【技术实现步骤摘要】
一种基于改进贝叶斯模型的PID参数整定优化方法
本专利技术涉及工程机械的PID控制器领域，尤其涉及一种基于改进贝叶斯模型的PID参数整定优化方法。
技术介绍
PID控制由于其结构简单、鲁棒性好、可靠性高等优点，是当前工业过程控制应用最广泛的控制策略。其根据给定值和实际输出值的控制偏差，按偏差的比例(Proportional)、积分(Integral)和微分(Derivative)的线性组合构成控制量，实现对被控对象的控制。然而，现有技术对PID控制器的控制参数主要采用手动整定方法，难以实现对非线性、大滞后的控制系统的最优控制。因此探索更好的PID控制器的参数整定方法是取得良好控制效果的有效途径。PID的参数整定可以归结为优化问题。已有大量优化算法应用于PID的参数整定优化中，如遗传算法、粒子群算法、人群搜索算法等。然而上述算法通过模拟自然界的生物群体表现出的群体智能，使其具有良好的优化性能。但是上述算法也容易陷入局部最优，难以实现全局最优和局部最优的综合搜索。因此，探索优化效率更高、优化性能更好的PID参数整定优化方...
【技术保护点】
1.一种基于改进贝叶斯模型的PID参数整定优化方法，其特征在于：包括如下步骤：/nS101：构建PID控制系统的优化模型，选择目标函数，其中，PID控制参数为比例系数K
【技术特征摘要】
1.一种基于改进贝叶斯模型的PID参数整定优化方法，其特征在于：包括如下步骤：
S101：构建PID控制系统的优化模型，选择目标函数，其中，PID控制参数为比例系数Kp、积分系数Ki、微分系数Kd；其目标函数为误差绝对值时间积分性能指标；
S102：建立PID参数空间与目标函数值空间的代理模型，使用步骤S101中已探索的PID参数及其目标函数值，建立基于改进贝叶斯模型的代理模型，实现对未知参数目标函数值的高效预测；
S103：建立PID参数的选取函数，实现PID最优参数的自动迭代探索；
S104：最优参数空间缩减策略：通过设定空间缩减判别方法，在特定迭代次数时，对已探索的PID参数及其目标函数值进行相关程度分析，挖掘并裁剪PID参数空间中对PID性能指标不显著的空间，实现对最优PID参数空间的缩减；
S105：判定迭代搜索的终止条件，输出最优参数及其性能指标。
2.根据权利要求1所述的基于改进贝叶斯模型的PID参数整定优化方法，其特征在于：
步骤S101中，所述目标函数采用最小化控制误差绝对值的时间积分性能指标，同时，为了避免控制能力过大和避免控制系统超调，采用了罚函数法，将上述两项指标作为惩罚项加入目标函数中。
3.根据权利要求2所述的基于改进贝叶斯模型的PID参数整定优化方法，其特征在于：
所述目标函数如公式(1)所示：
其中e(t)为系统误差，u(t)为控制器输出，t为仿真时间，ω1、ω2和ω3为权值，；初始设置Kp、Ki、Kd的变化范围，变化范围的下界为low＝[0,0,0]，上界为up＝[100,100,100]；
随机产生初始参数，记为x0＝{Kp0,Ki0,Kd0}；
该对应的目标函数值记为y0＝F{x0}。
4.根据权利要求1或2所述的基于改进贝叶斯模型的PID参数整定优化方法，其特征在于：步骤S102具体为：约定已探索的参数空间记为X＝{x0,x1,…,xn}，对应的目标函数值空间记为Y＝{y0,y1,…,yn}；采用基于改进贝叶斯模型构建PID控制系统的参数空间X至目标函数空间Y的代理模型f(X)＝p(Y|X)；
假定未知参数为x′，则其预测性能为y′＝f(x′)；
进一步地，建立基于TreeParzenEstimator(TPE)的代理模型，TPE分别采用对p(x|y)的方式，实现了p(y|x)对的预测，其转换方式如公式(2)所示，
其中p(x)和p(y)建模为当前参数空间X和目标函数空间Y的先验分布，可以直接从参数空间X和目标函数值空间Y中评估；
进一步地，建立p(x|y)的模型，按照y的大小，分别建立两种密度函数l(x)和g(x)，如公式(3)；
其中y*为目标函数值空间Y的分位点γ，即l(x)表示观测集合中y比y*小所构成的密度函数，为优质参数模型；g(x)表示观测集合中y比y*大所构成的密度函数，次等参数模型；TPE对l(x)和g(x)分别采用高斯过程(GP)对其进行建模；
其中，高斯过程建模方法为：高斯过程通过建模y′和Y与x′之间的关系，建立如下的预测模型如公式(4)所示。
p(y*|x*,Y)＝N(μ(x*),σ2(x*))式(4...
【专利技术属性】
技术研发人员：张凌云，刘涛，尚伟，樊万文，朱红亮，任进，沈航，汤自彪，张锋，田九一，薛峰，唐志刚，王永强，兰青山，孟继瑜，
申请(专利权)人：中铁科工集团装备工程有限公司，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。