用户登陆 用户注册
您的位置:首页> 技术文章>内容正文
采用离线粗调和在线细调相结合改进实时控制
[正文]:1 前 言随着对控制系统精确度、稳定性以及实时性的要求逐渐加强，控制理论从古典控制理论发展到线性控制理论，现在又发展到了智能控制理论(包括神经网络、遗传算法、专家系统、模糊控制等)，但是，由于神经网络和遗传算法的收敛速度很慢，这制约了它们在实时控制系统中的应用。
为了改进这个问题，本文提出了离线粗调和在线细调相结合的控制策略，采用基于遗传算法和bp神经网络的 pid控制器对直流电机实现实时调速，并在mat—lab6．1上成功地仿真，证明了所提出的控制策略是可行的。
这在一定程度上推动智能控制算法在实时控制中的应用。
2 控制策略由于神经网络在存在较多局部极小情况下很容易陷入局部极小点，且不可避免存在学习精度与学习速度的矛盾。
而遗传算法是一种基于自然选择的自然遗传的全局优化算法，具有本质的并行计算特点，采用从自然选择机理中抽象出来的几对算子对参数编码字符串进行操作。
这种操作是针对多个可行解构成的群体进行的，故在其世代更替中可以并行地对参数空问不同区域进行搜索，并使得搜索朝着更有可能找到全局最优的方向进行而不至于陷入局部最小。
神经网络和遗传算法结合的控制不易陷入局部最小点，且适应度不必可微。
于是采用两者相结合来寻优pid参数的控制思想。
本文利用这种思想构成ga - bpnn的pid控制器来调速直流电机。
但是由于神经网络和遗传算法的收敛速度慢，使得这种智能pid控制器在实时控制中受到了限制。
为了改进这个问题，本文提出了离线粗调和在线细调相结合的控制策略，使得此控制系统具有较高的精度、较好的稳定性，最重要的是实时性增强了。
控制策略提出的依据：任何一个电机都有自己的一系列额定值，变化的是电压、负载，然而电压和负载的变化最终影响电流和转速的变化，但是电机的电流和转速的变化都是有范围的，也就给系统提供了一个寻优范围。
所以电机在控制系统中是相对固定的。
在电机实时调速控制系统中，许多工作也就可以在离线状态来完成，即离线粗调。
在离线工作的基础上，系统在运行过程中只需完成少量的工作，即在线细调。
控制策略的基本思想：首先，粗调pid控制器参数。
根据电流和转速的变化范围，使用遗传算法进行全局寻优pid参数，在一定误差范围内，停止遗传算法寻优，以此时的pid参数作为以后pid参数的初始值，接着采用bp神经网络进行局部寻优，得到离线状态粗调的pid的参数。
其次，细调 pid控制器参数。
以离线状态粗调的pid的参数，作为pid控制器在实际控制中的初始值，根据系统运行中的电压和负载变化，就采取bp神经网络在线细调pid参数，由于这些pid参数变化不会很大并且神经网络具有记忆性，使得系统在调速过程中能很快地找到相应的pid参数，从而提高了系统的响应速度。
这样就改进了智能算法在实时控制系统中的应用特性。
3 控制策略的操作3．1 离线粗调3．1．1 遗传算法以速度为变量，以pid三个参数为寻优目标，使用遗传算法进行全局寻优[1,3,4]。
其步骤如下：(1)编码确定速度变化范围，对每个pid的三个参数进行编码：每个参数用8位无符号二进制表示，三个参数串接在一起构成单个样本。
这样每个样本串长度为24位无符号二进制码，从左到右依次为