基于自适应遗传PID算法的溶解氧(DO)浓度控制
基于自适应遗传PID算法的溶解氧（DO）浓度控制
作者：王威
来源：《中小企业管理与科技·下旬刊》2015年第11期
摘要：曝气池溶解氧（DO）是一个重要的运行参数。采用自适应遗传PID算法实现溶解氧浓度控制具备在线调整功能，可以动态适应工况变化，取得良好的控制效果。
关键词：自适应;PID;DO
曝气池溶解氧（DO）在污水处理中是一个重要运行参数，理论分析，当溶解氧达到
0.3mg/L就不会影响水中微生物的生理功能。考虑到水质及水量变化波动情况，通常保证入口处为0.5-1mg/L，出口处为2-3mg/L。按溶解氧数值控制风量是目前比较理想的控制方法。在城市生活污水停留时间内需要氧气（或空气）数量与污水的水质指标有关，如SS（悬浮物）、COD（化学需氧量）、BOD （生物需氧量）、水量及水温等。根据工艺理论分析，通过经验公式计算可以得到鼓风量的理论值。在实际运行时，能够根据进水的水质和水量的变化对鼓风量作出调整。实际工作中，需要通过实验得到污水水质指标。测定一些指示需很多时间，如测量COD需要数小时，测量BOD甚至需要几天时间，这不利于进行实时控制。实际工程应用中，对于连续流动的曝气池，只要污水在曝气池出口的溶解氧浓度保持在某一设定值，就可以不考虑水质、水量、水温等扰动的变化，从宏观上能较好地满足菌胶团繁殖和有机物分解的需要，从而保持污泥活性，保证污水的连续处理。为达到可靠的控制，可参数间的关系是：污水中溶解氧含量的偏差与曝气量的增量（或减量）成反比，即当溶解氧值偏小时，向大调节气量;反之亦然。当我们在实际中，曝气量值的设定是根据工艺理论值为参考的，经溶解氧反馈信号比较后，再根据偏差大小的结果随时对气量的多少进行调节，从而确保了污水的溶解氧值可以维持最初设定值内。下面是国内污水处理厂设计当中常采用的控制方案。
图1 ;溶解氧控制过程框图
如图1所示的串级控制系统，副回路采用PI控制策略，主回路一般采用PID控制策略。这样虽然比简单的单回路系统控制效果好，但是由于溶解氧控制过程是一个极其复杂的化学反应过程，非线性、大滞后。传统的PID参数整定方法很难确定合适的PID参数，并且参数不具备在线调整功能，无法适应工况变化，难以取得良好的控制效果，因此本文主要研究溶解氧浓度PID控制器参数自整定的方法进行研究。
1 溶解氧控制过程仿真模型的建立
要想对溶解氧浓度的控制过程进行研究，首先要建立其数学模型。活性污泥去污水处理系统是一个复杂的实时动态工程系统，没有精确的数学模型作具体表述。因此，在建立曝气过程动态仿真模型时，需要设定一些假设条件：第一种情况：曝气过程在时间上呈理想的推流变化，在空间上呈完全混合状态。第二种情况：在一个周期内，忽略合成的微生物量，假设反应池中总生物量近似不变。第三种情况：在一个周期开始前，忽略上一周期出水浓度。第四种情况：假设反应期的反应速率为一级，即假设既定的废水反应速率为常数。根据溶解氧浓度的物料平衡算式：
溶解氧DO浓度变化率=DO输入率-DO输出率-DO消耗率，我们建立的曝气过程动态数学模型如下：
V=Q·C0-Q·CI-V·k·C（1）
其中，C为反应池中的溶解氧浓度;Q为空气流量;V为反应池容积; C0为鼓入空气的溶解氧浓度;k为反应速率常数;CI为尾气中的溶解氧浓度。
对上式通过拉普拉斯变换得：
G（s）===（2）
令（C0-CI）/V=R则式（2）变为G（s）=R·（S+k），是一个惯性环节。
通常采用隔膜电极法测量溶解氧浓度。根据DO分析仪的测定原理及电化学方程式有：
DONT=DOST+r/a=（1-e-ar）（3）
其中DONT为T时刻DO的实测值（单位mg/L）;DOST为T时刻水样中实际DO浓度值（单位mg/L）;a为DO仪氧电极响应参数（单位min）;r为微生物耗氧速度（单位mg/（l·min））。
可知对溶解氧的检测是非线性的，并在时间上具有滞后特性。我们对模型可以进行纠正，将检测滞后用来表示，则式（3）纠正为：
G（S）=R/（S+k）-e-τs（4）
上式是曝气过程的近似仿真模型。根据实验数据和经验分析，上式可近似认为是曝气过程的近似仿真模型。根据实验数据和经验，这里将模型中的取R为18.39;k取为0.0186;τ取为1.35。
2 基于遗传算法的溶解氧控制PID参数整定方法研究
在一个已知的PID调节控制系统中，我们要确定Kp，Ki，Kd这三个参数，用这3个参数来确定系统。采用遗传算法进行PID参数调节，就涉及在固定的范围内寻找最优秀的PID参数。这里采用遗传算法进行PID调节的系统结构图如下：
图2 ;遗传算法整定PID参数系统结构图
实现整定的步骤是：
①对参数实数编码并初始化种群。采用实数编码寻优的PID参数 Kp，Ki，Kd。设随机生成种群规模为40的初始群体，假设若系统中有M个参数需要优化，我们可将这此参数为分量构成一个M维行向量，并将其他作为个体编码，见下式P=[P1，P2，…，PM]（5）
上式中：P代表个体;在第i个参数的参数空间内随机产生的一个分量用Pi表示;所有待优化参数的数目用字母M表示。在本文中每个个体有三个分量Kp ，Ki， Kd，每个分量取值范围根据ZN方法整定的Kp，Ki，Kd做内核，可设参数Kp[KPmin，KPmax]、Ki[KImin，KImax]、Kd[Kdmin，Kdmax]。
②适应度函数调整。因为在遗传算法中，适应度完全取决于个体的优劣性，从而对遗传算法结果造成了一定的影响，所以结果质量的一个关键因素是目标函数的设计。在系统参数整定过程中，需要根据性能指标的不同来选择。
在不同的生产过程对系统指标要求不同，而这些指标又是用于评价PID参数的好坏，所以非常重要。单项性能指标只对局部特性进行衡量，难以全面反映系统的情况，所以IAE、ISE、IATE等误差积分性能指标也是我们要考虑的重要参数。采用误差绝对值时间积分性能指标作为参数选择的最小目标函数可以获取满意的过渡过程动态特性。
J=e（t）dt（6）
③进行选择操作。采用轮盘赌（roulette wheel）选择方式，此方式首先要计算个体的适应值，为了求出该个体在选择过程中被选中的概率，必须计算此适应值在群体总适应值中所占的比例。
④变异与交叉操作。本文利用式（2）、式（3）来分别计算出交叉、变异概率Pc，Pm。采用此种方法克服了常规根据经验选取交叉、变异参数造成未成熟收敛的缺点。
⑤终止条件。选取固定的迭代次数（一般M=100）。直到达到较满意的结果为止。
3 仿真试验及其结果分析
针对上述整定方法，本文应用前面建立的溶解氧过程模型对其进行仿真研究。我们首先用前面介绍的Ziegler-Nichols设定法、临界灵敏度法、ISTE最优设定方法对模型PID参数进行整定，然后选用遗传算法与它们对比。这里遗传算法种群数目均选为30，迭代次数选的是100次，交叉概率和变异概率按上述步骤中提到的公式进行计算得到。这里Kp，Ki，Kd 的取值范围为：Kp[0，4]，Ki[0，2]，Kd[0，1]。得到如图3所示的仿真曲线。
由上述仿真结果可以看出，采用遗传算法对PID的参数进行优化后，系统能较快的跟随设定值，而且超调明显减小，调节时间也有所缩短，使系统能在一个整体性能较好的条件下工作。要想将此PID整定算法应用到实际的控制过程中，必须编写遗传算法PID程序，由于控制现场的PLC不适合做复杂的运算，因此本文将此算法用WinCC监控软件的C脚本语言来实现，WinCC软件通过PLC采集控制系统误差根据文中算法计算出控制量后输出给PLC，PLC 控制现场设备。仿真结果表明，该方法比传统的PID参数整定方法有明显的优势，能够应用到溶解氧的控制当中。
作者简介：王威（1982-），女，辽宁鞍山人，研究生，讲师研究方向：自动控制。
基于遗传算法的PID整定原理及matlab仿真程序
%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)=*ones(1); MinX(3)=zeros(1); MaxX(3)=*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); % fi=Cm-Ji;
智能PID控制综述
智能PID控制综述
密封线 智能PID控制综述 摘要传统的PID控制应用于复杂的实际系统时存在一定的局限性，因而智能 PID控制器是当今研究的热点。融合了先进智能控制思想和传统PID构成的智 能PID控制器则具有更加良好的特性。文中对几种常见的智能PID控制器,包 括模糊PID、神经网络PID、专家PID控制器及基于遗传算法的PID控制器等进 行了综述。 关键词 PID控制器智能控制智能PID 一、引言 PID控制[1-10,51-52]作为经典控制算法中的典型代表，是一种传统的控制方式。1922年 N.Minorsky 提出PID控制方法，1942年美国Taylor仪器公司的J.g.ziegler和 N.B.Nichols提出PID参数[1]的最佳调整法至今，其在工业控制中的应用已十分广泛[2-4]。PID控制具有结构简单、参数物理意义明确和鲁棒性强等特点。PID控制器[5-9]对系统给定值()r t同系统输出值()y t的偏差()e t分别进行比例、积分、微分运算，并由此得到其输出值()u t，计算公式为：
密 封 线 0()()()()()t P L D de t u t K e t K e t d t K dt =++? 式中P K 为比例系数;L K 为积分系数；D K 为微分系数。P K 、L K 、D K 可对系统的稳定性、稳态精度、响应速度和超调量等性能产生影响，它们的作用分别为：(1)比例系数P K 可以加快系统的响应速度，提高系统的调节精度。系统的响应速度和调节精度同P K 呈正相关，但P K 过大则会产生超调，使系统不稳定，P K 过小则会使响应速度变慢，使系统静、动态特性变坏。 (2)积分作用系数L K 可以消除系统的稳态误差。L K 越大，系统静差就会越快消除。但L K 过大会在响应过程产生较大超调，产生积分饱和现象。L K 过小则会使系统稳态误差不易消除，影响调节精度。(3)微分作用系数D K 可以改善系统的动态性能。但D K 过大
基于遗传算法的PID控制器参数优化
基于遗传算法的PID控制器参数优化 遗传算法是一种模拟生物进化过程的智能算法，适用于解决优化问题。在PID控制器设计中，参数的选择对控制系统的性能和稳定性有很大影响。使用遗传算法对PID控制器参数进行优化，能够自动找到最优参数组合， 提高系统的控制性能。 PID控制器由比例（P）、积分（I）、微分（D）三个部分组成，其 输出是通过对误差的线性组合得到的。参数的选择直接影响控制器的稳定性、动态响应和抗干扰能力。传统的方法通常是通过试错法进行参数整定，这种方法的缺点是效率低、调试过程繁琐且容易出错。 遗传算法是一种模拟自然界进化过程的智能优化算法，其中每个个体 代表一组可能的参数，通过适应度函数来衡量个体的适应度，并选择适应 度较高的个体进行遗传和变异操作，最终找到适应度最优的个体。 将遗传算法应用于PID控制器参数优化的步骤如下： 1.确定优化目标：通过设置适应度函数来度量控制系统的性能指标， 如超调量、调整时间和稳定性。 2.初始化种群：随机生成一组初始参数作为初始种群，并利用适应度 函数来评估每个个体的适应度。 3.选择操作：根据适应度选择一部分适应度较高的个体作为父代，通 过选择操作进行选择。 4.交叉操作：将选中的父代进行交叉操作，生成新的子代个体。 5.变异操作：对子代进行变异操作，引入新的个体差异。 6.评估适应度：利用适应度函数评估新生成的子代个体的适应度。
7.判断终止条件：判断是否满足终止条件，如达到最大迭代次数或找到满足条件的解。 8.更新种群：根据选择、交叉和变异操作的结果，更新种群。 9.重复步骤3-8，直到满足终止条件。 10.输出最优解：输出适应度最好的个体参数作为PID控制器的优化参数。 使用遗传算法进行PID控制器参数优化有如下优点： 1.自动化：遗传算法能够自动寻找最优参数组合，减少了人工试错的过程。 2.全局：遗传算法具有全局的能力，能够参数空间的各个角落，找到更好的解决方案。 3.鲁棒性：遗传算法能够处理多变量、多模态和不连续的问题，具有较好的鲁棒性。 4.可扩展性：遗传算法能够很容易地扩展到多目标优化和约束优化问题。 总之，基于遗传算法的PID控制器参数优化方法能够自动寻找控制系统的最优参数组合，提高系统的控制性能和稳定性。通过合理设置适应度函数和调整优化算法的参数，可以取得理想的优化效果。遗传算法在工程领域中被广泛应用于系统参数的优化设计，帮助工程师提高系统的性能和稳定性，节省调试时间和成本。
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
基于自适应遗传PID算法的溶解氧(DO)浓度控制
基于自适应遗传PID算法的溶解氧（DO）浓度控制 作者：王威 来源：《中小企业管理与科技·下旬刊》2015年第11期 摘要：曝气池溶解氧（DO）是一个重要的运行参数。采用自适应遗传PID算法实现溶解氧浓度控制具备在线调整功能，可以动态适应工况变化，取得良好的控制效果。 关键词：自适应;PID;DO 曝气池溶解氧（DO）在污水处理中是一个重要运行参数，理论分析，当溶解氧达到 0.3mg/L就不会影响水中微生物的生理功能。考虑到水质及水量变化波动情况，通常保证入口处为0.5-1mg/L，出口处为2-3mg/L。按溶解氧数值控制风量是目前比较理想的控制方法。在城市生活污水停留时间内需要氧气（或空气）数量与污水的水质指标有关，如SS（悬浮物）、COD（化学需氧量）、BOD （生物需氧量）、水量及水温等。根据工艺理论分析，通过经验公式计算可以得到鼓风量的理论值。在实际运行时，能够根据进水的水质和水量的变化对鼓风量作出调整。实际工作中，需要通过实验得到污水水质指标。测定一些指示需很多时间，如测量COD需要数小时，测量BOD甚至需要几天时间，这不利于进行实时控制。实际工程应用中，对于连续流动的曝气池，只要污水在曝气池出口的溶解氧浓度保持在某一设定值，就可以不考虑水质、水量、水温等扰动的变化，从宏观上能较好地满足菌胶团繁殖和有机物分解的需要，从而保持污泥活性，保证污水的连续处理。为达到可靠的控制，可参数间的关系是：污水中溶解氧含量的偏差与曝气量的增量（或减量）成反比，即当溶解氧值偏小时，向大调节气量;反之亦然。当我们在实际中，曝气量值的设定是根据工艺理论值为参考的，经溶解氧反馈信号比较后，再根据偏差大小的结果随时对气量的多少进行调节，从而确保了污水的溶解氧值可以维持最初设定值内。下面是国内污水处理厂设计当中常采用的控制方案。
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
基于遗传算法的PID整定原理及matlab仿真程序
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（通用算法）程序优化EPID参数；closeall； globalrinyouttimef 尺寸=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（大小，1）；kpid（：，2）=minx（2）+（maxx（2）-minx（2））*rand（大小，1）；kpid（：，3）=minx（3） +（maxx（3）-minx（3））*rand（大小，1）； g=100;bsj=0; %***************开始转动***************分叉g=1:1:g time(kg)=kg; %******步骤1:evaluatebestj****fori=1:1:sizekpidi=kpid（i，：）； [kpidi,bsj]=chap5_2f(kpidi,bsj); bsji（i）=bsj；终止 [oderji,indexji]=sort(bsji);bestj(kg)=oderji(1);bj=bestj(kg); ji=bsji+1e-10；%避免变零 fi=1./ji; %cm=最大值（ji）； %fi=cm-ji; [oderfi，indexfi]=排序（fi）；%排列Fismalltobiggerbestfi=oderfi（大 小）；%letbestfi=最大值（fi） bests=kpid(indexfi(size),:);%letbests=e(m),mistheindexfibelongtomax(fi) kgbjbests
基于遗传算法的PID控制器在直流调速系统中的应用 自动化专业毕业设计 毕业论文
基于遗传算法的PID控制器在直流调速系统中的应用自动化专业毕业设计毕业论文
目录 第1章绪论 (2) 1.1 PID控制系统研究的重要意义 (2) 1.2 PID控制系统参数整定的研究状况 (2) 1.3本论文的研究方向和主要工作 (3) 第2章PID控制参数整定方法 (5) 2.1 PID控制原理 (5) 2.2 常用PID参数整定方法及缺点 (6) 2.3 PID控制参数整定的常见方法 (6) 第3章遗传算法的概述 (8) 3.1遗传算法的发展史 (8) 3.2遗传算法的基本原理 (8) 3.2.1遗传算法的基本操作 (8) 3.2.2遗传算法的主要特点 (9) 3.3遗传算法的优化设计 (10) 3.3.1遗传算法的运算过程 (10) 3.3.2遗传算法的构成要素 (11) 3.3.3遗传算法的应用步骤 (11) 3.4遗传算法的应用 (12) 第4章基于遗传算法的PID整定 (14) 4.1基于遗传算法的PID参数整定优点 (14) 4.2基于遗传算法的PID整定的实现 (15)
4.2.1编码和解码 (15) 4.2.2初始种群的确定 (15) 4.2.3适配函数的确定 (15) 4.2.4遗传算子的确定 (16) 4.2.5遗传算法的操作 (16) 4.2.6利用遗传算法优化PID控制参数 的具体步骤 (17) 4.3 基于遗传算法的PID整定的程序设计 (17) 4.3.1 遗传算法复制算子的实现 (17) 4.3.2 遗传算法交叉算子的实现 (18) 4.3.3 遗传算法变异算子的实现 (18) 第5章基于遗传算法的PID参数的寻优设计及仿真 (20) 5.1 基于遗传算法的直流调速系统 (20) 5.1.1直流调速系统的简单介绍 (20) 5.1.2 直流电动机的数学模型 (22) 5.1.3 基于遗传算法的PID参数的整定 的具体步骤 (24) 5.2仿真结果 (26) 5.3遗传算法整定PID参数的程序 (26) 结论 (35)
最新基于遗传算法的PID整定
基于遗传算法的P I D 整定
一、基于遗传算法的PID整定 PID控制是工业过程控制中应用最广的策略之一，因此PID控制器参数的优化成为人们关注的问题，它直接影响控制效果的好坏，并和系统的安全、经济运行有着密不可分的关系。目前PID参数的优化方法有很多，如间接寻优法、梯度法、爬山法等，而在热工系统中单纯形法专家整定法则应用较广。虽然这些方法都具有良好的寻优特性，但存在着一些弊端，单纯形法对初值比较敏感，容易陷入局部最优化解，造成寻优失败。专家整定法则需要太多的经验，不同的目标函数对应不同的经验，而整理知识库则是一项长时间的工程。因此我们选取了遗传算法来进行参数寻优，该方法是一种不需要任何初始信息并可以寻求全局最优解的、高效的优化组合方法。 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，且克服了单纯形法参数初值的敏感性。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（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客服以上问题。 （2）与专家整定相比，它具有操作方便、速度快的优点，不需要复杂的规则，只通过字串进行简单地复制、交叉、变异，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及搜索的盲目性，从而使寻优速度更快，避免了过早陷入局部最优解。 （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。 二、基于遗传算法的PID整定原理 1、参数的确定及表示 首先确定参数范围，该范围一般是由用户给定，然后由精度的要求，对其进行编码。选取二进制字串来表示每一个参数，并建立与参数间的关系，再把二进制串连接起来就组成一个长的二进制字串，该字串为遗传算法可以操作的对象。 2选取初始种群 因为需要编程来实现各过程，所以采用计算机随机产生初始种群，针对二进制编码而言，先产生0~1之间均匀分布的随机数，然后规定产生的随机数 0~0.5之间代表0，0.5~1之间代表1。此外，考虑到计算的复杂程度来规定种群的大小。 3、适配函数的确定 一般的寻优方法在约束条件下可以求得满足条件的一组参数，在设计中是从该组参数中寻找一个最好的。衡量一个控制系统的指标有三个方面，即稳定
自适应 PID 控制器的设计及应用
自适应 PID 控制器的设计及应用 在工业生产和自动控制领域中，PID 控制器是一种常用的控制算法。PID 循环 控制器通过比较系统实际输出值和理想输出值之间的差异，并通过调节控制器的输出来达到最终的控制目标。然而，PID 控制器对于非线性系统和负载变化敏感性较高，需要手动调整参数，调参过程耗时长，因此PID 控制器的应用受到了一定的 限制。 自适应 PID 控制器则是一种应对上述问题的解决方案，它采用自适应控制算法，并结合经验模型、神经网络等方法，自动地调整 PID 控制器的参数，从而适应复 杂的工业生产和自动控制环境。接下来我们将探讨自适应 PID 控制器的设计及应用。 自适应 PID 控制器的概念 自适应控制理论是 20 世纪上半叶发展起来的一种创新类型控制系统，在自动 控制和工业生产领域得到了广泛应用。自适应控制是一种控制系统，通过及时测量和分析控制对象的响应，结合动态模型和智能算法，实现系统自身结构调整和参数优化的过程。 自适应 PID 控制器是基于 PID 算法的自适应控制系统的一个重要代表。自适应PID 控制器的基本思想是，根据控制器的响应和控制对象的状态，自动调节 PID 控制器的参数，从而达到最优控制策略。 传统 PID 控制器仅仅考虑了系统误差，而忽略了系统参数变化和环境因素对控 制效果的影响，自适应 PID 控制器则是基于这一观察提出的。自适应 PID 控制器 通过监控系统的响应和状态，实时调整 PID 控制器的三个参数，即 P（比例系数）、I（积分系数）和 D（微分系数）系数，以使控制系统更加精确、稳定和动态响应 更好。 自适应 PID 控制器的设计
好氧发酵过程中溶氧的影响因素和控制策略
好氧发酵过程中溶氧的影响因素和 控制策略 作者：*** 单位：河北天俱时自动化科技有限公司 2009年4月10日
好氧发酵过程中溶氧的影响因素和控制策略 刘伟 河北天俱时自动化科技有限公司 摘要：好氧发酵过程中溶氧检测值受多种参数的影响，包括生物代谢过程本身，也包括外部补料、通风量等，为了保证发酵过程中合适的溶解氧含量，对溶氧值进行控制，本文分析了溶氧检测值的影响因素，并指出溶氧控制的一般性控制策略。 关键词：好氧发酵，溶氧调节 一、引言 好氧发酵过程溶氧浓度（DO）是一个非常重要的发酵参数，它既影响细胞的生长，又影响产物的生成。控制发酵液溶氧值一方面可以改善微生物的生长代谢环境，有效促进发酵单位的提高，另一方面还可以起到节能降耗的作用，对企业生产意义重大。 二、影响因素 通常情况下，对发酵液溶氧参数影响较大的几个物理参数包括：通风量、搅拌转速、发酵罐温度、压力等。 通风量的影响 通风量的影响是最直观的，溶氧值大小的影响最主要的是进入发酵罐的氧的量，因为在好氧发酵过程中，如果截断进风的补给发酵液中的氧很快将被微生物消耗掉，通常在进风管道上安装调节阀门进行进风流量的调节。 搅拌的影响 由于溶氧电极在工作中存在明显的电流，自身消耗大量的氧。电
极的信号与氧向电极表面传递的速率成比例，而氧的传递速率则受氧跨膜扩散速率控制。这一速率与发酵液的浓度成比例，其比值（以及电极的校准）取决于总的传质过程。电极的一般工作条件是，氧向膜外表面的传递速率很快且不受限制。因此整个过程受跨膜传递的限制，比例常数（传质系数）较易维持恒定。发酵实验时搅拌操作可以获得满意的跨膜传递速率。需要指出，在对电极进行最初校准的过程中，必须对发酵罐进行搅拌。 温度的影响 溶氧电极的信号随温度的升高而显著增强，这主要是因为温度影响氧的扩散速率。发酵实验过程中需控制发酵罐的温度，因为即使0.5℃左右的温度变化，也会使电极信号发生显著变化（超过1%）。溶氧读数的周期性变化（每隔若干分钟观察1次）显示了温度波动的影响，而且较大的温度变化能引起校准的较大漂移。因此在实验过程中改变温度控制时要格外注意。在以发酵罐的操作温度进行控制以前，需对溶氧电极进行校准。考虑到上述影响的存在，一些溶氧电极带有温度传感器等仪表，以实现自动温度补偿。此外，对于具有计算机监控的发酵罐，可利用来自独立的温度传感器的信号，由相关软件实现温度补偿。 压力的影响 压力变化会影响溶氧电极的读数，尽管这实际上反映了溶氧的变化情况。电极的响应主要由溶液的平衡氧分压确定。读数通常表示为大气压下空气的饱和度（%），100%的溶氧张力（DOT）约相当于160mmHg（1mmHg≈133Pa）的氧分压。如果发酵液的平衡气体总
基于卡尔曼滤波遗传PID的黄酒发酵溶氧控制
基于卡尔曼滤波遗传PID的黄酒发酵溶氧控制 邵金涛;熊伟丽;徐保国 【摘要】黄酒发酵溶氧控制系统是一个多干扰的、时变的、非线性的不稳定系统.提出了一种新的黄酒发酵溶氧控制方法,在Labview组态软件、西门子PLC300和溶氧传感器所组成的溶氧系统上,引入卡尔曼滤波遗传PID控制策略,实现溶氧PID 控制参数的在线整定.应用卡尔曼滤波减小控制干扰和测量噪声对系统造成的影响,并用Matlab进行仿真实验.仿真结果表明,该控制方法对被控对象的适应性好,抗干扰能力强,具有较强的鲁棒性和较快的收敛速度.%The Dissolved Oxygen (DO) control system for rice wine fermentation is an unstable system with multi-disturbance, time-varying and nonlinearity.A novel DO control method is proposed.The system is based on Labview, SIMATIC PLC300 and sensors, the Kalman filtering and Genetic PID control strategy are introduced.The PID control parameters are tuned by genetic algorithm on line, while a Kalman filter is used to reduce the impact of control interference and noise on system.Finally, a simulation experiment is performed by Matlab, and simulation result shows that the control method not only has a good adaptability and Anti-disturbance but also has strong robust ability and fast convergent rate. 【期刊名称】《计算机系统应用》 【年(卷),期】2011(020)004 【总页数】4页(P114-117)
自适应PID控制算法
自适应PID控制算法 自适应PID控制算法是一种通过自动调整PID控制器参数来实现更好 控制效果的算法。传统的PID控制器在设计时需要根据系统的特性手动调 整P、I、D三个参数来达到期望的控制效果。然而，实际系统往往具有复 杂的非线性特性，这使得传统PID控制器的参数不一定能够适应系统的变化。因此，自适应PID控制算法的出现弥补了传统PID控制器的不足之处。 首先，自适应PID控制算法需要提前设置一个PID控制器的模型。这 个模型可以是一个线性模型，也可以是一个非线性模型。模型的选择将会 直接影响到自适应PID控制的精确度和鲁棒性。 接下来，通过对系统控制过程的采样和实时反馈的误差信号，用检测 器对当前PID控制器的模型进行参数估计。参数估计的方法可以采用最小 二乘法、最大似然估计等统计学方法。通过比较估计值和实际值的差距， 算法可以得到一个误差的度量值，即误差度量函数。 然后，利用误差度量函数对PID控制器进行参数调整。通过最小化误 差度量函数，自适应PID控制算法可以自动调整PID控制器的参数，使其 能够更好地适应系统的非线性特性。常见的调整方法有：梯度下降法、遗 传算法等。 最后，通过不断地采样和实时反馈的误差信号，不断地进行参数估计 和参数调整，自适应PID控制算法可以实现对系统动态特性的自适应调节。这使得系统能够更好地应对随时间变化的环境和扰动。 自适应PID控制算法的优点在于，它能够根据系统实际情况自动调整PID控制器的参数，从而提高系统的鲁棒性和控制精度。它不需要人工干
预，具有很高的智能化。同时，自适应PID控制算法也需要一定的理论基础和计算能力支持，因此在实际应用中需要适当权衡。 综上所述，自适应PID控制算法是一种通过自动调整PID控制器参数来实现更好控制效果的算法。通过采样和实时反馈的误差信号，算法可以对PID控制器的模型进行参数估计，并利用误差度量函数进行参数调整，从而实现对系统动态特性的自适应调节。自适应PID控制算法具有很高的智能化和鲁棒性，适用于复杂的非线性系统控制。
自适应控制中PID控制方法
自适应PID 控制方法 1、自适应控制的理论概述 设某被控对象可用以下非线性微分方程来描述： '()((),(),,) ()((),(),,)x t f x t u t t y t h x t u t t θθ== （1-1） 其中x （t)，u （t ）,y （t ）分别为n ，p,m 维列向量。假设上述方程能线性化、离散化，并可得出在扰动和噪音影响下的方程： (1)(,)()(,)()()()(,)()() X k k X k k U k k Y k H k X k V k θρθωθ+=Φ++=+ （1-2) X(k ）,X （k)，U(k ），Y(k)，V （k)分别为n ，n ，p ，m,m 维列向量；(,)k θΦ、(,)k ρθ、(,)H k θ分别为n ×n 系统矩阵、n ×p 控制矩阵、m ×n 输出矩阵。那么自适应控制就是研究：在矩阵(,)k θΦ,(,)k ρθ，(,)H k θ中的参数向量,随机{()k ω}，{v(k ）}的统计特性及随机向量X(0）的统计特性都未知的条件下的控制问题，也就是说自适应控制的问题可归结为在对象及扰动的数学模型不完全确定的条件下，设计控制序列u(0)，u(1）,…，u （N — 1），使得指定的性能指标尽可能接近最优和保持最优。 自适应控制是现代控制的重要组成部分,它同一般反馈控制相比有如下突出特点： (l)一般反馈控制主要适用于确定性对象或事先确知的对象，而自适应控制主要研究不确定对象或事先难以确知的对象。
(2）一般反馈控制具有抗干扰作用，即它能够消除状态扰动引起的系统误差，而自适应控制因为有辨识对象和在线修改参数的能力，因而不仅能消除状态扰动引起的系统误差，还能消除系统结构扰动引起的系统误差。 （3）自适应控制是更复杂的反馈控制,它在一般反馈控制的基础上增加了自适应控制机构或辨识器,还附加了一个可调系统" 1.1模型参考自适应控制系统 模型参考自适应控制系统由参考模型、反馈控制器、自适应机构及被控对象组成.此系统的主要特点是具有参考模型，其核心问题可归纳为如何确定自适应调节律及算法。目前设计自适应律所采用的方法主要有两种：局部参数最优法,如梯度算法等，该方法的局限性在于不一定能保证调节过程总是稳定的；基于稳定性理论的设计方法，如Lyapunov稳定性理论和Popov超稳定性理论的设计方法。 1.2自校正调节器 自校正调节器可分为设计机构、估计器、调节器及被控对象4个部分.此控制器的主要特点是具有在线测量及在线辨识环节,其核心问题可归纳为如何把不同参数估计算法与不同控制算法相结合。根据参数估计算法与控制算法相结合的情况把自校正控制分为：最小方差自校正控制，其特点是算法简单、易理解、易实现，但只适用于最小相位系统，对靠近单位圆的零点过于灵敏，而且扰动方差过大时调节过程过于猛烈；广义最小方差自校正控制,可用于非逆稳系统，但难以实现;基于多步预测的自适应控制，适用于不稳定系统等，具有易实现、鲁棒性强的优点；自校正极点配置控制,具有动态性能好、无控制过激现象的特点,但静态干扰特性差;自校正PID控制,具有算法简单、鲁棒性强、待定参数少的特点;增益调度控制,优点是参数适应快,缺点是选择合适的列表需要大量的仿真实验,另外离线的计算量大。
基于遗传算法的FNN-PID控制技术在溶解氧控制中的应用
基于遗传算法的FNN-PID控制技术在溶解氧控制中的应用衷卫声;马红杰;万滔;王汶海 【摘要】This paper proposed a auto-tuning parameter of fuzzy PID control system based on the structure of multi -layer neutral net-work. In this system, the determination of membership functions and rules of fuzzy inference translated into the optimization problem of con-nection weight coefficient and network structure in neutral network. Taking the minimum deviation of DO as the objective function, this pa-per used the improved Genetic Algorithm as the learning algorithm of fuzzy neutral network to optimize the parameter and structure of net-work. This method realized the online auto-tuning of PID parameter. Finally, by simulations, the results showed that this method greatly enhanced the self - learning capability and robustness of the system, and improved the dynamic and static performance of the control system.%构建一种基于多层神经网络结构的模糊PID参数自整定系统,将模糊规则和隶属甬数的选取转化为神经网络中连接权系数和网络结构的优化问题；以氧化沟内溶解氧偏差最小为目标函数,采用改进的遗传算法作为模糊神经网络的学习算法对网络的参数和结构进行优化,实现PID参数的在线自整定；仿真实验表明此方法较好地提高了氧化沟溶解氧系统的自学习能力和鲁棒性,使控制系统的动、静态性能都有较大的改善. 【期刊名称】《计算机测量与控制》 【年(卷),期】2011(019)008 【总页数】4页(P1908-1911)
自适应遗传算法
自适应遗传算法 一.主要流程： 1. 参数的初始化。设定遗传种群规模N ，阵元数M ，信源数P 等。 2. 编码。采用十进制编码方法。 3. 初始种群的产生。随机数生成。 4. 适应度函数的评价。选取 ()() R P ΘA ) tr f = （1） 其中， H 1H )(A A A A P A -= （2） P A 是A 的投影矩阵，A 是阵列流型。 ∑==L i L 1 H 1XX R ) （3） R ) 是数据协方差矩阵的最大似然估计。 5. 选择。比例选择方法与精英选择方法结合使用，在当代种群中选择优良个体遗传到下一代。既保证了种群的多样性，也使最优个体得以保留。 1）比例选择方法（赌轮盘法）：每个个体被选中的概率与它的适应度函数值大小成正比，即适应度函数越高的个体被选中的概率也就越高。 2）精英选择方法：让种群中适应度函数值最高的个体不进行配对交叉，直接复制到下一代中。但是容易陷入局部最优解，全局搜索能力差。 6. 交叉。按照概率P c 对种群中个体两两配对，进行交叉操作。本文中选取算数交叉的方式。 算数交叉：是由两个个体的线性组合来产生新的个体，假设第t 代的两个个体为A (t)、B (t)，则算数交叉后产生的新个体是 ()()()()t t t A B A αα-+=+11 （4） ()()()()t t t B A B αα-+=+11 （5） 其中，α选取（0，1）之间的随机数。 交叉概率：使交叉概率随着遗传代数的增长，逐渐减小，目的是进化前期注重交叉运算，全局搜索能力强。 2.02cos *4.0+⎪⎭ ⎫ ⎝⎛*=πK T P c （6） 其中，T 是进化代数，K 是总进化次数。 7. 变异。按照概率P m 对种群个体进行变异。本文中选取均匀变异的方式。 均匀变异：如某基因座上的基因值为X k ，其取值范围为[Umin,Umax],对其进行变异后的值为 )U -r(U +U =X min max min k （7）
自适应pid控制算法代码
自适应pid控制算法代码 以下是自适应PID控制算法代码： // 定义PID参数 float kp = 0.5; float ki = 0.2; float kd = 0.1; // 定义自适应参数 float alpha = 0.01; // 学习速率 float beta = 0.005; // 惯性系数 float gamma = 0.1; // 目标差异系数 // 初始化变量 float last_error = 0; float error = 0; float derivative = 0; float integral = 0; float output = 0; // PID控制函数 float PID_control(float setpoint, float input) { // 计算误差 error = setpoint - input; // 计算P、I、D integral = integral + error; derivative = error - last_error; output = kp * error + ki * integral + kd * derivative; // 更新自适应参数 alpha = alpha + beta * (error - gamma * output) * output; // 更新上一次误差 last_error = error;
// 输出控制量 return output + alpha; } 注意：本文提供的代码仅为示例，具体实现需要根据具体情况进行修改和优化。同时，为了避免代码被用于非法用途，请勿在任何场合将其用于违法行为。
(完整word版)三容水箱液位控制系统的PID
目录 目录 (1) 摘要 (3) 第一章概论 (5) 1.1 课题来源 (5) 1.2 水箱控制策略的研究 (5) 1。3 本文研究课题 (6) 第二章三容水箱系统简介及数学模型 (7) 2。1 三容水箱系统的总体结构及工作原理 (7) 2。1。1 三容水箱试验系统的总体结构 (7) 2。1。2 三容水箱试验台控制结构的组成 (8) 2.1。3 单入单出一阶对象的结构 (9) 2.2 三容水箱系统的特点 (10) 2。3 实验建模法推导三容水箱系统的数学模型 (10) 2。4 系统的性能分析 (12) 2。5 本章小结 (15) 第三章基于三容水箱系统的PID控制算法研究 (15) 3。1 PID控制原理简介 (15) 3。2 基于Z—N的算法实现 (17) 3。2。1 数字PID控制算法简介 (17) 3。2。2 积分分离PID控制算法 (18) 3。2.3 基于Z—N整定法的Kp、Ki、Kd控制参数整定 (20) 3.3 基于遗传算法的PID控制的设计 (23) 3。3.1 遗传算法简介 (23) 3。3.2 基于遗传算法PID参数整定的算法设计 (25) 3。4 适应度目标函数讨论 (31) 3。5 基于自适应遗传算法改进的PID参数整定 (32) 3.5.1 自适应遗传算法 (32) 3。5。2 基于自适应遗传算法求解最优化模型 (34) 3.6 基于自适应遗传算法的改进 (36) 3.7 本章小结 (38) 第四章总结 (38) 4.1 结论 (38) 4.2 后续工作 (39)
参考文献 (39) 致谢 (40) 附录1 常规遗传算法PID整定程序 (41) 附录2 计算目标函数值的子程序chap5-3f.m (48) 附录3 基于自适应遗传算法的PID整定程序 (50) 附录4 快速仿真曲线程序 (56)