需要出发，基于常规PID控制器的基本原理，对其进行了各种各样的改进。近年来许多学者提出了基于各种智能算法的PID整定策略，比如模糊PID、神经元网络PID等等。然而，这些先进算法都要求对被控对象有很多的先验知识，在实际应用中往往难于做到。随着计算技术的发展，遗传算法有了很大的发展。将遗传算法用于控制器参数整定，已成为遗传算法的重要应用之一。

本文介绍基于遗传算法的PID参数整定设计方法。这是一种寻求全局最优的控制器优化方法，且无需对目标函数微分，可提高参数优化效果，简化计算过程。仿真实例表明该方法与其他传统寻优方法相比，在优化效果上具有一定的优势。2遗传算法简介

2.1 遗传算法的基本原理

遗传算法是John H．Holland根据生物进化的模型提出的一种优化算法。自然选择学说是进化论的中心内容。根据进化论，生物的发展进化主要有三个原因：即遗传、变异和选择。遗传算法基于自然选择和基因遗传学原理的搜索方法，将“优胜劣汰，适者生存”的生物进化原理引入待优化参数形成的编码串群体中，按照一定的适应度函数及一系列遗传操作对各个体进行筛选，从而使适应度高的个体被保留下来，组成新的群体；新群体包含上一代的大量信息，并且引入了新的优于上一代的个体。这样周而复始，群体中各个体适应度不断提高，直至满足一定的极限条件。此时，群体中适应度最高的个体即为待优化问题的最优解。

遗传算法通过对参数空间编码并用随机选择作为工具来引导搜索过程朝着更

高效的方向发展。正是由于遗传算法独特的工作原理，使它能够在复杂空间进行全局优化搜索，具有较强的鲁棒性。另外，遗传算法对于搜索空问，基本上不需要什么限制性的假设(如连续、可微及单峰等)。而其它优化算法，如解析法，往往只能得到局部最优解而非全局最优解，且需要目标函数连续光滑及可微；枚举法虽然克服了这些缺点，但计算效率太低，对于一个实际问题常由于搜索空间太大而不能将所有情况都搜索到；即使很著名的动态规划法，也遇到“指数爆炸”问题，对于中等规模和适度复杂性的问题常常无能为力。

2.2 遗传算法的特点

同常规优化算法相比，遗传算法有以下特点：

1)遗传算法是对参数的编码进行操作，而不对参数本身。首先基于一个有限的字母表，把最优化问题的自然参数集编码为有限长度的字符串。

2)遗传算法是从许多点开始并行操作的，而不局限于一点，有效防止搜索过程收敛于局部最优解。

3)遗传算法通过目标函数来计算适应度，不需要其他推导和附加信息，对问题的依赖性较小。

4)遗传算法的寻优规则是由概率决定的，而非确定性的。

5)遗传算法在解空间进行高效启发式搜索，而非盲目地穷举或完全随机搜索。

6)遗传算法对于待寻优的函数基本无限制，它不要求函数连续和可微，可以是数学解析式所表达的显函数，又可以是映射矩阵甚至是神经网络等隐函数，因而应用范围较广。

7)遗传算法具有并行计算的特点，因而可以通过大规模并行计算来提高计算速度。

8)遗传算法计算简单，功能强，更适合大规模复杂问题的优化。

3 遗传算法的基本操作

3.1 复制

复制是从一个旧种群中选择生命力强的个体位串产生新种群的过程。根据位串的适配值拷贝，也就是指具有高适配值的位串更有可能在下一代中产生一个或多个子孙。它模仿了自然现象，应用了达尔文的适者生存理论。复制操作可以通过随机方法来实现。若用计算机程序来实现，可考虑首先产生0~1之间均匀分布

的随机数，若某串的复制概率为40%，则产生的随机数在0~0.40之间时，该串被复制，否则被淘汰。此外，还可以通过计算方法实现，其中较典型的几种方法为适应度比例法、期望值法、排位次序法等。适应度比例法较常用。

3.2 交叉

复制操作能从旧种群中选择出优秀者，但不能创造新的染色体。而交叉模拟了生物进化过程中的繁殖现象，通过两个染色体的交换组合，来产生新的优良品种。它的过程为：在匹配池中任选两个染色体，随机选择一点或多点交换点位置；交换双亲染色体交换点右边的部分，即可得到两个新的染色体数字串。交换体现了自然界中信息交换的思想。交叉有一点交叉、多点交叉、还有一致交叉、顺序交叉和周期交叉。一点交叉是最基本的方法，应用较广，它是指染色体切断点有一处，例如：

A:101100 1110->101100 0101

B:001010 0101->001010 1110

3.3 变异

变异运算用来模拟生物在自然界的遗传环境中由于各种偶然因素的基因突变，它以很小的概率随机地改变遗传基因（表示染色体的符号串的某一位）的值。在染色体以二进制编码的系统中，它随机地将染色体的某一基因由1变为0，或由0变为1。若只有选择和交叉，而没有变异，则无法在初始基因组合以外的空间进行搜索，使进化过程在早期就陷入局部解而进入终止过程，从而影响解的质量。为了在尽可能大的空间中获得质量较高的优化解，必须采用变异操作。

4 基于遗传算法的PID控制设计

4.1 遗传算法整定PID参数的优点

采用遗传算法进行PID三个系数的整定，具有以下优点：

1）与单纯形法相比，遗传算法同样具有良好的寻优特性，且它克服了单纯形法的初值敏感性。在初始条件选择不当的情况下，遗传算法在不需要给出调节器初始参数的情况下，仍能寻找到合适的参数，使控制目标满足要求。同时单纯形法难以解决多值函数问题以及在多参数寻优（如串级系统）中，容易造成寻优失败或时间过长，而遗传算法的特性决定了它能很好地克服以上问题。

2）与专家整定法相比，它具有操作方便，速度快的优点，不需要复杂的规则，

只需要对字符串进行复制、交叉、变异运算，便可达到寻优。避免了专家整定法中前期大量的知识库整理工作以及大量的仿真实验。

3）遗传算法是从许多点开始并行操作，在解空间进行高效启发式搜索，克服了从单点出发的弊端以及搜索的盲目性，从而提高运算速度，避免了过早陷入局部最优解（如图1所示）。

4）遗传算法不仅适用于单目标寻优，而且也适用于多目标寻优。根据不同的控制系统，针对一个或多个目标，遗传算法均能在规定的范围内寻找到合适参数。遗传算法作为一种全局优化算法，得到了越来越广泛的应用。近年来，遗传算法在控制上的应用日益增多。

图1 遗传算法的运算过程

4.2 基于遗传算法整定PID参数的步骤

（1）确定决策变量和约束条件

我们知道，PID控制的三个系数为Kp 、Ki 、Kd，我们可以根据参数的物理意义和经验来确定它们的取值范围，即约束条件。

（2）建立优化模型

为获取满意的过渡过程动态特性，采用误差绝对值时间积分性能指标作为参数选择最小目标函数。为防止控制量过大，在目标函数中加入控制输入的平方项。最后选用以下公式作为参数选择的最优指标： J=?∞

++0

3221))()((u t w dt t u w t e w

式中，有e(t)为系统误差，u(t)为控制器输出，u t 为上升时间，1w ，2w ，3w 为加权值。

同时，为避免超调，采用遗传算法的处罚功能，即一旦超调，将超调量作为最优指标的一项，此时最优指标为：

如果 e(t)<0 则 J=?

∞

+++0

34221))()()((u t w dt t e w t u w t e w 其中，4w 为加权值，且4w ?1w 。

（3）确定编码和解码方法。

遗传算法有二进制、格雷码、浮点数和实数编码方法。用实数编码无需解码，但进行遗传操作时不太方便;用二进制编码方法，遗传操作方便，解码处理后即可得到最优解。

（4）确定个体评价方法，即确定个体适应度函数（Fitness Function ）。

评价个体适应度的一般过程是：对个体编码串进行解码处理后，可得到个体的表现型;由表现型可计算出对应个体的目标函数值;根据最优问题的类型，有目标函数值按一定的转换规则可求出个体的适应度。

（5）确定遗传算法的运行参数

根据实际情况确定群体大小M 、遗传代数kg 、交叉概率Pc 、变异概率Pm 和权值1w ，2w ，3w ，4w 的大小。本文取M=30，kg=100，Pc=0.9，Pm 不固定，1w =0.999

2w =0.001 ，3w =2 ，4w =100。

编写遗传算法程序，并进行仿真，从而得到优化后的PID 参数。

5遗传算法整定PID 参数的编程实现与仿真

5.1 工业对象的数学建模

由于工业领域中的被控对象一般为一阶或二阶环节，因此，在本文里我们拟定受控对象的传递函数为如下： G(s)= 1s 60e s

80-+

其中采样时间为20s 。

5.2 遗传算法整定PID 参数的实现与控制效果

5.2.1 编写最优指标的M 文件

利用遗传算法整定PID 参数，首先，最核心的是要编写最优指标的m 文件。m 文件里主要是一个函数，函数里包含了受控对象以及性能指标的程序实现。它是联系遗传算法与PID 整定环节的桥梁。具体程序见附件。根据4.2的步骤(2)可以得出目标函数J 如下： J=?∞

++0

3221))()((u t w dt t u w t e w e(t)≥0 J=?∞

+++0

34221))()()((u t w dt t e w t u w t e w e(t)<0

MATLAB 程序实现：

for i=1:1:P

Ji(i)=0.999*abs(error(i))+0.001*u(i)^2;

B=B+Ji(i);

if i>1

erry(i)=yout(i)-yout(i-1);

if erry(i)<0

B=B+100*abs(erry(i));

end

end

end

BsJ=B+2*tu;

在控制系统里要求目标函数的值越小越好。然而，在遗传算法里是按照最大化方向进行搜索的。因此，设计适应度函数为：F=1/J.主程序的编程实现也比较简单，具体如下：

Ji=BsJi+1e-10; %避免分母为零

fi=1./Ji;

在MATLAB 程序里用此句来调用函数：[Kpidi,BsJ]=fitness(Kpidi,BsJ);因此，在写完m 文件时，应把文件命名为fitness.m 。

另外一个也是非常重要的，那就是传递函数的生成与定义输出，实现如下： 由于传递函数为：G(s)= 1s 60e s

80-

Z 变换后可得G(z)=

165

.70-z 835.20 程序实现： ts=20; %采样时间20s

sys=tf(1,[60,1]，’inputdelay’,80); %生成传递函数G(s)

dsys=c2d(sys,ts,'z'); %Z 变换G(z)

[num,den]=tfdata(dsys,'v'); %返回z 变换后的各项系数

其中：

num(1)=0 num(2)=0.2835

den(1)=1 den(2)=-0.7165

)

()(z U z Y =G(z)= 165.70-z 835.20，从而 U(z)*0.2835=Y(z)(z-0.7165)

即U(z)*num(2)=Y(z)(z+den(2))

写成差分方程为：

y(k+1)=-den(2)y(k)+num(2)u(k)

差分方程在程序可以如下实现：

yout(k)=-den(2)*y_1+num(2)*u_1;

u_1=u(k);

y_1=yout(k);

5.2.1 编写主程序

主程序里是遗传算法的实现，其中最重要的是三个遗传操作：复制、交叉、变异。遗传算法的程序流程图如图2所示：

图2 遗传算法的程序流程图

1）复制

根据第二章的介绍，编写复制的部分程序如下：

fi_sum=sum(fi);

fi_Size=(Oderfi/fi_sum)*Size;

fi_S=floor(fi_Size);

r=Size-sum(fi_S);

Rest=fi_Size-fi_S;

[RestValue,Index]=sort(Rest);

for i=Size:-1:Size-r+1

fi_S(Index(i))=fi_S(Index(i))+1;

end

k=1;

for i=Size:-1:1

for j=1:1:fi_S(i)

TempE(k,:)=Kpid(Indexfi(i),:);

k=k+1;

end

end

2）交叉

交叉概率在本文里设定为0.9，交叉的主要程序如下：Pc=0.90; %交叉概率

for i=1:2:(Size-1)

temp=rand;

if Pc>temp

alfa=rand;

TempE(i,:)=alfa*Kpid(i+1,:)+(1-alfa)*Kpid(i,:);

TempE(i+1,:)=alfa*Kpid(i,:)+(1-alfa)*Kpid(i+1,:);

end

end

TempE(Size,:)=BestS;

Kpid=TempE;

3）变异

变异部分程序的实现如下：

Pm=0.10-[1:1:Size]*(0.01)/Size;

Pm_rand=rand(Size,CodeL);

Mean=(MaxX + MinX)/2;

Dif=(MaxX-MinX);

for i=1:1:Size

for j=1:1:CodeL

if Pm(i)>Pm_rand(i,j)

TempE(i,j)=Mean(j)+Dif(j)*(rand-0.5);

end

end

end

4）定义输出

本程序的定义了两个输出，一个是目标函数值J;另一个是PID参数整定后的具体值。

Bestfi

BestS

Best_J=BestJ(G)

figure(1);

plot(time,BestJ);

xlabel('Times');ylabel('Best J');

figure(2);

plot(timef,rin，'r',timef,yout,'b');

xlabel('Time(s)');ylabel('rin,yout1,yout'); 主程序的完整程序见附件。

5.2.2 仿真结果与分析

根据遗传算法优化PID参数的步骤,运行程序，经过100代的进化，可获得优化参数Kp=1.0814、Ki=0.9093、Kd=0.0329，性能指标J=218.3443。性能指标的优化过程和经过优化后的PID控制阶跃响应分别如图3和图4所示：

图3 性能指标J的优化过程

图4 整定后的PID阶跃响应

由上图可知，基于遗传算法整定PID的阶跃响应曲线能保证系统的稳定，调节时间较短，曲线能较快速地到达稳态，但是超调量较大。

6程序

(1)遗传算法程序

clear all; %清除了所有的变量，包括全局变量global

close all;

global rin yout timef %定义全局变量

Size=30; %样本个数定为30

CodeL=3;

MinX(1)=zeros(1);

MaxX(1)=20*ones(1); %定义Kp的取值范围为0-20

MinX(2)=zeros(1);

MaxX(2)=1.0*ones(1);%定义Ki的取值范围为0-1

MinX(3)=zeros(1);

MaxX(3)=1.0*ones(1);%定义Kd的取值范围为0-1

Kpid(:,1)=MinX(1)+(MaxX(1)-MinX(1))*rand(Size,1); %取值为0-1的随机数，产生初始种群

Kpid(:,2)=MinX(2)+(MaxX(2)-MinX(2))*rand(Size,1);

Kpid(:,3)=MinX(3)+(MaxX(3)-MinX(3))*rand(Size,1);

G=100; %100代进化

BsJ=0; %最优指标初始值

%*************** 开始运行***************

for kg=1:1:G

time(kg)=kg;

%****** Step 1 : 估计最优指标******

for i=1:1:Size

Kpidi=Kpid(i,:);

[Kpidi,BsJ]=fitness(Kpidi,BsJ); %调用m函数

BsJi(i)=BsJ;

end

[OderJi,IndexJi]=sort(BsJi);

BestJ(kg)=OderJi(1);

BJ=BestJ(kg);

Ji=BsJi+1e-10; %避免分母为零

fi=1./Ji; %转换为适应度函数

[Oderfi,Indexfi]=sort(fi); %将适应度值从小到大排列

Bestfi=Oderfi(Size); %Bestfi取得适应度最大值

BestS=Kpid(Indexfi(Size),:); %Let BestS=E(m), m is the Indexfi belong to max(fi)

kg %输出

BJ

BestS

%****** Step 2 : 选择与复制******

fi_sum=sum(fi);

fi_Size=(Oderfi/fi_sum)*Size;

fi_S=floor(fi_Size); %Selecting Bigger fi value，floor()朝负无穷方向舍入r=Size-sum(fi_S);

Rest=fi_Size-fi_S;

[RestValue,Index]=sort(Rest);

for i=Size:-1:Size-r+1

fi_S(Index(i))=fi_S(Index(i))+1;

end

k=1;

for i=Size:-1:1

for j=1:1:fi_S(i)

TempE(k,:)=Kpid(Indexfi(i),:); % 选择与复制

k=k+1; % k 用于复制

end

end

%************ Step 3 : 交叉************

Pc=0.90; %交叉概率

for i=1:2:(Size-1)

temp=rand;

if Pc>temp %交叉条件

alfa=rand;

TempE(i,:)=alfa*Kpid(i+1,:)+(1-alfa)*Kpid(i,:);

TempE(i+1,:)=alfa*Kpid(i,:)+(1-alfa)*Kpid(i+1,:);

end

end

TempE(Size,:)=BestS;

Kpid=TempE;

%************ Step 4: 变异**************

Pm=0.10-[1:1:Size]*(0.01)/Size; % Pm应取很小值Pm_rand=rand(Size,CodeL);

Mean=(MaxX + MinX)/2;

Dif=(MaxX-MinX);

for i=1:1:Size

for j=1:1:CodeL

if Pm(i)>Pm_rand(i,j) %变异条件

TempE(i,j)=Mean(j)+Dif(j)*(rand-0.5);

end

end

end

TempE(Size,:)=BestS;

Kpid=TempE;

end

Bestfi

Best_J=BestJ(G)

figure(1);

plot(time,BestJ);

xlabel('Times');ylabel('Best J');

figure(2);

plot(timef,rin,'r',timef,yout,'b');

xlabel('Time(s)');ylabel('rin,yout1,yout');

(2)适应度函数程序（fitness.m）：

function [Kpidi,BsJ]=pid_gaf(Kpidi,BsJ)

global rin yout timef

ts=20; %采样时间为20s

sys=tf(1,[60, 1],’inputdelay’,80); %传递函数公式dsys=c2d(sys,ts,'z');

[num,den]=tfdata(dsys,'v');

rin=1.0;

u_1=0.0;u_2=0.0;

y_1=0.0;y_2=0.0;

x=[0,0,0]';

B=0;

error_1=0;

tu=1;

s=0;

P=100;

for k=1:1:P

timef(k)=k*ts;

r(k)=rin;

u(k)=Kpidi(1)*x(1)+Kpidi(2)*x(2)+Kpidi(3)*x(3);

if u(k)>=10 %防止积分饱和

u(k)=10;

end

if u(k)<=-10

u(k)=-10;

end

yout(k)=-den(2)*y_1+num(2)*u_1;

error(k)=r(k)-yout(k);

%------------ Return of PID parameters ------------- u_1=u(k);

y_1=yout(k);

x(1)=error(k); % 计算P

x(2)=(error(k)-error_1)/ts; % 计算D

x(3)=x(3)+error(k)*ts; % 计算I

error_2=error_1;

error_1=error(k);

if s==0

if yout(k)>0.95&yout(k)<1.05

tu=timef(k);

s=1;

end

end

end

for i=1:1:P % 目标函数J公式实现Ji(i)=0.999*abs(error(i))+0.001*u(i)^2;

B=B+Ji(i);

if i>1

erry(i)=yout(i)-yout(i-1);

if erry(i)<0

B=B+100*abs(erry(i));

end

end

end

BsJ=B+2*tu;

基于遗传算法的PID参数优化毕业设计(论文)

本科生毕业设计(论文) 论文题目：基于遗传算法的PID参数优化

毕业设计（论文）原创性声明和使用授权说明 原创性声明 本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。 作者签名：日期： 指导教师签名：日期： 使用授权说明 本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。 作者签名：日期：

学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名：日期：年月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名：日期：年月日 导师签名：日期：年月日

基于遗传算法的PID整定原理及matlab仿真程序

主程序：chap5_2.m %GA(Generic Algorithm) Program to optimize PID Parameters clear all; close all; global rin yout timef Size=30; CodeL=3; MinX(1)=zeros(1); MaxX(1)=20*ones(1); MinX(2)=zeros(1); MaxX(2)=1.0*ones(1); MinX(3)=zeros(1); MaxX(3)=1.0*ones(1); Kpid(:,1)=MinX(1)+(MaxX(1)-MinX(1))*rand(Size,1); Kpid(:,2)=MinX(2)+(MaxX(2)-MinX(2))*rand(Size,1); Kpid(:,3)=MinX(3)+(MaxX(3)-MinX(3))*rand(Size,1); G=100; BsJ=0; %*************** Start Running *************** for kg=1:1:G time(kg)=kg; %****** Step 1 : Evaluate BestJ ****** for i=1:1:Size Kpidi=Kpid(i,:); [Kpidi,BsJ]=chap5_2f(Kpidi,BsJ); BsJi(i)=BsJ; end [OderJi,IndexJi]=sort(BsJi); BestJ(kg)=OderJi(1); BJ=BestJ(kg); Ji=BsJi+1e-10; %Avoiding deviding zero fi=1./Ji; % Cm=max(Ji);

MATLAB遗传算法PID大作业.

遗传算法在调节控制系统参数中的应用 【摘要】自动化控制系统多采用PID 控制器来调节系统稳定性和动态性，PID 的 Kp,Ki,Kd 参数需要合理选择方能达到目标。遗传算法是一种模拟生物进化寻求最优解的有效算法，本文通过利用GAbx 工具箱实现对控制电机的PID 进行参数优化，利用matlab 的仿真功能可以观察控制效果。 1. 直流伺服电机模型 1.1物理模型 图1 直流伺服电机的物理模型 αu ---电枢输入电压（V ） a R ---电枢电阻（Ω） S L ---电枢电感（H ） q u ---感应电动势（V ） g T ---电机电磁转矩（N m ?） J---转动惯量（2m kg ?） B---粘性阻尼系数（s m N ??） g i ---流过电枢的电流（A ） θ---电机输出的转角（rad ） 1.2传递函数 利用基尔霍夫定律和牛顿第二定律得出电机基本方程并进行拉布拉斯变换 ) ()()()()()()()()()()(2s s K s U K s I s T s Bs s Js s T s I s L R s I s U s U e q t a g g a a a a q a θθθ?=?=?+?=?+?=- 式中：t K 为电机的转动常数（m N ?）A ；e K 为感应电动势常数（s V ?）rad

图2 直流伺服电机模型方框图 消去中间变量得系统的开环传递函数： s K K B Js R s L K s U s s G C t a d t a ]))([() () ()(+++= = θ 系统参数如下：s m uN B m mg J ??=?=51.3,23.32 A m N K K uH L R e t a a )(03.0,75.2,4?===Ω= 2. PID 校正 图3 PID 校正 s K s K K s G d i p c ++ =)( Kp,Ki,Kd 为比例，积分，微分系数 令Kp=15、Ki=0.8 、Kd=0.6 M 文件：J=3.23E-6; B=3.51E-6; Ra=4; La=2.75E-6; Kt=0.03; num= Kt; den=[(J*La) ((J*Ra)+(La*B)) ((B*Ra)+Kt*Kt) 0]; t=0:0.001:0.2; step(num,den,t); Kp=15; Ki=0.8; Kd=0.6; numcf=[Kd Kp Ki]; dencf=[1 0]; numf=conv(numcf,num); denf=conv(dencf,den); [numc,denc]=cloop(numf,denf); t=0:0.001:0.04; step(numc,denc,t); matlab 进行仿真，我们可以看出不恰当的PID 参数并不能使系统达到控制系统的要求，

PID参数整定 经验(DOC)

PID参数的工程整定方法培训教材 2005年12月20日

目录 第一节基本控制规律及其作用效果 (1) 第二节实用的控制规律 (2) 第三节PID参数的工程整定方法 (3) 第四节复杂调节系统的参数整定 (8) 附录一各厂家DCS系统PID相关数据统计 (8) 附录二相关的名词解释 (9)

第一节基本控制规律及其作用效果 在工业生产过程控制中，常用的基本调节规律大致可分为： 1 位式调节 也就是常说的开/关式调节，它的动作规律是当被控变量偏离给定值时，调节器的输出不是最大就是最小，从而使执行器全开或全关。在实际应用中，常用于机组油箱恒温控制、水塔以及一些储罐的液位控制等。在实施时， 只要选用带上、下限接点的检测仪表、位式调节器或PLC、再配一些继电器、电磁阀、执行器、磁力起动器等即可构成位式控制系统。因此，位式控制的过渡过程必然是一个持续振荡的过程。如图0所示。 图0 位式控制的过渡过程 2 比例调节 它依据“偏差的大小”来动作。它的输出与输入偏差的大小成比例，调节及时，有力，但是有余差。用比例度δ来表示其作用的强弱，用%表示。例如比例度60%，即表示当偏差为量程的60%时，输出变化值为量程的100%。δ越小，调节作用越强，调节作用太强时，会引起振荡。比例调节作用适用于负荷变化小，对象纯滞后不大，时间常数

较大而又允许有余差的控制系统中，常用于塔和储罐的液位控制以及一些要求不高的压力控制中。使用时应注意，当负荷变化幅度较大时，为了平衡负荷变化所需的调节阀开度变化也将较大，待稳定后，被控变量的余差就可能较大。比例控制规律的动态方程为： 其中：y（t）——输出变化量。 e（t）——输入变化量。 Kp ——比例增益。 δ——比例度，它是Kp的倒数。 3 积分调节 它依据“偏差是否存在”来动作。它的输出与偏差对时间的积分成比例，只有当余差完全消失，积分作用才停止。其实质就是消除余差。但积分作用使最大动偏差增大，延长了调节时间。用积分时间Ti 表示其作用的强弱，单位用分（或秒）表示。Ti越小，积分作用越强，积分作用太强时，也会引起振荡。积分控制规律的动态方程为： 其中：TI ——积分时间。 4 微分调节 它依据“偏差变化速度”来动作。它的输出与输入偏差变化的速度成比例，其实质和效果是阻止被调参数的一切变化，有超前调节的作用。对滞后较大的对象有很好的效果。使调节过程动偏差减少，余差也减少（但不能消除）。用微分时间Td表示作用的强弱，单位用分

PID参数整定方法就是确定调节器的比例带PB

PID参数整定方法就是确定调节器的比例带PB、积分时间Ti和和微分时间Td。一般可以通过理论计算来确定，但误差太大。目前，应用最多的还是工程整定法：如经验法、衰减曲线法、临界比例带法和反应曲线法。各种方法的大体过程如下： （1）经验法又叫现场凑试法，即先确定一个调节器的参数值PB和Ti，通过改变给定值对控制系统施加一个扰动，现场观察判断控制曲线形状。若曲线不够理想，可改变PB或Ti，再画控制过程曲线，经反复凑试直到控制系统符合动态过程品质要求为止，这时的PB和Ti就是最佳值。如果调节器是PID三作用式，那么要在整定好的PB和Ti的基础上加进微分作用。由于微分作用有抵制偏差变化的能力，所以确定一个Td值后，可把整定好的PB和Ti值减小一点再进行现场凑试，直到PB、Ti和Td取得最佳值为止。显然用经验法整定的参数是准确的。但花时间较多。为缩短整定时间，应注意以下几点：①根据控制对象特性确定好初始的参数值PB、Ti和Td。可参照在实际运行中的同类控制系统的参数值，或参照表3-4-1所给的参数值，使确定的初始参数尽量接近整定的理想值。这样可大大减少现场凑试的次数。②在凑试过程中，若发现被控量变化缓慢，不能尽快达到稳定值，这是由于PB过大或Ti过长引起的，但两者是有区别的：PB过大，曲线漂浮较大，变化不规则，Ti过长，曲线带有振荡分量，接近给定值很缓慢。这样可根据曲线形状来改变PB或Ti。③PB过小，Ti过短，Td太长都会导致振荡衰减得慢，甚至不衰减，其区别是PB过小，振荡周期较短；Ti 过短，振荡周期较长；Td太长，振荡周期最短。④如果在整定过程中出现等幅振荡，并且通过改变调节器参数而不能消除这一现象时，可能是阀门定位器调校不准，调节阀传动部分有间隙（或调节阀尺寸过大）或控制对象受到等幅波动的干扰等，都会使被控量出现等幅振荡。这时就不能只注意调节器参数的整定，而是要检查与调校其它仪表和环节。 （2）衰减曲线法是以4：1衰减作为整定要求的，先切除调节器的积分和微分作用，用凑试法整定纯比例控制作用的比例带PB（比同时凑试二个或三个参数要简单得多），使之符合4：1衰减比例的要求，记下此时的比例带PBs和振荡周期Ts。如果加进积分和微分作用，可按表3-4-2给出经验公式进行计算。若按这种方式整定的参数作适当的调整。对有些控制对象，控制过程进行较快，难以从记录曲线上找出衰减比。这时，只要被控量波动2次就能达到稳定状态，可近似认为是4：1的衰减过程，其波动一次时间为Ts。 （3）临界比例带法，用临界比例带法整定调节器参数时，先要切除积分和微分作用，让控制系统以较大的比例带，在纯比例控制作用下运行，然后逐渐减小PB，每减小一次都要认真观察过程曲线，直到达到等幅振荡时，记下此时的比例带PBk(称为临界比例带)和波动周期Tk，然后按表3-4-3给出的经验公式求出调节器的参数值。按该表算出参数值后，要把比例带放在比计算值稍大一点的值上，把Ti和Td放在计算值上，进行现场观察，如果比例带可以减小，再将PB 放在计算值上。这种方法简单，应用比较广泛。但对PBk很小的控制系统不适用。 （4）反应曲线法，前三种整定调节器参数的方法，都是在预先不知道控制对象特性的情况下进行的。如果知道控制对象的特性参数，即时间常数T、时间

基于遗传算法的PID控制概述

龙源期刊网 https://www.wendangku.net/doc/d013004394.html, 基于遗传算法的PID控制概述 作者：张亚飞 来源：《卷宗》2013年第08期 摘要：基于PID控制应用的广泛性，本文简要阐述了遗传算法理论的关键思想及其在PID 控制中的应用策略，并用Matlab软件对一个控制实例进行了仿真研究。 关键词：PID控制；遗传算法；Matlab仿真 0 引言 PID控制作为最早实用化的控制算法已有70多年历史，现在仍然是控制系统中应用最为 普遍的一种控制规律。它所涉及的算法和控制结构简单，实际经验以及理论分析都表明，这种控制规律对许多工业过程进行控制时，一般都能得到较为满意的控制效果。随着控制理论的 发展，尤其是人工智能研究的日趋成熟，许多先进的算法理论逐渐被应用到传统的PID控制中，并取得了更为优越的控制效果。本文就以传统PID控制和遗传算法理论为基础，简述了基于遗传算法整定的PID控制基本理论和方法。 1 PID控制 通过将偏差的比例（Proportional）、积分（Integral）、微分（Derivative）进行线性组合构成控制量，对被控对象进行控制，这种控制方法叫做PID控制。在自动控制发展的历程中，常规PID控制得到了广泛的应用，整个控制系统由常规PID控制器和被控对象组成，根据系统给定值r（t）与实际输出值y（t）存在的控制偏差e（t）=r（t）-y（t）组成控制规律。PID控制器将偏差e（t）的比例-积分-微分通过线性组合构成控制量，对被控对象进行控制。其基本控制规律为 式中，Kp为比例增益，Ti为积分时间常数，Td为微分时间常数，u（t）为控制量，e （t）为偏差。 2 遗传算法基本操作 遗传算法，简称GA（Genetic Algorithms），是由美国Michigan大学的Holland教授于上世纪六十年代率先提出的一种高效并行全局最优搜索方法。遗传算法是模拟达尔文生物进化论的自然选择和孟德尔遗传学机理的生物进化过程的计算模型，它将“优胜劣汰，适者生存”的生物进化理论引入优化参数形成的编码串联群体中，按所选择的适配值函数通过遗传中的复制、交叉和变异对种群个体进行筛选，并保留适配值高的种群个体，组成新的群体。新的群体既继承了上一代的种群信息，又包含有优于上一代的个体信息，这样周而复始，种群中个体的适应度不断提高，直到满足一定的特定条件而停止运算，从而得到最优解。

PID-采样周期及参数整定方法

数字PID控制器控制参数的选择，可按连续-时间PID参数整定方法进行。 在选择数字PID参数之前，首先应该确定控制器结构。对允许有静差（或稳态误差）的系统，可以适当选择P或PD控制器，使稳态误差在允许的范围内。对必须消除稳态误差的系统，应选择包含积分控制的PI或PID控制器。一般来说，PI、PID和P控制器应用较多。对于有滞后的对象,往往都加入微分控制。 控制器结构确定后，即可开始选择参数。参数的选择，要根据受控对象的具体特性和对控制系统的性能要求进行。工程上，一般要求整个闭环系统是稳定的，对给定量的变化能迅速响应并平滑跟踪，超调量小；在不同干扰作用下，能保证被控量在给定值；当环境参数发生变化时，整个系统能保持稳定，等等。这些要求，对控制系统自身性能来说，有些是矛盾的。我们必须满足主要的方面的要求，兼顾其他方面，适当地折衷处理。 PID控制器的参数整定，可以不依赖于受控对象的数学模型。工程上，PID控制器的参数常常是通过实验来确定，通过试凑，或者通过实验经验公式来确定。 采样周期的选择 采样周期： 采样一数据控制系统中，设采样周期为T S，采样速率为1/T S，采样角频率为 采样周期T S是设计者要精心选择的重要参数，系统的性能与采样周期的选择有密切关系。需要考虑的因素： 采样周期的选择受多方面因素的影响,主要考虑的因素分析如下。 （1）香农（Shannon）采样定理 （Wmax--被采样信号的上限角频率） 给出了采样周期的上限。满足这一定理，采样信号方可恢复或近似地恢复为原模拟信号，而不丢失主要信息。在这个限制范围内，采样周期越小，采样-数据控制系统的性能越接近于连续-时间控制系统。 （2）闭环系统对给定信号的跟踪，要求采样周期要小。 （3）从抑制扰动的要求来说，采样周期应该选择得小些。

基于遗传算法的PID参数整定

摘要：研究自动控制器参数整定问题，PID参数整定是自动控制领域研究的重要内容，系统参数选择决定控制的稳定性和快速性，也可保证系统的可靠性。传统的PID参数多采用试验加试凑的方式由人工进行优化，往往费时而且难以满足控制的实时要求。为了解决控制参数优化，改善系统性能，提出一种遗传算法的PID 参数整定策略。 在本文里，通过介绍了遗传算法的基本原理，并针对简单遗传算法在PID控制中存在的问题进行了分析，提出在不同情况下采用不同的变异概率的方法，并对其进行了实验仿真。结果表明，用遗传算法来整定PID参数，可以提高优化性能，对控制系统具有良好的控制精度、动态性能和鲁棒性。 关键词：PID控制器;遗传算法;整定PID 1 引言 传统的比例、积分、微分控制，即PID控制具有算法简单、鲁棒性好和可靠性高等优点，已经被广泛用于工业生产过程。但工程实际中，PID控制器的比例、积分和微分调节参数往往采用实验加试凑的方法由人工整定。这不仅需要熟练的技巧，往往还相当费时。更为重要的是，当被控对象特性发生变化，需要控制器参数作相应调整时，PID控制器没有自适应能力，只能依靠人工重新整定参数，由于经验缺乏，整定结果往往达不到最优值，难以满足实际控制的要求。考虑生产过程的连续性以及参数整定费事费力，这种整定实际很难进行。所以，人们从工业生产实际需要出发，基于常规PID控制器的基本原理，对其进行了各种各样的改进。近年来许多学者提出了基于各种智能算法的PID整定策略，如模糊PID，神经元网络PID等…，但这些先进算法都要求对被控对象有很多的先验知识，在实际应用中往往难于做到。随着计算技术的发展，遗传算法有了很大的发展。将遗传算法用于控制器参数整定，已成为遗传算法的重要应用之一。 本文介绍基于遗传算法的PID参数整定设计方法。这是一种寻求全局最优的控制器优化方法，且无需对目标函数微分，可提高参数优化效果，简化计算过程。仿真实例表明该方法与其他传统寻优方法相比，在优化效果上具有一定的优势。 2 遗传算法简介 2.1 遗传算法的基本原理 遗传算法是John H．Holland根据生物进化的模型提出的一种优化算法。自然选择学说是进化论的中心内容。根据进化论，生物的发展进化主要有三个原因：即遗传、变异和选择。遗传算法基于自然选择和基因遗传学原理的搜索方法，将“优胜劣汰，适者生存”的生物进化原理引入待优化参数形成的编码串群体中，按照一定的适应度函数及一系列遗传操作对各个体进行筛选，从而使适应度高的个体被保留下来，组成新的群体；新群体包含上一代的大量信息，并且引入了新的优于上一代的个体。这样周而复始，群体中各个体适应度不断提高，直至满足一定的极限条件。此时，群体中适应度最高的个体即为待优化问题的最优解。 遗传算法通过对参数空间编码并用随机选择作为工具来引导搜索过程朝着更高效的方向发展。正是由于遗传算法独特的工作原理，使它能够在复杂空间进行全局优化搜索，具有较强的鲁棒性。另外，遗传算法对于搜索空问，基本上不需要什么限制性的假设(如连续、可微及单峰等)。而其它优化算法，如解析法，往往只能得到局部最优解而非全局最优解，且需要目标函数连续光滑及可微；枚举

控制回路PID参数整定方法精

Honeywell DCS 控制回路PID参数整定方法 鉴于目前一联合装置仪表回路自控率比较低，大部分的回路都是手动操作，这样不但增加了操作员的工作量，而且对产品质量也有一定的影响，特编制了此PID参数整定方法。 一、修改PID参数必须有“SUPPERVISOR”及以上权限权限，用键盘钥匙可以切换权限，钥匙已送交一联合主任陈胜手中； 二、打开要修改的控制回路细目画面，翻到下图所示的页面，修改PID控制回路整定的三个参数K，T1，T2； 三、PID参数代表的含义 K：比例增益（放大倍数），范围为0.0～240.0； T1：积分时间，范围为0.0～1440.0，单位为分钟，0.0代表没有积分作用； T2：微分时间，范围为0.0～1440.0，单位为分钟，0.0代表没有微分作用。 四、PID参数的作用 （1）比例调节的特点：1、调节作用快，系统一出现偏差，调节器立即将偏差放大K倍输出； 2、系统存在余差。 K越小，过渡过程越平稳，但余差越大；K增大，余差将减小，但是不能完

全消除余差，只能起到粗调作用，但是K过大，过渡过程易振荡，K太大时，就可能出现发散振荡。 （2）积分调节的特点：积分调节作用的输出变化与输入偏差的积分成正比，积分作用能消除余差，但降低了系统的稳定性，T1由大变小时，积分作用由弱到强，消除余差的能力由弱到强，只有消除偏差，输出才停止变化。 （3）微分调节的特点：微分调节的输出是与被调量的变化率成正比，在引入微分作用后能全面提高控制质量，但是微分作用太强，会引起控制阀时而全开时而全关，因此不能把T2取的太大，当T2由小到大变化时，微分作用由弱到强，对容量滞后有明显的作用，但是对纯滞后没有效果。 五、如果要知道控制回路的作用方式，可以进入控制回路的细目画面，进入下图所示页面： 其中“CTLACTN”代表控制器作用方式，“REVERSE”表示反作用，“DIRECT”代表正作用。 六、控制器的选择方法 （1）P控制器的选择：它适用于控制通道滞后较小，负荷变化不大，允许被控量在一定范围内变化的系统； （2）PI控制器的选择：它适用于滞后较小，负荷变化不大，被控量不允许有余差的控制系统；

基于遗传算法PID控制寻优实现(有代码超详细)

基于遗传优化算法对离散PID控制器参数的优化设计摘要 PID控制作为一种经典的控制方法，从诞生至今，历经数十年的发展和完善，因其优越的控制性能业已成为过程控制领域最为广泛的控制方法；PID控制器具有结构简单、适应性强、不依赖于被控对象的精确模型、鲁棒性较强等优点，其控制性能直接关系到生产过程的平稳高效运行，因此对PID控制器设计和参数整定问题的研究不但具有理论价值更具有很大的实践意义，遗传算法是一种借鉴生物界自然选择和自然遗传学机理上的迭代自适应概率性搜索算法。本论文主要应用遗传算法对PID调节器参数进行优化。 关键词：遗传优化算法PID控制器参数优化 1.前言 PID调节器是最早发展起来的控制策略之一，因为它所涉及的设计算法和控制结构都是简单的，并且十分适用于工程应用背景，此外PID控制方案并不要求精确的受控对象的数学模型，且采用PID控制的控制效果一般是比较令人满意的，所以在工业实际应用中，PID调节器是应用最为广泛的一种控制策略，也是历史最久、生命力最强的基本控制方式。调查结果表明: 在当今使用的控制方式中，PID型占84. 5% ，优化PID型占68%，现代控制型占有15%，手动控制型66%，人工智能(AI)型占0.6% 。如果把PID型和优化PID型二者加起来，则占90% 以上，这说明PID控制方式占绝大多数，如果把手动控制型再与上述两种加在一起，则占97.5% ，这说明古典控制占绝大多数。就连科学技术高度发达的日本，PID控制的使用率也高达84.5%。这是由于理论分析及实际运行经验已经证明了PID调节器对于相当多的工业过程能够起到较为满足的控制效果。它结构简单、适用面广、鲁棒性强、参数易于调整、在实际中容易被理解和实现、在长期应用中己积累了丰富的经验。特别在工业过程中，由于控制对象的精确数学模型难以建立，系统的参数又经常发生变化，运用现代控制理论分析综合要耗费很大的代价进行模型辨识，但往往不能达到预期的效果，所以不论常规调节仪表还是数

如何进行PID参数整定

如何进行PID参数整定 如何进行PID参数整定在工程实际中，应用最为广泛的调节器控制规律为比例、积分、微分控制，简称PID控制，又称PID调节。PID控制器问世至今已有近70年历史，它以其结构简单、稳定性好、工作可靠、调整方便而成为产业控制的主要技术之一。当被控对象的结构和参数不能完全把握，或得不到精确的数学模型时，控制理论的其它技术难以采用时，系统控制器的结构和参数必须依靠经验和现场调试来确定，这时应用PID控制技术最为方便。即当我们不完全了解一个系统和被控对象﹐或不能通过有效的丈量手段来获得系统参数时，最适适用PID控制技术。PID控制，实际中也有PI和PD控制。PID控制器就是根据系统的误差，利用比例、积分、微分计算出控制量进行控制的。 比例（P）控制 比例控制是一种最简单的控制方式。其控制器的输出与输进误差信号成比例关系。当仅有比例控制时系统输出存在稳态误差（Steady-state error）。 积分（I）控制 在积分控制中，控制器的输出与输进误差信号的积分成正比关系。对一个自动控制系统，假如在进进稳态后存在稳态误差，则称这个控制系统是有稳态误差的或简称有差系统

（System with Steady-state Error）。为了消除稳态误差，在控制器中必须引进“积分项”。积分项对误差取决于时间的积分，随着时间的增加，积分项会增大。这样，即便误差很小，积分项也会随着时间的增加而加大，它推动控制器的输出增大使稳态误差进一步减小，直到即是零。因此，比例+积分(PI)控制器，可以使系统在进进稳态后无稳态误差。 微分（D）控制 在微分控制中，控制器的输出与输进误差信号的微分（即误差的变化率）成正比关系。自动控制系统在克服误差的调节过程中可能会出现振荡甚至失稳。其原因是由于存在有较大惯性组件（环节）或有滞后(delay)组件，具有抑制误差的作用，其变化总是落后于误差的变化。解决的办法是使抑制误差的作用的变化“超前”，即在误差接近零时，抑制误差的作用就应该是零。这就是说，在控制器中仅引进“比例”项往往是不够的，比例项的作用仅是放大误差的幅值，而目前需要增加的是“微分项”，它能猜测误差变化的趋势，这样，具有比例+微分的控制器，就能够提前使抑制误差的控制作用即是零，甚至为负值，从而避免了被控量的严重超调。所以对有较大惯性或滞后的被控对象，比例+微分(PD)控制器能改善系统在调节过程中的动态特性。 在PID参数进行整定时假如能够有理论的方法确定PID 参数当然是最理想的方法，但是在实际的应用中，更多的是

PID参数的工程整定方法

PID参数的工程整定方法 班级: 姓名:侯泉宇 学号:52 PI D 调节器从问世至今已历经了半个多世纪, 在这几十年中, 人们为它的发展和推广作出了巨大的努力, 使之成为工业过程控制中主要的和可靠的技术工具。即使在微处理技术迅速发展的今天, 过程控制中大部分控制规律都未能离开 PI D, 这充分说明 P I D 控制仍具有很强的生命力。PI D 控制中一个至关重要的问题, 就是控制器三参数( 比例系数、积分时间、微分时间) 的整定。整定的好坏不但会影响到控制质量, 而且还会影响到控制器的鲁棒性。此外, 现代工业控制系统中存在着名目繁多的不确定性, 这些不确定性能造成模型参数变化甚至模型结构突变, 使得原整定参数无法保证系统继续良好的工作, 这时就要求 PI D 控制器具有在线修正参数的功能, 这是自从使用 PI D 控制以来人们始终关注的重要问题之一。本文在介绍 PI D 参数自整定概念的基础上, 对 P I D 参数自整定方法的发展作一综述。 PID 参数自整定概念PI D 参数自整定概念中应包括参数自动整定(auto tuning) 和参数在线自校正( self tuning onli ne) 。具有自动整定功能的控制器, 能通过一按键就由控制器自身来完成控制参数的整定, 不需要人工干预,它既可用于简单系统投运, 也可用于复杂系统预整定。运用自动整定的方法与人工整定法相比, 无论是在时间节省方面还是在整定精度上都得以大幅度提高, 这同时也就增进了经济效益。目前, 自动整定技术在国外已被许多控制产品所采用, 如 Lee d s &N or th r o p 的 El ec t r o ma x V、 Sa tt Con tr ol r 的 ECA40 等等, 对其研究的文章则更多。 自校正控制则为解决控制器参数的在线实时校正提供了很有吸引力的技术方案。自校正的基本观点是力争在系统全部运行期间保持优良的控制性能, 使控制器能够根据运行环境的变化, 适时地改变其自身的参数整定值, 以求达到预期的正常闭环运行, 并有效地提高系统的鲁棒性。 早在 20 世纪 7 0 年代, As tr o m 等人首先提出了自校正调节器, 以周期性地辨识过程模型参数为基础, 并和以最小方差为控制性能指标的控制律结合起来, 在每一采样周期内根据被控过程特性的变化, 自动计算出一组新的控制器参数。20 世纪 80 年代, Fo x bo r o 公司发表了它的 EX AC T 自校正控制器, 使用模式识别技术了解被控过程特性的变化, 然后使用专家系统方法去确定适当的控制器参数。这是一种基于启发式规则推理的自校正技术。20 世纪 90 年代, 神经网络的概念开始应用于自校正领域。具有自动整定功能和具有在线自校正功能的控制器被统称为自整定控制器。一般而言, 如果过程的动态特性是固定的, 则可以选用固定参数的控制器, 控制器参数的整定由自动整定完成。对动态特性时变的过程, 控制器的参数应具有在线自校正的能力, 以补偿过程时变。 2 P ID 参数自整定方法 要实现 PI D 参数的自整定, 首先要对被控制的对象有一个了解, 然后选择相应的参数计算方法完成控制器参数的设计。据此, 可将 PI D 参数自整定分成两大类: 辨识法和规则法。基于辨识法的 PI D 参数自整定,被控对象的特性通过对被控对象数学模型的分析来得到, 在对象数学模型的基础上用基于模型的一类整定法计算 PI D 参数。基于规则的 PI D 参数自整定, 则是运用系统临界点信息或系统响应曲线上的一些特征值来表征对象特性, 控制器参数由基于规则的整定法得到。 2. 1 辨识法 这类方法的本质是自适应控制理论与系统辨识的结合。为解决被控对象模型获取问题,

S7 200的PID参数整定方法

PID控制器参数整定的一般方法： PID控制器的参数整定是控制系统设计的核心内容。它是根据被控过程的特性确定PID控制器的比例系数、积分时间和微分时间的大小。PID控制器参数整定的方法很多，概括起来有两大类： 一是理论计算整定法。它主要是依据系统的数学模型，经过理论计算确定控制器参数。这种方法所得到的计算数据未必可以直接用，还必须通过工程实际进行调整和修改； 二是工程整定方法，它主要依赖工程经验，直接在控制系统的试验中进行，且方法简单、易于掌握，在工程实际中被广泛采用。PID控制器参数的工程整定方法，主要有临界比例法、反应曲线法和衰减法。三种方法各有其特点，其共同点都是通过试验，然后按照工程经验公式对控制器参数进行整定。但无论采用哪一种方法所得到的控制器参数，都需要在实际运行中进行最后调整与完善。 现在一般采用的是临界比例法。利用该方法进行 PID控制器参数的整定步骤如下：(1)首先预选择一个足够短的采样周期让系统工作；(2)仅加入比例控制环节，直到系统对输入的阶跃响应出现临界振荡，记下这时的比例放大系数和临界振荡周期；(3)在一定的控制度下通过公式计算得到PID控制器的参数。 PID参数的设定：是靠经验及工艺的熟悉，参考测量值跟踪与设定值曲线，从而调整P、I、D的大小。 书上的常用口诀： 参数整定找最佳，从小到大顺序查； 先是比例后积分，最后再把微分加； 曲线振荡很频繁，比例度盘要放大； 曲线漂浮绕大湾，比例度盘往小扳； 曲线偏离回复慢，积分时间往下降； 曲线波动周期长，积分时间再加长； 曲线振荡频率快，先把微分降下来； 动差大来波动慢。微分时间应加长； 理想曲线两个波，前高后低4比1； 一看二调多分析，调节质量不会低。 个人认为PID参数的设置的大小，一方面是要根据控制对象的具体情况而定；另一方面是经验。P是解决幅值震荡，P大了会出现幅值震荡的幅度大，但震荡频率小，系统达到稳定时间长；I是解决动作响应的速度快慢的，I大了响应速度慢，反之则快；D是消除静态误差的，一般D设置都比较小，而且对系统影响比较小。 PID控制原理： 1、比例（P）控制：比例控制是一种最简单的控制方式。其控制器的输出与输入误差信号成比例关系。当仅有比例控制时系统输出存在稳态误差。 2、积分（I）控制：在积分控制中，控制器的输出与输入误差信号的积分成正比关系。对一个自动控制系统，如果在进入稳态后存在稳态误差，则称这个控制系统是有稳态误差的或简称有差系统。为了消除稳态误差，在控制器中必须引入“积分项”。积分项对误差取决于时间的积分，随着时间的增加，积分项会增大。这样，即便误差很小，积分项也会随着时间的增加而加大，它推动控制器的输出增大使稳态误差进一步减小，直到等于零。因此，比例+积分(PI)控制器，可以

PID控制参数整定方法

●专家论谈　 PID控制参数整定方法 清华大学热能系(100084)　刘　镇　姜学智　李东海 过程工业控制中多采用PID控制算法,PID控制器只有在参数得到良好整定的前提下才能达到令人满意的控制效果。P ID控制器参数整定,是指在控制器的形式已经确定(PI、PID调节规律)的情况下,通过调整控制器参数,达到要求的控制目标。几十年来人们致力于研究P ID控制器参数的整定方法,提出了各种各样的方法。按应用条件分为在线整定算法、离线整定算法;按计算方式分为一次算法、反复迭代算法;本文将整定方法分为基于被控对象特性的整定方法和不依赖于对象动态特性的整定方法两大类。 1　基于被控对象特性的整定方法 控制参数整定的目标是使得由控制对象、控制器等组成的控制回路的动态特性满足性能指标要求,因此,若能得到被控对象的动态特性,就可通过各种手段来整定控制器参数。被控对象的特性可用不同的模型表征,常用的是对象的参数模型(如微分方程、传递函数)、非参数模型(如阶跃响应曲线)、输出响应特征值。 1.1　基于对象参数模型的整定方法 基于被控对象参数模型的整定方法是利用辨识算法得出对象的数学模型,在此基础上用整定算法对控制器参数进行整定。对象参数模型辨识方法(亦称现代的辨识方法)是在假定一种模型结构的基础上,通过极小化模型与过程之间的误差准则函数来确定模型的参数,比较常用的方法有最小二乘法、梯度校正法、极大似然法。若模型结构无法事先确定,则必须利用结构辨识方法先确定模型的结构参数(如阶次、纯迟延等)。在辨识得到对象的参数模型后,可用的参数整定方法有:极点配置整定法、相消原理法、内模控制法(IM C)、增益、相角裕量法(G PM)、基于二次型性能指标(I T A E/ IT E/ISE)的参数优化方法。这类方法对特性分明的被控对象的控制参数整定是十分有效的,但这种方法比较复杂,要得到精确的数学模型,需要较复杂的试验手段和数学手段,并且这种方法对被控过程模型有较强的限制,因而对不能或难以用精确数学模型描述的复杂过程难以奏效。 若采用对象参数离线辨识,则整定为一离线的计算过程;若采用在线辨识,则整定为一在线的迭代优化过程。1.2　基于对象非参数模型的整定方法 非参数模型辨识方法(亦称经典辨识方法)获得的模型是对象的非参数模型,即对象的阶跃响应、脉冲响应、频率响应等,其表现形式是以时间或频率为自变量的实验曲线。这种方法在假定过程是线性的前提下,不必事先确定模型的具体结构,因而可适用于任意复杂的过程。其所得的非参数模型经适当的数学处理,可转变为参数模型——传递函数形式,而后应用适当的整定方法或计算公式可得控制器参数。 目前工程上常用测取过程对象的阶跃响应,然后由阶跃响应曲线确定过程的近似传递函数。当阶跃响应曲线比较规则时,近似法、半对数法、切线法和两点法都能比较有效地导出近似传递函数。当对象的阶跃响应曲线呈现不规则形状时,上述方法就不能获得满意的效果,这时可采用面积法来获取所需数据。面积法计算量较大,且必须正确选择传递函数阶次。阶跃响应法的局限性在于对含有积分作用的对象来说,开环阶跃响应会无限增大。对象的非参数模型辨识方法除了阶跃响应法以外,还有脉冲响应法、频率响应法、相关分析法和谱分析法等。在取得了对象的近似模型后,可应用很多整定方法和公式进行控制器参数整定,其中最著名的是Z—N整定公式[1]及Coh en—Co on整定公式[2]。 基于对象非参数模型的整定方法只可用于离线整定。 1.3　基于对象输出响应特征值的控制参数整定方法 对于整定来说,传统对象模型中含有的冗余信息量往往很大,这些冗余信息并不影响控制器的参数整定,且控制器参数往往具有不确定性和不唯一性,一个经合理整定的控制器应能容忍对象模型的某些摄动而保持系统稳定。由此可见,可以压缩对象模型的信息量,而抽取其主要特征进行参数整定。目前,基于对象输出响应特征值来进行PID参数整定的方法较多,比较常用的是基于开环对象N yquist曲线上的一个特征点的知识来进行控制器参数整定。比较著名的有闭环Z—N方法、继电整定法等。 闭环Z—N方法(也称临界比例度法、稳定边界法)是Zieg ler和N ichlos在1942年提出的,方法是将

PID控制最通俗的解释与PID参数的整定方法要点

PID控制最通俗的解释与PID参数的整定方法 [ 2010/6/18 15:15:45 | Author: 廖老师 ] PID是比例、积分、微分的简称，PID控制的难点不是编程，而是控制器的参数整定。参数整定的关键是正确地理解各参数的物理意义，PID控制的原理可以用人对炉温的手动控制来理解。阅读本文不需要高深的数学知识。 1．比例控制 有经验的操作人员手动控制电加热炉的炉温，可以获得非常好的控制品质，PID控制与人工控制的控制策略有很多相似的地方。 下面介绍操作人员怎样用比例控制的思想来手动控制电加热炉的炉温。假设用热电偶检测炉温，用数字仪表显示温度值。在控制过程中，操作人员用眼睛读取炉温，并与炉温给定值比较，得到温度的误差值。然后用手操作电位器，调节加热的电流，使炉温保持在给定值附近。 操作人员知道炉温稳定在给定值时电位器的大致位置（我们将它称为位置L），并根据当时的温度误差值调整控制加热电流的电位器的转角。炉温小于给定值时，误差为正，在位置L的基础上顺时针增大电位器的转角，以增大加热的电流。炉温大于给定值时，误差为负，在位置L的基础上反时针减小电位器的转角，并令转角与位置L的差值与误差成正比。上述控制策略就是比例控制，即PID控制器输出中的比例部分与误差成正比。 闭环中存在着各种各样的延迟作用。例如调节电位器转角后，到温度上升到新的转角对应的稳态值时有较大的时间延迟。由于延迟因素的存在，调节电位器转角后不能马上看到调节的效果，因此闭环控制系统调节困难的主要原因是系统中的延迟作用。 比例控制的比例系数如果太小，即调节后的电位器转角与位置L的差值太小，调节的力度不够，使系统输出量变化缓慢，调节所需的总时间过长。比例系数如果过大，即调节后电位器转角与位置L的差值过大，调节力度太强，将造成调节过头，甚至使温度忽高忽低，来回震荡。 增大比例系数使系统反应灵敏，调节速度加快，并且可以减小稳态误差。但是比例系数过大会使超调量增大，振荡次数增加，调节时间加长，动态性能变坏，比例系数太大甚至会使闭环系统不稳定。 单纯的比例控制很难保证调节得恰到好处，完全消除误差。 2．积分控制 PID控制器中的积分对应于图1中误差曲线与坐标轴包围的面积（图中的灰色部分）。PID控制程序是周期性执行的，执行的周期称为采样周期。计算机的程序用图1中各矩形面积之和来近似精确的积分，图中的TS就是采样周期。

基于遗传算法的PID参数整定的MATLAB程序代码

基于遗传算法的PID参数整定 1引言 传统的比例、积分、微分控制，即PID控制具有算法简单、鲁棒性好和可靠性高等优点，已经被广泛用于工业生产过程。但工程实际中，PID控制器的比例、积分和微分调节参数往往采用实验加试凑的方法由人工整定。这不仅需要熟练的技巧，往往还相当费时。更为重要的是，当被控对象特性发生变化，需要控制器参数作相应调整时，PID控制器没有自适应能力，只能依靠人工重新整定参数，由于经验缺乏，整定结果往往达不到最优值，难以满足实际控制的要求。考虑生产过程的连续性以及参数整定费事费力，这种整定实际很难进行。所以，人们从工业生产实际需要出发，基于常规PID控制器的基本原理，对其进行了各种各样的改进。近年来许多学者提出了基于各种智能算法的PID整定策略，比如模糊PID、神经元网络PID等等。然而，这些先进算法都要求对被控对象有很多的先验知识，在实际应用中往往难于做到。随着计算技术的发展，遗传算法有了很大的发展。将遗传算法用于控制器参数整定，已成为遗传算法的重要应用之一。 本文介绍基于遗传算法的PID参数整定设计方法。这是一种寻求全局最优的控制器优化方法，且无需对目标函数微分，可提高参数优化效果，简化计算过程。仿真实例表明该方法与其他传统寻优方法相比，在优化效果上具有一定的优势。2遗传算法简介 2.1 遗传算法的基本原理 遗传算法是John H．Holland根据生物进化的模型提出的一种优化算法。自然选择学说是进化论的中心内容。根据进化论，生物的发展进化主要有三个原因：即遗传、变异和选择。遗传算法基于自然选择和基因遗传学原理的搜索方法，将“优胜劣汰，适者生存”的生物进化原理引入待优化参数形成的编码串群体中，按照一定的适应度函数及一系列遗传操作对各个体进行筛选，从而使适应度高的个体被保留下来，组成新的群体；新群体包含上一代的大量信息，并且引入了新的优于上一代的个体。这样周而复始，群体中各个体适应度不断提高，直至满足一定的极限条件。此时，群体中适应度最高的个体即为待优化问题的最优解。 遗传算法通过对参数空间编码并用随机选择作为工具来引导搜索过程朝着更

PID参数整定方法

2·2 用试凑法确定PID 控制器参数 试凑法就是根据控制器各参数对系统性能的影响程度,边观察系统的运行,边修改参数,直到满意为止。 一般情况下,增大比例系数KP 会加快系统的响应速度,有利于减少静差。但过大的比例系数会使系统有较大的超调,并产生振荡使稳定性变差。减小积分系数KI 将减少积分作用,有利于减少超调使系统稳定,但系统消除静差的速度慢。增加微分系数KD 有利于加快系统的响应,是超调减少,稳定性增加,但对干扰的抑制能力会减弱。在试凑时,一般可根据以上参数对控制过程的影响趋势,对参数实行先比例、后积分、再微分的步骤进行整定。 2·2·1 比例部分整定。 首先将积分系数KI 和微分系数KD 取零,即取消微分和积分作用,采用纯比例控制。将比例系数KP 由小到大变化,观察系统的响应,直至速度快,且有一定范围的超调为止。如果系统静差在规定范围之内,且响应曲线已满足设计要求,那么只需用纯比例调节器即可。 2·2·2 积分部分整定。 如果比例控制系统的静差达不到设计要求,这时可以加入积分作用。在整定时将积分系数KI 由小逐渐增加,积分作用就逐渐增强,观察输出会发现,系统的静差会逐渐减少直至消除。反复试验几次,直到消除静差的速度满意为止。注意这时的超调量会比原来加大,应适当的降低一点比例系数KP 。 2·2·3 微分部分整定。 若使用比例积分(PI)控制器经反复调整仍达不到设计要求,或不稳定,这时应加入微分作用,整定时先将微分系数KD 从零逐渐增加,观察超调量和稳定性,同时相应地微调比例系数KP 、积分系数KI,逐步使凑,直到满意为止 2·3 扩充临界比例度法 这种方法适用于有自平衡的被控对象,是模拟系统中临界比例度法的扩充。其整定步骤如下: (1)选择一个足够短的采样周期T 。所谓足够短,就是采样周期小于对象的纯之后时间的1 /10。 (2)让系统作纯比例控制,并逐渐缩小比例度 ( =1/KP)是系统产生临界振荡。此时的比例度和振荡周期就是临界比例度 K 和临界振荡周期TK 。 (3)选定控制度。所谓控制度,就是以模拟调节器为基准,将系统的控制效果与模拟调节器的控制效果相比较,其比值即控制度。 对于电机快速跟随调节，一般采用PD 控制算法，积分项的加入会导致系统的滞后，使得电机无法做到快速跟随运动。此外电机为一阶惯性环节为 111+s T k 。小车的传递函数为s e s T s T K s T k s T k s G s G s G τ-++=++==)1)(1(1*1)()()(212211 21 T1和T2 为小车两电机的时间常数。