基于VB的先进控制程序的研究与开发毕业论文.doc

《基于VB的先进控制程序的研究与开发毕业论文.doc》由会员分享，可在线阅读，更多相关《基于VB的先进控制程序的研究与开发毕业论文.doc（59页珍藏版）》请在三一办公上搜索。

1、第一章 绪论1.1 课题研究对象PID控制是最早发展起来的控制策略之一，由于其算法简单，鲁棒性好及可靠性高，被广泛应用于过程控制与运动控制中，尤其适用于可建立精确数学模型的确定性系统。然而实际工业生产过程中往往具有非线性、时变不确定性，难以建立精确的数学模型，应用常规的PID控制器不能达到理想的控制效果，而且在实际生产现场中，由于受到参数整定方法的复杂的困扰，常规PID控制器参数往往整定不良、性能不佳，对运行工况的实用性很差1。现代中小规模的控制工程通常采用基于IPC的控制系统，系统具有数据采集、控制与管理功能。如能进一步采用先进控制算法，便可以设计出低成本的先进控制系统。在该课题中，被控对象

2、为电加热器，要对其实现高精度的恒温控制，且调节时间尽可能短。硬件采用ADVANTECH的IPC和PCL-1800多功能卡，用VB编写基于遗传算法整定的PID控制算法的控制程序，主要是采用实数编码。1.2 PID整定方法的发展在工程实际中，应用最为广泛的调节器控制规律为比例积分微分控制，简称PID控制，又称PID调节。PID控制器问世至今已有近60年的历史了，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主要和可靠的技术工具。当被控对象的结构和参数不能完全掌握，或得不到精确的数学模型时，控制理论的其它设计技术难以使用，系统的控制器的结构和参数必须依靠经验和现场调试来确定，这时应用PI

3、D控制技术最为方便。即当我们不完全了解一个系统和被控对象或不能通过有效的测量手段来获得系统的参数的时候，便最适合用PID控制技术【2】。 随着计算机技术和最优控制理论的发展，PID参数的整定方法发生了很大的变化，出现了一些基于计算机的PID参数最优整定方法。最优控制理论的应用，加上计算机的高速运算能力，赋予了PID参数优化这样的多变量最优化问题新的生命力，PID控制器的最优化整定方法是针对特定的系统建立数学模型，运用各种数值解法按照一定的性能指标进行优化。常用的性能指标有各种积分型指标，如ISE、IAE、ISTE、ITAE等指标。近年来，随着智能控制理论的发展，专家系统、模糊控制以及神经网络日

4、益受到控制界的重视，出现了一些智能优化手段，主要有专家智能型PID参数自整定技术、基于模糊推理的PID自寻优技术、其他的如启发式搜索、霍普费尔德神经网络、模拟退火、遗传算法(GA)智能整定技术。1.3 VB主要功能和特点 Visual Basic 是Microsoft 公司开发的Windows 应用程序开发工具，Visual “可视化的”，是一种开发图形户界面（GUI）的方法。1991年推出 VB1.0，1992、1993、1995、1997、1998,2000相继推出：2.0, 3.0, 4.0, 5.0, 6.0,VB.Net(7.0)版本。5.0 ,6.0包含三种版本（学习版、专业版和企

5、业版）英文Visual的意思是“视觉的”，“可视的Baisc”这个名字可能抽象了点，但实际上它却是最直观的编程方法，之所以叫做“可视”，你只要看到VB的界面就会明白，实际上你无需编程，就可以完成许多步骤。 在VB中引入了控件的概念，在Windows中控件的身影无处不在，如按钮、文本框等，VB把这些控件模式化，并且每个控件都有若干属性用来控制控件的外观，工作方法，能够响应用户操作（事件）。这样你就可以象在画板上一样，随意点几下鼠标，一个按钮就完成了，这些在以前的编程语言下是要经过相当复杂的工作的。VB的特点如下:1. 具有面向对象的可视化设计工具;2. 事件驱动的编程机制;3. 提供了易学易用的

6、应用程序集成开发环境;4. 结构化的程序设计语言;5. 支持多种数据库系统的访问;6. Active技术;7. VB 6.0在开发环境上、网络功能等的增强;8. 完备的help联机帮助功能。Visual Basic6.0的新特性 1.数据访问的新特性 2. Internet功能的增强 3.控件、语言和向导方面的新增特性4.高度可移植化的代码 5.创建ActiveX控件更加轻松方便 6.在线帮助更加完善。 我们知道现代中小规模的控制工程通常采用基于IPC的控制系统，系统具有数据采集、控制与管理功能。如能进一步采用先进控制算法如遗传算法，便可以设计出低成本的先进控制系统。但是目前，关于遗传算法的书

7、籍大部分都针对它的理论方面。主要是采用MATLAB进行编程仿真。虽然可以取得很好的仿真效果，但毕竟缺少使用性。而采用VB编程实现，可以提供一个很好的人机界面，并且需要时即可以与外接设备进行连接通讯，这样便可以投入到应用中。因此，鉴于实用性方面的考虑，最后以VB进行编制程序。图1-1 VB集成开发环境1.4 PID参数的遗传算法寻优遗传算法（GA）是一种建立在生物界自然选择原理和自然遗传机制的随机化搜索法，它模拟了生物界中的生命进化机制，在人工系统中实现特定目标的优化。遗传算法是一个迭代过程，遗传操作是在种群中进行的，产生初始种群，规模为N，即种群由N个个体组成，经GA操作，生成一代一代新种群(

8、每代N个个体)。从每一代种群中选出适应度f高的优质个体，在解空间中，直到满足要求的收敛指标，即得到问题最优解【2】。在运用遗传算法对PID参数寻优的个体评价过程中，许多个体所对应的参数都可能使实际过程系统失控，这在应用中是不能接受的，因此采用的是基于模型的PID控制器参数优化，对过程不产生任何影响;同时优化是基于模型，对模型响应的评价大大加快，可以在较短的时间得到最优化结果。 PID控制器参数的优化设计是一个组合优化问题。遗传算法求解组合优化问题所涉及的主要问题有参数编码方案、适应度函数设计、遗传算法参数选择等。在优化问题的实际应用中，合理处理以上问题，构造合适的遗传算法框架，是遗传算法的关键

9、所在。第二章 遗传算法概述2.1 什么是遗传算法 遗传算法（genetic algorithms）简称GA。我们知道达尔文的自然选择学说是一种被人们广泛接受的生物进化学说。这种学说认为，生物要生存下去，就必须进行生存斗争。生存斗争包括种内斗争、种间斗争以及生物跟无机环境之间的斗争三个方面。在生存斗争中，具有有利变异的个体容易存活下来，并且有更多的机会将有利变异传给后代；具有不利变异的个体就容易被淘汰，产生后代的机会也少的多。因此，凡是在生存斗争中获胜的个体都是对环境适应性比较强的。达尔文把这种在生存斗争中适者生存，不适者淘汰的过程叫做自然选择。它表明，遗传和变异是决定生物进化的内在因素。自然界

10、中的多种生物之所以能够适应环境而得以生存进化，是和遗传和变异生命现象分不开的。正是生物的这种遗传特性，使生物界的物种能够保持相对的稳定；而生物的变异特性，使生物个体产生新的性状，以致于形成新的物种，推动了生物的进化和发展。遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。它的思想源于生物遗传学和适者生存的自然规律，是具有“生存检测”的迭代过程的搜索算法。遗传算法以一种群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构成了遗传算法的遗传操作；参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定五个要素组成了遗

11、传算法的核心内容。 作为一种新的全局优化搜索算法，遗传算法以其简单通用、鲁棒性强、适于并行处理以及高效、实用等显著特点，在各个领域得到了广泛应用，取得了良好效果，并逐渐成为重要的智能算法之一【3】。2.2 遗传算法的发展早在20世纪50年代就有将进化原理应用于计算机科学的努力，但缺乏一种普遍的编码方法，只能依赖于变异而非交配产生新的基因结构。50年代末到60年代初，受一些生物学家用计算机对生物系统进行模拟的启发，Holland开始应用模拟遗传算子研究适应性。在Bagley1967年关于自适应下棋程序的论文中，他应用遗传算法搜索下棋游戏评价函数的参数集，并首次提出了遗传算法这一术语。1975年H

12、olland出版了遗传算法历史上的经典著作自然和人工系统中的适应性，系统阐述了遗传算法的基本理论和方法，并提出了模式定理（schemata theorem），证明在遗传算子选择、交叉和变异的作用下，具有低阶、短定义距以及平均适应度高于群体平均适应度的模式在子代中将以指数级增长，这里的模式是某一类字符串，其某些位置有相似性。同年，DeJong完成了他的博士论文遗传自适应系统的行为分析，将Holland的模式理论与他的计算试验结合起来，进一步完善了选择、交叉和变异操作，提出了一些新的遗传操作技术。进入80年代后，遗传算法得到了迅速发展，不仅理论研究十分活跃，而且在越来越多的应用领域中得到应用。19

13、83年，Holland的学生Goldberg将遗传算法应用于管道煤气系统的优化，很好地解决了这一非常复杂的问题。1989年，Goldberg出版了搜索、优化和机器学习中的遗传算法一书，这本可能是遗传算法领域被引用次数最多的书为这一领域奠定了坚实的科学基础。80年代中期，Axelrod和Forrest合作，采用遗传算法研究了博奕论中的一个经典问题-囚徒困境。在机器学习方面，Holland自提出遗传算法的基本理论后就致力于研究分类器系统（classifier system），Holland 希望系统能将外界刺激进行分类，然后送到需要的地方去，因此命名为分类器系统，这里的classifier是指一个

14、二进制串，代表一类情况。分类器系统将某一条件是否为真与串的某一位相对应，从而将产生式系统中的规则编码为二进制串，这样就可以应用遗传算法来进行演化，同时引入了基于经济学原理的信用分配机制-桶队（bucket brigade）算法来确定规则的相对强度4。Holland和Santa Fe的Arthur等人合作，用分类器系统模拟了一些经济现象，得到了满意的结果。遗传算法已有了许多发展，但一般来说，其基本过程是：首先采用某种编码方式将解空间映射到编码空间（可以是位串、实数、有序串、树或图，Holland最初的遗传算法是基于二进制串的，类似于生物染色体结构，易于用生物遗传理论解释，各种遗传操作也易于实现。

15、另外，可以证明，采用二进制编码式，算法处理的模式最多。但是，在具体问题中，直接采用解空间的形式进行编码，可以直接在解的表现型上进行遗传操作，从而易于引入特定领域的启发式信息，可以取得比二进制编码更高的效率。实数编码一般用于数值优化，有序串编码一般用于组合优化。），每个编码对应问题的一个解，称为染色体或个体。一般通过随机方法确定起始的一群个体，称为种群，在种群中根据适应值或某种竞争机制选择个体（适应值就是解的满意程度，可以由外部显式适应度函数计算，也可以由系统本身产生，如由协同演化时不同对策的博奕确定，或者由个体在群体中的存活量和繁殖量确定。），使用各种遗传操作算子（包括杂交，变异，倒位等等）产

16、生下一代（下一代可以完全替代原种群，即非重叠种群；也可以部分替代原种群中一些较差的个体，即重叠种群），如此进化下去，直到满足期望的终止条件4。遗传算法发展的简要回顾1950s，将进化原理应用于计算机科学的初步努力。50年代末到60年代初，Holland应用模拟遗传算子研究适应性。1967年，Bagley的论文中首次提出了遗传算法这一术语。1975年，Holland的经典著作自然和人工系统中的适应性出版，系统阐述了遗传算法的基本理论和方法。1975年，DeJong的博士论文遗传自适应系统的行为分析，将Holland的模式理论与他的计算试验结合起来。1983年，Holland的学生Goldberg

17、将遗传算法应用于管道煤气系统的优化，取得了很好的效果。2.3遗传算法的研究方向及应用领域在遗传算法的研究中，可以看到主要有三类研究方向：1. 研究遗传算法本身的理论基础。2. 用遗传算法作为工具解决工程问题，主要是进行优化，关心的是是否能在传统方法上有所提高。3. 用遗传算法研究演化现象，一般涉及到人工生命和复杂性科学领域。遗传算法的一些应用领域，主要在以下几个方面：控制方面：煤气管道控制，防避导弹控制，机器人控制规划方面：生产规划，并行机任务分配设计方面：VLSI布局，背包问题，图划分问题图像处理：模式识别，特征抽取信号处理：滤波器设计机器人方面：路径规划人工生命：生命的遗传进化人工神经网络

18、：权值训练和网络结构生成2.4遗传算法的主要步骤编码：它首先采用某种编码方式将解空间映射到编码空间。它可以是位串、实数、有序串、树或图，Holland最初的遗传算法是基于二进制串的，类似于生物染色体结构，易于用生物遗传理论解释，各种遗传操作也易于实现。另外，可以证明，采用二进制编码式，算法处理的模式最多。但是，在具体问题中，直接采用解空间的形式进行编码，可以直接在解的表现型上进行遗传操作，从而易于引入特定领域的启发式信息，可以取得比二进制编码更高的效率。实数编码一般用于数值优化，有序串编码一般用于组合优化。初始群体的生成：每个编码对应问题的一个解，称为染色体或个体。一般通过随机方法确定起始的一

19、群个体，称为种群。随机产生N个初始串结构数据，每个串结构数据称为一个个体， N个个体构成了一个群体。GA以这N个串结构数据作为初始点开始迭代。适应性值评估检测：适应性函数表明个体或解的优劣性。不同的问题，适应性函数的定义方式也不同。复制选择：选择的目的是为了从当前群体中选出优良的个体，使它们有机会作为父代为下一代繁殖子孙。遗传算法通过选择过程体现这一思想，进行选择的原则是适应性强的个体为下一代贡献一个或多个后代的概率大。选择实现了达尔文的适者生存原则。交换：交换操作是遗传算法中最主要的遗传操作。通过交换操作可以得到新一代个体，新个体组合了其父辈个体的特性。交换体现了信息交换的思想。变异：变异首

20、先在群体中随机选择一个个体，对于选中的个体以一定的概率随机地改变串结构数据中某个串的值。同生物界一样，GA中变异发生的概率很低，通常取值在0.0010.01之间。变异为新个体的产生提供了机会。第三章遗传算法的原理与实现3.1基本算法利用遗传算法解最优化问题，首先应对可行域中的个体进行编码，然后在可行域中随机挑选指定群体大小的一些个体组成作为进化起点的第一代群体，并计算每个个体的目标函数值，即该个体的适应度。接着就像自然界中一样，利用选择机制从群体中随机挑选个体作为繁殖过程前的个体样本。选择机制保证适应度较高的个体能够保留较多的样本；而适应度较低的个体则保留较少的样本，甚至被淘汰。在接下去的繁殖

21、过程中，遗传算法提供了交叉和变异两种算法对挑选后的样本进行交换和基因突变5。交叉算法交换随机挑选的两个个体的某些位，变异算子则直接对一个个体中的随机挑选的某一位进行突变。这样通过选择和繁殖就产生了下一代群体。重复上述选择和繁殖过程，直到结束条件得到满足为止。进化过程最后一代中的最优解就是用遗传算法解最优化问题所得到的最终结果。遗传算法的准备工作: 1)数据转换操作,包括表现型到基因型的转换和基因型到表现型的转换。前者是把求解空间中的参数转化成遗传空间中的染色体或者个体(encoding),后者是它的逆操作(decoding)2)确定适应度计算函数,可以将个体值经过该函数转换为该个体的适应度,该

22、适应度的高低要能充分反映该个体对于解得优秀程度。遗传算法的基本步骤遗传算法是具有生成+检测(generate-and-test)的迭代过程的搜索算法。基本过程为:1)编码,创建初始集团2)集团中个体适应度计算3)评估适应度4)根据适应度选择个体5)被选择个体进行交叉繁殖,6)在繁殖的过程中引入变异机制7)繁殖出新的集团,回到第二步图3-1 遗传算法的过程3.2遗传算法的构成要素通过前面的介绍我们知道，遗传算法的主要步骤包括编码、初始群体的生成、适应性值评估检测、复制选择、交换、变异。因此，遗传算法的主要构成要素有染色体编码方法，个体适应度评价，遗传算子和遗传算法的运行参数。3.2.1染色体编码

23、方法及初始化遗传算法中一般有以下几种编码方式o二进制编码o实型编码o有序编码o变长串编码o树型编码下面主要介绍二进制编码和实型编码方式二进制编码：用长度为10位的二进制编码串分别表示两个决策变量x1和x2。10位的二进制串可以表示从01023之间的1024个不同的数，故将x1，x2的定义域离散化为1023个均等的区域，包括两个断点在内共有1024个不同的点。从离散点-2.048到离散点2.048，依次让它们分别对应于从0000000000（0）111111111（1023）之间的二进制编码。再将分别表示x1和x2的两个10位长的二进制编码串连接在一起，组成一个20位长的二进制编码串，就构成了这

24、个函数优化问题的染色体编码方法。使用这种编码方法，解空间和遗传算法的搜索空间就具有一一对应的关系。例如：x：0000110111 1101110001就表示一个个体的基因型，其中前十位表示x1，后十位表示x211。采用二进制编码后需要解码，解码时需要将20位长的二进制编码串切断为两个10位长的二进制编码串，然后分别将它们转换为对应的二进制整数代码，分别记为y1和y2。依据个体编码方法和对定义域的离散化方法可知，将代码y转换为x的解码公式为：X4.0968y/1023-2.048例如，对个体下：000110111 1101110001，它由两个代码组成：Y155 Y2881上述两个代码经过解码后

25、，可得到两个实际的值：X1-1.828 X21.476实型编码：实型编码算法的个体的每一位由09组成；串长由变量的个数、精度、上下界决定； 总串（长）所有变量的串（长）相加； 一个变量对应的串长计算； 解析一个变量串对应的实际值X min + 串的结果*精度；初始化：选择一个群体，即选择一个串或个体的集合bi，i=1，2，.n。这个初始的群体也就是问题假设解的集合。一般取n30-160。通常以随机方法产生串或个体的集合bi,i1，2，.n。问题的最优解将通过这些初始假设解进化而求出。3.2.2复制(reproduction operator)根据适者生存原则选择下一代的个体。在选择时，以适应度

26、为选择原则。适应度准则体现了适者生存，不适应者淘汰的自然法则。给出目标函数f，则f(bi)称为个体bi的适应度。以为选中bi为下一代个体的次数。(1)适应度较高的个体，繁殖下一代的数目较多。(2)适应度较小的个体，繁殖下一代的数目较少；甚至被淘汰。这样，就产生了对环境适应能力较强的后代。对于问题求解角度来讲，就是选择出和最优解较接近的中间解。选择算子运算的过程如下：（1） 首先从旧的种群中选择适应度高的染色体，放入匹配集（缓冲区），为以后染色体交换、变异，产生新的染色体作准备。选择方法适应度比例法（转轮法）某染色体被选的概率：Pc xi 为种群中第i个染色体 为第i个染色体的适应度值 为种群种

27、所有染色体的适应度值之和具体步骤1）计算各染色体适应度值2）累计所有染色体适应度值，记录中间累加值S - mid 和最后累加值 sum = f(xi)3） 产生一个随机数 N，0 N (01100,11001)( 01|000, 11|011 ) -交叉- (01011,11000)2个父代的个体在交叉后繁殖出了下一代的同样数量的个体.复杂的交叉在交叉的位置,交叉的方法,双亲的数量上都可以选择.其目的都在于尽可能的培育出更优秀的后代。3.2.4变异(mutation operator)根据生物遗传中基因变异的原理，以变异概率Pm对某些个体的某些位执行变异。在变异时，对执行变异的串的对应位求反，

28、即把1变为0，把0变为1。变异概率Pm与生物变异极小的情况一致，所以，Pm的取值较小，一般取0.01-0.2。 例如有个体S101011。 对其的第1，4位置的基因进行变异，则有 S=001111 单靠变异不能在求解中得到好处。但是，它能保证算法过程不会产生无法进化的单一群体。因为在所有的个体一样时，交叉是无法产生新的个体的，这时只能靠变异产生新的个体。也就是说，变异增加了全局优化的特质。图3-3遗传算法的执行过程3.3 遗传算法的应用遗传算法在很多领域都得到应用；比如从神经网络研究的角度上考虑，最关心的是遗传算法在神经网络的应用。在遗传算法应用中，应先明确其特点和关键问题，才能对这种算法深入

29、了解，灵活应用，以及进一步研究开发6。3.3.1、遗传算法的应用关键 遗传算法在应用中最关键的问题有如下3个 1串的编码方式 这本质是问题编码。一般把问题的各种参数用二进制编码，构成子串；然后把子串拼接 构成“染色体”串。串长度及编码形式对算法收敛影响极大。 2适应函数的确定 适应函数(fitnessfunction)也称对象函数(objectfunction)，这是问题求解品质的测 量函数；往往也称为问题的“环境”。一般可以把问题的模型函数作为对象函数；但有时需要另行构造。 3遗传算法自身参数设定 遗传算法自身参数有3个，即群体大小n、交叉概率Pc和变异概率Pm。 群体大小n太小时难以求出最

30、优解，太大则增长收敛时间。一般n30-160。交叉概率Pc 太小时难以向前搜索，太大则容易破坏高适应值的结构。一般取Pc=0.25-0.75。变异概 率Pm太小时难以产生新的基因结构，太大使遗传算法成了单纯的随机搜索。一般取Pm0 .0102。3.3.2遗传算法的应用举例设函数f(x)=x2,求其在区间0,31的最大值变异概率取0.001 表3-4初始种群和它的适应度值表3-5染色体的交叉运算3.4遗传算法的不足遗传算法虽然可以在多种领域都有实际应用，并且也展示了它潜力和宽广前景；但是， 遗传算法还有大量的问题需要研究，目前也还有各种不足。首先，在变量多，取值范围大或无给定范围时，收敛速度下降

31、；其次，可找到最优解附近，但无法精确确定最扰解位置；最后，遗传算法的参数选择尚未有定量方法。对遗传算法，还需要进一步研究其数学基础理论；还需要在理论上证明它与其它优化技术的优劣及原因；还需研究硬件化的遗传算法；以及遗传算法的通用编程和形式等。第四章 基于遗传算法的PID控制器参数优化4.1什么是调节 目前工业自动化水平已成为衡量各行各业现代化水平的一个重要标志。同时，控制理论的发展也经历了古典控制理论、现代控制理论和智能控制理论三个阶段。智能控制的典型实例是模糊全自动洗衣机等。自动控制系统可分为开环控制系统和闭环控制系统。一个控制系统包括控制器传感器变送器执行机构输入输出接口。控制器的输出经过

32、输出接口执行机构加到被控系统上控制系统的被控量经过传感器变送器通过输入接口送到控制器。不同的控制系统其传感器变送器执行机构是不一样的。比如压力控制系统要采用压力传感器。电加热控制系统的传感器是温度传感器。目前，PID控制及其控制器或智能PID控制器（仪表）已经很多，产品已在工程实际中得到了广泛的应用，有各种各样的PID控制器产品，各大公司均开发了具有PID参数自整定功能的智能调节器(intelligent regulator)，其中PID控制器参数的自动调整是通过智能化调整或自校正、自适应算法来实现。有利用PID控制实现的压力、温度、流量、液位控制器，能实现PID控制功能的可编程控制器(PLC

33、)，还有可实现PID控制的PC系统等等。 可编程控制器(PLC) 是利用其闭环控制模块来实现PID控制，而可编程控制器(PLC)可以直接与ControlNet相连，如Rockwell的PLC-5等。还有可以实现PID控制功能的控制器，如Rockwell 的Logix产品系列，它可以直接与ControlNet相连，利用网络来实现其远程控制功能。1、开环控制系统开环控制系统(open-loop control system)是指被控对象的输出(被控制量)对控制器(controller)的输出没有影响。在这种控制系统中，不依赖将被控量反送回来以形成任何闭环回路。2、闭环控制系统闭环控制系统(clos

34、ed-loop control system)的特点是系统被控对象的输出(被控制量)会反送回来影响控制器的输出，形成一个或多个闭环。闭环控制系统有正反馈和负反馈，若反馈信号与系统给定值信号相反，则称为负反馈( Negative Feedback)，若极性相同，则称为正反馈，一般闭环控制系统均采用负反馈，又称负反馈控制系统。闭环控制系统的例子很多。比如人就是一个具有负反馈的闭环控制系统，眼睛便是传感器，充当反馈，人体系统能通过不断的修正最后作出各种正确的动作。如果没有眼睛，就没有了反馈回路，也就成了一个开环控制系统。另例，当一台真正的全自动洗衣机具有能连续检查衣物是否洗净，并在洗净之后能自动切断

35、电源，它就是一个闭环控制系统。3、阶跃响应 阶跃响应是指将一个阶跃输入（step function）加到系统上时，系统的输出。稳态误差是指系统的响应进入稳态后系统的期望输出与实际输出之差。控制系统的性能可以用稳、准、快三个字来描述。稳是指系统的稳定性(stability)，一个系统要能正常工作，首先必须是稳定的，从阶跃响应上看应该是收敛的准是指控制系统的准确性、控制精度，通常用稳态误差来(Steady-state error)描述，它表示系统输出稳态值与期望值之差快是指控制系统响应的快速性，通常用上升时间来定量描述。4.1.1 PID调节器的三个参数PID控制器就是根据系统的误差利用比例积分微

36、分计算出控制量，控制器输出和控制器输入（误差）之间的关系在时域中可用公式表示如下：公式中 表示误差、控制器的输入， 是控制器的输出， 为比例系数、 积分时间常数、为微分时间常数。式又可表示为： 公式中 和 分别为 和 的拉氏变换， ， 。 、 、 分别为控制器的比例、积分、微分系数。 一、比例（P）控制 比例控制是一种最简单的控制方式。其控制器的输出与输入误差讯号成比例关系。当仅有比例控制时系统输出存在稳态误差（Steady-state error）。 二、积分（I）控制 在积分控制中，控制器的输出与输入误差讯号的积分成正比关系。 对一个自动控制系统，如果在进入稳态后存在稳态误差，则称这个控制

37、系统是有稳态误差的或简称有差系统（System with Steady-state Error）。为了消除稳态误差，在控制器中必须引入“积分项”。积分项对误差取决于时间的积分，随着时间的增加，积分项会增大。这样，即便误差很小，积分项也会随着时间的增加而加大，它推动控制器的输出增大使稳态误差进一步减小，直到等于零。 因此，比例+积分(PI)控制器，可以使系统在进入稳态后无稳态误差7。 三、微分（D）控制 在微分控制中，控制器的输出与输入误差讯号的微分（即误差的变化率）成正比关系。 自动控制系统在克服误差的调节过程中可能会出现振荡甚至失稳。其原因是由于存在有较大惯性的组件（环节）和（或）有滞后(d

38、elay)的组件，使力图克服误差的作用，其变化总是落后于误差的变化。解决的办法是使克服误差的作用的变化要有些“超前”，即在误差接近零时，克服误差的作用就应该是零。这就是说，在控制器中仅引入“比例”项往往是不够的，比例项的作用仅是放大误差的幅值，而目前需要增加的是“微分项”，它能预测误差变化的趋势，这样，具有比例+微分的控制器，就能够提前使克服误差的控制作用等于零，甚至为负值，从而避免了被控量的严重地冲过头。 所以对有较大惯性和（或）滞后的被控对象，比例+微分(PD)的控制器能改善系统在调节过程中的动态特性。 4.1.2 数字控制器的参数整定一采样周期的选择 的选择范围：Tmin T T采 Tm

39、ax其中Tmin：应不小于控制程序执行时间执行机构动作时间传感器的反应时间 此外还要考虑计算精度等。T采：由采样定理确定的采样周期。Tmax：由稳定性条件确定的采样周期。实际的选择范围应在Tmin 与T采之间。 二控制器参数Kp、KI、KD的整定1. 凑试法：1） PID参数对系统性能指标的影响（在只有某种控制起主要作用时）KP 响应加快 太大 超调大 静态误差变小 振荡KI T/TI 稳态误差消除加快 太大 超调大 振荡KD TD/T 响应加快 太大 对干扰敏感 超调变小 超调变大2） 凑试法步骤凑试的先后顺序是：先KP、后KI、再KD。整定目标是：反应快、超调小、稳态误差能满足要求。（1）

40、（无积分、微分作用）逐步增大比例系数KP，若出现振荡，则取KP为发生振荡时的KP的一半，即 KP =0.5K振。（2）若稳态误差不满足要求，则适当增大积分系数KI（比例系数KP可略为减小。）（3）若快速性不满足要求，则适当增大微分系数KD。3） 常见情况分析采用PID控制算法的控制系统，若出现下列现象，请问应如何整定PID参数。（1） 系统出现振荡。 一般情况应适当减小KP或KI，也可适当调整KD。若系统同时又有响应迟缓、偏差消除太慢的问题，则应适当增大比例系数KP、积分系数KI或微分系数KD。采样周期太长也会影响稳定性，此时应缩短采样周期。（2） 系统超调太大。 一般情况应适当减小KP或KI

41、，也可适当调整KD。但若发现减小KP超调反而变大，同时系统又有响应迟缓现象，则应适当增大比例系数KP。（3） 系统出现扰动时偏差消除太慢。 适当增大KP或KI。（4） 对干扰太敏感。 适当减小Kd；加强硬件与软件抗干扰措施，例如采用软件滤波等。2. 扩充临界比例度法（基本步骤） 1） 预选采样周期T（足够短）；注意有纯滞后时T应小于纯滞后时间 t 。2） 增大KP 使系统出现振荡，测临界振荡周期Ts与临界比例系数Ks。3） 选择控制度（表示数字控制器相对于模拟控制器的控制效果，用两者误差平方之比来表示，工程用上一般可取Q=1.05）。3. 扩充响应曲线法（基本步骤）1） 设一给定值并给一阶跃输

42、入信号；2） 测响应曲线；3） 用图解法求t与Tm；4. 基于数学模型的方法（二阶工程设计法）5. 自整定方法1） 控制理论方法，例如，自校正控制算法。2） 人工智能方法，例如，采用专家系统技术或神经元网络技术。4.2基于遗传算法的PID整定PID控制是最早发展起来的控制策略之一，因此PID控制参数的优化成为人们关注的问题，它直接影响控制效果的好坏，并和系统的安全、经济运行有着密不可分的关系。传统的整定方法有基本的时间长度PID控制算法、变参数的PID控制算法等。这里采用基于遗传算法整定的PID控制算法，因为采用遗传算法进行PID三个系数的整定，具有以下优点：（1）与单纯形法相比，遗传算法同样

43、具有良好的寻优特性，且它克服了单纯形法参数初值的敏感性。在初始条件选择不当的情况下，遗传算法在不需要给出调节器初始参数的情况下，仍能寻找到合适的参数，使控制目标满足要求。（2）与专家整定法相比，它具有操作方便，速度快的优点，不需要复杂的规则，只通过简单的复制、交叉、变异，便可以达到寻优。避免了专家整定法中前期大量知识库整理工作及大量的仿真实验。（3）遗传算法是从多点开始并行操作，在解空间具有高效启发式搜索，克服了从单点出发的弊端及搜索的盲目性。从而使寻优速度更快，避免了过早陷入局部最优解。（4）遗传算法不仅适用于单目标寻优，而且也适用于多目标寻优，根据不同的控制系统，针对一个或多个目标，遗传算法均能够在规定的范围内寻找到合适参数。 目前，遗传算法作为一种全局优化算法，得到越来越多的应用。近年来，遗传算法在控制上的应用日益增多。4.3 基于遗传算法的PID整定原理1.参数的确定及表示首先确定参数范围，该范围一般是由用户给定的，然后由精度的要求，对其编码。2.选取初始种群因为需要编程来实现各过程，所以采用计算机随机产生种群。3.适配函数的确定一般的寻优方法在约束条件下可以求得满足条件的一组参数，在设计中是从改组参数中寻找一个最好的。衡量一个控制系统的指标有三个，即稳定性