基于PSO算法的大时滞过程双自由度内模控制器设计.docxVIP

基于PSO算法的大时滞过程双自由度内模控制器设计 内模控制（IMC）对大时滞过程具有良好的控制效果，但常规的IMC只有一个自由度，其不具有使系统的目标跟踪特性和干扰抑制特性同时达到最佳的能力。基于以上原因，本研究采用双自由度内模控制（TDFIMC），使系统控制性能达到最佳。然而对于TDFIMC而言，控制器参数整定是一个重要问题。卫开夏采用Taylor级数展开的方法整定参数，邢卓异等采用幅相裕度参数整定方法优化参数，孙功武等利用最大灵敏度函数整定滤波器时间常数，Kennedy I等利用时间乘误差绝对值积分（ITAE）指标函数对滤波参数呈单峰性的特点，采用黄金分割法对常规IMC参数进行优化。然而，上述整定方法計算量大，往往需根据经验对参数进行试凑整定，对参数的整定具有一定的盲目性。本研究以ITAE为目标函数，运用粒子群优化算法（PSO）对控制器滤波器时间常数进行整定。该算法具有算法简单、搜索速度快、效率高等优点，其基于PSO算法的TDFIMC控制策略避免了参数整定优化的盲目性，在保证快速性的同时，确保闭环系统具有良好的跟踪性能和鲁棒性能。 1控制策略研究 11传统IMC控制器设计 传统IMC结构框图如图1所示。其中，Gp（s）为 通常，传统IMC设计过程分为2步。 （1）将对象模型Gm（s）分解为Gm+（s）和Gm-（s），即： Gm（s）=Gm+（s）Gm-（s）（1） 其中，Gm+（s）为模型中包含纯滞后和不稳定零点的部分，Gm-（s）为模型中的最小相位部分。 （2）IMC控制器设计过程中，为确保系统的物理可实现性，需在Gm-（s）的逆上增加滤波器。定义IMC控制器为： C1（s）=Gm-（s）-1F（s）（2） 式中，F（s）为低通滤波器，其最简形式为F（s）=1/（1+τs）r，其中，r应选择足够大以保证C1（s）的可实现性，τ为滤波器时间常数，是内模控制唯一需要调节的参数，但其值的选取是系统抗干扰性能和鲁棒性能的折中，本研究采用TDFIMC控制不仅能够有效地解决此问题，而且几乎不增加IMC的设计过程。 12TDFIMC控制器设计 为克服传统IMC的缺点，本研究采用TDFIMC控制策略，使系统的跟踪性能和鲁棒性能均达到良好的效果。该控制策略的结构框图，如图2所示。 图2TDFIMC结构框图基于PSO算法的大时滞过程双自由度内模控制器设计第33卷第3期第33卷第3期基于PSO算法的大时滞过程双自由度内模控制器设计图2中，C1（s）为设定值跟踪控制器，C2（s）为干扰衰减控制器。当模型精准时，C1（s）和C2（s）的控制作用分离，可采用传统IMC设计思路来设计TDFIMC。根据式（2）可得： C1（s）=G-1m-F1（s）（3） C2（s）=G-1m-F2（s）（4） 式中，F1（s）=1/（1+τ1s）r，F2（s）=1/（1+τ2s）r，τ1和τ2为滤波器时间常数，非负整数r的取值保证双控制器C1（s）和C2（s）的物理可实现性。 针对工业时滞过程中一阶时滞过程（FOPDT）和二阶时滞过程（SOPDT）2个典型过程对象模型，其双控制器C1（s）和C2（s）的具体表达式见表1，其中滤波器时间常数τ1和τ2为2个可调节参数。 通常情况下，τ1的取值是系统响应速度和稳定性之间的折中，τ2的取值是干扰衰减和鲁棒性能之间的折中。其滤波器时间常数的整定需要依靠经验，具有一定的盲目性。 13基于PSO算法的TDFIMC控制策略研究 针对双自由度参数优化整定过程的盲目性问题，本研究利用内模控制思想提出了一种基于PSO算法的TDFIMC控制策略，即*****MC，其控制系统框图如图3所示。图3中，R（s）为系统输入；Y（s）为系统输出；D（s）为干扰信号；Gp（s）为被控过程的实际数学模型；Gm（s）为被控过程的标称模型；C1（s）为设置点控制器，用来调整系统的目标跟踪特性；C2（s）为抗干扰控制器，用以调节系统鲁棒性。 PSO算法以ITAE为目标函数，根据社会认知和个体认知不断地更新自己的位置及速度，以此来优化双控制器的滤波器时间常数，从而解决了参数优化的盲目性问题。 PSO算法是一种仿生智能优化算法，由Eberhart博士和Kennedy博士在1995年根据鸟群觅食行为提出的用粒子最佳位置来表征最优解的全局优化算法。由于其结构简单，可快速寻优，因此PSO算法在许多领域得到应用。与其他的演化类算法类似，PSO算法首先要初始化一群随机粒子，通过粒子的速度向量迭代找到最优解。 在每一次迭代中，粒子依据2个“极值”个体最优解（pbestkij）和社会最优