时间延迟过程的PID补偿控制英语文摘翻译

时间延迟过程的PID补偿控制1998-2002年：一项调查摘要时间延迟可以被定义为有一个系统中一个事件从这个点开始到另一个点结束之间所造成的时间间隔。延迟也广泛存在于运输迟缓或死区时间，他们出现在物理，化学，生物和经济生活中，以及在过程测量和计算中。时间延迟过程的补偿方法大致可分成比例、积分、微分（PID）为基础的控制器，该控制器的参数可根据该控制器的结构调整以及优化，得以在该控制器中以最优化的形式适应过程模型的结构和参数。本文的目的是总结在1998-2002年五年间的杂志岀版物中涉及到的用于延迟过程中的PID控制器的发展、调整、执行的本质。该文件将提供一个以前文章中可能没有出现过的框架。引言现状表示在产业中PID控制器的使用无处不在，例如，在过程控制应用中有超过95％的控制器是PID型（Astrom和赫格伦1995年）。尽管在过去40年中可替代的控制算法开发有所进步，但事实是PID控制器已广泛应用于工业差不多60年来，他们越来越受欢迎，例如，根据记录在2000年有83家涉及PID控制器控制延迟过程的出版物（德怀尔2003年a）。然而，安德（1993）认为，在大量的被控过程的数以千计的控制闭环中，超过30％的控制器在手动模式下运行和65％在自动模式下运行,但自动运行产生较多的延时（即自动控制器是很不谐调的），考虑到各个文章中信息对于确定控制器参数值，这是非常明显的。表1很好的证明了这点。由于篇幅的考虑，本文将大体介绍连续时间的PID补偿，这是自1998年提出的，系统为具有时间延迟的单输入单输出流程。PID控制器，以各种各样控制器结构可用于连续或离散的时间。理想的连续时间PID控制器用拉普拉斯形式可如下表示Ck=比例增益，Ti=积分时间常数Td=微分时间常数。如果Ti=无穷和Td=0（即P控制），那么闭环测量值会始终低于预期值这是因为被控对象没有积分环节，但是对于要保持持续稳定的测量值，比预期值低是一个有益的偏差。积分环节的引用促进了测量值和设定值之间的相等，这是由于误差的积累增大了控制器的输出。引进微分环节意味设定值的变化可以预期，因此适当的调整可能会提前加入到实际变化中。因此，在简单的层面来讲，PID控制器的输出是来自现在，过去和未来的控制。在许多情况下，延迟过程下的PID控制器设计是基于最初的用于无延迟程序控制器的设计方法。不过，普遍认为PID控制器不适合延迟控制。有人建议，将PID实施于低到中等的时间常数、有小滞后时间的过程控制，同时参数设置必须用调整规则。PI或PID控制器参数规则2、1迭代法适当的补偿参数的选择可以通过实验方法得到，例如通过手动调整。然而，这种做法是费时而且被控对象通常是要达到其稳定极限。另外，图形分析方法无论是在时间或频域都可对控制器进行调整。时域的设计是通过使用根轨迹图，但是，延迟过程将设定为二阶模型。频域设计典型的做法是通过波特图实现所需的相位裕度。迭代法可以为控制器的设计提供了一个较为理想的近似值参数。2、2Z-N调整规则反应过程曲线调整规则是基于用开环阶跃响应确定了出模型再来计算控制器的参数。这种方法最初是由齐格勒建议和尼科尔斯（1942）提出的，他们提出单变量模型：一阶滞后加延迟（FOLPD）模型，使用切点法估计模型参数,并为P，PI和PID控制器参数整定作了相关定义。还有其他反应曲线调整规则，有时以图形形式，来控制FOLPD过程模型（Shinskey2001）或一个完整的加延迟（IPD）的模型（Hay1998年）。该这种调整的战略优势是，只需要单一的实验测试，不会发生错误，控制器参数很容易计算；但是，它是难以计算准确的参数以及精减的过程模型，在测试过程中可能会出现较大的负载变化继而导致测试结果误差很大，并且要达到一个很好的信号信噪比可能需要一个大的阶跃输入。性能（或优化）的标准，如在一个闭环系统中绝对误差最小值的积分，可以用来确定一组控制参数值。调整规则，有时用图形形式，已经用来优化调整器响应或伺服响应，用于补偿单输入单输出的被控对象，模型分别有：稳定或不稳定FOLPD形式（Wilton1999；Majhi和Atherton2000年；Visioli2001年a；Shen2002），IPD形式（Visioli2001年a），稳定或不稳定有延时的二阶系统（SOSPD）（Wilton1999；Kwak等人。2000）或更一般形式（Shen2000年）。调整规则来实现特定的伺服系统和调整器的响应也早已被提出（Tan等人。1998年，Yang和Shao2000年）。临界比例度法是通过临界频率（即在闭环控制系统的临界稳定发生的频率）时的控制器增益和振荡周期计算出来的。这种调节方法最早由齐格勒和尼科尔斯提出（1942年），是为了在一个有或没有延迟的被控过程中调整P，PI和PID控制器参数。调整规则隐含的建立了一个适当的频域稳定裕度进行补偿。这种调整规则，针对于IPD形式的SISO过程（Kookos等。1999），或稳定或不稳定SOSPD形式的SISO过程（Luyben2000年），以降低性能指标，或达到指定的幅值裕度和相位裕度弥补延迟过程。另外，临界周期调整规则，以及修改的规则-----比例增益设置为使一个闭环瞬态响应衰减比率为0.25，或一个阶跃滞后为135-----可补偿一般、有延迟、稳定或不稳定的过程（Hay1998；Tan等人。1999年；Yu1999年；Prashanti和Chidambaram2000；Tan等人。2001年；Robbins，2002年），有时可以达到指定幅值裕度和相位裕度（Prashanti和Chidambaram2000年Tan等人。2001）或指定的闭环响应（Vrancic等。1999年，2001年）。该控制器参数容易计算，但是，该系统一般必须在不稳定的比例控制下，该方法的实验性意味着特一的表现并不代表一般情况的实现，通常需要多次试验来确定的最终增益，由此产生的过程扰乱可能损害产品质量，有一个危险就是稳定极限环的临界可能会产生误差继而导致危险，而且过程变量信号的幅度可能过大，因此考虑到成本或安全实验可能不获通过。直接合成调整规则使控制器有利于特定闭环反应。这些方法，包括极点配置方法和频域技术，如幅值裕度和相角裕度。极点配置策略用来解决以稳定或不稳定FOLPD模型（Bi等人。1999年；Chien等人。1999年；Huang等人。2000年，Zhang，Xu2000；Mann等人。2001年b；Chen和Seborg，2002），IPD模型（Chen等人。1999年；Chien等人。1999年a；Chen和Seborg，2002年），一阶滞后加积分加延迟模型（FOLIPD）Chen和Seborg，2002）或SOSPD模型（Wang等人。1999年a；Bi等。2000年；Chen和Seborg，2002年）为基础的SISO系统的补偿过程。基于频域的整定规则也用来描述稳定或不稳定FOLPD模型，稳定或不稳定SOSPD模型，IPD模型，FOLIPD模型或更一般的模型。对动态的未建模被控对象需要一个鲁棒性更强的设计方法。内部模型控制（IMC）的设计过程，可确定具有不确定性的工艺参数，因此可以用来设计适当的PI和PID控制器，其他强硬策略也可以用来设计这类控制器。被控过程可以是稳定或不稳定FOLPD模型，IPD模型或稳定和不稳定SOSPD模型。调整规则易于使用，即使缺乏准确的过程模型。这些设计方法适合达到一个简单的性能指标，用于补偿一个非主导延迟的被控对象。调整规则的统计已经早被做出来了（O’Dwyer2003年b）。调整规则的统计按出版时间和刊物在表2列出，从本表能看出，人们对调整规则的发展的兴趣在不停增长。2.3分析技术控制器参数可使用分析技术确定。一些方法会减少适当的指标（Astrom等人。1998年；Ham和Kim1998年；Kookos等。1999年，Liu和Daley1999年；Leva和Colombo1999年；He等。2000年，Howell和Best2000年Tan等人。2000年，Wang和Cluett2000Leva和Colombo2001年；Campi等。2002年;Panagopoulos等。2002年，Hwang和Hsiao2002;Robbins，2002年b；Sung等。2002年，Tan等人。2002年，Yang等人。2002年a）。另外，直接合成策略可以用来确定控制器参数。这种策略可以在时域利用极点配置（Atherton1999年，Daley和Liu1999；Jung等人。1999年a，1999年b；Majhi和Atherton1999年；Jaguste和Agnihotri2002）或在频域，通过指定一个理想的幅值裕度或相位裕度（Fung等人。1998年，Wang等人。1999年b，1999c；Grassi等。2001Seki等。2001年，Crowe和Johnson2002年；Yang等人。2002年b）。鲁棒方法可以用来分析设计一个适当的PID控制器（Huang和Wang2001年；Wang等人。2001年b；Ge等。2002年）。最后，替代设计方法可用于确定某些特定控制器，如模糊逻辑（Bandyopadhyay和Patranabis1998年，2001年;Blanchett等。2000年；Xu等人。1998年，2000年；Li和Tso1999年，2000年;Mudi和Pal1999年;Visioli1999年，2001年b;Wang等人。1999d;Tao和Taur2000年Mann等人。2001年a），遗传算法（Cheng和Hwang1998年，Wang等人。1999d）或神经网络（Huang等人。1999年;Sbarbaro等。2000年;Shu和Pi2000年）。分析方法适合设计具有非主导延迟的PI/PID控制器来说，因为他们有明确的性能要求可以实现。结论控制专业的学者和从业人员仍然倾向使用PID控制器来补偿具有延迟的被控对象。本文综合介绍了自1998年在有关刊物上出现的补偿技术。作者希望，该文件能为实际应用提供方便的参考。这项工作表明，新的设计技术正不断发展，而且每项技术都声称这是最好的。但是通常都比较缺乏与其他设计技术的比较分析，与之相联的是缺乏基准事件，至少直到Astrom和Hagglund（2000年b）测试了不同方法后提出的建议是这样的。对于未来的主要研究方向应该是对现有关键设计技术的分析。动态多群粒子群优化的本地搜索摘要在本论文中，主要介绍关于一种由CEC2005提供基准功能集的修改后的动态多群粒子群优化性能（简称DMS-PSO）。与现有的多粒子群算法和狭义PSO不同，是种群大小是动态的和而且较小。整个人口划分成许多小群，这些群通过用不同的重组时间表频繁的重新组合，信息也是在群之间进行交流。与拟牛顿方法相结合，以改善其局部搜索能力。粒子群优化（PSO）,模拟鸟类的行为来解决优化问题，是由肯尼迪和埃伯哈特在1995年推出。许多优化问题可以表示为12,,,...,DMinfxxxxx其中D是进行优化参数的数量，即维数。在PSO算法中，每一个潜在的解决方案被认为是一个粒子。所有的粒子具有适应度和速度。这些微粒通过从问题的所有粒子的历史信息的学习，在D维空间运动。使用在搜索过程中收集的有用的信息有助于颗粒在搜索过程中倾向局部飞往更好地搜索范围。第i个粒子的第d维的位置和速度按照如下方式更新：11211()()||||kkkkkkididgdgdididididkkkidididkidmmkidmmvwvcrandpxcrandpxxxvvVxX式中，kidv代表的是第k代的第i个粒子第d维的速度vkidx代表的是第k代的第i个粒子第d维的位置x:w为惯性因子;为速度比约束因子;kidp为粒子个体位置最优值;kgdp为群体位置最优值;1c、2c是加速因子,gdrand、idrand是在1,0之间的随机数在PSO的领域，主要有两个变化：全局PSO和局