直流电动机双闭环控制系统设计与分析【文献综述】.doc

毕业设计文献综述 电气工程与自动化 直流电动机双闭环控制系统设计与分析 摘要：针对传统PID控制器参数的整定的缺陷，提出利用PSO算法对PID参数进行整定。在介绍PSO原理的基础上，总结了PID控制器参数的优化过程，通过PSO算法及其改进算法对工业上典型被控对象进行了PID参数的优化，与传统PID控制器参数整定方法进行了对比分析，表明PSO算法及其改进算法比传统工程控制方法能获得更好的动态性能指标，有更快的跟随性与鲁棒性。 关键词：双闭环控制系统 粒子群优化算法 PID控制器 1.背景 直流电动机因其特性能在比较广泛的范围内平滑调速，在工业控制中，其调速控制系统占据重要的地位，而直流调速控制系统中最典型一种调速系统就是转速电流双闭环调速系统。现在直流调速理论发展得比较成熟,但要真正设计好一个双闭环调速系统并应用于工程设计却有一定的难度[1] 在工业过程工程中, PID控制器因结构简单、易于实现、鲁棒性好和性价比高等优点,所以得到广泛的应用。控制系统设计最主要的是对PID控制器参数的整定,根据各个被控过程的特性来确定PID控制器的参数大小。PID控制器参数整定的方法很多，概括起来有两大类: 一是理论数值计算整定，它主要是通过所建立的数学模型,进行理论上的数值计算来确定控制器的参数。不过，这种方法所得到的计算数据必须在实际工程中进行进一步的调整和修改。二是工程整定方法，它主要根据工程经验,直接在控制系统的试验中进行。但无论采用哪一种方法所得到的控制器参数,都需要在实际运行中进行最后调整与完善[2]。 2.PID控制器参数整定的研究现状与发展趋势 PID控制器自产生以来一直是工业生产过程中应用最广，也是最成熟的控制器。目前绝大多数工业控制器都是PID控制器或其改进型。然而，在越来越复杂的工业过程中，常常难以确定其精确数学模型，无法从理论上准确设计PID控制器的相应参数。此外，在实际的生产现场中，由于控制过程十分复杂，具有高度的非线性性和时变性，而且存在噪音和负载干扰因素，传统PID参数设计方法往往整定不良，性能欠佳，对运行工况的适应性较差，难以满足对生产过程的控制性能和产品质量的要求。所以对PID参数的选择，要同时考虑对象的数学模型和实时调节[3]。 目前存在许多传统的PID参数整定方法，如经验整定法，临界比例法、飞升曲线法、衰减曲线法等等，虽然这些方法在实际控制中普遍使用，但是整定的控制性能指标不理想，随着智能计算科学的逐步兴起，智能优化算法在PID参数整定中取得了传统优化算法无法比拟的结果，如采用蚁群算法、遗传算法进行参数寻优取得了较好的结果，但是蚁群算法算法编程复杂，所以应用不广；遗传算法存在早熟、参数依赖性强的缺点[4]。 粒子群算法（PSO）是1995年由Kennedy和Eberhart共同提出的。PSO算法来源于对鸟群的觅食过程中的迁徙和聚集的模拟，更确切地说是简单个体组成的群体与环境以及个体的互动行为，利用粒子间的互相作用发现复杂搜索区间的最优区域。PSO算法具有计算快速收敛、不易陷入局部最优、所需参数少而且易于实现等特点，引起国际上相关领域众多学者的关注和研究[5]。 3.观点与主张 标准PSO算法[6]的基本思想是模拟自然界生物的群体行为来构造的随机优化算法。设在D维空间中，有m个粒子组成一个群落，其中表示第i个粒子在D维空间的当前位置，第i粒子的当前速度用表示；粒子i所经历的最好位置称为，记作，即个体最好位置；全局极值，记为，则PSO算法的进化方程描述为： （1） （2） 其中和表示为[0,1]范围内变化的随机数；和为加速度常数，用来调节每次迭代的步长，一般设置为2；n为迭代次数；w为惯性权重，起着调整算法局部和全局的搜索能力的作用；此外为了减少在进化过程中，粒子离开搜索空间的可能性，粒子的速度被一个最大的速度限制，即当前对粒子的加速导致其在某维的速度超过最大的速度，则速度就被限制在。其中最大速度取决于当前位置与最好位置之间区域的分辨率，如果最大速度太大，可能会飞过最优解，如果最大速度太小，又不能在局部好区间之外进行搜索。 改进的PSO优化算法：从标准粒子群算法可以看出，单个粒子在运动的过程中，不仅从自身个体行为中学习经验、获取信息，而且也从群体整体行为中学习经验获取信息，但是这一过程都是把最优个体作为学习对象。在标准粒子群算法中考虑学习群体中最差个体的失败经验。这样速度的更新公式就变更为按照个体极值、全局极值和个体最差值、全局最差值更新，使得粒子有更多的信息来调整自己的状态[7]。（1）和（2）更新公式如下式: