本发明属于自动控制技术领域，具体涉及一种性能可控PID控制器参数优化整定方法。
背景技术：
PID控制器由于算法简单、鲁棒性好，因而在过程控制中得到广泛应用。PID控制器参数优化整定的性能取决于优化性能指标。一般采用的是如下一类的偏差积分型性能指标：
该类指标的不足是最终的优化性能不可调整。尽管提出一些基于上述指标的改进型指标，如分段积分等，但优化性能对性能指标中的参数不敏感，未能很好地解决如何有效调整最终优化效果的问题，不利于工程应用。
技术实现要素：
发明目的：为解决上述问题，本发明提出一种性能可控PID控制器参数优化整定方法，通过改变新型优化性能指标中的偏差变化率的权系数，方便、有效地调整最终的优化整定效果。
技术方案：一种性能可控PID控制器参数优化整定方法，包括以下步骤：
(1)由被控过程和PID控制器构成单回路负反馈仿真控制系统，过程输出为y(t)，输入为PID控制器的输出u(t)，PID控制器的输入为过程输出设定值r与y(t)之差e(t)，t为时间，过程传递函数为G(s)，PID控制器传递函数为：
s为复数域内的复变量，KP为比例系数，KI为积分系数，KD为微分系数；
(2)采用遗传算法，按如下步骤优化PID控制器参数KP、KI和KD：
(2.1)设置PID控制器参数KP、KI和KD的优化搜索范围：
利用步骤1构成的单回路负反馈控制系统，通过设定值r作单位阶跃扰动仿真实验，采用临界比例带法，得到KP、KI和KD的一组整定参数KP0、KI0和KD0，PID控制器的三个参数的优化值搜索范围分别设为：KP∈(0,βP·KP0)，KI∈(0,βI·KI0)，KD∈(0,βD·KD0)，其中βP、βI和βD分别为大于1的实数，取值均为5-10之间的值；
(2.2)采用新型性能指标计算遗传算法适应度函数值f
设定值r作单位阶跃扰动，通过仿真采用下式计算适应度函数值：
其中，c为大于0的常数，J为新型积分优化性能指标：
式中，k为采样时刻，e(k)为k时刻设定值r与过程输出y之差，ce(k)为k时刻e(k)的变化率，
T为采样周期，λ为大于0的实数，N为正整数，满足N*T时间大于过程阶跃响应从变化到稳定所需的时间；
(2.3)采用遗传算法进行参数优化
(2.3.1)以KP、KI和KD三个变量作为个体，随机生成初始种群P(0)，种群规模为M，设置交叉率pc、变异率pm和最大迭代次数N，迭代次数k置为0；
(2.3.2)按照步骤(2.2)的方法计算适应度函数值，A1设置的范围内，对种群P(k)进行选择、交叉和变异操作，产生新的种群P(k+1)，并置k＝k+1；
(2.3.3)若k＜N，转上步骤(2.3.2)，否则，迭代优化结束，种群P(N)中适应度函数值最大的个体即为PID控制器三个参数KP、KI和KD的优化整定值。
所述的方法提出如下一种新型优化性能指标：
由于在性能指标中添加了偏差变化率ce(t)一项，就可通过改变权系数λ的大小，方便、有效地调整最终的优化效果。增大λ可降低PID控制器的控制速度，系统超调量减小；减小λ可加快PID控制器的控制速度，系统超调量增大。
有益效果：采用本发明提出的方法，可方便、有效地调整PID控制器参数优化整定的效果，及其最终的控制性能，有利于实际应用。
附图说明
图1为PID控制器单回路负反馈系统图。
图2为偏差变化率的权系数λ对优化结果的影响仿真曲线。
具体实施方式
为了详细的说明本发明公开的技术方案，下面结合附图对本发明的技术方案进行详细说明：
假设被控过程传递函数为下面结合附图对本发明做更进一步的解释。
步骤1：由被控过程和PID控制器构成单回路负反馈仿真控制系统，过程输出为y(t)，输入为PID控制器的输出u(t)，PID控制器的输入为过程输出设定值r与y(t)之差e(t)，t为时间，过程传递函数为G(s)，PID控制器传递函数为s为复数域内的复变量，KP为比例系数，KI为积分系数，KD为微分系数；
步骤2：采用遗传算法，按如下步骤优化PID控制器参数KP、KI和KD：
(2.1)设置PID控制器参数KP、KI和KD的优化搜索范围
利用步骤1构成的单回路负反馈控制系统，通过设定值r作单位阶跃扰动仿真实验，采用临界比例带法，得到KP、KI和KD的一组整定参数KP0、KI0和KD0，PID控制器的三个参数的优化值搜索范围分别设为：KP∈(0,βP·KP0)，KI∈(0,βI·KI0)，KD∈(0,βD·KD0)，其中βP、βI和βD分别为大于1的实数，取值均为5-10之间的值；
在此步中，通过临界比例带法整定可得KP0＝0.7658，KI0＝0.0197，Kd0＝6.2603，并且取βP＝βI＝βD＝5。
(2.2)采用新型性能指标计算遗传算法适应度函数值f
设定值r作单位阶跃扰动，通过仿真采用下式计算适应度函数值：
其中，c为大于0的常数，J为新型积分优化性能指标：
式中，k为采样时刻，e(k)为k时刻设定值r与过程输出y之差，ce(k)为k时刻e(k)的变化率，
T为采样周期，λ为大于0的实数，N为正整数，满足N*T时间能覆盖被控过程绝大部分的动态特性，该步中取c＝0.01，T＝3s，N＝300；
(2.3)采用遗传算法进行参数优化
(2.3.1)以KP、KI和KD三个变量作为个体，随机生成初始种群P(0)，种群规模为M，设置交叉率pc、变异率pm和最大迭代次数N，迭代次数k置为0，此步中，取M＝20，pc＝0.25，pm＝0.01，N＝200；
(2.3.2)以A2的方法计算适应度函数值，A1设置的范围内，对种群P(k)进行选择、交叉和变异操作，产生新的种群P(k+1)，并置k＝k+1；
(2.3.4)若k＜N，转上一步(2)，否则，迭代优化结束，种群P(N)中适应度函数值最大的个体即为PID控制器三个参数KP、KI和KD的优化整定值。
在不同λ取值下优化得到的控制器参数如下：
附图2给出了不同λ取值下优化结果的控制性能仿真曲线，可见λ＝0时，系统震荡明显，调整λ取值可有效改变最终的优化控制性能。