基于“库”思想和智能优化算法的控制器自动设计方法
基于“库”思想和智能优化算法的控制器自动设计方法
【技术领域】
[0001] 本发明涉及一种控制器设计方法，特别涉及一种基于"库"思想和智能优化算法的 控制器自动设计方法，用于实现不同类型控制系统的控制器自动优化设计，属于自动控制
技术领域。
【背景技术】
[0002] 自动控制系统在军事武器装备、航空航天、工业生产中占有主导作用，而控制器是 自动控制系统的核心。在现代工业应用中，控制方法种类繁多，主要包括PID控制、模糊 控制、自适应控制、自抗扰控制等。PID控制器因具有结构简单、参数可调、系统鲁棒性好 的特点，被广泛应用于机械、冶金、石油化工等行业，所占比例占80%以上。为了使PID控 制器具有较好的控制性能，需要对其进行参数整定，目前已经提出的参数整定方法主要有 Ziegler - Nichols (ZN)整定法、基于规则的自整定以及基于智能优化算法的PID参数寻优 整定法。研宄人员在PID控制器的参数自整定和自适应方面做了大量研宄，主要研宄方法 是运用智能优化算法对P、I、D三个参数进行全局搜索，运用的智能优化算法主要有遗传算 法、差分进化、粒子群算法，蚁群算法等。
[0003] 文献(Xiao L Q, Shao X G, Zhang L, et al. PID parameter optimization using improved genetic algorithm[J]. Computer Engineering and Applicatio ns, 2010, 46 (1) : 200-202.)在遗传算法的变异操作中引入了粒子群算法，将遗传算法与粒 子群算法结合起来应用于PID控制器参数优化。在文献（Kang J，Meng W, Abraham A，et al. An adaptive PID neural network for complex nonlinear system control[J]. Neurocomputing, 2014, 135:79-85.)中，Kang J等人提出了一种基于自适应PID神经网 络和粒子群算法的控制方法。文献（Dong R. Differential evolution versus particle swarm optimization for PID controller design[C]?2009Fifth International Conference on Natural Computation, 2009, 3:236-240.)分别米用差分进化和粒子群算 法对PID控制器和模糊PID控制器进行参数优化。
[0004] 尽管上述这些研宄所设计的控制器具有不错的控制效果，但PID控制器只有比 例、积分、微分三个环节，对输出的调节范围有限，结构上具有很大的局限性，尤其在面对复 杂时变、非线性控制系统时（如时滞、饱和），往往不能达到较优的控制效果。此外，PID控 制器的参数优化需要在获得精确的控制系统数学模型的前提下进行，这给PID控制器的设 计增添了不少麻烦。如何实现控制器的自动优化设计（包括结构和参数的优化），是一个新 的研宄方向。本发明针对所述控制器设计问题，提供了一种控制器自动优化设计新思路。
【发明内容】
[0005] 为了克服常规控制器结构固定、对外部环境适应能力差的缺点，改善复杂条件下 控制器性能，本发明提供了一种基于"库"思想和智能优化算法的控制器自动设计方法。该 方法根据不同类型的控制系统确定具体控制策略，选择合适的控制环节组成控制器的结 构，并根据现场条件和用户需求选择需要的性能指标作为适应度函数，然后调用智能优化 算法对控制器的参数进行寻优，最终得到最优解，完成控制器的优化设计。
[0006] 本发明通过如下的技术方案实现
[0007] -种基于"库"思想和智能优化算法的控制器自动设计方法，具体步骤如下：
[0008] 步骤1、构建环节库
[0009] 将控制器结构组成可能需要的一些典型控制环节或者其他自定义的控制环节构 建成库，作为控制器组成的基本元素，各控制环节的数学模型采用传递函数的形式表示，且 每个控制环节至少具有一个待优化的控制参数；
[0010] 步骤2、构建性能指标库
[0011] 性能指标库包括多个用于评价控制器性能的指标；
[0012] 步骤3、构建优化算法库
[0013] 优化算法库包含多种不同的智能优化算法；
[0014] 步骤4、搭建控制系统，运行优化算法，实现控制器的设计
[0015] 根据被控对象的特性，选择合适的控制策略；针对选定的控制策略，选择环节库中 的环节，将其传递函数按照控制策略的结构形式进行取和或者取乘法的操作；
[0016] 根据各环节传递函数解析得到控制器数学模型；从性能指标库中选定指标作为控 制器各环节控制参数优化的适应度函数，从优化算法库中选定优化算法来寻找控制参数的 最优解，实现控制器的自动优化设计。
[0017] 进一步地，本发明所述寻找控制参数的最优解的过程为：
[0018] 将各控制环节的控制参数进行编码，组成的向量作为种群个体，采用智能优化算 法对控制器各环节的控制参数进行寻优，算法迭代步骤如下：
[0019] S1 :给定算法参数及全局最优解，设定待优化控制参数的上下界；在设定范围内 初始化，计算其适应度，根据适应度大小选择其中一定比例的较优个体作为最终的初始化 的父代种群；
[0020] S2 :针对父代种群，根据选定优化算法的运行机制，生成子代种群；
[0021] S3 :比较子代种群每一位上个体与父代种群对应位上个体的适应度大小，进行选 择操作，保留较优个体，构成新种群；
[0022] S4 :计算S3所确定的种群中每个个体的适应度，确定当代最优解，并比较当代最 优解与全局最优解，若当代最优解优于全局最优解，则更新全局最优解，转入S5,否则，直接 转入S5 ;
[0023] S5 :判断是否达到停止条件，若达到，则执行S6,否则迭代次数加1，并将S3构成的 新种群作为父代种群，转S2;
[0024] S6、获得全局最优解解码，完成控制器设计。
[0025] 进一步地，本发明在执行完步骤4后，还包括对控制器结构进行优化，具体过程 为：
[0026] 首先，将S6获得的全局最优解代入传递函数中，解析得到传递函数的精确模型， 得到控制器传递函数及控制系统响应曲线，得到控制系统响应输出；
[0027] 其次，判断S6获得的全局最优解各参数是否小于设定阈值，省略控制参数均小于 设定阈值的控制环节，然后重新组合步骤4选择的其余控制环节，完成控制器的结构优化， 并再次生成控制系统输出曲线；
[0028] 然后，若结构优化后与优化前控制系统输出相差不大，均满足控制要求，则输出结 构优化后的控制器结构和参数；否则输出结构优化前的控制器结构和参数，控制器自动优 化设计结束。
[0029] 有益效果
[0030] 第一，本发明构建了环节库，丰富了控制器结构，使控制器的组成和控制方法清晰 明了。
[0031] 第二，本发明构建了性能指标库和智能优化算法库，可满足不同用户、不同生产条 件下的控制器设计需求，具有很强的通用性。所提供的控制器优化设计方法简单实用，节省 了控制器参数的整定时间，不需要太多先验知识，即使对自动控制方法不熟悉的工作人员， 也可根据本发明的方法完成控制器的优化设计。
[0032] 第三，本发明中的控制器参数的初始化和优化过程是在一个相当大的范围内进 行，从而能够在所述的大范围内搜索到全局最优解，打破了常规控制器参数在小范围内优 化的局限。本发明实现了控制器结构和的参数优化 ，精简了控制器结构，利于实现。
[0033] 第四，本发明设计的控制器结构更加丰富、参数调节范围更大，在控制性能方面超 越了传统的PID控制器，能够实现对不同被控对象更为精确有效地控制，具有很强的通用 性和有效性，体现了明显的优越性。
【附图说明】
[0034] 图1为本发明控制器自动设计方法的流程图；
[0035] 图2为本发明所提供的控制器组成示意图；
[0036] 图3为本发明构建的环节库；
[0037] 图4为本发明构建的性能指标库；
[0038] 图5为本发明构建的优化算法库；
[0039] 图6为本发明中控制系统框图；
[0040] 图7为本发明实施例中系统单位阶跃响应曲线。
【具体实施方式】
[0041] 下面结合附图和实施例对本发明作详细说明。
[0042] 本发明一种基于"库"思想和智能优化算法的控制器自动设计方法，如图1所示， 具体步骤如下：
[0043] 步骤1、构建环节库
[0044] 将控制器结构组成可能需要的一些典型控制环节或者其他自定义的控制环节 (物理意义明确，简单可实现）构建成库，作为控制器组成的基本元素，各控制环节的数学 模型采用传递函数的形式表示。环节库中的每个环节并不是精确的数学模型，而是含有未 知控制参数的待定模型，以实现控制器的优化设计。每个控制环节至少具有一个待优化的 控制参数，根据控制环节的具体传递函数确定待优化参数的个数。
[0045] 步骤2、构建性能指标库
[0046] 为了控制器设计方便，满足不同外部环境和任务对控制器的性能要求，本发明提 供了一种性能指标库。性能指标库包括多个常见的、被业界普遍认可的用于评价控制器性 能的指标，以数学表达式的形式给出。性能指标可用作智能优化算法的适应度函数，通过算 法的迭代，不断调用性能指标来评判控制器的性能，比较多个控制器的优劣，实现控制器的 优化设计。
[0047]步骤3、构建优化算法库
[0048] 智能优化算法通过揭示或者模拟自然界某些现象或者过程而发展起来，具有全局 优化性能、通用性强、并行处理的特点。将不同的智能优化算法集合成库，用户可根据设计 需求自行选定使用何种优化算法。
[0049]步骤4、搭建控制系统，运行优化算法
[0050] 根据被控对象具有何种特性（时滞、饱和等），选择合适的控制策略（如简单闭环 控制、预估控制、内模控制等）。针对选定的控制策略，合理选择环节库中的环节，将其传递 函数按照控制策略的结构形式进行取和或者取乘法的操作，设计出结构更加丰富、对输出 调节范围更大的控制器。
[0051] 各环节的取和或者取乘法操作组成控制器的基本结构，根据各环节传递函数解析 得到控制器数学模型。根据控制器的数学模型和控制对象的数学模型，解析得到闭环控制 系统的数学模型。
[0052] 从性能指标库中选定指标作为控制器各环节控制参数优化的适应度函数。
[0053] 为了获得更优的解决方案，智能优化算法在相当大的范围内寻找最优解，该范围 的大小以控制参数可实现为具体电路为前提。
[0054] 同时，为了提高算法的收敛速度，改善收敛效果，本实例提供了一种指数级的初始 和优化方法。所述指数级的初始和优化方法是指将原来较大范围内实数的控制参数映射到 相对较小的范围内，在小范围内实现控制参数的初始化和优化。
[0055] 将各控制环节的控制参数进行编码，组成的向量作为种群个体，采用智能优化算 法对控制器各环节的控制参数进行寻优，算法迭代步骤如下：
[0056] S1 :对初始种群规模、停止条件、其他算子及全局最优解进行初始化，设定待优化 控制参数的上下界。在设定范围内初始化，计算其适应度，根据适应度大小选择其中一定比 例的较优个体作为最终的初始化的父代种群；
[0057] S2 :针对父代种群，根据选定优化算法的运行机制，生成子代种群；
[0058] S3 :比较子代种群每一位上个体与父代种群对应位上个体的适应度大小，进行选 择操作，保留较优个体，构成新种群；
[0059] S4 :计算S3所确定的种群中每个个体的适应度，确定当代最优解，比较当代最优 解与全局最优解，若当代最优解优于全局最优解，则更新全局最优解，转入S5,否则，直接转 入S5 ;
[0060] S5 :判断是否达到停止条件，若达到，则执行S6,否则迭代次数加1，并将S3构成的 新种群作为父代种群，转S2;
[0061] S6、获得全局最优解解码，完成控制器设计。
[0062] 步骤5、控制器结构优化
[0063] 将步骤4中S6获得的最优解代入传递函数中，解析得到传递函数的精确模型，得 到控制器传递函数及控制系统响应曲线，得到控制系统响应输出。为了控制器实现简单方 便，判断S6所述最优解各参数是否小于设定阈值，省略控制参数均小于设定阈值的控制环 节，然后重新组合步骤4选择的其余控制环节，完成控制器的结构优化，并再次生成控制系 统输出曲线。若结构优化后与优化前控制系统输出相差不大，均满足控制要求，则输出结构 优化后的控制器结构和参数；否则输出结构优化前的控制器结构和参数，控制器自动优化 设计结束
[0064] 参看图2，A(s)、B(s)、C(s)分别代表不同环节的传递函数，Ge(s)表示控制器的传 递函数，多个环节传递函数的取和操作构成了控制器的传递函数，则控制器传递函数为：
[0065] Gc (s) = A (s)+B (s)+C (s)+... (1)
[0066] 其中A(s)、B(s)、C(s)是包含待优化控制参数的传递函数，每个环节都至少包含 一个可优化控制参数。当A、B、C分别表示比例、积分、微分三个环节时，该控制器传递函数 为：
[0068] 其中，kp，kp kd分别为比例、积分、微分环节的控制系数，则该控制器为PID控制 器。因此，本实例的控制器涵盖了传统的PID控制器，体现了本发明设计的基于库的控制器 (LBC)的优越性，理论上可知所述基于库的控制器可以获得比PID控制器更好的控制效果。
[0069] 下面给出了具体的实施例，详细说明本发明的内容和具体实施步骤。
[0070] 步骤1、构建环节库
[0071] 本实施例设计的环节库参看图3。图3展示了本发明实施例的所有环节，并给出了 各环节具体的传递函数。环节库中包括的环节有比例、积分、微分、一阶惯性、时滞、双微分、 双积分，每个环节都至少含有一个控制参数。IVkpkykpkykyh，t是各环节的控制参 数。
[0072] 步骤2、构建性能指标库
[0073]图4为本实施例构建的性能指标库，并给出了各性能指标的具体计算公式。IAE 是误差绝对值的积分；ITAE是误差绝对值与时间乘积的积分；ISE是误差平方的积分；ITSE 是误差平方与时间乘积的积分；综合指标是超调量、上升时间和稳定时间的加权。其中，T 为积分时间，可根据经验设定，一般大于系统稳定时间。e(t)为控制系统输出误差；u(t) 为控制器输出；〇为超调量，仁为上升时间，t s指代稳定时间。《 p ?2，《3为权值，且 1〇
[0074]步骤3、构建优化算法库
[0075] 本实施例设计的优化算法库参看图5,优化算法库包括遗传算法、粒子群、蚁群算 法、模拟退火算法、差分进化算法、禁忌搜索算法、DNA计算等。
[0076]步骤4、搭建控制系统，运行优化算法
[0077] 本实施例选取的被控对象为纯滞后控制对象，其传递函数为
[0079]根据所述被控对象，选择预估控制的方法，控制系统结构参看图6。控制系统整体 采用单位负反馈闭环控制方法， 虚线框内表示预估控制的反馈环。在图6中，Gjs)是控制 器传递函数，Gp(s)表示被控对象不含滞后时间的部分，F(s)表示反馈环节，DE代表本实施 例选择的优化算法（差分进化算法，Differential Evolution，简称DE)。u为输入信号，y 为输出信号。根据预估控制的先验知识可知，F(s) =Gp(s)(l-eMs)。
[0080] 根据以上被控对象和控制策略，在所述图3构建的环节库中选择以下环节：比例 环节、积分环节、微分环节、双积分环节、一阶惯性环节、时滞环节，将选择的环节的传递函 数相加得到控制器的传递函数：
[0084] 其中Kp K2，…，K7分别是各个环节的控制参数（待优化参数）。
[0085] 基于自动控制知识，可得到整个闭环系统传递函数：
[0087] 设置控制参数下边界为0,上界为103。将上述控制参数范围映射为10的指数，即 对所述范围取log，可近似得到较小的优化范围（-2, 3)。从所述图4选择性能指标IAE (误 差的绝对值积分），其中积分时间T = 15。从所述图5中选择差分进化作为优化算法，差分 进化算法的具体步骤介绍如下：
[0088] S1:初始化。给定算法参数：种群规模30、缩放因子0. 5、交叉因子0. 9、最大迭代 次数100,令全局最优解=1〇6。初始100个个体并计算其适应度，根据适应度大小选择其 中30个较优个体作为最终的初始化父代种群；
[0089] S2 :针对父代种群，采用DE/rand/1/bin差分策略对种群的每个个体进行变异交 叉操作生成子代种群；
[0090] S3:比较子代种群每一位上个体与父代种群对应位上个体的适应度大小，进行选 择操作，保留较优个体，构成新种群；
[0091] S4:计算S3中新种群个体的适应度，确定当代最优解，比较当代最优解与全局最 优解，若当代最优解优于全局最优解，则更新全局最优解，转入S5,否则直接转入S5 ;
[0092] S5:判断是否达到最大迭代次数100,若达到，则执行S6,否则迭代次数加1，并将 S3构成的新种群作为父代种群，转S2 ;
[0093] S6、获得全局最优解；
[0094] 通过以上运行步骤，100代后差分进化算法得到的全局最优解向量是：
[0095] x=[2. 0204 0? 8591 2. 1732 -4. 7813 -11. 2025 2. 6473 0? 0002]。将其映射到 原来的实数范围（〇, 1000)内，可得到控制器的最优控制参数：
[0096] k= [104.8211 7.2294 149.0282 0 0 444.0090 1.0006]
[0097] 步骤5、控制器结构优化
[0098] 由步骤4的S6所述最优控制参数可知算法优化出两个零解，省去了所选环节中的 两个环节，控制器结构得到了优化。将最优控制参数代入公式（4)、（5)、（6)，解析得到各部 分的精确数学模型：
[0102] 通过MATLAB仿真得到控制系统响应曲线，参看图7。其中，PID为PID控制器，LBC 为本发明中基于库的控制器（Library Based Controller，简称LBC)。由图中曲线可以看 出，本发明设计的基于库的控制器上升时间和稳定时间只有〇. 1秒左右，超调量几乎为0。 本发明方法设计的控制器具有很好的快速性，动态性能良好，得到了较优的控制效果。在控 制性能方面超越了传统的PID控制器，能够实现对被控对象更为精确有效地控制，体现出 明显的优越性。
[0103] 以上公开的实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方 式和具体的操作过程，但本发明的保护范围不限于所述的实施例。通过以上所述可知，本发 明中的许多内容可作修改和替换，本实施例固定了某些取值只是为了更好地说明本发明的 原理和应用，从而更易理解和运用。凡在本发明的技术方案的基础上所做的局部改动、等同 替换、改进等均应包含在本发明的保护范围之内。
【主权项】
1. 一种基于"库"思想和智能优化算法的控制器自动设计方法，其特征在于，具体步骤 如下： 步骤1、构建环节库 将控制器结构组成可能需要的一些典型控制环节或者其他自定义的控制环节构建成 库，作为控制器组成的基本元素，各控制环节的数学模型采用传递函数的形式表示，且每个 控制环节至少具有一个待优化的控制参数； 步骤2、构建性能指标库 性能指标库包括多个用于评价控制器性能的指标； 步骤3、构建优化算法库 优化算法库包含多种不同的智能优化算法； 步骤4、搭建控制系统，运行优化算法，实现控制器的设计 根据被控对象的特性，选择合适的控制策略；针对选定的控制策略，选择环节库中的环 节，将其传递函数按照控制策略的结构形式进行取和或者取乘法的操作； 根据各环节传递函数解析得到控制器数学模型；从性能指标库中选定指标作为控制器 各环节控制参数优化的适应度函数，从优化算法库中选定优化算法来寻找控制参数的最优 解，实现自动控制器的设计。2. 根据权利要求1所述基于"库"思想和智能优化算法的控制器自动设计方法，其特征 在于，所述寻找控制参数的最优解的过程为： 将各控制环节的控制参数进行编码，组成的向量作为种群个体，采用智能优化算法对 控制器各环节的控制参数进行寻优，算法迭代步骤如下： 51 :给定算法参数及全局最优解，设定待优化控制参数的上下界；在设定范围内初始 化，计算其适应度，根据适应度大小选择其中一定比例的较优个体作为最终的初始化的父 代种群； 52 :针对父代种群，根据选定优化算法的运行机制，生成子代种群； 53 :比较子代种群每一位上个体与父代种群对应位上个体的适应度大小，进行选择操 作，保留较优个体，构成新种群； 54 :计算S3所确定的种群中每个个体的适应度，确定当代最优解，比较当代最优解与 全局最优解，若当代最优解优于全局最优解，则更新全局最优解，转入S5,否则，直接转入 S5 ； 55 :判断是否达到停止条件，若达到，则执行S6,否则迭代次数加1，并将S3构成的新种 群作为父代种群，转S2; S6、获得全局最优解解码，完成控制器设计。3. 根据权利要求2所述基于"库"思想和智能优化算法的控制器自动设计方法，其特征 在于，在执行完步骤4后，还包括对控制器结构进行优化，具体过程为： 首先，将S6获得的全局最优解代入传递函数中，解析得到传递函数的精确模型，得到 控制器传递函数及控制系统响应曲线，得到控制系统响应输出； 其次，判断S6获得的全局最优解各参数是否小于设定阈值，省略控制参数均小于设定 阈值的控制环节，然后重新组合步骤4选择的其余控制环节，完成控制器的结构优化，并再 次生成控制系统输出曲线；
【专利摘要】本发明公开了一种基于“库”思想和智能优化算法的控制器自动设计方法。用于实现不同类型控制系统的控制器自动优化设计。本发明提供的控制器优化设计方法首先根据不同类型的控制系统确定具体的控制策略，选择合适的控制环节组成控制器的具体结构，并根据现场条件和用户需求选择需要的性能指标作为适应度函数，然后运用智能优化算法对控制器的参数在设定的范围内进行全局搜索，得到最优解，完成控制器的自动优化设计。本发明设计的控制器结构更加丰富、参数范围更大，在控制性能方面超越了传统的PID控制器，能够实现对被控对象更为精确有效地控制。本发明提供的控制器自动优化设计方法具有很强的通用性和有效性，体现了明显的优越性。
【IPC分类】G05B13/04
【公开号】CN104898423
【申请号】CN201510236594
【发明人】辛斌, 孙振路, 陈杰, 邓方
【申请人】北京理工大学
【公开日】2015年9月9日
【申请日】2015年5月11日
【技术领域】
[0001] 本发明涉及一种控制器设计方法，特别涉及一种基于"库"思想和智能优化算法的 控制器自动设计方法，用于实现不同类型控制系统的控制器自动优化设计，属于自动控制
技术领域。
【背景技术】
[0002] 自动控制系统在军事武器装备、航空航天、工业生产中占有主导作用，而控制器是 自动控制系统的核心。在现代工业应用中，控制方法种类繁多，主要包括PID控制、模糊 控制、自适应控制、自抗扰控制等。PID控制器因具有结构简单、参数可调、系统鲁棒性好 的特点，被广泛应用于机械、冶金、石油化工等行业，所占比例占80%以上。为了使PID控 制器具有较好的控制性能，需要对其进行参数整定，目前已经提出的参数整定方法主要有 Ziegler - Nichols (ZN)整定法、基于规则的自整定以及基于智能优化算法的PID参数寻优 整定法。研宄人员在PID控制器的参数自整定和自适应方面做了大量研宄，主要研宄方法 是运用智能优化算法对P、I、D三个参数进行全局搜索，运用的智能优化算法主要有遗传算 法、差分进化、粒子群算法，蚁群算法等。
[0003] 文献(Xiao L Q, Shao X G, Zhang L, et al. PID parameter optimization using improved genetic algorithm[J]. Computer Engineering and Applicatio ns, 2010, 46 (1) : 200-202.)在遗传算法的变异操作中引入了粒子群算法，将遗传算法与粒 子群算法结合起来应用于PID控制器参数优化。在文献（Kang J，Meng W, Abraham A，et al. An adaptive PID neural network for complex nonlinear system control[J]. Neurocomputing, 2014, 135:79-85.)中，Kang J等人提出了一种基于自适应PID神经网 络和粒子群算法的控制方法。文献（Dong R. Differential evolution versus particle swarm optimization for PID controller design[C]?2009Fifth International Conference on Natural Computation, 2009, 3:236-240.)分别米用差分进化和粒子群算 法对PID控制器和模糊PID控制器进行参数优化。
[0004] 尽管上述这些研宄所设计的控制器具有不错的控制效果，但PID控制器只有比 例、积分、微分三个环节，对输出的调节范围有限，结构上具有很大的局限性，尤其在面对复 杂时变、非线性控制系统时（如时滞、饱和），往往不能达到较优的控制效果。此外，PID控 制器的参数优化需要在获得精确的控制系统数学模型的前提下进行，这给PID控制器的设 计增添了不少麻烦。如何实现控制器的自动优化设计（包括结构和参数的优化），是一个新 的研宄方向。本发明针对所述控制器设计问题，提供了一种控制器自动优化设计新思路。
【发明内容】
[0005] 为了克服常规控制器结构固定、对外部环境适应能力差的缺点，改善复杂条件下 控制器性能，本发明提供了一种基于"库"思想和智能优化算法的控制器自动设计方法。该 方法根据不同类型的控制系统确定具体控制策略，选择合适的控制环节组成控制器的结 构，并根据现场条件和用户需求选择需要的性能指标作为适应度函数，然后调用智能优化 算法对控制器的参数进行寻优，最终得到最优解，完成控制器的优化设计。
[0006] 本发明通过如下的技术方案实现
[0007] -种基于"库"思想和智能优化算法的控制器自动设计方法，具体步骤如下：
[0008] 步骤1、构建环节库
[0009] 将控制器结构组成可能需要的一些典型控制环节或者其他自定义的控制环节构 建成库，作为控制器组成的基本元素，各控制环节的数学模型采用传递函数的形式表示，且 每个控制环节至少具有一个待优化的控制参数；
[0010] 步骤2、构建性能指标库
[0011] 性能指标库包括多个用于评价控制器性能的指标；
[0012] 步骤3、构建优化算法库
[0013] 优化算法库包含多种不同的智能优化算法；
[0014] 步骤4、搭建控制系统，运行优化算法，实现控制器的设计
[0015] 根据被控对象的特性，选择合适的控制策略；针对选定的控制策略，选择环节库中 的环节，将其传递函数按照控制策略的结构形式进行取和或者取乘法的操作；
[0016] 根据各环节传递函数解析得到控制器数学模型；从性能指标库中选定指标作为控 制器各环节控制参数优化的适应度函数，从优化算法库中选定优化算法来寻找控制参数的 最优解，实现控制器的自动优化设计。
[0017] 进一步地，本发明所述寻找控制参数的最优解的过程为：
[0018] 将各控制环节的控制参数进行编码，组成的向量作为种群个体，采用智能优化算 法对控制器各环节的控制参数进行寻优，算法迭代步骤如下：
[0019] S1 :给定算法参数及全局最优解，设定待优化控制参数的上下界；在设定范围内 初始化，计算其适应度，根据适应度大小选择其中一定比例的较优个体作为最终的初始化 的父代种群；
[0020] S2 :针对父代种群，根据选定优化算法的运行机制，生成子代种群；
[0021] S3 :比较子代种群每一位上个体与父代种群对应位上个体的适应度大小，进行选 择操作，保留较优个体，构成新种群；
[0022] S4 :计算S3所确定的种群中每个个体的适应度，确定当代最优解，并比较当代最 优解与全局最优解，若当代最优解优于全局最优解，则更新全局最优解，转入S5,否则，直接 转入S5 ;
[0023] S5 :判断是否达到停止条件，若达到，则执行S6,否则迭代次数加1，并将S3构成的 新种群作为父代种群，转S2;
[0024] S6、获得全局最优解解码，完成控制器设计。
[0025] 进一步地，本发明在执行完步骤4后，还包括对控制器结构进行优化，具体过程 为：
[0026] 首先，将S6获得的全局最优解代入传递函数中，解析得到传递函数的精确模型， 得到控制器传递函数及控制系统响应曲线，得到控制系统响应输出；
[0027] 其次，判断S6获得的全局最优解各参数是否小于设定阈值，省略控制参数均小于 设定阈值的控制环节，然后重新组合步骤4选择的其余控制环节，完成控制器的结构优化， 并再次生成控制系统输出曲线；
[0028] 然后，若结构优化后与优化前控制系统输出相差不大，均满足控制要求，则输出结 构优化后的控制器结构和参数；否则输出结构优化前的控制器结构和参数，控制器自动优 化设计结束。
[0029] 有益效果
[0030] 第一，本发明构建了环节库，丰富了控制器结构，使控制器的组成和控制方法清晰 明了。
[0031] 第二，本发明构建了性能指标库和智能优化算法库，可满足不同用户、不同生产条 件下的控制器设计需求，具有很强的通用性。所提供的控制器优化设计方法简单实用，节省 了控制器参数的整定时间，不需要太多先验知识，即使对自动控制方法不熟悉的工作人员， 也可根据本发明的方法完成控制器的优化设计。
[0032] 第三，本发明中的控制器参数的初始化和优化过程是在一个相当大的范围内进 行，从而能够在所述的大范围内搜索到全局最优解，打破了常规控制器参数在小范围内优 化的局限。本发明实现了控制器结构和的参数优化 ，精简了控制器结构，利于实现。
[0033] 第四，本发明设计的控制器结构更加丰富、参数调节范围更大，在控制性能方面超 越了传统的PID控制器，能够实现对不同被控对象更为精确有效地控制，具有很强的通用 性和有效性，体现了明显的优越性。
【附图说明】
[0034] 图1为本发明控制器自动设计方法的流程图；
[0035] 图2为本发明所提供的控制器组成示意图；
[0036] 图3为本发明构建的环节库；
[0037] 图4为本发明构建的性能指标库；
[0038] 图5为本发明构建的优化算法库；
[0039] 图6为本发明中控制系统框图；
[0040] 图7为本发明实施例中系统单位阶跃响应曲线。
【具体实施方式】
[0041] 下面结合附图和实施例对本发明作详细说明。
[0042] 本发明一种基于"库"思想和智能优化算法的控制器自动设计方法，如图1所示， 具体步骤如下：
[0043] 步骤1、构建环节库
[0044] 将控制器结构组成可能需要的一些典型控制环节或者其他自定义的控制环节 (物理意义明确，简单可实现）构建成库，作为控制器组成的基本元素，各控制环节的数学 模型采用传递函数的形式表示。环节库中的每个环节并不是精确的数学模型，而是含有未 知控制参数的待定模型，以实现控制器的优化设计。每个控制环节至少具有一个待优化的 控制参数，根据控制环节的具体传递函数确定待优化参数的个数。
[0045] 步骤2、构建性能指标库
[0046] 为了控制器设计方便，满足不同外部环境和任务对控制器的性能要求，本发明提 供了一种性能指标库。性能指标库包括多个常见的、被业界普遍认可的用于评价控制器性 能的指标，以数学表达式的形式给出。性能指标可用作智能优化算法的适应度函数，通过算 法的迭代，不断调用性能指标来评判控制器的性能，比较多个控制器的优劣，实现控制器的 优化设计。
[0047]步骤3、构建优化算法库
[0048] 智能优化算法通过揭示或者模拟自然界某些现象或者过程而发展起来，具有全局 优化性能、通用性强、并行处理的特点。将不同的智能优化算法集合成库，用户可根据设计 需求自行选定使用何种优化算法。
[0049]步骤4、搭建控制系统，运行优化算法
[0050] 根据被控对象具有何种特性（时滞、饱和等），选择合适的控制策略（如简单闭环 控制、预估控制、内模控制等）。针对选定的控制策略，合理选择环节库中的环节，将其传递 函数按照控制策略的结构形式进行取和或者取乘法的操作，设计出结构更加丰富、对输出 调节范围更大的控制器。
[0051] 各环节的取和或者取乘法操作组成控制器的基本结构，根据各环节传递函数解析 得到控制器数学模型。根据控制器的数学模型和控制对象的数学模型，解析得到闭环控制 系统的数学模型。
[0052] 从性能指标库中选定指标作为控制器各环节控制参数优化的适应度函数。
[0053] 为了获得更优的解决方案，智能优化算法在相当大的范围内寻找最优解，该范围 的大小以控制参数可实现为具体电路为前提。
[0054] 同时，为了提高算法的收敛速度，改善收敛效果，本实例提供了一种指数级的初始 和优化方法。所述指数级的初始和优化方法是指将原来较大范围内实数的控制参数映射到 相对较小的范围内，在小范围内实现控制参数的初始化和优化。
[0055] 将各控制环节的控制参数进行编码，组成的向量作为种群个体，采用智能优化算 法对控制器各环节的控制参数进行寻优，算法迭代步骤如下：
[0056] S1 :对初始种群规模、停止条件、其他算子及全局最优解进行初始化，设定待优化 控制参数的上下界。在设定范围内初始化，计算其适应度，根据适应度大小选择其中一定比 例的较优个体作为最终的初始化的父代种群；
[0057] S2 :针对父代种群，根据选定优化算法的运行机制，生成子代种群；
[0058] S3 :比较子代种群每一位上个体与父代种群对应位上个体的适应度大小，进行选 择操作，保留较优个体，构成新种群；
[0059] S4 :计算S3所确定的种群中每个个体的适应度，确定当代最优解，比较当代最优 解与全局最优解，若当代最优解优于全局最优解，则更新全局最优解，转入S5,否则，直接转 入S5 ;
[0060] S5 :判断是否达到停止条件，若达到，则执行S6,否则迭代次数加1，并将S3构成的 新种群作为父代种群，转S2;
[0061] S6、获得全局最优解解码，完成控制器设计。
[0062] 步骤5、控制器结构优化
[0063] 将步骤4中S6获得的最优解代入传递函数中，解析得到传递函数的精确模型，得 到控制器传递函数及控制系统响应曲线，得到控制系统响应输出。为了控制器实现简单方 便，判断S6所述最优解各参数是否小于设定阈值，省略控制参数均小于设定阈值的控制环 节，然后重新组合步骤4选择的其余控制环节，完成控制器的结构优化，并再次生成控制系 统输出曲线。若结构优化后与优化前控制系统输出相差不大，均满足控制要求，则输出结构 优化后的控制器结构和参数；否则输出结构优化前的控制器结构和参数，控制器自动优化 设计结束
[0064] 参看图2，A(s)、B(s)、C(s)分别代表不同环节的传递函数，Ge(s)表示控制器的传 递函数，多个环节传递函数的取和操作构成了控制器的传递函数，则控制器传递函数为：
[0065] Gc (s) = A (s)+B (s)+C (s)+... (1)
[0066] 其中A(s)、B(s)、C(s)是包含待优化控制参数的传递函数，每个环节都至少包含 一个可优化控制参数。当A、B、C分别表示比例、积分、微分三个环节时，该控制器传递函数 为：
[0068] 其中，kp，kp kd分别为比例、积分、微分环节的控制系数，则该控制器为PID控制 器。因此，本实例的控制器涵盖了传统的PID控制器，体现了本发明设计的基于库的控制器 (LBC)的优越性，理论上可知所述基于库的控制器可以获得比PID控制器更好的控制效果。
[0069] 下面给出了具体的实施例，详细说明本发明的内容和具体实施步骤。
[0070] 步骤1、构建环节库
[0071] 本实施例设计的环节库参看图3。图3展示了本发明实施例的所有环节，并给出了 各环节具体的传递函数。环节库中包括的环节有比例、积分、微分、一阶惯性、时滞、双微分、 双积分，每个环节都至少含有一个控制参数。IVkpkykpkykyh，t是各环节的控制参 数。
[0072] 步骤2、构建性能指标库
[0073]图4为本实施例构建的性能指标库，并给出了各性能指标的具体计算公式。IAE 是误差绝对值的积分；ITAE是误差绝对值与时间乘积的积分；ISE是误差平方的积分；ITSE 是误差平方与时间乘积的积分；综合指标是超调量、上升时间和稳定时间的加权。其中，T 为积分时间，可根据经验设定，一般大于系统稳定时间。e(t)为控制系统输出误差；u(t) 为控制器输出；〇为超调量，仁为上升时间，t s指代稳定时间。《 p ?2，《3为权值，且 1〇
[0074]步骤3、构建优化算法库
[0075] 本实施例设计的优化算法库参看图5,优化算法库包括遗传算法、粒子群、蚁群算 法、模拟退火算法、差分进化算法、禁忌搜索算法、DNA计算等。
[0076]步骤4、搭建控制系统，运行优化算法
[0077] 本实施例选取的被控对象为纯滞后控制对象，其传递函数为
[0079]根据所述被控对象，选择预估控制的方法，控制系统结构参看图6。控制系统整体 采用单位负反馈闭环控制方法， 虚线框内表示预估控制的反馈环。在图6中，Gjs)是控制 器传递函数，Gp(s)表示被控对象不含滞后时间的部分，F(s)表示反馈环节，DE代表本实施 例选择的优化算法（差分进化算法，Differential Evolution，简称DE)。u为输入信号，y 为输出信号。根据预估控制的先验知识可知，F(s) =Gp(s)(l-eMs)。
[0080] 根据以上被控对象和控制策略，在所述图3构建的环节库中选择以下环节：比例 环节、积分环节、微分环节、双积分环节、一阶惯性环节、时滞环节，将选择的环节的传递函 数相加得到控制器的传递函数：
[0084] 其中Kp K2，…，K7分别是各个环节的控制参数（待优化参数）。
[0085] 基于自动控制知识，可得到整个闭环系统传递函数：
[0087] 设置控制参数下边界为0,上界为103。将上述控制参数范围映射为10的指数，即 对所述范围取log，可近似得到较小的优化范围（-2, 3)。从所述图4选择性能指标IAE (误 差的绝对值积分），其中积分时间T = 15。从所述图5中选择差分进化作为优化算法，差分 进化算法的具体步骤介绍如下：
[0088] S1:初始化。给定算法参数：种群规模30、缩放因子0. 5、交叉因子0. 9、最大迭代 次数100,令全局最优解=1〇6。初始100个个体并计算其适应度，根据适应度大小选择其 中30个较优个体作为最终的初始化父代种群；
[0089] S2 :针对父代种群，采用DE/rand/1/bin差分策略对种群的每个个体进行变异交 叉操作生成子代种群；
[0090] S3:比较子代种群每一位上个体与父代种群对应位上个体的适应度大小，进行选 择操作，保留较优个体，构成新种群；
[0091] S4:计算S3中新种群个体的适应度，确定当代最优解，比较当代最优解与全局最 优解，若当代最优解优于全局最优解，则更新全局最优解，转入S5,否则直接转入S5 ;
[0092] S5:判断是否达到最大迭代次数100,若达到，则执行S6,否则迭代次数加1，并将 S3构成的新种群作为父代种群，转S2 ;
[0093] S6、获得全局最优解；
[0094] 通过以上运行步骤，100代后差分进化算法得到的全局最优解向量是：
[0095] x=[2. 0204 0? 8591 2. 1732 -4. 7813 -11. 2025 2. 6473 0? 0002]。将其映射到 原来的实数范围（〇, 1000)内，可得到控制器的最优控制参数：
[0096] k= [104.8211 7.2294 149.0282 0 0 444.0090 1.0006]
[0097] 步骤5、控制器结构优化
[0098] 由步骤4的S6所述最优控制参数可知算法优化出两个零解，省去了所选环节中的 两个环节，控制器结构得到了优化。将最优控制参数代入公式（4)、（5)、（6)，解析得到各部 分的精确数学模型：
[0102] 通过MATLAB仿真得到控制系统响应曲线，参看图7。其中，PID为PID控制器，LBC 为本发明中基于库的控制器（Library Based Controller，简称LBC)。由图中曲线可以看 出，本发明设计的基于库的控制器上升时间和稳定时间只有〇. 1秒左右，超调量几乎为0。 本发明方法设计的控制器具有很好的快速性，动态性能良好，得到了较优的控制效果。在控 制性能方面超越了传统的PID控制器，能够实现对被控对象更为精确有效地控制，体现出 明显的优越性。
[0103] 以上公开的实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方 式和具体的操作过程，但本发明的保护范围不限于所述的实施例。通过以上所述可知，本发 明中的许多内容可作修改和替换，本实施例固定了某些取值只是为了更好地说明本发明的 原理和应用，从而更易理解和运用。凡在本发明的技术方案的基础上所做的局部改动、等同 替换、改进等均应包含在本发明的保护范围之内。
【主权项】
1. 一种基于"库"思想和智能优化算法的控制器自动设计方法，其特征在于，具体步骤 如下： 步骤1、构建环节库 将控制器结构组成可能需要的一些典型控制环节或者其他自定义的控制环节构建成 库，作为控制器组成的基本元素，各控制环节的数学模型采用传递函数的形式表示，且每个 控制环节至少具有一个待优化的控制参数； 步骤2、构建性能指标库 性能指标库包括多个用于评价控制器性能的指标； 步骤3、构建优化算法库 优化算法库包含多种不同的智能优化算法； 步骤4、搭建控制系统，运行优化算法，实现控制器的设计 根据被控对象的特性，选择合适的控制策略；针对选定的控制策略，选择环节库中的环 节，将其传递函数按照控制策略的结构形式进行取和或者取乘法的操作； 根据各环节传递函数解析得到控制器数学模型；从性能指标库中选定指标作为控制器 各环节控制参数优化的适应度函数，从优化算法库中选定优化算法来寻找控制参数的最优 解，实现自动控制器的设计。2. 根据权利要求1所述基于"库"思想和智能优化算法的控制器自动设计方法，其特征 在于，所述寻找控制参数的最优解的过程为： 将各控制环节的控制参数进行编码，组成的向量作为种群个体，采用智能优化算法对 控制器各环节的控制参数进行寻优，算法迭代步骤如下： 51 :给定算法参数及全局最优解，设定待优化控制参数的上下界；在设定范围内初始 化，计算其适应度，根据适应度大小选择其中一定比例的较优个体作为最终的初始化的父 代种群； 52 :针对父代种群，根据选定优化算法的运行机制，生成子代种群； 53 :比较子代种群每一位上个体与父代种群对应位上个体的适应度大小，进行选择操 作，保留较优个体，构成新种群； 54 :计算S3所确定的种群中每个个体的适应度，确定当代最优解，比较当代最优解与 全局最优解，若当代最优解优于全局最优解，则更新全局最优解，转入S5,否则，直接转入 S5 ； 55 :判断是否达到停止条件，若达到，则执行S6,否则迭代次数加1，并将S3构成的新种 群作为父代种群，转S2; S6、获得全局最优解解码，完成控制器设计。3. 根据权利要求2所述基于"库"思想和智能优化算法的控制器自动设计方法，其特征 在于，在执行完步骤4后，还包括对控制器结构进行优化，具体过程为： 首先，将S6获得的全局最优解代入传递函数中，解析得到传递函数的精确模型，得到 控制器传递函数及控制系统响应曲线，得到控制系统响应输出； 其次，判断S6获得的全局最优解各参数是否小于设定阈值，省略控制参数均小于设定 阈值的控制环节，然后重新组合步骤4选择的其余控制环节，完成控制器的结构优化，并再 次生成控制系统输出曲线；
【专利摘要】本发明公开了一种基于“库”思想和智能优化算法的控制器自动设计方法。用于实现不同类型控制系统的控制器自动优化设计。本发明提供的控制器优化设计方法首先根据不同类型的控制系统确定具体的控制策略，选择合适的控制环节组成控制器的具体结构，并根据现场条件和用户需求选择需要的性能指标作为适应度函数，然后运用智能优化算法对控制器的参数在设定的范围内进行全局搜索，得到最优解，完成控制器的自动优化设计。本发明设计的控制器结构更加丰富、参数范围更大，在控制性能方面超越了传统的PID控制器，能够实现对被控对象更为精确有效地控制。本发明提供的控制器自动优化设计方法具有很强的通用性和有效性，体现了明显的优越性。
【IPC分类】G05B13/04
【公开号】CN104898423
【申请号】CN201510236594
【发明人】辛斌, 孙振路, 陈杰, 邓方
【申请人】北京理工大学
【公开日】2015年9月9日
【申请日】2015年5月11日
最新回复(0)