文章快速检索
焦洋, 李秋红, 李业波. 基于IFA-ELM的航空发动机自适应PID控制新方法[J]. 北京航空航天大学学报, ): 530-537
JIAO Yang, LI Qiuhong, LI Yebo. New adaptive PID control method based on IFA-ELM for aero-engine[J]. Journal of Beijing University of Aeronautics and Astronsutics, ): 530-537.
基于IFA-ELM的航空发动机自适应PID控制新方法
李业波&&&&
南京航空航天大学 能源与动力学院, 江苏省航空动力系统重点实验室, 南京 210016
作者简介: 焦洋(1991—),男,河北秦皇岛人,硕士生,
通讯作者: 李秋红（1972—），女，辽宁葫芦岛人，副教授， lqh203@，研究方向为航空发动机建模、控制与故障诊断.
摘要：针对大涵道比涡扇发动机强非线性、变参数的特点,提出了一种基于优化极端学习机(ELM)对发动机参数进行预测的自适应PID控制方法.为提高ELM的预测精度和实时性,采用适用于多峰值寻优的改进萤火虫算法(IFA)优化ELM网络参数,形成优化的ELM训练方法IFA-ELM.该算法在保证预测精度的前提下,有效简化了网络规模,并提高了其泛化能力.利用该算法建立发动机风扇转速预测模型,基于该模型,采用梯度下降法在线调整PID参数,提升发动机动态性能.数字仿真验证表明,与常规PID控制相比,基于IFA-ELM的自适应PID法调节时间减少了0.2~1.4s,超调量降低了0.2%~1.5%,验证了该控制方法的有效性.
航空发动机&&&&
极端学习机&&&&
萤火虫算法&&&&
自适应控制&&&&
New adaptive PID control method based on IFA-ELM for aero-engine
JIAO Yang,
LI Qiuhong ,
LI Yebo &&&&
Jiangsu Province Key Laboratory of Aerospace Power System, College of Energy and Power Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China
Abstract:For the strong nonlinear and variable parameters properties of high bypass ratio turbofan engine, an adaptive PID control method based on optimized extreme learning machine (ELM) was proposed to predict the engine's parameters. To improve the prediction accuracy and the real-time property of ELM, an improved Firefly algorithm (IFA) for multi-peak optimization was adopted to optimize the network parameters of the ELM, and formed an optimized ELM training method IFA-ELM. Under the premise of ensuring prediction accuracy, the algorithm effectively simplified the network scale and improved its generalization capability. The engine fan speed prediction model was built by this algorithm, and gradient descent method was adopted to adjust the PID parameters online based on the model to improve the dynamic performance of engine. Digital simulation results show that compared with conventional PID control, IFA-ELM based adaptive PID method shortens the settling time by 0.2~1.4s, and reduces the overshoot by 0.2%~1.5%, which demonstrates the effectiveness of the proposed control method.
Key words:
aero-engine&&&&
extreme learning machine&&&&
Firefly algorithm&&&&
adaptive control&&&&
民用大涵道比涡扇发动机控制通常采用燃油-转速闭环控制方式.目前国内外普遍采用PID方法对大涵道比发动机进行控制[, ].虽然PID控制具有一定的鲁棒性,且结构简单、易于工程实现,但由于航空发动机是时变的非线性系统,在全包线内,其参数及特性变化很大,所以单一的PID参数对发动机的全状态控制很难取得令人满意的效果,因而通常通过在包线范围内设置多组PID参数来使其适应发动机的不同工作状态.而这些PID参数只是针对发动机的某些稳态工作点设定的,不能很好地兼顾发动机的各自动态工作过程,影响系统响应的快速性,且存在控制器之间的切换问题,而切换易造成系统的不稳定,对于发动机控制来说是极为不利的.
针对这一问题,自适应PID控制提供了一种有效的解决方法.采用自适应PID控制可以自动根据发动机工作状态调节控制系统参数,使之与变化的工作状态相适应.因而在航空发动机控制领域,自适应PID控制得到了广泛的关注[, , ].已有学者将智能映射网络和PID控制相结合,来提高控制系统对发动机参数变化的适应能力,从而提高控制系统的性能.本文借鉴这种设计思想,提出一种新颖的群智能优化算法与智能自适应PID相结合的控制方法.采用具有较快训练速度的极端学习机(ELM,Extreme Learning Machine)[, , ]对发动机下一步输出转速进行预测.由于ELM的输入层至隐含层权值和偏置随机产生,不适宜的随机值会影响估计的精度.为提高预测模型精度,减小网络计算规模,提出一种改进的萤火虫算法(IFA,Improved Firefly Algorithm),用于优化ELM的初始权值,形成IFA-ELM算法,构建了基于IFA-ELM网络参数的民用涡扇发动机自适应PID控制器,在飞行包线内的各种工作状态间,能够自动调整控制器参数,获得稳定快速的响应.
1 IFA-ELM算法
近几十年发展起来的仿生模拟进化算法具有操作简单、可并行处理、鲁棒性强等特点[, ].其中,萤火虫算法(FA,Firefly Algorithm)由模拟自然界中萤火虫成虫发光的生物学特性发展而来,也是基于群体搜索的随机优化算法.该算法由剑桥学者Yang[, ]提出,适用于解决多峰值优化问题.在基于极端学习机的发动机输出预测训练过程中,极端学习机的隐含层权值和偏置与预测效果之间并不具有单调性,因此采用萤火虫算法来对其进行优化.
1.1 改进的萤火虫算法
萤火虫算法是通过模拟萤火虫的群体行为构造出的随机优化算法,其仿生原理为:用搜索空间中的点模拟自然界中的萤火虫个体,将最优目标值的搜索过程模拟成萤火虫个体移动的过程.
萤火虫算法主要包含两个决定要素,即亮度和吸引度.亮度体现了萤火虫所处位置的优劣,并通过判断亮度大小决定其移动方向;吸引度决定了萤火虫移动的距离,通过亮度和吸引度的不断更新,实现目标优化.
萤火虫间的相对亮度和吸引度描述为
其中,Iij为萤火虫i相对萤火虫j的荧光亮度;Ii0为萤火虫i的最大萤光亮度,即自身(空间距离r=0处)荧光亮度;γ为光强吸收系数;rij为萤火虫i与j之间的空间距离;βij为萤火虫i对萤火虫j的吸引度;βi0为萤火虫i的最大吸引度.个体的最大萤光亮度与适应度值相关,适应度值越优,则自身最大荧光亮度越高.
基于相对荧光亮度的排序和比较,确定萤火虫的移动方向;根据吸引度计算,确定萤火虫的移动距离:
其中,[K]为xi的优化代数;α为随机扰动的缩放因子;Iji,max为群体中对萤火虫i相对荧光亮度最大的个体;xj,max为其位置;βji,max为其对萤火虫i的吸引度;nrand为[, ]上服从均匀分布的随机因子.
对于FA来说,光强吸收系数γ和缩放因子α是主要的控制参数.较大的α值使得算法具有较强的全局搜索能力,较小的α值使得算法具有较强的局部寻优能力.为平衡算法在前、后期的寻优策略,将常规FA中的固定缩放因子α进行改进,形成IFA.此时,缩放因子α不再为常数,而是通过式(4)根据进化代数调整:
其中,amax和amin为缩放因子的上下限;niter为种群进化迭代次数;m为缩放因子α的调整系数,是在[, ]之间的常数,调整系数m可反映缩放因子α的变化速度.
具体优化步骤如下:
1) 生成初始种群.先将萤火虫群体随机散布在预定的解空间,每一只萤火虫因为所处位置不同且适应度值不同,造成的荧光亮度也不同.
2) 选择萤火虫可能的移动方向.通过式(1)计算萤火虫间的相对荧光亮度,通过排序计算出对第i个萤火虫相对亮度最高的个体,相对荧光亮度高的萤火虫可以吸引第i个萤火虫向自己的位置移动.
3) 确定移动后的位置.可能移动的方向确定后,根据式(3)和式(4),通过相对荧光亮度的对比,确定是向相对荧光亮度最高的个体移动还是在原来的位置小范围内扰动,得到更新后的位置.
4) 判断是否达到收敛条件.收敛则结束算法,否则回到步骤2).
这样经过多代进化后,所有萤火虫个体都将聚集在其搜索范围内亮度最高的萤火虫的附近位置上,从而实现寻优.
1.2 函数优化能力测试
选取3种常见的智能优化算法的测试函数.测试函数如下:
1) Eggcrate Functions:
2) Six hump Camel Back:
3) Schaffer Functions:
参数设置以及优化结果如表 1所示.其中,缩放因子调整系数m=0.5,每种算法独立运行50次.从表中数据不难发现,在不同缩放因子的情况下,相较于FA,IFA均有较好的寻优结果.针对Eggcrate这样的典型多峰函数,初期较大的缩放因子有利于跳出局部,但是后期对最优解的收敛精度有不利影响;反之,对于Schaffer函数,虽然较小的初始缩放因子可以增加最优解的收敛精度,但是容易陷入局部最优.综上,即可体现出在提出的IFA算法改进中变缩放因子的优越性.Six hump Camel Back函数结构相对扁平,IFA依然可以取得较好的精度,更加全面地验证了其有效性.
表 1 函数测试结果Table 1 Function test results
测试函数算法萤火虫个数迭代次数缩放因子平均寻优结果最优值
EggcrateFA162000.80 0.014 4
0IFA162000.01~0.80 0.002 3Six hump Camel BackFA121000.60-1.030 0
-1.031 6IFA121000.01~0.60-1.031 5SchafferFA151000.40-0.991 9
-1.000 0IFA151000.01~0.80-0.999 9
1.3 基于IFA的ELM改进
在ELM算法中,给定一个训练数据集χ={x,t}N,针对第i组训练数据有χi={xi,ti}N,其中输入数据xi=[xi1,xi2,…,xin]∈Rn,期望输出数据ti=[ti1,ti2,…,tis]T∈Rs,输入层节点数为n,输出层节点数为s并设隐含层激励函数为f(x).
则含有个隐含层节点的ELM中,第j组数据经过ELM计算得到的输出为[]
其中,wi=[wi1,wi2,…,win]T为连接隐含层节点i与输入层节点的权值;bi为隐含层节点i的偏置;βi=[βi1,βi2,…,βis]T是连接隐含层节点i和输出层节点的权值.
对于第i个隐含层节点,其输出为
结合式(8)和式(9),可以得ELM的学习过程为
H为隐含层矩阵;t为期望输出矩阵.
输出权值β可由下式求得:
其中H+为ELM网络输出层矩阵H的广义逆.
由于ELM的输入层权值是随机给定的,在获得相同训练精度的条件下,需要的隐含层节点数较多,而为了追求较高的预测精度往往会使网络结构变得复杂.
除此之外,复杂的映射网络结构会相对占用更多的系统资源,增加系统的响应时间,不利于PID参数的动态调整.为了减少隐含层节点的数目,提高ELM算法的稳定性和精度,利用IFA算法优化ELM的输入层至隐含层的权值和偏置,形成IFA-ELM算法,其流程如下:
1) 初始化IFA算法基本参数.设置萤火最大吸引度β0,光强吸收系数γ,缩放因子界限αmax,αmin,缩放因子调整系数m,最大迭代次数niter,max,萤火虫种群规模nv.将适应度值定义为R(·).通过下式计算适应度值:
其中,Pj为萤火虫个体;βi为输出层权值;f为隐含层函数;tj为期望输出.
设置ELM初始化参数,包括输入层、隐含层及输出层节点数,种群中的每个个体包括输入层至隐含层的权值和偏置.所有个体的元素都是在[, ]内随机产生的.
2) 计算萤火虫的适应度值作为各自最大萤光亮度I0,形成初代萤火虫种群P.
3) 针对种群中的每个个体Pi,利用式(11)计算对应的输出层矩阵β.
4) 根据相对荧光亮度和吸引度决定萤火虫的移动方向和位置.
5) 根据更新后萤火虫的位置,计算适应度,更新最优个体Pbest,并根据适应度值更新种群个体最大荧光亮度其中Ibest0为当代最优个体最大荧光亮度.
6) 检查是否满足终止条件,即最大迭代次数,若满足则结束,否则转步骤3)继续,迭代计算直到最大迭代次数niter,max.
7) 将最优萤火虫个体Pbest的结果作为最优输入层到隐含层的权值和偏置进行输出.
1.4 IFA-ELM算法仿真测试
为验证IFA-ELM算法的优化有效程度,将IFA-ELM算法与标准的ELM算法在3个Benchmark回归数据集上进行了测试,假设萤火最大吸引度β0=1,光强吸收系数γ=0.2,缩放因子界限αmax=0.6,αmin=0.01,缩放因子调整系数m=0.5,最大迭代次数niter,max=50,萤火虫种群规模nv=100.结果如表 2所示.表中数据为30次运行结果的平均值,测试环境的CPU为I3-M330(1.8 GHz),内存为4 G.
表 2 Benchmark回归数据测试结果Table 2 Test results of Benchmark data for regression
数据算法隐含层节点数适应度值||β||2
MgELM250.130 5125.711 6
IFA-ELM120.130 365.007 7Space_gaELM200.114 5141.058 4
IFA-ELM100.112 854.509 3SincELM250.085 311 704.5
IFA-ELM100.085 03 680.2
与ELM相比,IFA-ELM算法在达到相同的测试精度的情况下,其隐含层节点个数要远少于ELM算法.这就大大降低了网络的复杂性,从而减少了算法预测时间,提高了其在线使用的实时性.此外,IFA-ELM的输出层权值的范数||β||2均小于ELM,这说明IFA-ELM具有更好的泛化能力.
2 基于IFA-ELM的自适应控制
2.1 预测模型
设计的航空发动机预测控制系统是通过IFA-ELM智能映射方法对发动机被控变量变化进行预测的.在训练过程中,需充分利用当前信息及历史信息,最终准确预测出模型被控量的输出,这是预测控制的核心思想[].
在ELM设计过程中,将发动机前一时刻的被控变量输出、当前时刻的控制量输入及被控变量输出作为网络的输入,对发动机在下一时刻的被控变量输出进行预测,依据预测输出对输入的变化率调节PID参数.以某型民用航空发动机非线性模型为例进行预测PID控制器的设计控制系统具有如图 1所示的结构.
图 1 自适应PID控制系统闭环结构图Fig. 1 Adaptive PID closed-loop control system diagram
模型中,输入量为燃油流量Wf,输出量为风扇转速nL.因此,选择预测网络输入向量r=[r1,r2,r3]T=[nL(k－1),nL(k),wf(k)]T,其中k为步数,隐层选8个神经元,输出为下一步风扇转速预测为隐含层激励函数,此处选为logsig,即
采用线性输出节点,则网络输出为系统实际输出的预测值.
其中,βj为输出层权值;hj为隐含层输出.
利用IFA-ELM网络辨识输出近似代替发动机的实际输出.
2.2 基于模型预测的自适应PID控制
离散化后的增量式航空发动机PID控制算法可表示为
e(k)，e(k－1)和e(k－2)分别为系统当前误差、前1步误差及前2步误差;r为转速指令信号;Kp,Ki和Kd分别为比例系数、积分系数和微分系数.
自适应PID控制器性能指标为
采用梯度下降法[]调整Kp,Ki和Kd,可得Kp参数的自整定公式为
其中,ηp为比例梯度下降系数;由IFA-ELM网络辨识参数,结合式(9)和式(14),可得
ΔKi和ΔKd的自整定公式与ΔKp类似,所以不再给出.可见,该算法实现了基于发动机输出预测网络的控制器参数调整.
3 自适应PID控制仿真
在飞行包线内对某通用大涵道比涡扇发动机模型进行了采样,在飞行高度为10 km内的情况下,通过变化高度和马赫数,在推拉油门杆位置采集了4 604组动态数据.对采样所得的数据归一化,选其中的2/3作为训练数据,其余作为测试数据.借助Matlab分别采用常规ELM、BP神经网络以及IFA-ELM这3种算法进行网络训练和测试,隐含层节点数均选为8个,结果如图 2和图 3所示.可见IFA-ELM网络能够很好地预测发动机的输出,并且精度相较于前两种智能映射网络有明显提高.
图 2 训练数据相对误差Fig. 2 Training data relative error
图 3 测试数据相对误差Fig. 3 Testing data relative error
将所训练的IFA-ELM网络用于PID控制参数的调整,开展基于IFA-ELM网络的自适应PID控制的仿真验证,以选择2个工作点为例:①在地面点:高度H=0 km,马赫数为0,油门角度从20°推到70°再回到20°的大动态仿真模拟;②常规民机巡航点:高度H=10 km,马赫数为0.8,油门角度从50°推到70°再回到50°的中等过渡状态仿真模拟.经调试,初始PID参数分别为地面点：Kd=0.1,Ki=0.1,Kp=3;常规民机巡航点：Kd=0.1,Ki=0.3,Kp=5.
图 4为H=0 km时的PID参数整定曲线,可见伴随着发动机工作状态的变化,PID参数发生较大的调整,实现了PID参数的在线自适应整定.
图 4 H=0 km时的PID参数整定曲线Fig. 4 PID parameter tuning curves when H=0 km
图 5给出了被控制量nL、燃油流量Wf、压气机出口总压P3、涡轮前总温T4以及余气系数αk的响应曲线.由图可见,系统工作在安全限制范围内,与常规PID控制相比,自适应PID控制具有更快的响应速度.为了清晰显示两种控制算法的差异,图 5中同时给出了nL响应曲线的两点放大图.A点在初始加速阶段,B点在减速终止阶段.加速起始阶段,常规PID控制存在较为明显的滞后;自适应PID控制通过在线快速调整控制器参数输出,能快速、准确跟踪指令信号.在减速终止阶段,常规PID控制有较大超调,调节时间较长,自适应PID超调量减少1.5%,调节时间缩短1.4 s(按±2%误差带计算),验证了在大的动态过程中自适应PID控制的优越性.
图 5 H=0 km时的发动机响应曲线Fig. 5 Engine response curves when H=0 km
图 6和图 7给出了中等过渡状态下PID参数和发动机输出响应曲线.由图可见,PID参数同样发生了较大范围的调整,其他参数也都在安全范围之内.图 7中同样给出了nL响应曲线的两点放大图,都是在接近稳态处的响应对比,与常规PID控制相比,自适应PID控制在超调量和调节时间上具有明显的优势,超调量至少减小0.2%,调节时间至少缩短0.2 s.
图 6 H=10 km时的PID整定曲线Fig. 6 PID parameter tuning curves when H=10 km
图 7 H=10 km时的发动机响应曲线Fig. 7 Engine response curves when H=10 km
本文提出一种IFA-ELM优化算法,将改进的萤火虫算法用于优化ELM输入层至隐含层的权值和偏置,可在保证ELM预测精度的前提下减小网络的规模,增强其泛化能力,提高控制系统的实时性.基于某型民用涡扇发动机,利用IFA-ELM算法设计了模型预测PID控制.相较常规PID控制,自适应PID控制能够根据发动机动态性能变化在线调整PID参数,从而提高控制系统对对象参数变化的适应能力,进一步提高控制系统的性能.该算法从一组PID控制参数开始,利用一组离线训练的极端学习机网络参数,可实现全包线范围内的发动机各种工作状态控制,具有良好的实时性,与需要在包线内通过高度、马赫数、油门角度差值的常规发动机PID控制相比,占用的存储空间更小,计算过程更简便,动态控制性能更好.
Milhim A B. Modeling and fault tolerant PID control of a quad-rotor UAV[D].Montreal:Concordia University,2010.
殷锴,陶金伟, 王鸿钧,等.民用航空发动机控制系统回路设计与仿真[J].航空计算技术,):107-110. Yin K,Tao J W,Wang H J,et al.Closed-loop design and simulation of civil aero-engine control system[J].Aeronautical Computing Technique,):107-110(in Chinese).
乔伯真,缑林峰. 模糊自整定PID的航空发动机转速控制研究[J].计算机仿真,-67. Qiao B Z,Hou L F.Rotating speed control for aero-engine based on fuzzy self-tuning PID controller[J].Computer Simulation,-67(in Chinese).
李述清,张胜修, 刘毅男.航空发动机全包线最优PID控制器设计[J].弹箭与制导学报,):105-107. Li S Q,Zhang X S,Liu Y N.Neural network based on optimal PID controller over whole envelope for an aero-engine[J].Journal of Projectiles,Rockets,Missiles and Guidance,):105-107 (in Chinese).
赵俊,陈建军,王灵刚. 航空发动机的智能神经网络自适应控制研究[J].航空动力学报,):. Zhao J,Chen J J,Wang L G.New intelligent neural network ada-ptive control scheme research for aero-engine[J].Journal of Aerospace Power,):(in Chinese).
Huang G B, Ding X,Zhou H.Optimization method based extreme learning machine for classification[J].Neurocomputing,):155-163.
Suresh S, Saraswathi S,Sundararajan N.Performance enhancement of extreme learning machine for multi-category sparse data classification problems[J].Engineering Applications of Artificial Intelligence,):.
Liu N,Wang H. Ensemble based extreme learning machine[J].IEEE Signal Processing Letters,):754-757.
李雪梅,张素琴. 基于仿生理论的几种优化算法综述[J].计算机应用研究,):. Li X M,Zhang S Q.Overview of some optimization algorithm based on bionic theory[J].Application Research of Computers,):(in Chinese).
Zang H, Zhang S,Hapeshi K.A review of nature-inspired algorithms[J].Journal of Bionic Engineering,2010,7(Supplement):S232-S237.
Yang X S. Nature-inspired metaheuristic algorithms[M].Beckington:Luniver Press,.
Yang X S. Firefly algorithms for multimodal optimization[M].Heidelberg,Berlin:Springer,.
Silva D N G, Pacifico L D S,Ludermir T B.An evolutionary extreme learning machine based on group search optimization[C]//Proceeding of 2011 IEEE Congress on Evolutionary Computation.Paris:IEEE,.
Richter H, Singaraju A V,Litt J S.Multiplexed predictive control of a large commercial turbofan engine[J].Journal of Guidance,Control,and Dynamics,):273-281.
李秋红,许光华, 孙健国.航空发动机小波神经网络PID控制[J].航空动力学报,):875-879. Li Q H,Xu G H,Sun J G.Aero-engine wavelet neural network PID control[J].Journal of Aerospace Power,):875-879(in Chinese).
北京航空航天大学主办。
焦洋, 李秋红, 李业波
JIAO Yang, LI Qiuhong, LI Yebo
基于IFA-ELM的航空发动机自适应PID控制新方法
New adaptive PID control method based on IFA-ELM for aero-engine
网络出版时间：电液比例阀放大器与PID控制器有区别吗？_百度知道
电液比例阀放大器与PID控制器有区别吗？
所谓PID指的是Proportion-Integral-Differential。翻译成中文是比例-积分-微分。PID怎么对误差控制，听我细细道来： 所谓“误差”就是命令与输出的差值。比如你希望控制液压泵转速为1500转（“命令电压”=6V），而事实上控制液压泵转速只有1000转（“输出电压”=4V），则误差: e=500转（对应电压2V）。如果泵实际转速为2000转，则误差e=-500转（注意正负号）。 该误差值送到PID控制器，作为PID控制器的输入。PID控制器的输出为：误差乘比例系数Kp+Ki*误差积分+Kd*误差微分。 Kp*e + Ki*∫edt + Kd*（de/dt） （式中的t为时间，即对时间积分、微分） 上式为三项求和（希望你能看懂），PID结果后送入电机变频器或驱动器。 从上式看出，如果没有误差，即e=0，则Kp*e=0；Kd*（de/dt）=0；而Ki*∫edt 不一定为0。三项之和不一定为0。 总之，如果“误差”存在，PID就会对变频器作调整，直到误差=0。 评价一个控制系统是否优越，有三个指标：快、稳、准。 所谓快，就是要使压力能快速地达到“命令值”（不知道你的系统要求多少时间） 所谓稳，就是要压力稳定不波动或波动量小（不知道你的系统允许多大波动） 所谓准，就是要求“命令值”与“输出值”之间的误差e小（不知道你的系统允许多大误差） 对于你的系统来说，要求“快”的话，可以增大Kp、Ki值 要求“准”的话，可以增大Ki值 要求“稳”的话，可以增大Kd值,可以减少压力波动 仔细分析可以得知：这三个指标是相互矛盾的。 如果太“快”，可能导致不“稳”； 如果太“稳”，可能导致不“快”； 只要系统稳定且存在积分Ki，该系统在静态是没有误差的（会存在动态误差）； 所谓动态误差，指当“命令值”不为恒值时，“输出值”跟不上“命令值”而存在的误差。不管是谁设计的、再好的系统都存在动态误差，动态误差体现的是系统的跟踪特性，比如说，有的音响功放对高频声音不敏感，就说明功放跟踪性能不好。 调整PID参数有两种方法：1、仿真法；2、“试凑法” 仿真法我想你是不会的，介绍一下“试凑法” “试凑法”设置PID参数的建议步骤： 1、把Ki与Kd设为0，不要积分与微分； 2、把Kp值从0开始慢慢增大，观察压力的反应速度是否在你的要求内； 3、当压力的反应速度达到你的要求，停止增大Kp值； 4、在该Kp值的基础上减少10%； 5、把Ki值从0开始慢慢增大； 6、当压力开始波动，停止增大Ki值； 7、在该Ki值的基础上减少10%； 8、把Kd值从0开始慢慢增大，观察压力的反应速度是否在你的要求内；而你说的前者只是PID的一方面，作用如PID中比例环节的介绍。
其他类似问题
为您推荐：
所谓PID，是比例，积分，微分的缩写，这种控制器是这三种模式的基于一体；积分调节能消除给定和测量的偏差；微分能实现超前调解；你说的电液比例放大器只是具有P(也就是比例）功能。
您可能关注的推广回答者：
电液比例阀的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁电液比例阀控制系统的研究设计
来源：微型机与应用2012年第7期
作者：陈 斌，杨安平
摘& 要： 实现了基于的控制系统，系统可以有效解决传统比例阀技术的问题，其控制功能强大、维护成本低、系统控制精度高且结构相对比较简单。在系统电路设计中，以单片机控制系统、数字PID算法和PWM技术为研究对象，设计了系统电路和电路，并编写了系统控制程序。
关键词： PID算法；；电液比例阀；功率放大
　传统的电液比例阀控制系统大都采用硬件电路控制，其系统设计需要专家设计、专家维护，并且成本很高，控制精度不是很理想，所以传统的电液比例阀系统的应用受到限制[1]。因此新型比例阀的设计一直成为研究的热点。本文设计了一种用单片机控制的电液比例阀，其以软件代替部分复杂的硬件电路，并且结合了PID算法，使系统的控制精度和响应速度大大提高，其维护简单，适合广泛应用，值得推广。
1 PID控制器概述
　PID控制器问世至今已有近70年历史，它以其结构简单、稳定性好、工作可靠、调整方便而成为工业控制的主要技术之一。PID控制器是根据系统的误差，利用比例、积分、微分计算出控制量进行控制的。
　在模拟控制系统中，控制器最常用的控制规律是PID控制，模拟PID控制系统原理框图如图1所示，系统由模拟PID控制器和被控对象组成。
　模拟的PID控制器不容易实现，原因是没有可靠的、精确的和电子的可重构模拟阵列。由于PID的参数必须根据设备来进行调整，所以控制器必须可以重构。系统的可重构精度和范围必须有足够的灵活性，这样才能控制各种不同的设备。
　数字PID算法中，用比例消除大偏差，用积分消除小偏差，可完全消除积分饱和现象；各参数容易整定，易实现系统稳定；超调量大大减小，改善了调节品质。由于数字PID控制器是由计算机编程实现，其外围器件少，所以它的重复精度高、可以移植性强、系统体积小、功耗低、集成度高、对应用环境的要求低，因此数字PID控制器相对模拟的PID控制器适用性要强，因而本系统采用数字的PID控制器。
2 比例阀控制系统原理
　由于传统的电液比例阀控制系统中，其PID的调节是由外围的硬件电路来完成，当其参数一旦给定后，其整个控制过程都是固定不变的，所以传统的电液比例阀控制系统缺乏灵活性，并且由于模拟器件本身的误差，其控制效果很难达到最佳状态，而且硬件成本高。本文中设计的系统是以数字的PID控制器代替了外围的硬件电路，其参数可以根据需要随意调整，重复精度高，减少了外围器件，节约了系统的设计成本。
根据数字PID控制器的特性，本文设计了电液比例阀电路，其系统设计框图如图3所示。MCU选用飞思卡尔微控制器，MCU启动后将接收控制信号，信号经过内部处理后发出相应的PWM控制信号，然后经由比例放大器[2]，对电控制信号进行处理、运算和功率放大，经过电流采样，再驱动电液比例阀。反馈电路是在电流采样之后，把采样电流信号转化为电压信号，然后经过DC放大，再反馈给MCU，MCU内部根据反馈信息对输出的PWM信号进行PID调整，从而使整个系统构成一个闭环的控制系统。
　PWM控制电路部分电路原理图如图4所示。
　单片机产生的PWM信号电流非常小，不足以驱动比例阀。本系统电路设计中选用了摩托罗拉生产的MC33883芯片作为系统电路的驱动器，其适应电压最大为55 V。PWM信号进入MC33883之后，经过放大，MC33883驱动一个N沟道的场效应管Q1，然后利用场效应管的开关特性来调制固定电压的直流电源，在图4中Q1的load端可以直接驱动比例阀。PWM按一个固定的频率来接通和断开，并根据需要调整占空比控制寄存器PWMDTYx的值来改变一个周期内接通和断开时间的长短，从而改变系统的的输出电流。用这种快速通断的电流来驱动电液比例阀，使阀芯处于微震状态。这样系统无需另加振颤信号，可使系统的抗干扰能力强、滞后时间短、重复精度高。由于脉冲周期远小于阀芯的响应周期，所以阀芯的运动只响应PWM信号平均值，即电流大小与矩形波的平均值有关。因为阀的开度与送入电磁铁的电流成比例，所以控制阀的开度就是控制PWM波的平均值。PWM波的电压平均值表示为（为PWM波的占空比）：
4 仿真效果
　本系统的仿真是在MATLAB的SIMULINK环境下进行的[7]，系统的时间电流仿真曲线如图6所示。曲线Y3是理想状态下系统的响应曲线；曲线Y1是数字PID调节后的响应曲线；曲线Y2是模拟PID调节后的响应曲线。从图中可以看出，系统数字PID响应曲线刚开始时冲击比较大，大概在400 ms之后系统就进入稳定状态，而模拟的PID响应曲线达到稳定状态的调节时间要约为6 s的时间，其响应时间远远慢于数字PID的调节。因此本系统中的数字PID调节达到了预期效果。
　本文运用现代设计方法和计算机技术，设计出一种新型电液比例阀控制系统，并对比例阀系统的稳态与动态性能做了初步研究与测试。经实践证明，系统运行状态良好，已应用在泵车起重机等项目中，其阀的工作状态稳定，响应速度快，因此本系统有着广泛的应用前景。
[1] 张利平.液压阀原理、使用与维护[M].北京：化学工业出版社，2005.
[2] 许益民.电液比例控制系统分析与设计[M].北京：机械工业出版社，2005.
[3] 包松，鲍可进，余景华.基于单片机PID算法的直流电机测控系统[J].微机发展，2003（8）：72-74.
[4] 王威.HCS12微控制器原理及应用[M].北京：北京航空航天大学出版社，2007.
[5] CAPTUTO D． Electrohydraulic proportional valves in crease system efficiency[J]． Hydraulic ＆ Pneumatics，1996（1）：34－38．
[6] TROSTMANN E. water hydraulics control technology. New York： Marcel Dekker， Inc.1996.
[7] 王中鲜.MATLAB仿真与应用[M].北京：机械工业出版社，2010.
热门技术文章}