一種基於隱馬爾科夫模型的pid控制參數離線整定方法
2023-05-05 20:16:16 1
一種基於隱馬爾科夫模型的pid控制參數離線整定方法
【專利摘要】本發明涉及一種基於隱馬爾科夫模型的PID控制參數離線整定方法，步驟如下：獲取PID控制參數觀測序列；判斷獲取的觀測序列的長度是否大於1；計算觀測序列的初始狀態概率分布；利用得到的概率分布進行隱馬爾科夫模型訓練，得到訓練後的觀測序列的狀態概率；將訓練後的控制參數的觀測序列送入PID控制系統進行驗證，判斷該組控制參數是否滿足PID控制系統精度要求。本發明實現了PID控制參數序列矢量的確定性計算，提出了離線PID控制參數優化調整方法，避免了參數確定隨機性引起的參數調試困難。
【專利說明】-種基於隱馬爾科夫模型的PID控制參數離線整定方法
【技術領域】
[0001] 本發明屬於控制器設計領域，涉及一種基於隱馬爾科夫模型的PID控制參數離線 整定方法。
【背景技術】
[0002] 目前，工程應用中所採用的控制算法大多為PID控制算法，該算法具有結構簡單、 物理意義清晰且控制參數數目較少、利於工程調試等優點，在科研生產實踐中發揮著不可 替代的作用。對於PID控制參數的確定方法主要採用離線調整和在線調整。離線調整是在 控制器形式確定之後，對PID控制參數進行範圍鎖定。在《最優Fuzzy-GAPID控制器及其 應用》（譚冠政，李安平，王越超.中南工業大學學報，2002, 33 (4) :419-423.) -文中所設 計的離線優化過程，以系統響應的超調量、上升時間及調整時間為性能指標，利用遺傳算法 搜索出一組最優的PID參數，作為在線部分調節的初始值，完成PID控制器參數調整。在專 利《一種壓電陶瓷物鏡驅動器的控制方法》（陳華，董釗明，林廣升，聶雄.申請（專利） 號：CN201310067167.5,公開（公告）號：CN103116276A.)中提出在離線狀態下，預先採用 遺傳算法完成PID初始參數的全局優化，並將優化初始參數配置於在線模糊比例積分微分 PID控制中，進行在線反饋實時控制，控制壓電陶瓷物鏡驅動器進行微步進定位。
[0003]PID參數的離線調整發展從ZN經驗整定法、繼電型自整定法，發展到目前常用的 智能整定法。智能整定法一般是將神經網絡、遺傳算法及模糊控制方法等引入到PID參數 的整定過程中，通過優化搜索算法對控制參數進行調整，使其滿足系統性能指標（如超調 量、上升時間及調整時間等）的要求。在整定過程中主要是按照某種優化規則，對性能指標 進行優化，進而得到滿足要求的PID參數，但在PID控制器的整定過程中往往需要考慮被控 系統的多個要求，性能指標函數所能包含的要求有限，一般無法完全覆蓋所有的要求，另外 現有技術未採用嚴密的數學推導過程描述PID控制參數的整定過程，準確性和全面性大大 降低。
【發明內容】
[0004] 本發明解決的技術問題是：克服現有技術的不足，提出了一種基於隱馬爾科夫模 型的PID控制參數離線整定方法，本發明結合PID控制參數觀測序列和隱馬爾科夫模型計 算產生特定序列的條件概率，利用驗證系統對最大條件概率的參數序列進行判定，以獲得 滿足控制精度要求的PID參數序列。
[0005] 本發明的技術解決方案是：
[0006] 一種基於隱馬爾科夫模型的PID控制參數離線整定方法，包括步驟如下：
[0007] (1)獲取PID控制參數觀測序列0=IO1,(V··OJ，L為觀測序列長度，其中每個觀 測序列包括一組PID控制參數Kp、Ki和Kd ;
[0008] (2)判斷步驟⑴中獲取的觀測序列的長度L是否大於1，若大於則進入步驟（3)， 否則進入步驟（1)繼續獲取觀測序列；
[0009] (3)計算當前時刻觀測序列的狀態概率分布；
[0010] (4)將步驟（3)中得到的概率分布作為初始狀態概率分布，引入到隱馬爾科夫模 型訓練過程中，通過前向概率算法和後向概率算法得到HMM下觀測序列的狀態概率以及該 狀態概率對應的觀測序列；
[0011] (5)將步驟（4)得到的訓練後的控制參數的觀測序列送入PID控制系統進行驗證， 判斷該組控制參數是否滿足PID控制系統精度要求，若滿足則進入步驟（6);不滿足則進入 步驟（1);
[0012] ⑶結束。
[0013] 所述步驟（3)中計算當前時刻觀測序列的狀態概率分布的具體方式如下：
[0014] (3a)定義任意一段歷史時間內PID控制參數狀態分布的樣本數據
【權利要求】
1. 一種基於隱馬爾科夫模型的PID控制參數離線整定方法，其特徵在於： (1)獲取PID控制參數觀測序列O= IO1, OfOJ，L為觀測序列長度，其中每個觀測序 列包括一組PID控制參數Kp、Ki和Kd ; (2) 判斷步驟（1)中獲取的觀測序列的長度L是否大於1，若大於則進入步驟（3)，否則 進入步驟（1)繼續獲取觀測序列； (3) 計算當前時刻觀測序列的狀態概率分布； (4) 將步驟（3)中得到的狀態概率分布作為初始狀態概率分布，引入到隱馬爾科夫模 型訓練過程中，通過前向概率算法和後向概率算法得到觀測序列的最終狀態概率以及該狀 態概率對應的觀測序列； (5) 將步驟⑷得到的訓練後的控制參數的觀測序列送入PID控制系統進行驗證，判斷 該組控制參數是否滿足PID控制系統精度要求，若滿足則進入步驟（6);不滿足則進入步驟 (1); ￠)結束。
2. 根據權利要求1所述的一種基於隱馬爾科夫模型的PID控制參數離線整定方法，其 特徵在於：所述步驟（3)中計算當前時刻觀測序列的狀態概率分布的具體方式如下： (3a)定義任意一段歷史時間內PID控制參數狀態分布的樣本數據
h別表示PID控制參數Kp、 Ki和Kd狀態為有效、中介和無效的個數；定義當前時刻PID控制參數狀態分布的樣本數
h別表示當前時刻 PID控制參數Kp、Ki和Kd狀態為有效、中介和無效的個數； (3b)利用以下公式求出當前時刻的PID控制參數狀態為有效的概率
其中，e為p或者i或者d，（xeC/，xe/,xj)表示當前時刻獲取的PID控制參數狀 態分布的樣本數據；Yci表示控制參數為有效時的置信度、Yi表示控制參數為有效和中介 時的置信麼：
M= (Ι-p)β(xe〇+xel,xe2)β(XeOi +xe/ +1，xe2' +1) ; (xeQ，xel,xe2)表示任意一段歷史 時間內獲取的PID控制參數狀態分布樣本數據；N=pMxet/ +XeO+Xe/ +xel,xj+xe2); P為繼承因子；Beta(a，b)表示共軛先驗，其概率密度可描述為：
(3c)利用步驟（3b)計算得到的求出當前時刻觀測序列的狀態分布，具體計 算方式如下：
其中，P((\ = 0)、P((\ = 1)和P((\ = 2)分別表示觀測序列為有效、中介和無效時的 概率； 觀測序列的當前狀態概率分布為，即初始狀態概率分布：π0一(1100，1101，1102) 其中，Oj=P(〇l=j)，j= 〇, 1，2。
【文檔編號】G05B13/04GK104317193SQ201410484257
【公開日】2015年1月28日 申請日期:2014年9月19日 優先權日:2014年9月19日
【發明者】遲冬南, 李曉曼, 馬軍, 楊亭, 袁立, 張秀茜, 賈慧麗, 趙鑫, 王慶穎 申請人:北京空間機電研究所