Пропорционально-интегрально-дифференциальный (ПИД – PID) метод управления используется во многих приложениях промышленного управления, что имеет свои ограничения для оптимизированного управления. Вычисленные вручную настройки контроллера с использованием фиксированных формул адекватно обеспечивают лишь базовое управление, но не годятся для нелинейного процесса с различными рабочими уровнями. Оптимизационный анализ с помощью метаэвристического подхода позволил получить наилучшие решения и доказал свою надежность в обеспечении лучших значений регулятора. Тем не менее, оптимизационный анализ может дать плохой результат, если во время его проведения настройки определяющих параметров не корректируются должным образом.
ПИД-регулирование предназначено для управления переменной процесса (process variable, PV) для получения новой установившейся ситуации из-за изменения заданного значения регулируемой величины (уставки) (Set point, SP) или нагрузки в регулируемых контурах. ПИД выполняет три условия управления, которые включают пропорциональный коэффициент усиления (Kc), интегральный коэффициент усиления (Ki) и дифференциальный коэффициент усиления (Kd) [1]. Kc определяет пропорцию реакции контроллера на изменения SP на основе физического поведения процесса, поддерживает перевод PV в новое установившееся состояние, устраняя кумулятивную установившуюся ошибку, возникающую в результате пропорционального действия. С другой стороны, Kd предсказывает ошибочное поведение, чтобы предопределить дополнительное управление до того, как в управляемом контуре сформируется новая ошибка процесса [2]. Ручная настройка контроллера с использованием может не дать удовлетворительного управления и во многом зависит от опыта и профессиональных навыков [3] в повторной настройке, если есть какие-либо незначительные изменения в структуре физической модели [4]. Кроме того, применяемые формулы при расчете плохо учитывают изменение как SP, так и нагрузки [5] в различных режимах работы нелинейных управляемых процессов.
Для самого контроллера одновременная настройка трех элементов управления как единого целого представляет собой сложную задачу, поскольку специалистам-практикам необходимо комбинировать соответствие между всеми тремя условиями для получения эффективных операций управления. Настройка возможна с помощью детерминированного и метаэвристического анализа оптимизации. Наиболее известный детерминированный подход или рассчитываемые вручную настройки контроллера охватываются методами Циглера-Николса (ZN). Тем не менее, ZN целесообразно использовать только в процессах с небольшим запаздыванием и в моделях более низкого порядка [6]. С другой стороны, система управления с внутренней моделью (Internal Model Control, IMC) является еще одним распространенным вариантом, при котором степень его воздействия регулируется в соответствии с ожиданиями пользователей в отношении управления скоростью в их приложениях [7], но все же ставит под угрозу оптимальное управление как для SP, так и для изменения нагрузки [8].
Для систем управления электродвигателями, в частности, бесщеточным двигателем постоянного тока (БДПТ) PID является одной из самых классических стратегий управления. Как правило, P (пропорциональное), I (интегральное) и D (дифференциальное) могут принимать множество форм. Например, PI, PD, PID были успешно реализованы в управлении скоростью БДПТ [9, 10]. Хотя традиционная ПИД-структура может быть легко реализована в системе управления двигателем, ее недостатки, такие как недетерминированные параметры и нелинейные проблемы, приводят к тому, что система не может достичь оптимального эффекта управления. Поэтому выдвигается множество интеллектуальных алгоритмов оптимизированных ПИД-регуляторов.
Обычно ПИД-регулятор является оптимальным выбором для управления скоростью БДПТ из-за его простоты, высокой надежности и широкой применимости [11, 12]. В [13], ПИ-регулятор для БДПТ предлагается для улучшения чувствительности и уменьшения выброса скорости за счет увеличения пропорционального усиления. Однако из результатов моделирования видно, что превышение скорости отклика в условиях нагрузки все еще заметна. Из-за различных неопределенностей и нелинейности в структуре ПИД-регулятора возникают трудности с определением коэффициента усиления ПИД-регулятора, что снижает производительность системы управления [14]. Поэтому ученые предложили большое количество интеллектуальных алгоритмов, таких как алгоритм метаэвристической оптимизации, нечеткая логика, алгоритм дифференциальной эволюции и глубокая нейронная сеть, для повышения надежности системы управления [11, 12, 15-18]., Более того, методы, основанные на нечеткой логике, в большинстве случаев обеспечивают лучшие результаты, чем алгоритмы управления нейронными сетями и скользящим режимом, благодаря их автономному обучению и явлению колебаний (chattering phenomenon) [16, 19-21].
В [22] управление скоростью БДПТ сравнивается и реализуется с использованием традиционных ПИ-регуляторов и нечетких ПИ-регуляторов, а нечеткий ПИ-регулятор улучшается по сравнению с обычным ПИ-регулятором с точки зрения времени нарастания и времени установления в условиях холостого хода и нагрузки. В [23] представлен ПИ-регулятор для регулирования скорости синхронного двигателя с постоянными магнитами. Усиление ПИ-регулятора адаптивно регулируется с помощью контроллера с нечеткой логикой для обеспечения эффекта, и из результатов видно, что нечеткий ПИ-регулятор превосходит ПИ-регулятор при наличии изменений механических параметров, возмущений нагрузки и т. д. видно из [20, 21] что все параметры основаны на контроллере с нечеткой логикой.
Хотя эффективность контроллера с нечеткой логикой зависит от коэффициента пропорциональности его входа и выхода, он также влияет на системы управления. Чтобы преодолеть эти проблемы, некоторые интеллектуальные алгоритмы, такие как генетические алгоритмы, оптимизация роя частиц и другие алгоритмы, используются для настройки коэффициента пропорциональности и оптимизации постоянных параметров ПИД-регулятора и контроллера с нечеткой логикой [24-28] .
В [24], коэффициент масштаба ПИД-регулятора на основе нечеткой логики регулируется генетическим алгоритмом и применяется для управления скоростью БДПТ. Экспериментальные результаты показывают, что реакция скорости является неопределенной из-за изменения нагрузки. В [25] коэффициент PI регулятора скорости БДПТ также оптимизирован с использованием генетического алгоритма. Однако отклик скорости имеет большой выброс в переходной фазе и большие колебания в установившейся фазе. В [26] генетический алгоритм используется для оптимизации базы правил и функции принадлежности нечеткого ПИД-регулятора, и его превосходство проверяется в условиях холостого хода и переменной скорости, но его установившаяся ошибка немного больше и нуждается в дальнейшем улучшении. В [27], алгоритм роя частиц применяется к ПИД-регулятору системы привода постоянного тока.
Моделирование и экспериментальные результаты показывают, что отклик скорости имеет большие гармонические колебания в установившемся режиме. Кроме того, существуют неопределенности из-за изменения нагрузки. В [29] авторы используют новую нейронную сеть глубокого персептрона с нечеткой регулировкой ПИД-регулятора для управления скоростью БДПТ. Экспериментальные результаты показывают, что предложенный контроллер обладает хорошей надежностью и стабильностью для обеспечения точной работы двигателя.
Однако итерация его обучающей сети действительно является трудоемким процессом, и ее все еще необходимо улучшить. В [30], представлен нечеткий контроллер класса II, основанный на нейронном обучении вейвлетов, для реализации эффективного управления БДПТ на заданной скорости. Этот режим управления может хорошо реализовывать отслеживание скорости на холостом ходу, при полной нагрузке и в условиях переменной нагрузки, но его установившуюся ошибку и скорость отклика все еще необходимо улучшить.
Gobinath с соавтор. [31, 32] использовал нейронные сети для оптимизации ПИД-контроллеров. Несмотря на то, что производительность управления улучшена, процесс обучения нейронной сети осуществляется онлайн или офлайн, с высокой вычислительной сложностью и низкой скоростью отклика. Dat с соавтор. [33, 34] используют алгоритм оптимизации роя частиц для определения параметров регуляторов ПИД-структуры, и эффективность управления значительно улучшается. Тем не менее, алгоритму роя частиц трудно найти оптимальное решение с помощью частиц или отдельных итераций. Demirtas [35] предложил генетический алгоритм для оптимизации усиления ПИ-регулятора, но его начальную популяцию сложно определить. Однако нечеткое логическое управление не требует точной модели системы, а только расчеты, основанные на экспертных базах знаний. Таким образом, методы оптимизации, основанные на нечетком логическом управлении, в большинстве случаев имеют лучший контрольный эффект, чем другие алгоритмы [36, 37].
В настоящее время существует литература по применению метаэвристических подходов к решению инженерных задач, но большинство источников просто сосредоточена на контроле, чтобы соответствовать либо SP, либо изменениям нагрузки. Кроме того, не хватает литературы, чтобы объяснить, как правильно установить параметры в анализе оптимизации. Все вышеупомянутые проблемы определи актуальность, цель и задачи исследований нейросетевого моделирования ПИД регулятора электродвигателя.
Цель – исследовать возможности использования метаэвристических алгоритмов и, в частности, генетитического алгоритма в разработках ПИД-регуляторов.
Задачи:
идентифицировать теоретические предпосылки и алгоритмы ПИД-регулирования;
проанализировать метаэвристические методы настройки ПИД-регуляторов;
оптимизировать параметры ПИД-регулятора двигателя на основе искусственной нейронной сети и генетического алгоритма.
1 ТЕОРЕТИЧЕСКИЕ ПРЕДПОСЫЛКИ И АЛГОРИТМЫ
ПИД-РЕГУЛИРОВАНИЯ
1.1 ПИД регуляторы в ТАУ
Пропорционально-интегрально-дифференциальное (ПИД) (Proportional-Integral-Derivative, PID) управление является наиболее распространенным алгоритмом управления техническими системами, используемым в промышленности. Популярность ПИД-регуляторов можно частично объяснить их надежной работой в широком диапазоне условий эксплуатации, а частично их функциональной простотой, которая позволяет инженерам управлять ими простым и понятным способом.
В настоящее время около 90–95 % типовых регуляторов используют ПИД-алгоритм формирования управляющих воздействий, при этом среди ПИД-регуляторов 64% используется в одноконтурных системах. Большинство отраслей промышленности, в том числе энергетика, содержат сотни систем автоматического управления, качество работы которых является основой экономической эффективности технических процессов, обеспечивая безопасность, надежность, долговечность и экологичность работы как технологического оборудования, так и самих технических средств автоматизации. Существуют разные модификации реализации структуры ПИД-регуляторов. На практике чаще всего применяют идеальные ПИД-регуляторы с фильтром, а также классические ПИД-регуляторы как последовательное соединение идеального и реального ПД-регуляторов в виде звеньев быстрого реагирования.
Система контроля
Основная идея ПИД-регулятора состоит в том, чтобы считывать показания датчика, затем вычислять требуемый выходной сигнал исполнительного механизма путем вычисления пропорциональных, интегральных и производных характеристик и суммирования этих трех компонентов для вычисления выходного сигнала [38, 39].
В типичной системе управления регулируемая переменная процесса – это системный параметр, которым необходимо управлять, например, температура, давление или скорость потока (литры/мин). Датчик используется для измерения переменной процесса и обеспечения обратной связи с системой управления. Заданное значение (set point) – это желаемое или заданное значение переменной процесса, например 100 градусов Цельсия в случае системы контроля температуры. В любой момент разница между переменной процесса и заданным значением используется алгоритмом управления (компенсатором) для определения требуемой выходной мощности исполнительного механизма для управления установкой. Например, если измеренная переменная процесса температуры составляет 100º C, а желаемая установка температуры равна 120º C, то выходной сигнал привода, заданный алгоритмом управления, может включать нагреватель. Приведение в действие исполнительного механизма для включения нагревателя приводит к тому, что система нагревается, что приводит к увеличению технологической переменной температуры. Это называется системой управления с замкнутым контуром, потому что процесс считывания показаний датчиков для обеспечения постоянной обратной связи и расчета желаемого выходного сигнала исполнительного механизма повторяется непрерывно и с фиксированной скоростью цикла.
Во многих случаях выход исполнительного механизма – не единственный сигнал, влияющий на систему. Например, в температурной камере может быть источник холодного воздуха, который иногда дует в камеру и нарушает температуру. Такой термин называется возмущением (disturbance). Обычно разработчики пытаются спроектировать систему управления так, чтобы свести к минимуму влияние возмущений на переменную процесса.
Процесс разработки системы управления начинается с определения требований к производительности. Эффективность системы управления часто измеряется путем применения ступенчатой функции в качестве командной переменной заданного значения, а затем измерения отклика переменной процесса. Обычно ответ определяется количественно путем измерения определенных характеристик сигнала.
Время нарастания – это количество времени, которое требуется системе для перехода от 10% к 90% установившегося или конечного значения. Процент превышения – это величина превышения переменной процесса конечного значения, выраженная в процентах от конечного значения. Время установления – это время, необходимое для того, чтобы переменная процесса установилась в пределах определенного процента (обычно 5 %) от конечного значения. Систематическая (установившаяся) ошибка– это окончательная разница между переменной процесса и заданным значением.
После использования одной или всех этих величин для определения требований к характеристикам системы управления следует определить наихудшие условия, при которых ожидается, что система управления будет соответствовать этим проектным требованиям. Часто в системе возникает возмущение, которое влияет на переменную процесса или измерение переменной процесса. Важно разработать систему управления, которая удовлетворительно работает в наихудших условиях. Мера того, насколько хорошо система управления способна преодолевать последствия возмущений, называется подавлением помех системы управления.
В некоторых случаях реакция системы на заданный управляющий сигнал может меняться со временем или в зависимости от какой-либо переменной. Нелинейная система – это система, в которой параметры управления, дающие желаемый отклик в одной рабочей точке, могут не дать удовлетворительного отклика в другой рабочей точке. Например, камера, частично заполненная жидкостью, будет демонстрировать гораздо более быструю реакцию на мощность нагревателя, когда она почти пуста, чем когда она почти заполнена жидкостью. Мера того, насколько хорошо система управления будет выдерживать помехи и нелинейности, называется надежностью системы управления.
Некоторые системы демонстрируют нежелательное поведение, называемое запаздыванием (dead time). Запаздывание – это задержка между изменением переменной процесса и моментом, когда это изменение можно наблюдать. Например, если датчик температуры расположен далеко от впускного клапана для холодной воды, он не будет измерять изменение температуры немедленно, если клапан открыт или закрыт. Время запаздывания также может быть вызвано системой или выходным приводом, который медленно реагирует на управляющую команду, например, клапан, который медленно открывается или закрывается.
Тело цикла также является важным параметром замкнутой системы. Интервал времени между вызовами алгоритма управления является временем тела цикла. Системы, которые быстро изменяются или имеют сложное поведение, требуют более высоких скоростей контура управления.
PID-теория
Пропорциональная составляющая ПИД
Пропорциональная составляющая зависит только от разницы между установленным значением и переменной процесса. Эта разница называется рассогласованием. Пропорциональное усиление Kc определяет отношение выходного отклика к сигналу ошибки. Например, если рассогласование имеет величину 10, пропорциональный коэффициент усиления, равный 5, будет давать пропорциональный отклик, равный 50. В целом, увеличение пропорционального коэффициента увеличивает скорость отклика системы управления. Однако, если пропорциональный коэффициент слишком велик, переменная процесса начнет колебаться. Если Kc увеличить еще больше, колебания станут больше, и система станет неустойчивой и может даже выйти из-под контроля.
В общем случае, система управления с обратной связью с участием ПИД-регулятора выглядит следующим образом (рисунок 1.1). Система управляет величиной y(t), то есть выводит величину y(t) на заданное извне значение r(t). На вход ПИД-регулятора подаётся ошибка e(t), выход ПИД-регулятора является управляющим воздействием u(t) для некоторого процесса (для объекта управления), управляющего величиной y(t).
Интегральная составляющая ПИД
Интегральная составляющая суммирует рассогласование во времени. В результате даже небольшая погрешность вызовет увеличение интегральной составляющей. Интегральная характеристика будет постоянно увеличиваться с течением времени, пока ошибка не будет равна нулю, поэтому в результате стационарная ошибка будет равна нулю. Стационарная ошибка – это окончательная разница между переменной процесса и заданным значением. Явление, называемое интегральным завершением, возникает, когда интегральное действие насыщает контроллер, а контроллер не приближает сигнал ошибки к нулю.
Производная составляющая ПИД
Производная составляющая вызывает уменьшение выходного сигнала, если переменная процесса быстро увеличивается. Отклик производной пропорционален скорости изменения переменной процесса. Увеличение параметра производной по времени Td приведет к тому, что система управления будет сильнее реагировать на изменения члена ошибки и увеличит скорость общей реакции системы управления. В большинстве практических систем управления используется очень малое время производной (Td), потому что производная характеристика очень чувствительна к шуму в сигнале переменной процесса. Если сигнал обратной связи датчика зашумлен или если скорость контура управления слишком низкая, производная реакция может сделать систему управления нестабильной.
Настройка
Процесс установки оптимальных коэффициентов усиления для P, I и D для получения идеального отклика от системы управления называется настройкой. Существуют различные методы настройки, из которых будут рассмотрены метод “угадай и проверь” и метод Циглера-Николса.
Коэффициенты усиления ПИД-регулятора можно получить методом проб и ошибок. Как только инженер понимает значение каждого параметра усиления, этот метод становится относительно простым. В этом методе члены I и D сначала устанавливаются равными нулю, а пропорциональное усиление увеличивается до тех пор, пока выходной сигнал контура не начнет колебаться. По мере увеличения пропорционального усиления система ускоряется, но необходимо соблюдать осторожность, чтобы не сделать систему нестабильной. Как только P установлено для получения желаемого быстрого отклика, интегральный член увеличивается, чтобы остановить колебания. Интегральный член уменьшает установившуюся ошибку, но увеличивает перерегулирование. Некоторое превышение всегда необходимо для быстрой системы, чтобы она могла немедленно реагировать на изменения.
Интегральный член настраивается для достижения минимальной установившейся ошибки. Как только P и I установлены для получения желаемой быстрой системы управления с минимальной установившейся ошибкой, член производной увеличивается до тех пор, пока контур не станет приемлемо быстрым до своего заданного значения. Увеличение члена производной уменьшает перерегулирование и дает более высокий коэффициент усиления со стабильностью, но делает систему очень чувствительной к шуму. Часто инженерам приходится менять одну характеристику системы управления на другую, чтобы лучше соответствовать их требованиям.
Законы ПИД-регулирования
Таким образом, в исследованиях ПИД регуляторов в теории автоматического управления, актуальной становится задача выбора рациональной структуры и метода параметрической оптимизации ПИД-регуляторов, которые обеспечивают лучшие прямые показатели качества при отработке основных воздействий в одноконтурных системах автоматического управления. Вместе с тем только для классических ПИД-регуляторов, широко используемых в настоящее время, существует более трехсот методов настройки трех параметров оптимальной динамической настройки, а также балластной постоянной времени. Из-за этого возникает проблема обоснования лучшей структуры и метода параметрической оптимизации классических ПИД-регуляторов.
1.2 Алгоритмы ПИД-регулирования с поддержкой искусственного интеллекта
С развитием промышленности объекты становились все сложнее. В частности, для систем с большой временной задержкой, переменных во времени и нелинейных систем некоторые параметры неизвестны, или изменяются медленно, или имеют временную задержку, или имеют случайные помехи, или невозможно получить относительно точные цифровые модели. Между тем, по мере того как предъявляются все более строгие требования к контролю качества, постепенно выявляются недостатки рутинного ПИД-контроля. Обычное ПИД-управление редко бывает эффективным для изменяющихся во времени объектов и нелинейных систем. Поэтому рутинное ПИД-регулирование значительно ограничено. В связи с этим оно был улучшено в различных аспектах, которые в основном представлены следующим образом. С одной стороны, рутинный ПИД конструктивно улучшен; с другой стороны, нечеткое управление, нейросетевое управление, и экспертный контроль являются наиболее активными среди существующих интеллектуальных элементов управления. Как только они используются в сочетании с обычным ПИД-регулированием, они могут учиться друг у друга, раскрывать свои сильные стороны и представлять собой интеллектуальное ПИД-регулирование.
Существует множество алгоритмов ПИД-управления и улучшенных алгоритмов ПИД-управления. Функционирование наиболее распространённых алгоритмов может быть представлено следующим образом.
Прогностический ПИД-регулятор
Прогностический компенсатор Смита был одним из первых чистых планов компенсации запаздывания. Его основная мысль заключалась в том, чтобы вывести чистую временную задержку из контура управления [40].
В его алгоритме предполагается, что прошлые входные вариации одинаковы на каждом шаге и равны текущим входным вариациям. На практике эти соотношения всегда несостоятельны при динамических реакциях систем. Влиянием такого приближения можно пренебречь, если системы не подвергаются задержке или короткой задержке, но с увеличением запаздывающих шагов несомненно, что влияние на устойчивость системы будет постепенно усугубляться. Поэтому компенсатор Смита интегрируется в систему для компенсации временной задержки, чтобы регулируемые переменные с задержкой сообщались регулирующему органу заранее. Затем регулятор будет опережать время, чтобы устранить влияние системной задержки, уменьшить перерегулирование, улучшить стабильность системы, ускорить регулирование и повысить эффективность систем с большой выдержкой времени [41, 42].
В принципе, выходные сигналы ПИД-регулятора возвращаются на вход ПИД-регулятора для компенсации, чтобы уменьшить отставание управляемых объектов. В инженерной практике компенсатор Смита возвращается обратно в ПИД-регулятор для преодоления чистой временной задержки управляемых объектов.
Адаптивный ПИД-регулятор
В реальном процессе промышленного управления многие механизмы сильно нелинейны и меняются во времени с чистой временной задержкой. Под влиянием некоторых факторов параметры процесса могут измениться, поэтому адаптивное ПИД-регулирование эффективно для решения этих проблем. Адаптивные ПИД-регуляторы имеют сильные стороны как адаптивного управления, так и обычных ПИД-регуляторов. Помимо того, что они полезны для автоматической идентификации исследуемых параметров процесса, автоматической настройки параметров контроллера и адаптации к изменениям контролируемых параметров процесса, они также структурно просты, очень надежны, как и обычные ПИД-регуляторы. Благодаря этим преимуществам адаптивные ПИД-регуляторы превратились в относительно идеальные автоматические устройства для управления технологическими процессами [43].
Они подразделяются на две основные категории. ПИД-регуляторы, основанные на идентификации контролируемых параметров процесса, известны под общим названием адаптивные ПИД-регуляторы. Дизайн их параметров зависит от оценки параметров для моделей контролируемых процессов. Другой тип адаптивных ПИД-регуляторов основан на некоторых характерных параметрах управляемого процесса, таких как коэффициент усиления критических колебаний и критическая частота колебаний. Они называются непараметрическими адаптивными ПИД-регуляторами. Параметры непараметрических адаптивных ПИД-регуляторов настраиваются непосредственно в соответствии с характерными параметрами процессов [43].
Нечеткое ПИД-управление
В 1965 году Zadeh [44], специалист по кибернетике, разработал теорию нечетких множеств как новый инструмент для описания, изучения и работы с нечеткими явлениями. Что касается нечеткого управления, то принимаются теории нечетких множеств. В частности, невозможно получить систематические и точные математические модели в некоторых сложных нестационарных и нелинейных системах с большим временным запаздыванием. Для нечеткого управления не нужны точные математические модели управляемых объектов. Подобно ПИД-регуляторам, точность управления этими регуляторами высока. Кроме того, контроллеры являются гибкими и адаптивными, что позволяет эффективно управлять сложными системами управления и высокоточными сервосистемами. В последние годы они были достаточно активны в области управления [44-47].
- Курсовая работа
- Дипломная работа
- Контрольная работа
- Реферат
- Отчет по практике
- Магистерская работа
- Статья
- Эссе
- Научно-исследовательская работа
- Доклад
- Глава диплома
- Ответы на билеты
- Презентация
- Диссертация
- Доработка заказа клиента
- Аспирантский реферат
- Монография
- ВКР
- Дипломная работа MBA
- Компьютерный набор текста
- Речь к диплому
- Тезисный план
- Чертёж
- Диаграммы, таблицы
- ВАК
- Перевод
- Научная статья
- Бизнес план
- Лабораторная работа
- Рецензия
- Решение задач
