PID控制器的参数整定方法、装置、存储介质、终端及系统制造方法及图纸

本申请涉及PID控制系统设计领域，具体涉及一种PID控制器的参数整定方法、装置、存储介质、终端及系统，所述方法包括：获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算PID控制器的控制误差；若所述控制误差超过预设阈值，获取PID控制器的输出数据，将所述PID控制器的输出数据发送到神经网络模型，得到辨识输出数据；将所述辨识输出数据发送至单神经元控制器，控制所述单神经元控制器根据所述辨识输出数据对神经网络模型的参数进行调整，得到调整后的神经网络模型，根据调整后的神经网络模型确定PID控制器的参数。本申请能够提高PID控制器的参数整定效率。

Parameter setting method, device, storage medium, terminal and system of PID controller

【技术实现步骤摘要】
PID控制器的参数整定方法、装置、存储介质、终端及系统
本申请涉及PID控制系统设计领域，具体涉及一种PID控制器的参数整定方法、装置、存储介质、终端及系统。
技术介绍
在工业控制过程中，PID控制器是目前应用最广泛的控制器，在运动控制、过程控制等控制方法应用中，PID控制器是的应用量占据了90％以上。PID控制器的参数整定是控制系统设计的核心内容，它是根据被控过程的特性确定PID控制器的比例系数、积分时间和微分时间的大小。目前，对于PID控制器的参数整定往往是通过被控对象的传递函数等特性并根据经验手工进行PID参数整定，参数整定方法复杂，同时需要耗费大量时间成本和精力，并且整定的参数一般不能达到控制器的最佳性能，造成PID控制器的控制精度较低，PID控制系统的效果不好。
技术实现思路
为解决现有技术中无法自动、便捷地对PID控制器参数进行整定，提出以下技术方案：第一方面，本申请提供了一种PID控制器的参数整定方法，包括：获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算PID控制器的控制误差；若所述控制误差超过预设阈值，获取PID控制器的输出数据，将所述PID控制器的输出数据发送到神经网络模型，得到辨识输出数据；将所述辨识输出数据发送至单神经元控制器，控制所述单神经元控制器根据所述辨识输出数据对神经网络模型的参数进行调整，得到调整后的神经网络模型，根据调整后的神经网络模型确定PID控制器的参数。进一步的，所述根据调整后的神经网络模型确定PID控制器的参数，包括：根据调整后的神经网络模型辨识被控对象的离散度，根据所述离散度确定PID控制器的参数调整信息，控制所述单神经元控制器根据参数调整信息调整PID控制器的参数。进一步的，所述根据参数调整信息调整PID控制器的参数之后，还包括：对PID控制系统进行下一次采样，获取下一次采样的采样数据，直至根据所述采样数据计算得到的PID控制器的控制误差不超过预设阈值。进一步的，所述根据参数调整信息调整PID控制器的参数之后，还包括：获取PID控制器的响应时间及上升速度；当所述响应时间及上升速度均满足预设要求，获取当前的环境参数；将所述调整后的PID控制器的参数与当前的环境参数关联存储。进一步的，所述神经网络模型为RBF神经网络模型；所述获取PID控制系统的输入与输出的采样数据之前，还包括：初始化RBF神经网络模型的参数；根据遗传算法优化RBF神经网络模型的参数。进一步的，所述根据遗传算法优化RBF神经网络模型的参数，包括：获取RBF神经网络模型的输出权重、隐单元中心和基宽度参数的初始范围；设置遗传算法的若干个算法参数，将算法参数的集合作为种群，将算法参数作为种群中的个体，初始化种群；计算种群中的每一个个体的适应度；根据所述适应度对种群中的个体进行遗传操作，获取新一代的种群；获取所述新一代的种群中满足所述初始范围的个体，将满足所述初始范围的个体对应的算法参数确定为RBF神经网络模型的参数。第二方面，本申请还提供了一种PID控制器的参数整定装置，包括：误差计算模块：用于获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算PID控制器的控制误差；输出辨识模块：用于若确定所述控制误差超过预设阈值，获取PID控制器的输出数据，将所述PID控制器的输出数据发送到神经网络模型，得到辨识输出数据；参数整定模块：用于将所述辨识输出数据发送至单神经元控制器，控制所述单神经元控制器根据所述辨识输出数据对神经网络模型的参数进行调整，得到调整后的神经网络模型，根据调整后的神经网络模型确定PID控制器的参数。第三方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的PID控制器的参数整定方法。第四方面，本申请还提供了一种终端设备，包括：一个或多个处理器；存储器；一个或多个计算机程序；其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行上述的PID控制器的参数整定方法。第五方面，本申请还提供了一种PID控制系统，所述PID控制系统包括PID控制器、被控对象、RBF神经网络模型及单神经元控制器，所述PID控制器、被控对象、RBF神经网络模型及单神经元控制器协同作用，执行上述的PID控制器的参数整定方法。本申请与现有技术相比，具有以下有益效果：本申请提供了一种PID控制器的参数自整定和优化的方法，通过自动获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算控制误差，当所述控制误差超过预设阈值，基于神经网络获得PID参数的调整信息，利用单神经元控制器对控制器参数进行自适应整定，从而实现PID系统的智能控制，提高PID控制器的参数整定效率，实现PID控制器的参数在当前性能指标下达到最优，使该状态下的PID控制器具有比常规PID控制器更为优良的性能，并且提高了PID控制器的控制精度，保证PID控制器具有较强的抗干扰和自适应能力，提高了PID系统的控制效果。本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。附图说明本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本申请PID控制器的参数整定方法的一流程实施例示意图；图2为传统PID的算法PID控制器的阶跃响应与应用RBF-PID算法的PID控制器的阶跃响应仿真一实施例对比图；图3为本申请PID控制器的参数整定装置的一实施例示意图；图4为本申请终端设备的一结构实施例示意图。具体实施方式下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。本申请实施例提供一种PID控制器的参数整定方法，如图1所示，所述方法包括如下步骤：S10：获取PID控制本文档来自技高网...

【技术保护点】
1.一种PID控制器的参数整定方法，其特征在于，包括：/n获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算PID控制器的控制误差；/n若所述控制误差超过预设阈值，获取PID控制器的输出数据，将所述PID控制器的输出数据发送到神经网络模型，得到辨识输出数据；/n将所述辨识输出数据发送至单神经元控制器，控制所述单神经元控制器根据所述辨识输出数据对神经网络模型的参数进行调整，得到调整后的神经网络模型，根据调整后的神经网络模型确定PID控制器的参数。/n

【技术特征摘要】
1.一种PID控制器的参数整定方法，其特征在于，包括：
获取PID控制系统的输入与输出的采样数据，根据所述采样数据计算PID控制器的控制误差；
若所述控制误差超过预设阈值，获取PID控制器的输出数据，将所述PID控制器的输出数据发送到神经网络模型，得到辨识输出数据；
将所述辨识输出数据发送至单神经元控制器，控制所述单神经元控制器根据所述辨识输出数据对神经网络模型的参数进行调整，得到调整后的神经网络模型，根据调整后的神经网络模型确定PID控制器的参数。


2.根据权利要求1所述的方法，其特征在于，所述根据调整后的神经网络模型确定PID控制器的参数，包括：
根据调整后的神经网络模型辨识被控对象的离散度，根据所述离散度确定PID控制器的参数调整信息，控制所述单神经元控制器根据参数调整信息调整PID控制器的参数。


3.根据权利要求2所述的方法，其特征在于，所述根据参数调整信息调整PID控制器的参数之后，还包括：
对PID控制系统进行下一次采样，获取下一次采样的采样数据，直至根据所述采样数据计算得到的PID控制器的控制误差不超过预设阈值。


4.根据权利要求2所述的方法，其特征在于，所述根据参数调整信息调整PID控制器的参数之后，还包括：
获取PID控制器的响应时间及上升速度；
当所述响应时间及上升速度均满足预设要求，获取当前的环境参数；
将所述调整后的PID控制器的参数与当前的环境参数关联存储。


5.根据权利要求1所述的方法，其特征在于，所述神经网络模型为RBF神经网络模型；所述获取PID控制系统的输入与输出的采样数据之前，还包括：
初始化RBF神经网络模型的参数；
根据遗传算法优化RBF神经网络模型的参数。


6.根据权利要求5所述的方法，其特征在于，所述根据遗传算法优化RBF神经网络模型的参数，包括：
获取RBF神经网...

【专利技术属性】
技术研发人员：张茜，刘旭，王长恺，应坤，魏佳欣，伍义阳，饶德坤，
申请(专利权)人：珠海格力电器股份有限公司，
类型：发明
国别省市：广东;44