一种基于闭环过程信息约束的前向通道模型多目标优化辨识整定方法
【专利摘要】本发明涉及一种基于闭环过程信息约束的前向通道模型多目标优化辨识整定方法，属于闭环回路辨识与生产操作优化工程领域。针对闭环辨识难甚至不可辨识以及在整定过程中不能兼顾性能指标和质量指标的难题，采用前向通道对输出噪声和输入进行隔离，利用闭环过程输入输出数据和已知的PI/PID控制器的控制器参数，推导闭环过程信息约束，基于PSO-SQP算法进行信息约束范围内的辨识；在获得过程对象的动态特性——前向通道模型后，利用改进多目标算法进行以前向通道闭环输出的性能指标为约束的双质量指标的过程对象优化，最后基于工程最优解相似度的多目标解的选取，从而提出了一种闭环辨识优化整定的新方法，同时提供了一个实现本发明的软件系统。
【专利说明】一种基于闭环过程信息约束的前向通道模型多目标优化辨 识整定方法
【技术领域】
[0001] 本发明涉及一种基于闭环过程信息进行控制回路辨识和基于多目标粒子群优化 算法的PID控制器整定方法，针对闭环回路中的输出噪声通过反馈与输入强相关，导致闭 环控制系统的辨识困难，甚至不可辨识，以及在常规整定方法中只强调性能指标或质量指 标中的某一方面，而忽视另外一方面的问题，分别采用前向通道隔离输出噪声对输入的干 扰，模拟闭环过程对象的动态特性，以性能指标为约束的双质量指标的多目标整定方法，获 得了准确的系统动态特性，提高了闭环控制系统的整定性能和控制质量。
【背景技术】
[0002] 系统辨识是从输入输出数据中提取过程信息进行建模的一种理论和方法，由于闭 环系统输出信号的干扰噪声通过反馈作用而与输入信号密切相关，采用传统的开环辨识方 法误差较大，并存在闭环的不可辨识性。实际工业应用中往往从系统稳定性、安全性、经济 性的角度考虑，不允许系统在开环状态下运行，为此有必要研究有效且方便适用的闭环辨 识方法。
[0003] PID控制是最早发展起来的控制策略之一，由于其具有算法简单、鲁棒性好、可靠 性高等优点而被广泛应用于工业过程控制领域，《Handbook of PI and PID Controller Tuning Rules》对现存的PI和PID控制器的整定规律进行总结，给出了许多根据系统类型 从而确定控制器参数的公式，使工业整定简单，但整定的前提是获得过程系统模型，并且对 过程系统模型的精度要求较高。
[0004] 评价一个控制器好坏的指标主要有性能指标和质量指标，其性能指标主要代表了 系统对于单位阶跃响应的相应特性，而质量指标主要代表了系统输出的波动性，对于常规 整定方法中，往往只重视性能指标或者质量指标中的一个而忽视另外一个，导致性能较好 的系统波动较大，而波动小的系统其性能指标又无法满足要求，本发明针对上述问题，提出 一种基于性能约束的双质量指标的多目标整定方法。
[0005] 粒子群优化算法（Particle Swarm Optimization，PS0)是由 Kennedy 和 Eberhart 于1995年提出的一种智能优化算法，其思想来源于模拟自然界中生物的觅食行为，具有思 想简单、易于实现、收敛速度快等优点，随着进化理论的发展，其由解决单目标优化问题逐 步拓展到多目标优化决策问题。本发明基于粒子群优化算法提出一种新型的基于动态链接 矩阵的自适应多目标粒子群优化算法，并应用于PID控制系统前向通道模型的多目标优化 整定。
【发明内容】
[0006] 本发明针对在实际工业中闭环回路中噪声通过反馈与输入强相关，造成闭环控制 系统辨识难，甚至不可辨识的问题，以及只片面强调性能指标或质量指标中的一个方面而 不能兼顾的缺点，提出了一种基于闭环过程信息约束的前向通道模型多目标优化辨识整定 方法，从而获得较好的前向通道模型动态特性，使经过整定后的控制系统性能和质量指标 均较优。
[0007] 本发明的技术方案如下：
[0008] -种基于闭环过程信息约束的前向通道模型多目标优化辨识整定方法，其特征在 于，针对闭环稳定且可辨识系统，采用前向通道模型隔离输出噪声对输入的干扰，模拟闭环 过程对象的动态特性，利用已知的闭环稳定PI/PID控制器参数和闭环系统输入输出数据， 提取闭环过程信息，确定前向通道模型参数优化的约束条件，利用PSO-SQP算法优化辨识 获得对象的前向通道模型，在获得模型动态特性的基础上，采用多目标粒子群优化算法进 行基于性能指标约束的双质量指标的多目标优化整定，其结构如图1所示。
[0009] 所述闭环稳定且可辨识系统，闭环稳定是指输入有界，输出必有界，可辨识系统为 控制器方程的阶大于或等于被控过程的阶的系统。
[0010] 所述前向通道模型，其特征在于工业在用的闭环控制回路，采用前向通道将输出 噪声对输入的干扰予以隔离，从而获得系统的动态特性，其结构如图2所示。
[0011] 所述模型动态特性是对不同的输入条件，前向通道和真实过程的输出相同，前向 通道具有较好的模拟真实过程对象输出特性的能力。
[0012] 所述基于闭环过程信息约束的前向通道模型辨识方法的结构如图3所示，其方法 描述如下：
[0013] ①根据已知的PI/PID控制器和闭环系统的输入输出数据进行闭环过程信息的提 取，从而获得前向通道模型参数的估计值，进行参数范围的拓展，从而获得优化参数的优化 范围；
[0014] ②在优化范围内初始化种群的初始位置和个体最优解以及种群大小、迭代次数、 收敛阈值等参数，令当前迭代次数iter和粒子位置i均等于1;
[0015] ③按照 Vi = w^Vi+Cfrand () * (Pbesti-Xi)+C2*rand () * (gbest-xj 和 Xi = XfVi 分 别进行速度和位置的更新，并对个体最优和全局最优进行更新；
[0016] ④判断当前粒子是否为最后一个粒子，若否则当前粒子位置i=i+l，跳到③，判断 是否满足结束条件，若是则结束；
[0017] ⑤判断粒子全局最优的收敛阈值是否小于某一个设定值，如果是则以全局最优为 初始点，初始寻优范围为边界进行SQP局部搜索。否则迭代次数iter=iter+l;
[0018] ⑥判断当前迭代次数大于最大迭代次数，若是则结束，否则跳到③。
[0019] 所述基于前向通道的多目标整定方法的结构如图4所示，其方法描述如下：
[0020] ①利用已获得的前向通道模型参数求取控制器参数的估计值，进而进行参数的延 展，从而获得控制器参数的寻优范围；
[0021] ②在寻优范围内初始化种群的初始位置、个体最优解及其种群大小、迭代次数以 及外部归档集的大小，令当前迭代次数和粒子位置为0 ;
[0022] ③确定链接矩阵；
[0023] ④按照=U":/. Λ〃;.，确定当前粒子的链接粒子，构建当前粒子的进化子群，对当 前粒子进行优劣评判，选取最优解作为当前链接子群的全局最优解；
[0024] ⑤按照结构公式\^ = w^Vi+Cfrand () * (Pbesti-Xi)+C2*rand () * (gbest-xj 和 Xi = Xi+Vi分别进行速度和位置的更新，若当前新解支配当前粒子的个体最优，则用新解代替当 前粒子的个体最优，若互不支配，按照均匀分布设计进行优劣评判，选取较优解作为当前粒 子的个体最优；
[0025] ⑥判断当前粒子是否为最后一个粒子，若否则转④；
[0026] ⑦对非支配解的归档，判断归档集是否已满，若是则按照拥挤距离进行归档集内 解的删除，从归档集中随机选取一个粒子作为探测粒子，对当前种群状态进行估计，按照结 构另
【权利要求】
1. 一种基于闭环过程信息约束的前向通道模型多目标优化辨识整定方法，其特征在于 对于闭环稳定且可辨识的PI/PID控制回路，采用前向通道模型隔离输出噪声对输入的干 扰，以控制器的输出作为前向通道的输入，将前向通道的输出与真实过程对象的输出差值 的函数积分作为目标函数，利用已知的闭环稳定PI/PID控制器参数和闭环输入输出数据， 提取闭环过程信息，确定前向通道的优化约束条件，利用PSO-SQP算法优化辨识前向通道 模型，获得过程对象的动态特性；采用改进的多目标粒子群优化算法，基于性能指标约束的 双质量指标多目标PID控制系统优化整定方法，克服了常规整定中只强调一方面而忽视另 外一方面的缺点。
2. 根据权利要求1所述闭环稳定且可辨识的PI/PID控制回路，其特征在于，所述闭 环稳定且可辨识是输入有界，输出必有界且控制器方程的阶大于或等于被控过程的阶的系 统。采用的控制器为PI/PID控制器。
3. 根据权利要求1所述闭环过程信息提取，其特征在于，所述闭环过程信息包括系统 的时间常数、延迟时间和比例增益，其延迟时间的估计值选用控制器输出与真实系统输出 的相关系数进行确定；对于时间常数和比例增益利用已知的PI/PID控制器参数，采用通过 系统结构和参数确定控制器参数的公式进行反向推算方法，获得对应参数的估计值。
4. 根据权利要求1所述优化约束条件，其特征在于，通过对已知的PI/PID控制器参数 和闭环输入输出数据进行闭环过程信息的提取，获得对象特性的估计值后，进行过程参数 的拓展，其拓展的结构为l/a*Xiestimate彡Xi彡a*Xiestimate，形成优化辨识的寻优范围，控制 器比例增益和过程对象的比例增益满足0 <KjK< 3. 5,结合上述两种过程对象比例增益 的估计方法，采用结构Ke[max(0,l/a*Ke_estimate)，min(3. 5/K,a*Ke_estimate)]确定控制器比 例增益的寻优范围。
5. 根据权利要求1所述PSO-SQP算法优化辨识得到对象的前向通道模型，其特征在于， 利用PSO-SQP算法进行前向通道优化辨识，前向通道辨识优化步骤如下：①初始化，在优化 约束范围内初始化种群的初始位置和个体最优解及种群大小、迭代次数，函数最大评价次 数等参数，计算得到全局最优解，令当前迭代次数和粒子位置为1 ;②按照Vi =WWJC1^an d〇*(Pbesti-Xi)+Q^randO=Kgbest-Xi)和Xi =XfVi分别进行速度和位置的更新；③粒子 个体最优和种群全局最优的更新，判断是否满足结束条件，若是则结束；④判断粒子全局最 优的收敛阈值是否小于某一个设定值，如果是则以全局最优为初始点，初始寻优范围为边 界进行SQP局部搜索，进行全局最优解的更新，判断是否满足结束条件，若是则结束。⑤判 断当前粒子是否为最后一个粒子，若是则当前粒子位置加1，跳到②；⑥判断当前迭代次数 是否大于最大迭代次数，若否则当前迭代次数加1，跳到②，若是则结束。
6. 根据权利要求1所述性能指标约束的双质量指标，其特征在于，所述性能指标是指 峰值时间、最大误差、超调量、衰减比和调节时间，代表了系统对单位阶跃响应的瞬态相应 特性；质量指标指以系统的希望输出与系统实际输出之间差值的某个函数的积分函数值， 利用平方误差积分指标（ISE)、时间权重的误差积分指标（ITAE)同时作为优化目标，使系 统输出误差小的同时具有快速响应特性。
7. 根据权利要求1所述多目标PID控制系统优化整定方法，其特征在于，采用改进的多 目标粒子群算法（MOPSO)，以系统的性能指标为约束，以常规的质量指标作为目标函数进行 多目标整定，按照优化结果与工业理论最优解的相似度进行多目标优化结果的选取。
8.根据权利要求7所述基于改进的MOPSO算法，其特征在于，其优化步骤如下：①利 用前向通道参数的估计值，进行参数的延展，获得控制器参数的寻优范围；②在寻优范围内 初始化种群的初始位置、个体最优解及其种群大小、迭代次数以及外部归档集的大小，令当 前迭代次数和粒子位置为〇 ;③确定链接矩阵；④按照< 1 确定当前粒子的链接 粒子，构建当前粒子的进化子群；④对当前粒子进行优劣评判，选取最优解作为当前链接子 群的全局最优解；⑤按照结构公式Vi=w*Vi+C1*rand()*(pbesti-χi)+C2*rand()*(gbest-Xi)和Xi =Xi+Vi分别进行速度和位置的更新，若当前新解支配当前粒子的个体最优，则用 新解代替当前粒子的个体最优，若互不支配，按照均匀分布设计进行优劣评判，选取较优解 作为当前粒子的个体最优。⑥判断当前粒子是否为最后一个粒子，若否则转④；⑦对非支 配解的归档，判断归档集是否已满，若是则按照拥挤距离进行归档集内解的删除，从归档集 中随机选取一个粒子作为探测粒子，对当前种群状态进行估计，按照结构式 进行权重的自适应调整。⑧判断当前进化因子是否低于某一阈值，若是，则按照结构式 Pc-mUt= 1 + 4^x,X〇·^/ )计算变异概率，并根据变异概率进行变异操作。⑨判断当前概率是 否小于重整概率,若是则按照结构式计算粒子链接概率,并按照 链接概率进行种群粒子链接形式的自适应调整；⑩判断当前迭代次数是否达到最大迭代次 数，若是停止，否则转③。
【文档编号】G05B13/04GK104460318SQ201310451663
【公开日】2015年3月25日 申请日期:2013年9月25日 优先权日:2013年9月25日
【发明者】耿志强, 李润学, 夏立荣 申请人:北京化工大学