PID个控制算法.docxVIP

第三章 一级倒立摆的控制算法的研究由于倒立摆是一个多变量、非线性、不稳定、强耦合的复杂系统，尽管理论上的一级、二级倒立摆数学模型己经推导出来，但其数学模型很难精确地反应实际系统，国内外学者对倒立摆的研究集中在智能控制领域，其控制方法有以下几种： ①模糊控制理论方法 用模糊控制理论控制倒立摆是智能控制算法中研究最多的一种。通过确定模糊规则，设计出模糊控制器实现对倒立摆的控制。大量的实验表明，用模糊控制的方法控制一级、二级倒立摆是非常成功的。二级倒立摆是一个多变量系统，用模糊控制的方法控制二级倒立摆，一般采用多个模糊控制器来实现。 ②神经网络控制理论方法 神经网络(Neural Network, NN)能够任意充分地逼近复杂的非线性关系， NN能够学习与适应严重不确定性系统的动态特性，具有很强的鲁棒性和容错性。用神经网络方法来实现倒立摆的平衡控制，迄今己经取得了不少成果。1983年Barto等人设计了两个单层神经网络，采用启发式自适应评价AHC (Adaptive Heuristic Critic)学习算法实现了状态离散化的倒立摆控制。1989年，Anderson进一步用两个双层神经网络和AHC方法实现了状态未离散化的倒立摆的平衡控制。作者将Q学习算法和BP神经网络有效结合，实现了状态未离散化的倒立摆的无模型学习控制。 ③模糊控制与神经网络控制相结合的控制方法 人工神经网络具有很强的自学习能力和大规模并行处理能力，能生成无需明确表现知识的规则；而模糊系统则能够充分利用学科领域的知识，以较少的规则来表达知识，并采用最大最小等简单运算来实现知识的模糊推理。因此人工神经网络与模糊系统在技术上各有所长，存在互补性和可结合性，将人工神经网络与模糊系统交叉综合起来也就成为人们研究倒立摆系统的一种新的方法。 模糊神经网络控制器控制倒立摆，主要是利用网络的自学习功能，不断修正模糊神经网络控制器的隶属函数和权值，实现模糊控制规则的自动更新，从而解决了模糊控制的自学习、自调整问题，提高了控制精度。 ④神经网络与遗传算法结合的控制方法 多层前向神经网络是一个强有力的学习系统，一个三层前向网络可以逼近任意非线性函数，神经网络的权系数常采用反向传播(Back Propagation, BP)算法来学习，BP算法是沿梯度下降(平方误差函数)来指导搜索，因而易陷入局部极小点，而且学习时间长甚至达不到学习的目的，求解精度不高。遗传算法(GA)是基于自然选择和遗传学机理的迭代自适应概率性搜索方法，是一种新型优化算法。GA在寻优过程中是在高维可行解空间随机产生多个起始点并同时开始搜索，由适应度函数来指导搜索方向，因而搜索区域广，搜索效率高，不需要计算梯度，因而在一定程度上可以克服BP算法的局限性。 基于遗传算法学习的神经网络方法在控制倒立摆时，以神经网络为基础，用遗传算法来学习神经网络的权系数，既保留了遗传算法的强全局随机搜索能力，又具有神经网络的鲁棒性和自学习能力，能够取得较好的控制效果]。 ⑤拟人智能控制的方法 拟人智能控制的核心是“广义归约”和“拟人”。“归约”是人工智能中的一种问题求解方法。这种方法是将待求解的复杂问题分解成复杂程度较低的若干问题集合，再将这些集合分解成更简单问题的集合，依此类推，最终得到一个本原问题集合，即可以直接求解的问题。另一核心概念是“拟人”，其含义是直接利用人的控制经验直觉以及推理分析形成控制规律。文献[30]中用拟人控制的思想成功控制了旋转式二级倒立摆的平衡。 ⑥云模型控制方法 用云模型构成语言值，用语言值构成规则，形成一种定性的推理机制。这种方法不要求给出对象的精确的数学模型，而仅依据人的经验、感受和逻辑判断将人用自然语言表达的控制经验，通过语言原子和云模型转换到语言控制规则器中，就能解决非线性问题和不确定性问题。文献中对倒立摆的仿真实验可以看出，云模型对被控对象的状态和参数变化具有一定的鲁棒性。这也是一种拟人控制的思想。 3.1PID倒立摆的控制算法本节介绍了立摆系统的PID控制算法、线性二次最优控制算法和极点配置法，主要针对PID控制算法对倒立摆进行分析运算。PID控制原理PID (比例一积分一微分)控制是一种简单而又优秀的控制方法，在生产过程自动化控制的发展历程中，PID控制是一种历史最悠久、生命力最强的基本控制方法。PID控制器作为最早实用化的控制器已有50多年的历史，并且直到现在仍然是应用最广泛的工业控制器。在PID中因将偏差的比例(P)、积分(I)和微分(D)通过线性组合构成控制量，对被控对象进行控制，故称PID控制器，其原理图如图3-1所示。 图3-1PID控制系统原理图PID控制以其结构简单、稳定性好、工作可靠、调整方便而成为工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掌握，或得不到精确的数学模型时