基于虚拟仪器的在线寻优控制

摘要:文章针对虚拟仪器控制方式在处理时变、非线性系统方面所存在的不足,提出了一种基于人工智能的虚拟仪器在线寻优控制方法,通过在线学习,自动寻优和实时调节,获得最优的控制参数。基于虚拟仪器平台和MATLAB的仿真结果表明,上述控制方法得到了预期效果。

关键词:智能控制;虚拟仪器;在线寻优;性能参数;RBF神经网络;PID

中图分类号:TP391文献标识码:A文章编号:1009-2374(2010)01-0016-03

基于计算机技术的虚拟仪器,使得数据采集和工业控制自动化技术发生了重大的变革。基于虚拟仪器的自动化测控系统大都具有界面友好、易于操作等特点,为此人们设计开发了各种基于PID控制技术的虚拟仪器测控系统。文献[1]可以快速确定3阶以内线性被控对象的PID控制参数。文献[2]以LabVIEW 7.1和PID工具包为软件开发平台,设计了一个实时温度控制系统,文献[3]基于LabVIEW平台设计一种自整定的PI控制系统,这些基于虚拟仪器测控技术的广泛应用,以及虚拟仪器硬件成本的直线下降,推动了虚拟仪器实时测控系统的飞速发展。但对于具有非线性、大时滞的系统,由于难以获得精确数学模型,仍然很难得到理想的控制效果。

随着20世纪90年代智能控制理论的出现,将智能算法与虚拟仪器相结合成为研究的热点。文献[4]探讨了人工智能BP神经网络算法在虚拟仪器开发软件LabVIEW中的实现方法,并将其应用于三容水箱液位的控制,仿真结果表明系统具有良好的动、静态控制效果。神经网络理论以其在系统辨识、优化计算与容错处理等方面的优势,为自动控制系统提供了新的活力。但是由于BP网络存在收敛速度慢、运算量大、容易产生局部极小,而且在没有实验数据的情况下不能实时在线学习等固有缺陷。

为解决以上问题,本文提出一种基于虚拟仪器平台的在线寻优控制算法,针对工业控制过程中存在的非线性、时变等各种不确定性,采用一种基于RBF神经网络在线辨识的PID自整定控制器。依靠RBF神经网络对PID控制参数进行在线学习,并充分利用了虚拟仪器系统在实时控制方面的优势。通过RBF神经网络和虚拟仪器的集成技术和信息融合,系统自动寻优调整获得最佳控制量。测试结果表明,采用基于RBF神经网络的虚拟仪器在线寻优控制技术,系统兼顾了稳态和瞬态性能指标,且算法简单,获得了预期的控制效果。

一、基于虚拟仪器的在线寻优控制平台的实现

基于虚拟仪器的在线寻优控制方法将智能控制算法与虚拟仪器技术紧密地融合在一起,既实现了实时控制,又能够获得高精度的控制性能。本文采取的寻优控制策略是利用RBF神经网络对PID控制参数进行在线整定,自动寻優。在线寻优控制系统结构框图如图1所示,虚线框部分即是RBF神经网络整定PID控制器。

(一)基于RBF神经网络PID整定原理

1.RBF神经网络。RBF网络模拟人脑局部调整、相互覆盖接受域的神经网络结构,是一种具有单隐层的三层前馈神经网络,由输入到输出的映射是非线性的,而隐含层空间到输出空间的映射是线性的,从而大大加快了学习速度并避免局部极小问题。RBF神经网络在20世纪80年代便由J.Moody和C.Darken提出,但其对非线性系统有很强的辨识性,具有最佳逼近能力,在一定程度上客服了BP网络的不足,而且结构简单、运算量小。RBF神经网络结构如图2所示:

RBF神经网络的输入向量为X=[x1,x2,…,xn]T,径向基向量为H=[h1,h2,…,hj,…hm]T ,其中hj 为高斯基函数:

(j=1,2,…,m)

网络的第j个结点的中心矢量为Cj=[cj1,cj2,…,cji,…cjn]T ,其中,i=1,2,…,n

网络的基宽向量为:B=[b1,b2,…,bi,…bm]T

bi为节点j的基宽度参数,且为大于零的数。

网络的权向量为:W=[w1,w2,…,wj,…wm]T

2.PID参数整定技术。RBF神经网络的输入向量取X=[Δu(k),yout(k),yout(k-1)],Δu(k)是k时刻的控制量变化量,yout是被控对象的输出。

(1)由ymout(k)=w1h1+w2h2+…+wmhm计算出k时刻RBF网络的辨识输出ymout。

(2)以J=(yout(k)-ymout(k))2为性能指标对RBF神经网络进行优化,并获得系统输出对控制输入变化的灵敏度信息dyout,优化算法如下:

(3)以J=error(k)2为性能指标计算出k 时刻最优的PID控制量。

3.RBF神经网络自整定PID控制在虚拟仪器中的实现。LabVIEW虽然在数据采集和图形化开发方面功能强大,但是它在科学计算和算法的设计方面还有很大的局限。我们采用专门的数值计算工具MATLAB来进行模糊控制器和管理器的设计,充分发挥各自的优势。本文利用LabVIEW函数库中的Matlab Script节点来实现在LabVIEW程序框图中对M文件的调用,实现了LabVIEW和MATLAB混合编程。

在虚拟仪器开发平台上设计的在线寻优控制程序框图如图3所示。由当前时刻的预测控制结果与设定值之间的误差和前一时刻的控制变化量等,经过RBF辨识器,获得最优的PID控制参数,再作用于被控系统。通过神经网络的自学习功能,以及LabVIEW的实时测控技术,通过不断的信息交互和在线学习,系统实现了在线自动寻优控制。

(二)系统仿真

1.基于RBF神经网络PID整定仿真研究。在MATLAB中分别采用PID方法、基于BP神经网络整定的PID方法和基于RBF神经网络整定的PID方法对被控对象进行控制仿真,并对仿真结果进行比较。设定被控对象为:

以单位阶跃信号作为参考信号。

表1给出了这三种控制方法分别作用下的系统性能指标。

从仿真结果可以看出,基于RBF神经网络整定PID控制在控制性能方面明显优于常规的PID控制方式和基于BP神经网络整定的PID控制方法,调节时间短、超调量小、稳态误差为零。

2.基于虚拟仪器的水箱系统设计。在LabVIEW中设计一个水箱控制系统,系统的前面板如图4所示:

采用上面设计的基于RBF神经网络整定PID的在线寻优算法作用于基于虚拟仪器开发平台设计的水箱控制系统。水位值设定为50,可得水位的实时变化曲线如图5所示:

从波形图上可以很明显的看出,基于虚拟仪器的在线寻优控制方法作用于水箱系统中,调节时间短,稳态误差基本为零。

二、结论

采用基于虚拟仪器的在线寻优控制方式,实现了在线寻优、实时控制的功能,既具有快速的动态响应时间,稳态误差又很小。这个例子也证明了在LabVIEW中调用MATLAB程序的正确性。将LabVIEW快速简便的图形化编程环境、强大的虚拟仪器开发功能与MATLAB高效的科学计算和算法设计的优势相结合,使自动控制系统成为具有智能化高精度的可视化的人机交互平台成为可能。

参考文献

[1]金志强,包启亮.一种基于LabVIEW的PID控制器设计的方法[J].微计算机信息,2005,1(6).

[2]张林,王颖,李秀娟,版银龙.基于LabVIEW7.1的PID温控系统设计[J].自动化与仪表,2007,16(1).

[3]Miao Wang,Francesco Crusca.Design and implementation of a gain scheduling controller for a water level control system[J].ISA Transactions,2002,41(3).

[4]匡芬芳.BP算法在LabVIEW中的实现及应用[J].仪器仪表用户,2008,50(6).

[5]赵弘,周瑞祥.基于Levenberg-Marquardt算法的神经网络监督控制[J].西安交通大学学报,2002,23(5).

[6]Jason A S,Freeman David Sasd.Online learning in radial basis function networks [J].Neural Computation,1997,9(8).

[7]刘金琨.先进PID控制MATLAB仿真[M].北京:电子工业出版社,2004.

基金项目:2009安徽省电子特色专业建设建设项目,2007年度安徽师范大学第三批特优强专业建设,2009年度安徽师范大学重点科研项目(项目编号:2009xzd03)。

作者简介:张鹏鸣(1986-),男,安徽师范大学物理与电子信息学院电子信息工程专业硕士研究生,研究方向:人工智能及虚拟仪器。

推荐访问:在线 控制 虚拟仪器