基于PID和扩张状态观测器的温度控制方法技术

本发明专利技术涉及一种基于PID和扩张状态观测器的温度控制方法。该方法包括以下步骤：步骤1，获取温度控制系统实验数据；步骤2，设计在线自整定PID主控制器；步骤3，设计状态观测器辅助控制模型；步骤4，构建自整定PID和扩张状态观测器温度控制模型；步骤5，主辅双控制器的联动控制，获得具有鲁棒性的温度调控系统，并将其嵌入上位机中进行实际应用。本发明专利技术在控制系统中引入了扩张状态观测器对系统的状态变量和系统扰动进行估计，实现自动补偿温控系统的不确定性和干扰，可减小系统的超调、提升响应速度、提高系统稳定性和鲁棒性。提高系统稳定性和鲁棒性。提高系统稳定性和鲁棒性。

【技术实现步骤摘要】
基于PID和扩张状态观测器的温度控制方法


[0001]本专利技术涉及温度控制领域，特别设计基于PID和扩张状态观测器的温度控制方法。

技术介绍

[0002]随着中国社会经济进步的日益加速，温度调节器在航空航天[1]、化工[2]、石油[3]、船舶[4]、核能[5]等行业有着广泛应用，使得对温度调节器的控制要求也越来越高。然而温度调节系统是一个大滞后、时变、非线性的复杂系统，目前研究学者们已对温度控制器给出了不同的控制方法，包括PID控制器、模糊控制、神经网络控制器、Smith预估器的温度控制策略等。
[0003]文献“A Fuzzy Self
‑
tuning Temperature PID Control Algorithms for 3D Bio
‑
printing Temperature Control System”为了提高温度控制的精度，减少超调量，研究了三维生物打印设备温控区的模糊自整定温度PID控制方法，但模糊PID在控制大滞后系统时，控制器不能立刻对产生的干扰起到抑制作用，且无法保证大滞后系统的稳定性。文献“基于BP神经网络自整定PID恒温控制系统研究”借助BP算法实现PID控制器的参数更新，消除大滞后系统的超调，提升温度控制系统的响应速度，由于PID控制器无法对系统进行观测，当温度控制系统中存在剧烈频繁的干扰以及大滞后时，很难对温度系统进行精确控制。BP神经网络虽然可实时调整PID参数，但是神经网络不能通过已有经验来描述系统内部状态信息，扩张状态观测器可根据状态向量的反馈来构建控制系统模型，来确定系统内部状态量的变化，可通过已有的经验来表达出基于规则的知识。针对此问题，本专利技术提出了一种基于PID和扩张状态观测器的温度控制方法，利用BP神经网络的自学习能力，动态调整温控系统的PID控制参数，同时在控制系统中引入了扩张状态观测器对系统的状态变量和系统扰动进行估计，实现自动补偿温控系统的不确定性和干扰，可减小系统的超调、提升响应速度、提高系统稳定性和鲁棒性。

技术实现思路

[0004]为了解决上述存在问题，本专利技术在控制系统中引入了扩张状态观测器对系统的状态变量和系统扰动进行估计，实现自动补偿温控系统的不确定性和干扰，可减小系统的超调、提升响应速度、提高系统稳定性和鲁棒性，提出一种基于PID和扩张状态观测器的温度控制方法，为达此目的，本专利技术的具体步骤如下，其特征在于：
[0005]步骤1，获取温度控制系统实验数据：通过温度传感器和流量传感器检测系统温度和流量，并记录执行器输出和指令信号；
[0006]步骤2，设计在线自整定PID主控制器：通过BP神经网络对PID参数实现在线自整定；
[0007]步骤3，设计状态观测器辅助控制模型：根据温度控制系统状态向量的反馈来构建状态观测器控制模型，确定系统内部状态量变化；
[0008]步骤4，构建自整定PID和扩张状态观测器温度控制模型：通过BP神经网络对PID参
数实时调整，扩张状态观测器辅助控制器将被控对象的输入量和输出量作为输入，实现对PID控制量的补偿；
[0009]步骤5，主辅双控制器的联动控制，获得具有鲁棒性的温度调控系统，并将其嵌入上位机中进行实际应用。
[0010]进一步，步骤2中设计在线自整定PID主控制器的过程表示如下：
[0011]采用BP神经网络对PID进行调节参数，该网络由输入层、隐藏层、输出层3层网络结构，各层网络神经元个数分别为8、9、3；输入层的8个神经元分别对应偏置项、设定输出值u(k)、实际输出值y(k)、当前偏差e(k)、上一偏差e(k
‑
1)、上一个比例系数K
p
(k
‑
1)、上一个积分系数K
I
(k
‑
1)、上一个微分系数K
d
(k
‑
1)，输出层3个神经元分别对应当前比例系数K
p
(k)、当前积分系数K
I
(k)和当前微分系数K
d
(k)，k为采样时间点；
[0012]BP神经网络训练过程可以分为两个阶段：正向传播和反向传播；正向传播数据的传输方向为输入层、隐藏层、输出层；输入数据进入隐藏层，经过输入层与隐藏层的连接权值和激活函数的计算，获得隐藏层输出；输出层以隐藏层输出为输入，经过隐藏层与输出层的连接权值和激活函数的计算，获得实际输出；反向传播过程利用输出值u(k)与实际输出值y(k)的偏差e(k)；将该偏差值反向传播到隐藏层与输入层，对各层的连接权值与阈值进行更新，使误差沿着梯度方向下降；经过多次前向、反向传播训练，使误差无限逼近零。
[0013]进一步，步骤2中BP神经网络正向传播的具体过程表示如下：
[0014]BP神经网络输入层O
i(1)
可表示为：
[0015][0016]式中，输入层输入x
i
(k)分别是设定输出值u(k)、实际输出值y(k)、当前偏差e(k)、上一偏差e(k
‑
1)、上一个比例系数K
p
(k
‑
1)、上一个积分系数K
I
(k
‑
1)、上一个微分系数K
d
(k
‑
1)，输入层的权值均为1，其中i表示输入层第i个神经元；
[0017]隐藏层的输入net
i(2)
、输出O
j(2)
为：
[0018][0019][0020]式中，w
ji
是输入层和隐藏层间的网络权重值，j表示隐含层第j个神经元，b
j
是输入层和隐藏层间的网络偏置阈值，f()为隐藏层激活函数；
[0021]隐藏层激活函数使用SELU激活函数：
[0022][0023]式中，α＝1.6732632423543772848170429916717，λ＝1.0507009873554804934193349852946；
[0024]输出层输入、输出为：
[0025][0026][0027]式中，w
mj
是输出层和隐藏层间的网络权重值，b
j
是输出层和隐藏层间的网络偏置阈值，m是第m个输出层神经元；
[0028]输出层激活函数为：
[0029][0030]式中，参数α、λ值与SELU激活函数取值一致；
[0031]输出层比例系数K
p
(k)、比例系数K
I
(k)和比例系数K
d
(k)分别表示为：
[0032][0033]BP网络输出系数与温度的关系表示为：
[0034][0035]式中，δ、θ表示加热功率与温度的对应系数，β0、β1、β2表示残差偏置，计算公式为：
[0036][0037]式中，s为积分时间，e(k)表示实际输出值y(k)与设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于PID和扩张状态观测器的温度控制方法，具体步骤如下，其特征在于：步骤1，获取温度控制系统实验数据：通过温度传感器和流量传感器检测系统温度和流量，并记录执行器输出和指令信号；步骤2，设计在线自整定PID主控制器：通过BP神经网络对PID参数实现在线自整定；步骤3，设计状态观测器辅助控制模型：根据温度控制系统状态向量的反馈来构建状态观测器控制模型，确定系统内部状态量变化；步骤4，构建自整定PID和扩张状态观测器温度控制模型：通过BP神经网络对PID参数实时调整，扩张状态观测器辅助控制器将被控对象的输入量和输出量作为输入，实现对PID控制量的补偿；步骤5，主辅双控制器的联动控制，获得具有鲁棒性的温度调控系统，并将其嵌入上位机中进行实际应用。2.根据权利要求1所述的基于PID和扩张状态观测器的温度控制方法，其特征在于：步骤2中设计在线自整定PID主控制器的过程表示如下：采用BP神经网络对PID进行调节参数，该网络由输入层、隐藏层、输出层3层网络结构，各层网络神经元个数分别为8、9、3；输入层的8个神经元分别对应偏置项、设定输出值u(k)、实际输出值y(k)、当前偏差e(k)、上一偏差e(k
‑
1)、上一个比例系数K
p
(k
‑
1)、上一个积分系数K
I
(k
‑
1)、上一个微分系数K
d
(k
‑
1)，输出层3个神经元分别对应当前比例系数K
p
(k)、当前积分系数K
I
(k)和当前微分系数K
d
(k)，k为采样时间点；BP神经网络训练过程可以分为两个阶段：正向传播和反向传播；正向传播数据的传输方向为输入层、隐藏层、输出层；输入数据进入隐藏层，经过输入层与隐藏层的连接权值和激活函数的计算，获得隐藏层输出；输出层以隐藏层输出为输入，经过隐藏层与输出层的连接权值和激活函数的计算，获得实际输出；反向传播过程利用输出值u(k)与实际输出值y(k)的偏差e(k)；将该偏差值反向传播到隐藏层与输入层，对各层的连接权值与阈值进行更新，使误差沿着梯度方向下降；经过多次前向、反向传播训练，使误差无限逼近零。3.根据权利要求1所述的基于PID和扩张状态观测器的温度控制方法，其特征在于：进一步，步骤2中BP神经网络正向传播的具体过程表示如下：BP神经网络输入层O
i(1)
可表示为：式中，输入层输入x
i
(k)分别是设定输出值u(k)、实际输出值y(k)、当前偏差e(k)、上一偏差e(k
‑
1)、上一个比例系数K
p
(k
‑
1)、上一个积分系数K
I
(k
‑
1)、上一个微分系数K
d
(k
‑
1)，输入层的权值均为1，其中i表示输入层第i个神经元；隐藏层的输入net
i(2)
、输出O
j(2)
为：为：式中，w
ji
是输入层和隐藏层间的网络权重值，j表示隐含层第j个神经元，b
j
是输入层和隐藏层间的网络偏置阈值，f()为隐藏层激活函数；隐藏层激活函数使用SELU激活函数：
式中，α＝1.67...

【专利技术属性】
技术研发人员：吴敏，刘莎，姜玉东，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：