-
摘要: 针对比例—积分—微分(Proportional-integral-differential, PID)控制器的整定问题, 提出了自耦PID (Self-coupling PID, SC-PID)控制方法.该方法将系统动态和内外不确定性定义为总和扰动, 从而将非线性不确定系统变换为线性不确定系统, 进而构建了总和扰动反相激励下的误差动态系统, 据此设计了SC-PID控制律模型和整定规则, 进而设计了自适应速度因子(Adaptive speed factor, ASF)模型.数值仿真结果表明, SC-PID具有快的响应速度、高的控制精度、良好的抗总和扰动鲁棒性等诸多优点. SC-PID整定规则为现有PID整定结果的技术评估与技术升级提供了科学的理论依据, 在国防和工业控制领域具有广泛的应用价值.Abstract: Aiming at tuning problem for proportional-integral-differential (PID) controller, the self-coupling PID (SC-PID) control method was proposed. Dynamic and uncertainty both inside and outside system was defined as a total disturbance in the proposed method, so as to transform nonlinear uncertain system to linear uncertain system, and then error dynamic system (EDS) inversely driven by the total disturbance was built. Control law and its tuning rules for SC-PID were designed on the basis of EDS, and then adaptive speed factor (ASF) model was designed. Numerical simulation results showed that SC-PID has fast response, high control accuracy, good global stability robustness and good total disturbance rejection robustness etc. many advantages. The SC-PID tuning rules will provide a scientific theoretical basis for the technical evaluation and technical upgrading of the existing PID tuning results, and has extensive application value in national defense and industrial control.
-
Key words:
- Nonlinear uncertain system /
- adaptive speed factor /
- SC-PID control /
- tuning rule /
- global stability
-
半个多世纪以来, 经典控制理论(控制论)与现代控制理论(模型论)独立发展, 形成了各自的方法论体系.在实际控制工程中, 控制目标与被控对象实际行为之间的误差是容易获取的, 也是能够适当加以处理的, 因而"基于误差来消除误差"的控制策略的原形:比例—积分—微分(Proportional-integral-differential, PID)控制器在实际工业控制领域获得了广泛应用[1-6].对于实际控制工程问题, 通常难以给出其内部机理的精确描述, 因而基于数学模型的现代控制理论给出的控制策略, 在实际控制工程领域难以获得有效应用, 这就是控制工程实践与控制理论之间延续了半个多世纪而难以获得很好解决的脱节现象[7-9].经典控制理论的精髓就是根据被控对象的实际值与期望值(控制目标)之间的偏差来形成控制策略, 只要合理选择PID控制器的增益参数使闭环系统稳定就能够实现控制目标, 这正是经典PID控制方法获得广泛应用的根本原因.然而, 科学技术的发展对控制器的控制精度、响应速度和鲁棒稳定性提出了更高的要求, 导致传统PID控制器的缺点也逐渐展现出来[9-10]:尽管传统PID控制系统能够保证闭环系统稳定, 然而, 闭环控制系统的动态品质对PID增益参数的变化敏感.正是这个缺点导致了快速性和超调之间不可调和的矛盾[10], 因此, 当系统运行工况发生变化时, 控制器增益也需要随之变化, 因而各种改进型PID控制方法应运而生.在对PID参数进行在线整定的过程中, 由于PID增益参数的整定值只是局部优化值, 而不是全局性的最优值, 因而在线整定PID增益参数的这种控制方法无法从根本上解决动态品质和稳态精度的矛盾[11].因此, PID控制器增益参数的调节与优化一直是控制理论与控制工程领域广泛关注的问题.二十余年来, PID控制器在理论研究方面取得了长足发展, 经典PID控制器与其他控制理论方法相结合形成了一些新型的PID控制器, 例如:基于知识推理的专家PID控制[12]、基于神经网络的PID控制[11, 13-17]、模糊PID控制[18]、预测PID控制[19]等.此外, 一些现代优化方法也被应用于PID控制器的设计, 如采用遗传算法[20]、粒子群算法[21]以及其他优化方法[22-23]求取满足设计要求的PID控制器参数.前面这些方法在PID优化控制方面都获得了不同程度的控制效果, 具有良好的跟踪性能和一定的抗干扰性能, 然而都存在计算量大的问题, 在实时控制方面存在不同程度的局限性.为了减小PID增益参数在线优化的计算量, 曾喆昭提出了非线性PID自学习控制方法[24-25], 该方法不仅有效提高了非线性系统的自适应控制能力, 而且具有响应速度快、控制精度高、鲁棒稳定性好等特点, 然而, 抗扰动能力仍然欠佳.由于传统PID控制原理是将误差的过去(I)、现在(P)和将来(变化趋势D)进行加权求和来形成控制信号, 尽管只要合理选取PID三个增益参数就能使闭环控制系统局部稳定, 然而, 误差以及误差的积分和微分是三个完全不同属性的物理量, 曾喆昭学者认为:将三个不同属性的物理量独立加权求和来形成PID控制律模型是不合理的:
1) 违背了算术运算的基本规则:不同属性的物理环节是不能独立加权求和的, 否则难以从物理意义上来准确理解传统PID控制律的数学模型;
2) 传统PID控制律的数学模型不异于强行将比例、积分和微分等三个不同属性的物理环节割离开来并独立对待, 由此导致了比例、积分和微分三个环节在控制过程中相互独立、各自为阵, 因而缺乏协同控制的科学思想;
3) 正因为传统PID控制律模型的不合理性, 导致PID的增益整定问题成为了控制科学与控制工程领域的世纪难题.
曾喆昭学者发现:尽管误差的比例、积分和微分是三个不同属性的物理环节, 然而这三个环节都与误差有关, 三者之间一定存在某种内在的必然关系, 因此不应该将比例、积分和微分等三个不同属性的环节割离开来并独立对待, 而应该将三个不同属性的环节作为一个不可分割且有机统一的整体来对待.近十年来, 曾喆昭学者在吸取PID控制、滑模控制(Sliding mode control, SMC)以及自抗扰控制(Auto disturbance rejection controller, ADRC)三大主流控制器优点的同时, 主要围绕其各自存在的局限性开展了相关改进性的研究工作, 特别是受跟踪微分器(Tracking differentiator, TD)模型思想的启发, 先后提出了SC-PID控制方法和ASF模型.本文的理论研究结果与数值仿真实验都验证了SC-PID控制思想的正确性.
1. 问题描述
考虑到PID包括PI和PD等三种控制器类型, 因此本文要研究的SC-PID也包括相应的三种类型, 即SC-PI、SC-PID和SC-PD.考虑到PI控制器的广泛应用, 下面先研究SC-PI控制方法, 然后再研究SC-PID和SC-PD控制方法.
1.1 一阶非仿射非线性不确定系统
考虑一阶非仿射非线性不确定系统:
$$ \begin{equation} \begin{cases} {\dot {x} = f(x, u)+d_1 }\\ {y = x} \end{cases} \end{equation} $$ (1) 其中, $ x\in {\bf R} $是可测量状态, $ u\in {\bf R} $是控制输入, $ y\in {\bf R} $是系统输出, $ f(x, u) $是未知不确定函数, $ d_1 $是未知外部有界扰动.
由于系统(1)是一类一阶非仿射非线性不确定系统, 因此本文将系统未知不确定动态和外部扰动定义为总和扰动, 即
$$ \begin{equation} d = f(x, u)+d_1 -b_0 u \end{equation} $$ (2) 其中, $ b_0 \ne 0 $是控制增益的估计值(不要求精确估计).
因此, 系统(1)改写为
$$ \begin{equation} \begin{cases} \dot {x} = d+b_0 u\\ y = x \end{cases} \end{equation} $$ (3) 显然, 系统(3)是一类一阶线性不确定仿射系统, 而且与系统(1)是等价的.
1.2 二阶非仿射非线性不确定系统
考虑二阶非仿射非线性系统为:
$$ \begin{equation} \begin{cases} \dot {x}_1 = x_2 \\ \dot {x}_2 = f(x_1, x_2, u)+d_1 \\ y = x_1 \end{cases} \end{equation} $$ (4) 其中, $ x_1, x_2 \in {\bf R} $是可测量的两个状态, $ u\in {\bf R} $是控制输入, $ y\in {\bf R} $是系统输出, $ f(x_1, x_2, u) $是未知不确定函数, $ d_1 $是未知外部有界扰动.
由于系统(4)是一类二阶非仿射非线性不确定系统, 因此本文将系统未知不确定动态和外部扰动定义为总和扰动, 即
$$ \begin{equation} d = f(x_1, x_2, u)+d_1 -b_0 u \end{equation} $$ (5) 其中, $ b_0 \ne 0 $是控制增益的估计值(不要求精确估计).
因此, 系统(4)改写为
$$ \begin{equation} \begin{cases} \dot {x}_1 = x_2 \\ \dot {x}_2 = d+b_0 u\\ y = x_1 \end{cases} \end{equation} $$ (6) 显然, 系统(6)是一类二阶线性不确定仿射系统, 而且与系统(4)是等价的.
本节的主要思想是:将一类非仿射非线性不确定系统转换为一类线性不确定仿射系统.其主要特色是:淡化了线性与非线性、时变与时不变性、确定与不确定、仿射与非仿射等系统分类的概念或界定, 将一类复杂非线性系统的控制问题转化为一类线性不确定仿射系统的控制问题.尽管系统(1)和系统(4)没有显含时变参数, 但是可以将系统的时变性归类于系统内部的不确定性.
2. SC-PID控制器研究
针对一阶和二阶线性不确定仿射系统的控制问题, 分别进行相应的SC-PID控制器设计.
2.1 SC-PI控制器设计
设被控系统的期望轨迹为$ r $, 针对一阶非仿射非线性不确定系统(1)或其等价的线性不确定仿射系统(3)的控制问题, 定义跟踪控制误差为:
$$ \begin{equation} e_1 = r-y \end{equation} $$ (7) 定义误差的积分:
$$ \begin{equation} e_0 = \int{e_1 {\rm d}\tau } \end{equation} $$ (8) 结合系统(3)可得:
$$ \begin{equation} \dot {e}_1 = \dot {r}-\dot {y} = \dot {r}-d-b_0 u \end{equation} $$ (9) 根据式(7)$ \sim $(9)可得受控误差系统:
$$ \begin{equation} \begin{cases} \dot {e}_0 = e_1 \\ \dot {e}_1 = \dot {r}-d-b_0 u \end{cases} \end{equation} $$ (10) 由受控误差系统(10)定义SC-PI控制器模型为:
$$ \begin{equation} u = \frac{\dot {r}+z_c^2 e_0 +2z_c e_1 }{b_0} \end{equation} $$ (11) 其中, $ z_c >0 $是SC-PI控制器的速度因子.基于SC-PI的闭环控制系统如图 1所示.
与传统PI控制器相比, SC-PI控制器(11)的主要创新点在于只有一个速度因子$ z_c $; 其主要特色是:通过$ z_c $将比例和积分两个不同属性的物理环节紧密耦合在一起形成协同控制信号, 因此, SC-PI的增益整定规则为:
$$k_p = 2z_c $, $k_i = z_c^2 $$ 传统PI控制器将$ k_p $和$ k_i $两者分离开来并独立对待, 是否存在合理性问题, 作者不予过多评价.然而, PI控制器的增益整定问题一直是个世纪难题.
2.2 SC-PID控制器设计
被控系统的期望轨迹为$ r $, 针对二阶非仿射非线性不确定系统(4)或与其等价的线性不确定仿射系统(6)的控制问题, 定义跟踪控制误差为:
$$ \begin{equation} e_1 = r-y \end{equation} $$ (12) 定义误差的积分:
$$ \begin{equation} e_0 = \int{e_1 {\rm d}\tau } \end{equation} $$ (13) 结合系统(6)可得:
$$ \begin{equation} e_2 = \dot {e}_1 = \dot {r}-\dot {y} = \dot {r}-x_2 \end{equation} $$ (14) $$ \begin{equation} \dot {e}_2 = \ddot {e}_1 = \ddot {r}-d-b_0 u \end{equation} $$ (15) 根据式(13)$ \sim $(15)可得受控误差系统:
$$ \begin{equation} \begin{cases} {\dot {e}_0 = e_1 } \\ \dot {e}_1 = e_2\\ \dot {e}_2 = \ddot {r}-d-b_0 u \\ \end{cases} \end{equation} $$ (16) 由受控误差系统(16)定义SC-PID控制器模型为:
$$ \begin{equation} u = \frac{\ddot {r}+z_c^3 e_0 +3z_c^2 e_1 +3z_c e_2 }{b_0} \end{equation} $$ (17) 其中, $ z_c >0 $是SC-PID控制器的速度因子.
基于SC-PID的闭环控制系统如图 2所示.
与传统PID控制器相比, SC-PID控制器(17)的主要创新点在于只有一个速度因子$ z_c $; 其主要特色是通过$ z_c $将比例、积分和微分等三个不同属性的物理环节紧密耦合在一起来形成控制信号, 因此, SC-PID的增益整定规则为:
$$ \begin{equation} k_p = 3z_c^2, k_i = z_c^3, k_d = 3z_c \end{equation} $$ (18) 就控制论而言, PID及其各种改进型PID控制器都是多参数的控制器.从目前已有的研究成果来看, 这些控制器的各参数之间是完全独立的, 而且与被控对象有关:对于不同的被控对象, PID控制器的增益千差万别; 即便是同一个对象, 当系统模型参数发生变化或工况状态发生变化时, 必须重新整定PID的三个增益参数.显然, 尽管PID的控制律不依赖于被控对象, 然而, PID的三个增益参数却与被控对象相关, 因此, 传统PID的增益整定方法背离了控制论的精髓, 从而导致了增益整定的世纪难题.从理论上来说, 独立的多参数控制器确实增加了可行域的选择范围, 然而从实际控制工程而言, 却显著增加了各参数的整定难度.
作者发现:尽管比例、积分和微分是三个不同属性的物理环节, 然而却都与误差有关, 因此, 三个不同属性的环节之间一定存在内在的必然联系, 而且一定是一个不可分割且有机统一的整体. SC-PID控制器中的速度因子$ z_c>0 $正是将比例-积分-微分等三个不同属性环节紧密耦合在一起的内在关键因子.
2.3 SC-PD控制器设计
如果不考虑积分环节, 根据式(14)和(15)可得受控误差系统为:
$$ \begin{equation} \begin{cases} \dot {e}_1 = e_2 \\ \dot {e}_2 = \ddot {r}-d-b_0 u \end{cases} \end{equation} $$ (19) 由受控误差系统(19)定义SC-PD控制器模型为:
$$ \begin{equation} u = \frac{\ddot {r}+z_c^2 e_1 +2z_c e_2 }{b_0} \end{equation} $$ (20) 其中, $ z_c>0 $是SC-PD控制器的速度因子.基于SC-PD的闭环控制系统如图 3所示.
与传统PD控制器相比, SC-PD控制器(20)的主要创新点在于只有一个速度因子$ z_c $; 其主要特色是通过$ z_c $将比例和微分两个不同属性的物理环节紧密耦合在一起来形成控制信号, 因此, SC-PD的增益整定规则为:
$$ \begin{equation} k_p = z_c^2, k_d = 2z_c \end{equation} $$ (21) 3. 控制系统分析与自适应速度因子
本文设计了SC-PI、SC-PID和SC-PD等三类自耦PID控制器, 由这三类控制器分别构成的闭环控制系统是否稳定正是本文要重点研究的主要内容之一.
3.1 控制系统分析
定理1. 假设式(2)定义的总和扰动有界: $ \left|d\right|<\infty $, 则当且仅当速度因子$ z_c >0 $时, 由式(11)定义的SC-PI控制器组成的闭环控制系统是大范围稳定的, 而且SC-PI控制系统具有良好的抗总和扰动鲁棒性.
证明
1) 稳定性分析
将式(11)定义的SC-PI控制器代入式(10)所示的受控误差系统, 可得闭环控制系统:
$$ \begin{equation} \begin{cases} {\dot {e}_0 = e_1 } \\ {\dot {e}_1 = -d-z_c^2 e_0 -2z_c e_1 } \end{cases} \end{equation} $$ (22) 显然, 闭环控制系统(22)是一个在总和扰动$ d $反相激励下的误差动态系统.考虑到初始状态: $ e_0^- = 0 $, $ e_1^- \ne 0 $, 对系统(22)取单边拉普拉斯变换, 并整理得:
$$ \begin{equation} E_1 (s) = \frac{e_1^- s}{(s+z_c )^2}-\frac{s}{(s+z_c )^2}D(s) \end{equation} $$ (23) 其中, 系统(23)的第一项是零输入响应, 第二项是零状态响应.
由系统(23)可得闭环控制系统的传输函数为:
$$ H(s) = -\frac{s}{(s+z_c )^2} $$ 相应的单位冲激响应为:
$$h(t) = (z_c t-1)\exp (-z_c t)$, $t>0$$ 当$ z_c>0 $时, 则有: $ {\lim }_{t\to \infty } h(t) = 0 $.显然, 参数$ z_c $越大, $ h(t)\to 0 $的速度则越快, 因此称$ z_c $为速度因子, 下同.当$ z_c >0 $时, 由于闭环控制系统的传输函数唯一的双重极点$ s_p = -z_c <0 $在$ S $左半平面, 因此, 闭环控制系统(22)或(23)是大范围稳定的.
2) 抗扰动鲁棒性分析
闭环控制系统(23)的时域解为:
$$ e_1 (t) = -e_1^- h(t)+h(t)\ast d(t) $$ 当$ z_c >0 $时, 由于$ {\lim }_{t\to \infty } h(t) = 0 $, 因此, 只要$ \left| d \right|<\infty $, 则必有下式成立:
$$ \mathop {\lim }\limits_{t\to \infty } e_1 (t) = 0 $$ 理论分析表明, 在式(11)定义的SC-PI控制器作用下, 被控系统(1)或(3)的跟踪控制误差$ e_1 = r-y $可以从任意不为零的初始状态$ e_1^- \ne 0 $向稳定的平衡点零点趋近, 理论上可以实现精确控制.当$ z_c >0 $时, 由于$ e_1 (t)\to 0 $只与$ \left| d \right|<\infty $有关, 而与总和扰动$ d $的具体模型无关, 因此, SC-PI控制器具有良好的抗总和扰动鲁棒性.
上述复频域分析和时域分析表明, 当速度因子$ z_c >0 $时, 不仅由SC-PI控制器组成的闭环控制系统是大范围稳定的, 而且只要$ \left|d \right|<\infty $, 跟踪控制误差可以从任意不为零的初始状态$ e_1^- \ne 0 $向稳定的平衡点零点趋近, 因而具有良好的抗总和扰动鲁棒性.
定理2. 假设式(5)定义的总和扰动有界: $ \left| d \right|<\infty $, 则当且仅当速度因子$ z_c >0 $时, 由式(17)定义的SC-PID控制器组成的闭环控制系统是大范围稳定的, 而且SC-PID控制器具有良好的抗总和扰动鲁棒性.
证明
1) 稳定性分析
将式(17)定义的SC-PID控制器代入式(16)所示的受控误差系统, 可得闭环控制系统:
$$ \begin{equation} \begin{cases} {\dot {e}_0 = e_1 } \\ {\dot {e}_1 = e_2 } \\ {\dot {e}_2 = -d-z_c^3 e_0 -3z_c^2 e_1 -3z_c e_2 } \end{cases} \end{equation} $$ (24) 显然, 闭环控制系统(24)是一个在总和扰动$ d $反相激励下的误差动态系统.考虑到初始状态: $ e_0^- = 0 $, $ e_1^- \ne 0 $, $ e_2^- \ne 0 $, 对系统(24)取单边拉普拉斯变换, 并整理得:
$$ \begin{equation} E_1 (s) = [-(e_1^- s+e_2^- +3e_1^- z_c )+D(s)]H(s) \end{equation} $$ (25) 其中, 系统(25)的第一项是零输入响应, 第二项是零状态响应.
且闭环控制系统的传输函数为:
$$ H(s) = -\frac{s}{(s+z_c )^3} $$ 其单位冲激响应为:
$$ h(t) = (0.5z_c t^2-t)\exp (-z_c t), t>0 $$ 且
$$ \dot {h}(t) = (-0.5z_c^2 t^2+2z_c t-1)\exp (-z_c t) $$ $$ \ddot {h}(t) = (0.5z_c^3 t^2-3z_c^2 t+3z_c )\exp (-z_c t) $$ 由于$ z_c>0 $时, 闭环控制系统传输函数唯一的三重极点$ s_p = -z_c<0 $在$ S $左半平面, 因此, 闭环控制系统(24)或(25)是全局渐近稳定的.
2) 抗扰动鲁棒性分析
闭环控制系统(24)或(25)的时域解为:
$$ e_1 (t) = -e_1^- \dot {h}(t)-(e_2^- +3z_c e_1^- )h(t)+h(t)\ast d(t) $$ $$ e_2(t) = -e_1^- \ddot {h}(t)-(e_2^- +3z_c e_1^- )\dot {h}(t)+\dot {h}(t)\ast d(t) $$ 当$ z_c >0 $时, 由于:
$$ \mathop {\lim }\limits_{t\to \infty }h(t) = 0 $$ $$ \mathop {\lim }\limits_{t\to \infty } \dot {h}(t) = 0 $$ $$ \mathop {\lim }\limits_{t\to \infty } \ddot {h}(t) = 0 $$ 因此, 只要$ \left| d \right|<\infty $, 则必有下式成立:
$$ \mathop {\lim }\limits_{t\to \infty } e_1 (t) = 0, \quad \mathop {\lim }\limits_{t\to \infty } e_2 (t) = 0 $$ 理论分析表明, 在式(17)定义的SC-PID控制器作用下, 被控系统(4)或(6)的跟踪控制误差$ e_1 = r-y $及其微分$ e_2 = \dot{e}_1 $可以从任意不为零的初始状态($ e_1^-\ne0, e_2^-\ne 0) $向稳定的平衡点原点(0, 0)趋近, 理论上可以实现精确控制.当$ z_c>0 $时, 由于$ (e_1, e_2 )\to (0, 0) $只与$ \left| d \right|<\infty $有关, 而与总和扰动$ d $的具体模型无关, 因此, SC-PID控制器具有良好的抗总和扰动鲁棒性.
上述复频域分析和时域分析表明, 当速度因子$ z_c >0 $时, 不仅由SC-PID控制器组成的闭环控制系统是大范围稳定的, 而且只要$ \left| d \right|<\infty $, 跟踪误差及其微分可以从任意不为零的初始状态($ e_1^- \ne 0, e_2^- \ne 0) $向稳定的平衡点原点(0, 0)趋近, 因而具有良好的抗总和扰动鲁棒性.
定理3. 假设式(5)定义的总和扰动有界: $ \left|d\right|<\infty $, 则当且仅当速度因子$ z_c >0 $时, 由式(20)定义的SC-PD控制器组成的闭环控制系统是大范围稳定的, 且SC-PD控制系统具有良好的抗总和扰动鲁棒性.
证明
1) 稳定性分析
将式(20)定义的SC-PD控制器代入式(19)所示的受控误差系统, 可得闭环控制系统:
$$ \begin{equation} \begin{cases} {\dot {e}_1 = e_2 } \\ {\dot {e}_2 = -d-z_c^2 e_1 -2z_c e_2 } \\ \end{cases} \end{equation} $$ (26) 显然, 闭环控制系统(26)是一个在总和扰动$ d $反相激励下的误差动态系统.考虑到初始状态: $ e_1^- \ne 0 $, $ e_2^- \ne 0 $, 对系统(26)取单边拉普拉斯变换, 并整理得:
$$ \begin{equation} E_1 (s) = [-(e_1^- s+e_2^- +2z_c e_1^- )+D(s)]H(s) \end{equation} $$ (27) 其中, 误差系统(27)的第一项是零输入响应, 第二项是零状态响应.
且闭环控制系统的传输函数为:
$$ \begin{align*} H(s) = -\frac{1}{(s+z_c)^2} \end{align*} $$ 其单位冲激响应为:
$$ \begin{align*} h(t) = -t\exp (-z_c t), t>0 \end{align*} $$ 且
$$ \begin{align*} &\dot {h}(t) = (z_ct-1)\exp (-z_c t), t>0 \\& \ddot {h}(t) = (-z_c^2 t+2z_c)\exp (-z_c t), t>0 \end{align*} $$ 由于$ z_c>0 $时, 闭环控制系统传输函数唯一的二重极点$ s_p = -z_c <0 $在$ S $左半平面, 因此, 闭环控制系统(26)或(27)是大范围稳定的.
2) 抗扰动鲁棒性分析
闭环控制系统(26)或(27)的时域解为:
$$ \begin{align*} &e_1 (t) = -e_1^- \dot {h}(t)-(e_2^- +2z_c e_1^- )h(t)+h(t)\ast d(t) \\& e_2 (t) = -e_1^- \ddot {h}(t)-(e_2^- +2z_c e_1^- )\dot {h}(t)+\dot {h}(t)\ast d(t) \end{align*} $$ 当$ z_c >0 $时, 由于:
$$ \begin{align*} &\mathop {\lim }\limits_{t\to \infty } h(t) = 0 \\& \mathop {\lim}\limits_{t\to \infty } \dot {h}(t) = 0 \\& \mathop {\lim }\limits_{t\to \infty } \ddot {h}(t) = 0 \end{align*} $$ 因此, 只要$ \left| d \right|<\infty $, 则必有下式成立:
$$ \mathop {\lim }\limits_{t\to \infty } e_1 (t) = 0, \quad \mathop {\lim }\limits_{t\to \infty } e_2 (t) = 0 $$ 理论分析表明, 在式(20)定义的SC-PD控制器作用下, 被控系统(4)或(6)的跟踪控制误差$ e_1 = r-y $及其微分$ e_2 = \dot {e}_1 $可以从任意不为零的初始状态($ e_1^- \ne 0 $, $ e_2^- \ne 0) $向稳定的平衡点原点(0, 0)趋近, 理论上可以实现精确控制.当$ z_c >0 $时, 由于$ (e_1, e_2 )\to (0, 0) $只与$ \left| d \right|<\infty $有关, 而与总和扰动$ d $的具体模型无关, 因此, SC-PID控制系统具有良好的抗总和扰动鲁棒性.
上述复频域分析和时域分析表明, 当速度因子$ z_c >0 $时, 不仅由SC-PD控制器组成的闭环控制系统是大范围稳定的, 而且只要$ \left| d \right|<\infty $, 跟踪误差及其微分可以从任意不为零的初始状态($ e_1^- \ne 0 $, $ e_2^- \ne 0) $向稳定的平衡点原点(0, 0)趋近, 具有良好的抗总和扰动鲁棒性.
3.2 自适应速度因子
尽管上述三个定理都表明了只要总和扰动有界: $ \left| d \right|<\infty $, 且速度因子$ z_c>0 $时, 分别由SC-PI、SC-PID和SC-PD组成的闭环控制系统都是大范围稳定的, 而且SC-PI、SC-PID和SC-PD等控制系统分别具有良好的抗扰动鲁棒性, 同时也表明了三类控制器的速度因子$ z_c $具有很大的整定裕度.为了提高控制系统的动态响应速度和抗扰动能力, 要求$ z_c $越大越好.然而, 如果$ z_c $太大, 会使积分环节的增益权重$ z_c^3 $很大, 在动态响应初期, 可能会因积分饱和而出现超调与振荡现象.因此, 在保证响应速度快和抗扰动能力强的同时, 为了避免因积分饱和问题出现超调与振荡现象, 本文设计了一种自适应速度因子模型, 即:
$$ \begin{equation} z_c = \frac{\alpha }{T_t }[1-0.9\exp(-\beta t)] \end{equation} $$ (28) 其中, $ 0<\alpha <100 $, $ \beta = 1/T_t $, $ T_t $是由动态过渡到稳态的过渡过程时间.
为了便于实际应用, 对于快系统而言, 通常在$ 10<\alpha <100 $范围内任意取值; 对于慢系统而言, 通常在$ 1\le \alpha \le 10 $范围内任意取值. $ \alpha $越大, 则响应速度越快, 抗扰动能力越强; 否则反之.过渡过程时间$ T_t $则由被控系统的时间尺度特性来确定:如果实际要求在1 s时间内实现稳态跟踪控制, 则取$ T_t = 1 $s, 依次类推.
3.3 SC-PID控制器合理性分析
由式(29)可知, 由于过渡过程时间$ T_t $的量纲是秒(s), 因此, 速度因子$ z_c $的量纲是: s$ ^{-1} $.以被控对象(6)为例, 假设$ x_1 $和$ x_2 $分别表示位移(米: m)和速度(米/秒: ms$ ^{-1} $), 因而其量纲分别为: m和ms$ ^{-1} $.设期望输出为$ r $, 其量纲为: m, 则有误差及其积分和微分分别为:
误差: $ e_1 = r-y $, 量纲: m;
积分: $ e_0 = \int{e_1} {\rm d}\tau $, 量纲: ms;
微分: $ e_2 = \dot {r}-\dot {y} $, 量纲: ms$ ^{-1} $.
下面定性分析SC-PID中4个不同环节的物理属性:
1) 期望加速度: $ \ddot {r} $, 量纲: ms$ ^{-2} $;
2) 积分环节: $ z_c^3 e_0 $, 量纲: s$ ^{-3}\, {\rm ms} = {\rm ms}^{-2} $;
3) 比例环节: $ 3z_c^2 e_1 $, 量纲: $ {\rm s}^{-2} {\rm m } = {\rm ms}^{-2} $;
4) 微分环节: $ 3z_c e_2 $, 量纲: $ {\rm s}^{-1} {\rm ms}^{-1} = {\rm ms}^{-2} $.
显然, SC-PID控制器中各个不同环节通过速度因子转换后都成为相同的物理量纲: ms$ ^{-2} $, 即加速度量纲.假设系统增益系数$ b_0 $的量纲为: $ {\rm kg}^{-1} $, 那么, 控制信号$ u $的量纲就是牛顿, 因而控制信号$ u $相当于力的地位, 或者说, 也称控制信号$ u $为控制力.
上述仅是以位移运动系统为例进行类比定性分析, 同样, 也可以使用转动系统进行类比定性分析, 在此不再一一列举.
总之, 本文提出的SC-PID控制器模型, 明确了各个不同属性的环节通过速度因子进行量纲转换后, 都成为了力的属性单元, 并通过加权求和来形成控制器的合力.本文指出传统PID控制律模型的不合理性, 主要是针对三个独立增益而言的, 并不是否定PID的历史地位及其历史功绩, 而是作者近年来心存以下质疑:
1) 比例增益、积分增益和微分增益究竟是什么属性？
2) 三者之间是否存在必然的关系？
3) 如何整定三个增益？
4) 控制信号$ u $是什么属性？
如何解决上述系列质疑问题, 正是作者近年来一直思考的问题.在控制过程中, 由于比例、积分和微分等三个不同环节之间互相影响, 不明确解决上述问题, 增益参数的整定永远都是一个难题.本文提出的SC-PID控制器正是为了解决这些质疑问题而问世的, 它能够使没有任何控制理论基础或没有任何控制工程经验的人都可以对陌生的被控对象进行控制, 因而也可称之为傻瓜型控制理论方法.
4. 数值仿真实验与分析
为了验证本文提出的SC-PI、SC-PID和SC-PD等三类控制方法的有效性, 分别进行下列仿真实验.在仿真实验中, 设期望轨迹分别为正弦信号和单位阶跃信号.考虑到SC-PID和SC-PD控制器都涉及到期望信号的微分信息, 因此, 针对期望轨迹为单位阶跃信号的情况, 使用如下过渡过程:
$$ \begin{equation} r(t) = 1-\exp (-5t) \end{equation} $$ (29) 其微分信息为: $ \dot {r}(t) = 5\exp (-5t) $, 加速度信息为: $ \ddot{r}(t) = -25\exp (-5t) $.
4.1 考虑一阶非仿射非线性不确定系统[26-27]
$$ \begin{equation} \begin{cases} {\dot {x} = \sin(x)+0.1u^3+0.5u^2+u\sin(u)+d_1 } \\ {y = x} \\ \end{cases} \end{equation} $$ (30) 其中, 系统未知动态为:
$$ f(x, u) = \sin (x)+0.1u^3+0.5u^2+u\sin (u) $$ $ d_1 $是幅值为$ \pm1 $的方波振荡外部扰动.设总和扰动为: $ d = f(x, u)+d_1-b_0u $, 给定初始状态为$ x(0) = 0.5 $, 设$ \alpha = 63 $, $ \beta = 1 $, 则SC-PI控制器的自适应速度为:
$$ z_c = 63[1-0.9\exp (-t)] $$ 下列三个仿真实验都使用相同的控制器参数:
$$ z_c = 63[1-0.9\exp(-t)], b_0 = 1 $$ 仿真实验1. SC-PI的正弦跟踪控制
当期望轨迹为正弦信号时, 即$ r(t) = 0.5\sin (2t) $, 使用SC-PI控制器的仿真结果如图 4所示.
下列所有仿真实验中的外部扰动都与图 4(e)完全相同, 为了节省篇幅, 不再一一列出.
仿真实验2. SC-PI的阶跃跟踪控制
当期望轨迹为单位阶跃信号时, 使用SC-PI控制器的仿真结果如图 5所示.由图 4和图 5可知, 同一个SC-PI控制器可以实现正弦跟踪和阶跃跟踪两种不同工况状态的有效控制, 不仅响应速度快、控制精度高、无超调、无波动、无抖振, 而且具有很强的抗扰动能力, 理论研究结果和仿真实验结果都表明了本文研究的SC-PI控制器是有效的.与文献[26]和[27]相比, 本文的SC-PI控制方法因免除了扰动观测器, 使得控制器结构更为简单, 实时性更好.此外, 文献[26]和[27]只做了正弦跟踪控制实验, 没有进行阶跃跟踪控制实验.
仿真实验3. 时变系统的SC-PI阶跃跟踪控制
被控对象(30)中有三个模型参数1、0.1和0.5.假设这三个模型参数是时变的, 且分别设为:
$$ a_1 = 1+0.1\sin (2t) $$ $$ b_1 = 0.1+0.01\sin (t) $$ $$ b_2 = 0.5+0.05\cos (t) $$ 则一阶非仿射非线性不确定系统(30)变为非仿射非线性时变不确定系统(31)
$$ \begin{equation} \begin{cases} {\dot {x} = a_1 \sin (x)+b_1 u^3+b_2 u^2+u\sin (u)+d_1 } \\ {y = x} \end{cases} \end{equation} $$ (31) 使用同一套SC-PI控制器对时变系统(31)进行阶跃跟踪控制实验, 结果如图 6所示.由图 6可知, 使用同一套SC-PI控制器对时变系统(31)进行阶跃跟踪控制实验, 仍然获得了很好的控制效果, 进一步表明了本文研究的SC-PI控制器对系统时变性和外部扰动具有很好的鲁棒性.
4.2 考虑二阶非仿射非线性不确定系统[26-27]
$$ \begin{equation} \begin{cases} \dot {x}_1 = x_2 \\ \dot {x}_2 = f(x_1, x_2, u)+d_1 \\ y = x_1 \end{cases} \end{equation} $$ (32) 其中, $ d_1 $为外部有界扰动.系统未知动态为:
$$ \begin{align*} f = \, &x_1^2 +x_2^2 +0.1(1+x_2^2){\rm e}^u+\\&0.15u^3+\sin(0.1u) \end{align*} $$ 设总和扰动为: $ d = f(x_1, x_2, u)+d_1 -b_0 u $.给定初始状态为$ x_1(0) = x_2 (0) = 0.5 $, 设$ \alpha = 63 $, $ \beta = 1 $, 则SC-PID控制器的自适应速度为:
$$ \begin{equation*} z_c = 63[1-0.9\exp(-t)] \end{equation*} $$ (与SC-PI的自适应速度完全相同).
下列三个仿真实验都使用同一套控制器参数:
$$ \begin{equation*} z_c = 63[1-0.9\exp(-t)], b_0 = 1 \end{equation*} $$ 仿真实验4. SC-PID的正弦跟踪控制
设期望的正弦轨迹与仿真实验1的完全相同, 使用SC-PID控制器的仿真结果如图 7所示.
仿真实验5. SC-PID的阶跃跟踪控制
设期望的阶跃轨迹与仿真实验2的完全相同, 使用SC-PID控制器的仿真结果如图 8所示.由图 7和图 8可知, 同一套参数的SC-PID控制器可以实现正弦跟踪和阶跃跟踪两种不同工况状态的有效控制, 不仅响应速度快、控制精度高、无超调、无波动、无抖振, 而且具有很强的抗扰动能力, 理论研究结果和仿真实验结果都表明了本文研究的SC-PID控制器是有效的.与文献[26]和[27]相比, 本文的SC-PID控制方法因免除了扰动观测器, 使得控制器结构更为简单, 实时性显著提高.
仿真实验6. 时变系统的SC-PID阶跃跟踪控制实验
被控对象(32)中未知动态函数:
$$ \begin{align*} f = x_1^2 +x_2^2 +0.1(1+x_2^2 )e^u+0.15u^3+\sin (0.1u) \end{align*} $$ 有5个系统模型参数1、1、0.1、0.15和1.假设这5个系统模型参数是时变的, 且分别设为:
$$ \begin{align*} &a_1 = 1+0.1\sin (t)\\& a_2 = 1+0.1\sin (t)\\&b_1 = 0.1+0.01\sin (t) \end{align*} $$ $$ \begin{align*} &b_2 = 0.15+0.015\sin (t) \\& b_3 = 1+0.1\sin (t) \end{align*} $$ 则二阶非仿射非线性不确定系统(32)的未知动态函数变为时变动态函数:
$$ f = a_1 x_1^2 +a_2 x_2^2 +b_1(1+x_2^2 ){\rm e}^u+b_2 u^3+b_3 \sin (0.1u) $$ 因而二阶非仿射非线性不确定系统(32)变为二阶非仿射非线性时变不确定系统.使用同一套SC-PID控制器参数对时变系统(32)进行阶跃跟踪控制实验, 结果如图 9所示.由图 9可知, 使用同一套SC-PID控制器对时变系统(32)进行阶跃跟踪控制实验, 仍然获得了很好的控制效果, 进一步表明了本文研究的SC-PID控制器对系统时变性和外部扰动具有很好的鲁棒性.
上述6个仿真实验表明, SC-PI控制器和SC-PID控制器使用完全相同的自适应速度因子$ z_c = 63[1-0.9\exp(-t)] $分别控制两类不同模型、不同属性的被控对象, 都获得了很好的控制效果.不仅如此, 本文研究的控制方法, 控制律和控制器增益都与被控对象无关, 而PID控制器增益却完全与被控对象相关, 对于不同的工况和不同的被控对象, PID及其各种改进型PID的增益千差万别.
为了验证SC-PD控制器的有效性, 针对二阶非仿射非线性不确定系统(32)分别进行下列仿真实验.
考虑到SC-PD缺少积分环节, 因此SC-PD的增益参数应该取大一点, 即设$ \alpha = 83 $、$ \beta = 1 $, 则SC-PD的自适应速度因子为: $ z_c = 83[1-0.9\exp (-t)] $.
期望的正弦轨迹和阶跃轨迹与上述实验的也完全相同.
仿真实验7. SC-PD的正弦跟踪控制
使用SC-PD的正弦跟踪控制结果如图 10所示.
仿真实验8. SC-PD的阶跃跟踪控制
使用SC-PD控制器的阶跃跟踪控制结果如图 11所示.
仿真实验9. 时变系统的SC-PD阶跃跟踪控制
为了验证SC-PD控制器对时变系统(TVS)控制的有效性, 使用与仿真实验6完全相同的5个时变参数, 对非线性非仿射时变系统(32)进行控制实验, 结果如图 12所示.由图 12可知, 使用同一套SC-PD控制器参数对时变系统(32)进行阶跃跟踪控制实验, 仍然获得了很好的控制效果, 进一步表明了本文研究的SC-PD控制器对系统时变性和外部扰动具有很好的鲁棒性.
为了体现本文SC-PID控制器的创新性, 下面分别使用在线自学习PID (包括PI)控制方法、在线自学习SMC控制方法以及ADRC方法进行对比分析.其中, 在线自学习PID控制方法参照文献[16-17]进行仿真实验; 在线自学习SMC控制方法参照文献[26]进行仿真实验; ADRC方法则使用在线自学习PID + ESO来实现.为了便于比较, 四种控制器及其相关参数分别介绍如下:
1) SC-PI控制器:
$$ u = \frac{\dot {r}+z_c^2 e_0 +2z_c e_1 }{b_0} $$ 其中, $ z_c = 63[1-0.9\exp (-t)] $;
2) 在线自学习SMC控制器:
$$ u = \frac{u_0 -z_2}{b_0} $$ 其中,
$ u_0 = \dot {r}+c_1g(s, \delta)+c_2s $; $ z_2 $是总和扰动估计值;
滑模函数: $ s = e_1 $;
ESO增益: $ \beta _{01} = 1\, 000 $, $ \beta _{02} = 6\, 000 $;
初始增益: $ c_1^0 = c_2^0 = 20 $, $ \eta = 0.2 $;
$ \delta = 1 $; $ g(s, \delta ) = \frac{s}{\delta ^2}\exp (-\frac{s^2} {2\delta^2}) $是非线性光滑函数[26];
$ c_1 $和$ c_2 $在线更新算法如下:
$$ \begin{align*} &c_{1}^{k+1} = c_1^k +\frac{\eta e_1 g(s, \delta )y_u }{b_0 }\\& c_2^{k+1} = c_2^k +\frac{\eta e_1 sy_u }{b_0} \end{align*} $$ 3) 在线自学习PI控制器:
$$ u = \frac{k_p e_1 +k_i e_0 }{b_0} $$ 其中, 初始增益$ k_p^0 = k_i^0 = 40 $, $ \eta = 0.2 $.
$ k_p $和$ k_i $在线更新算法为:
$$ \begin{align*} &k_p^{k+1} = k_p^k +\frac{\eta e_1^2 y_u }{b_0}\\ &k_i^{k+1} = k_i^k +\frac{\eta e_1 e_0 y_u }{b_0} \end{align*} $$ 4) 在线自学习ADRC:
$$ u = \frac{u_0 -z_2 }{b_0} $$ 其中,
$ u_0 = k_p e_1 +k_i e_0 $, $ z_2 $是总和扰动估计值;
ESO增益: $ \beta _{01} = 1\, 000 $, $ \beta _{02} = 6\, 000 $;
初始增益: $ k_p^0 = k_i^0 = 40 $, $ \eta = 0.2 $;
$ k_p $和$ k_i $在线更新算法为:
$$ \begin{align*} &k_p^{k+1} = k_p^k +\frac{\eta e_1^2 y_u }{b_0}\\ &k_i^{k+1} = k_i^k +\frac{\eta e_1 e_0 y_u }{b_0} \end{align*} $$ 仿真实验10. 一阶非仿射非线性系统的对比控制分析
针对被控系统(30), 在初始状态完全相同、单位阶跃轨迹和外部扰动也完全相同, $ b_0 = 1 $, 分别使用SC-PI控制器、在线自学习SMC、在线自学习PI控制器以及在线自学习ADRC等四种控制器的控制结果如图 13所示.由图 13可知, 在控制精度和抗扰动鲁棒性方面, SC-PI、SMC和ADRC相当, 而自学习PI控制器存在明显的差距.然而, 与SMC和ADRC相比, SC-PI结构简单、计算量小, 在实时性方面具有明显优势, 由于自学习SMC和ADRC的抗扰动鲁棒性是依赖于ESO对总和扰动的估计来实现的, 如果缺少ESO功能部件, 与自学习PI控制器一样, 它们的抗扰动能力会明显降低.
仿真实验11. 二阶非仿射非线性系统的对比控制分析
针对被控系统(32), 在初始状态完全相同、单位阶跃轨迹和外部扰动也完全相同. SC-PID、SMC、在线自学习PID以及在线自学习ADRC等四个控制器及其相关参数分别如下:
1) SC-PID控制器:
$$ u = \frac{\ddot {r}+z_c^3 e_0 +3z_c^2 e_1 +3z_c e_2 }{b_0} $$ 其中, $ z_c = 63[1-0.9\exp (-t)] $;
2) SMC控制器:
$$ \begin{align*} u = \frac{\ddot {r}+c_0 e_2 +c_1 g(s, \delta )+c_2 s}{b_0} \end{align*} $$ 且
$ s = c_0 e_1 +e_2 $, $ c_0 = c_1 = c_2 = 20 $;
$ g(s, \delta ) = \frac{s}{\delta ^2}\exp (-\frac{s^2}{2\delta^2}) $是非线性光滑函数[26], $ \delta = 1 $;
3) 在线自学习PID控制器:
$$ \begin{align*} u = \frac{\ddot {r}+k_p e_1 +k_i e_0 +k_d e_2 }{b_0} \end{align*} $$ 其中, $ \eta = 0.2 $, $ k_p^0 = k_i^0 = k_d^0 = 60 $;
在线更新算法如下:
$$ \begin{align*} & k_p^{k+1} = k_p^k +\frac{\eta e_1^2 y_u }{b_0 }\\& k_i^{k+1} = k_i^k +\frac{\eta e_1 e_0 y_u }{b_0} \\& k_d^{k+1} = k_d^k +\frac{\eta e_1 e_2 y_u }{b_0} \end{align*} $$ 4) 在线自学习ADRC:
$$ \begin{align*} u = \frac{u_0 -z_3 }{b_0} \end{align*} $$ 其中,
$ u_0 = k_p e_1 +k_i e_0 +k_d e_2 $, $ z_3 $是总和扰动估计值;
ESO增益:
$ \beta _{01} = 1\, 000 $, $ \beta _{02} = 6\, 000 $, $ \beta _{03} = 30\, 000 $;
PID初始增益: $ k_p^0 = k_i^0 = k_d^0 = 60 $, $ \eta = 0.2 $;
在线更新算法如下:
$$ \begin{align*} &k_p^{k+1} = k_p^k +\frac{\eta e_1^2 y_u }{b_0} \\& k_i^{k+1} = k_i^k +\frac{\eta e_1 e_0 y_u }{b_0} \\& k_d^{k+1} = k_d^k +\frac{\eta e_1 e_2 y_u }{b_0} \end{align*} $$ 针对非线性非仿射不确定被控对象(32), SC-PID、SMC、在线自学习PID以及在线自学习ADRC等四个控制器的仿真结果如图 14所示.
由图 14可知, 在线自学习PID和ADRC都存在明显的超调和波动现象, 而且由动态进入稳态的过渡过程时间较长.由图 14(h)的外部扰动可知, 外部扰动在6.284 s时刻发生从$ +1 $到$ -1 $的跳变.假设扰动出现时刻, 四种控制系统都处于稳定状态, 根据图 14(d)和图 14(e)的误差局部放大图可知, 与其他三种方法相比, SC-PID具有高得多的稳态精度(稳态绝对误差不超过$ 5\times 10^{-8}) $, 而SMC、自学习PID以及ADRC的稳态精度相当(绝对误差分别不超过$ 2.8\times 10^{-3} $、$ 5.1\times 10^{-3} $、$ 2.4\times 10^{-3}) $.显然, SC-PID控制方法的稳态精度是现有其他方法的十万倍.
此外, 当扰动出现以后, 与其他三种方法相比, SC-PID在抗扰动能力方面也同样具有明显的优势, 只需要约0.47 s即可快速恢复到稳定状态; 而ADRC则需要约3.22 s才能恢复到稳定状态; 自学习PID则需要约5.72 s才能恢复到稳定状态.尽管SMC抗扰动能力较强, 而且恢复时间只需要0.82 s左右, 然而却一直存在约$ -6\times10^{-4} $的固有静态偏差.
通过实验结果的对比分析可知, 与现有的PID、SMC和ADRC等三种控制方法相比, 本文提出的SC-PID控制方法在响应速度、稳态精度以及抗扰动能力等方面都具有明显的优势.
5. 结论
本文提出的SC-PID控制器的主要思想是:
1) 借鉴了韩京清先生的思想:将系统动态不确定性(包括模型不确定性和参数不确定性)以及外部扰动作为总和扰动, 使非线性不确定系统转化为线性不确定系统, 因而淡化了线性与非线性、确定与不确定性、时变与时不变性、耦合与非耦合、仿射与非仿射等系统分类的概念;
2) 借鉴了跟踪微分器的模型思想, 提出了SC-PID控制器模型, 进而将一个非线性不确定系统或其等价的线性不确定系统的闭环控制系统转换为总和扰动反相激励下的误差动态系统;
3) 分别从复频域和时域分析了由SC-PID控制器组成的闭环控制系统不仅具有大范围稳定性能, 而且SC-PID还具有良好的抗总和扰动鲁棒性, 因而从理论上保证了SC-PID (包括SC-PI和SC-PD)控制器的有效性.
为了有效解决快速性与超调之间的矛盾, 提出了自适应速度因子模型, 从而使SC-PID成为ASC-PID.系列仿真实验不仅验证了SC-PID控制方法的有效性, 而且也验证了理论分析的正确性.此外, 还与现有改进型PID、改进型SMC以及ADRC进行了比较分析, 进一步表明了SC-PID在模型结构、响应速度、控制精度以及抗扰动鲁棒性等方面的突出优势.本文研究的不依赖于被控对象模型的SC-PID控制器的主要特色是:不仅控制器结构简单(只有一个速度因子)、计算量小(不需要在线优化增益参数、不需要扰动观测器实时估计扰动状态)、响应速度快、控制精度高、抗扰动能力强、无超调、无振荡、无抖振, 而且对系统内部不确定性、参数时变性以及外部扰动都具有很好的鲁棒性等突出优势. SC-PI、SC-PID和SC-PD控制器的增益整定规则分别为现有运行中PI、PID和PD控制器的增益整定结果进行技术评估与技术升级提供了科学的理论依据.
-
[1] 柴天佑.自动化科学与技术发展方向.自动化学报, 2018, 44(11): 1923-1930 doi: 10.16383/j.aas.2018.c180252Chai Tian-You. Development directions of automation science and technology. Acta Automatica Sinica, 2018, 44(11): 1923-1930 doi: 10.16383/j.aas.2018.c180252 [2] 王维洲, 吴志伟, 柴天佑.电熔镁砂熔炼过程带输出补偿的PID控制.自动化学报, 2018, 44(7): 1282-1292 doi: 10.16383/j.aas.2018.c170620Wang Wei-Zhou, Wu Zhi-Wei, Chai Tian-You. PID control with output compensation for the fused magnesia smelting process. Acta Automatica Sinica, 2018, 44(7): 1282-1292 doi: 10.16383/j.aas.2018.c170620 [3] 王兰豪, 贾瑶, 柴天佑.再磨过程的泵池液位和给矿压力双速率区间控制.自动化学报, 2017, 43(6): 993-1006 doi: 10.16383/j.aas.2017.c170134Wang Lan-Hao, Jia Yao, Chai Tian-You. Dual-rate interval control of pump pool level and feeding pressure during regrinding. Acta Automatica Sinica, 2017, 43(6): 993-1006 doi: 10.16383/j.aas.2017.c170134 [4] 杨辉, 郝丽娜, 陈洋, 薛帮灿.针对气动肌肉仿生肘关节抖振现象的Kalman-PID控制.控制理论与应用, 2017, 34(4): 477-482 https://www.cnki.com.cn/Article/CJFDTOTAL-KZLY201704008.htmYang Hui, Hao Li-Na, Chen Yang, Xue Bang-Can. Kalman-PID control for chattering phenomena of bionic elbow joint actuated by pneumatic artificial muscles. Control Theory & Applications, 2017, 34(4): 477-482 https://www.cnki.com.cn/Article/CJFDTOTAL-KZLY201704008.htm [5] Wang Z D, Xu Y, Liu G, Wang J X, Jiang W, Wang Y, et al. Simulation and experiment of PID applied to the automatic voltage control of gyrotron traveling wave tubes. IEEE Transactions on Plasma Science, 2018, 46(7): 2446-2451 doi: 10.1109/TPS.2017.2723245 [6] Zhang Y, Jia Y, Chai T Y, Wang D H, Dai W, Fu J. Data-driven PID controller and its application to pulp neutralization process. IEEE Transactions on Control Systems Technology, 2018, 26(3): 828-841 doi: 10.1109/TCST.2017.2695981 [7] 韩京清.自抗扰控制器及其应用.控制与决策, 1998, 13(1): 19-23 doi: 10.3321/j.issn:1001-0920.1998.01.005Han Jing-Qing. Active disturbance rejection controller and applications. Control and Decision, 1998, 13(1): 19-23 doi: 10.3321/j.issn:1001-0920.1998.01.005 [8] 韩京清.控制理论—模型论还是控制论.系统科学与数学, 1989, 9(4): 328-335 https://www.cnki.com.cn/Article/CJFDTOTAL-STYS198904005.htmHan Jing-Qing. Control theory, is it a model analysis approach or a direct control approach. Journal of Systems Science and Mathematical Sciences, 1989, 9(4): 328-335 https://www.cnki.com.cn/Article/CJFDTOTAL-STYS198904005.htm [9] 韩京清.自抗扰控制技术.北京:国防工业出版社, 2009, XIHan Jing-Qing. Active Disturbance Rejection Control Technology, Beijing: National Defense Industry Press, 2009, XI [10] 魏伟, 梅生伟, 张雪敏.先进控制理论在电力系统中的应用综述及展望.电力系统保护与控制, 2013, 41(12): 143-153 doi: 10.7667/j.issn.1674-3415.2013.12.023Wei Wei, Mei Sheng-Wei, Zhang Xue-Min. Review of advanced control theory and application in power system. Power System Protection and Control, 2013, 41(12): 143-153 doi: 10.7667/j.issn.1674-3415.2013.12.023 [11] 周延延, 吴晓燕, 李刚.基于BP神经网络的PID控制器研究.空军工程大学学报, 2007, 8(4): 45-48 doi: 10.3969/j.issn.1009-3516.2007.04.013Zhou Yan-Yan, Wu Xiao-Yan, Li Gang. Study on PID controller based on BP neural network. Journal of Air Force Engineering University, 2007, 8(4): 45-48 doi: 10.3969/j.issn.1009-3516.2007.04.013 [12] 王明涛, 张百浩.基于专家PID的燃气机转速控制试验.热能动力工程, 2015, 30(6): 848-852 https://www.cnki.com.cn/Article/CJFDTOTAL-RNWS201506011.htmWang Ming-Tao, Zhang Bai-Hao. Experiment of the rotating speed control over a gas engine based on an expert PID (Proportional, Integral and Differential) control method. Journal of Engineering for Thermal energy and power, 2015, 30(6): 848-852 https://www.cnki.com.cn/Article/CJFDTOTAL-RNWS201506011.htm [13] 李明, 封航, 张延顺.基于UMAC的RBF神经网络PID控制.北京航空航天大学学报, 2018, 44(10): 2063-2070 https://www.cnki.com.cn/Article/CJFDTOTAL-BJHK201810006.htmLi Ming, Feng Hang, Zhang Yan-Shu. RBF neural network tuning PID control based on UMAC. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(10): 2063-2070 https://www.cnki.com.cn/Article/CJFDTOTAL-BJHK201810006.htm [14] 王青山, 梁得亮, 杜锦华.交流稳压电源的改进神经网络PID控制.电机与控制学报, 2017, 21(2): 1-9 https://www.cnki.com.cn/Article/CJFDTOTAL-DJKZ201702001.htmWang Qing-Shan, Liang De-Liang, Du Jin-Hua. Improved neural network PID controller for regulated power supply. Electric Machines and Control, 2017, 21(2): 1-9 https://www.cnki.com.cn/Article/CJFDTOTAL-DJKZ201702001.htm [15] 邱占芝, 李世峰.基于神经网络的PID网络化控制系统建模与仿真.系统仿真学报, 2018, 30(4): 1423-1432 https://www.cnki.com.cn/Article/CJFDTOTAL-XTFZ201804027.htmQiu Zhan-Zhi, Li Shi-Feng. Modeling and simulation of PID networked control systems based on neural network. Journal of System Simulation, 2018, 30(4): 1423-1432 https://www.cnki.com.cn/Article/CJFDTOTAL-XTFZ201804027.htm [16] 曾喆昭, 肖亚芬, 郝逸轩.非线性类PID神经元网络控制器.北京科技大学学报, 2012, 34(1): 12-15 https://www.cnki.com.cn/Article/CJFDTOTAL-BJKD201201002.htmZeng Zhe-Zhao, Xiao Ya-Fen, Hao Yi-Xuan. Nonlinear PID-like neuron network controller. Journal of Beijing University of Science and Technology, 2012, 34(1): 12-15 https://www.cnki.com.cn/Article/CJFDTOTAL-BJKD201201002.htm [17] 李桂梅, 曾喆昭.一种基于神经网络算法的非线性PID控制器.中南大学学报(自然科学版), 2010, 41(5): 1865-1870 https://www.cnki.com.cn/Article/CJFDTOTAL-ZNGD201005038.htmLi Gui-Mei, Zeng Zhe-Zhao. A nonlinear PID controller based on neural network algorithm. Journal of Central South University (Science and Technology), 2010, 41(5): 1865-1870 https://www.cnki.com.cn/Article/CJFDTOTAL-ZNGD201005038.htm [18] Shen J, Xin B. Control of single-axis rotation INS by tracking differentiator based fuzzy PID. IEEE Transactions on Aerospace and Electronic Systems, 2017, 53(6): 2976-2986 doi: 10.1109/TAES.2017.2722558 [19] 潘泽跃, 程健, 吴嘉珉, 程景行.基于FPGA广义预测比例—积分—微分控制在特种电源中的应用.电工技术学报, 2018, 33(10): 2376-2382 https://www.cnki.com.cn/Article/CJFDTOTAL-DGJS201810023.htmPan Ze-Yue, Cheng Jian, Wu Jia-Min, Cheng Jing-Xing. The application of generalized predictive proportion-integration-differentiation control in special power supply based on FPGA. Transactions of China Electrotechnical Society, 2018, 33(10): 2376-2382 https://www.cnki.com.cn/Article/CJFDTOTAL-DGJS201810023.htm [20] 谢宏, 杨鹏, 陈海滨, 张小刚, 陈俊辉, 谭阳红.遗传优化模糊PID融合算法的5自由度机械手控制.电子测量与仪器学报, 2015, 29(1): 21-30 https://www.cnki.com.cn/Article/CJFDTOTAL-DZIY201501003.htmXie Hong, Yang Peng, Chen Hai-Bin, Zhang Xiao-Gang, Chen Jun-Hui, Tan Yang-Hong. Fuzzy PID control system optimized by genetic algorithm for 5-freedom robot arm. Journal of Electronic Measurement and Instrumentation, 2015, 29(1): 21-30 https://www.cnki.com.cn/Article/CJFDTOTAL-DZIY201501003.htm [21] 王镇道, 张乐, 彭子舜.基于PSO优化算法的模糊PID励磁控制器设计.湖南大学学报(自然科学版), 2017, 44(8): 106-111 https://www.cnki.com.cn/Article/CJFDTOTAL-HNDX201708016.htmWang Zhen-Dao, Zhang Le, Peng Zi-Shun. Design of fuzzy PID excitation control based on PSO optimization algorithm. Journal of Hunan University (Natural Science), 2017, 44(8): 106-111 https://www.cnki.com.cn/Article/CJFDTOTAL-HNDX201708016.htm [22] Rabiatuladawiah A H, Siti F T, Salmiah A, Mohd K H. Swarm-intelligence tuned current reduction for power-assisted steering control in electric vehicles. IEEE Transactions on Industrial Electronics, 2018, 65(9): 7202-7210 doi: 10.1109/TIE.2017.2784344 [23] Marín A, Hernández R J A, Jiménez J A. Tuning multivariable optimal PID controller for a continuous stirred tank reactor using an evolutionary algorithm. IEEE Latin America Transactions, 2018, 16(2): 422-427 doi: 10.1109/TLA.2018.8327395 [24] 曾喆昭, 贺莹, 张畅, 李霖.非线性PID自学习控制方法研究.计算机工程, 2014, 40(10): 224-227 doi: 10.3969/j.issn.1000-3428.2014.10.042Zeng Zhe-Zhao, He Ying, Zhang Chang, Li Lin. Research on nonlinear PID control method for self-learning. Computer Engineering, 2014, 40(10): 224-227 doi: 10.3969/j.issn.1000-3428.2014.10.042 [25] 周勇, 曾喆昭.自学习非线性PID抗扰控制原理研究.控制工程, 2017, 24(6): 1180-1185 https://www.cnki.com.cn/Article/CJFDTOTAL-JZDF201706014.htmZhou Yong, Zeng Zhe-Zhao. Research on self-learning nonlinear PID disturbance rejection control principle. Control Engineering of China, 2017, 24(6): 1180-1185 https://www.cnki.com.cn/Article/CJFDTOTAL-JZDF201706014.htm [26] 曾喆昭, 吴亮东, 杨振源, 唐欢.非仿射系统的自学习滑模抗扰控制.控制理论与应用, 2016, 33(7): 980-987 https://www.cnki.com.cn/Article/CJFDTOTAL-KZLY201607017.htmZeng Zhe-Zhao, Wu Liang-Dong, Yang Zhen-Yuan, Tang Huan. Self-learning sliding-mode disturbance rejection control for non-affine systems. Control Theory & Applications, 2016, 33(7): 980-987 https://www.cnki.com.cn/Article/CJFDTOTAL-KZLY201607017.htm [27] Cheng Chun-Hua, Hu Yun-An, Wu Jin-Hua, Li Jing. Auto disturbance rejection controller for non-affine nonlinear systems with adaptive observers. Control Theory & Applications, 2014, 31(2): 148-158 期刊类型引用(58)
1. 曾鹏，曾喆昭，黄利容. SCR脱硝系统的串级自耦PID控制方法. 动力工程学报. 2024(01): 84-90 . 
百度学术2. 陈河江，李俊丽，王安琪. 输入受限的二阶非仿射非线性不确定系统串级自耦PID控制. 陕西理工大学学报(自然科学版). 2024(01): 37-46 . 百度学术3. 梁洪基，李俊丽，张元耀，陈河江，王安琪. 基于自耦PD的四旋翼无人机轨迹跟踪控制. 陕西理工大学学报(自然科学版). 2024(01): 47-55+79 . 百度学术4. 熊屹林，曾喆昭. 欠驱动TORA系统的自耦PID控制策略. 控制与决策. 2024(03): 853-860 . 百度学术5. 黄利容，曾喆昭，曾鹏. 挠性航天器的自耦PD姿态控制方法. 空间控制技术与应用. 2024(01): 75-83 . 百度学术6. 张昌琪，曾喆昭，王伟. 基于ACPI的磁浮球系统控制方法. 铁道科学与工程学报. 2024(03): 1180-1188 . 百度学术7. 温瀚斌，崔彦良. 无速度传感器的异步电动机模糊自适应PI直接转矩控制. 制造技术与机床. 2024(04): 19-25 . 百度学术8. 侯光泽，王伟，刘昊，胥春茜，杨玉玲. 分置式斯特林制冷机的自耦PI温度控制. 低温与超导. 2024(04): 46-50+72 . 百度学术9. 陈河江，李俊丽，王安琪，张元耀，梁洪基. 具有执行器故障的四旋翼无人机姿态容错控制. 飞行力学. 2024(03): 52-59 . 百度学术10. 陈玉，陈星，向腾龙，张履胜，王治红. 克劳斯硫磺回收余热锅炉水温控制系统优化. 工业仪表与自动化装置. 2024(03): 15-21 . 百度学术11. 喻乐言，曾喆昭，唐钰淇. 欠驱动飞行器横侧向通道的自耦PD控制方法. 空间控制技术与应用. 2024(03): 60-67 . 百度学术12. 侯利民，张如月，王巍. 基于ESO的永磁同步电机自耦合无模型滑模控制. 控制工程. 2024(06): 1035-1043 . 百度学术13. 牛焕娜，窦伟，李春毅，钱立，井天军，陈卫东. 基于模糊神经网络的微电网荷储协调智能控制方法. 高电压技术. 2024(07): 3019-3028 . 百度学术14. 喻乐言，曾喆昭，张昌琪. 基于ACPI控制的光伏系统MPPT策略. 动力工程学报. 2024(08): 1226-1233 . 百度学术15. 粟正恺，范必双. LCL型并网逆变器电流的自耦PID控制方法. 智慧电力. 2024(08): 19-24 . 百度学术16. 关文卿，程艺，窦满峰，晁世元. 基于比例谐振自耦PI控制的调速系统. 西北工业大学学报. 2024(04): 673-682 . 百度学术17. 熊洛，曾喆昭. 三轴MEMS陀螺仪轨迹跟踪的自耦PID控制方法. 传感技术学报. 2024(09): 1586-1592 . 百度学术18. 张国林，曾喆昭，黄利容. 电液伺服系统的扩展自耦PD控制. 兵器装备工程学报. 2024(10): 287-294 . 百度学术19. 唐钰淇，曾喆昭，张昌琪. 双摆起重机的过阻尼自耦PD消摆控制方法. 兵器装备工程学报. 2024(10): 302-308 . 百度学术20. 曹梦龙，刘铎，朱兆森. 改进鲸鱼算法的超临界CO_2萃取参数整定. 电子科技. 2024(12): 73-78 . 百度学术21. 高峰. 蒸汽发生器水位自耦PI控制算法优化. 自动化应用. 2024(24): 68-72 . 百度学术22. 王伟，曾喆昭，章禛昊. 一阶大时滞系统的时滞削弱自耦PID控制方法. 控制工程. 2024(12): 2178-2183 . 百度学术23. 王伟，杜亮，郭威，李均毅，张家庆，金向东，金晓峰. 配电变压器能效试验中的降功率措施与实现. 电子技术. 2023(01): 352-355 . 百度学术24. 李成林，齐本胜，苗红霞，邹杨，姜博严，郭章旺. 四旋翼串级自耦PID姿态控制器设计. 自动化与仪器仪表. 2023(02): 103-106 . 百度学术25. 熊屹林，曾喆昭，王伟. 非线性欠驱动不稳定系统的自耦PID控制方法. 空间控制技术与应用. 2023(01): 82-89 . 百度学术26. 邹杨，苗红霞，李成林，郭章旺. 基于四旋翼无人机姿态控制的自耦PID算法优化. 自动化与仪器仪表. 2023(03): 121-124 . 百度学术27. 郭承宇，熊屹林. 电力系统混沌振荡现象的ACPD控制. 电工技术. 2023(05): 5-9 . 百度学术28. 张昭昭，代强，朱应钦. 改进模糊神经网络PID的瓦斯掺混浓度控制. 西安科技大学学报. 2023(02): 388-397 . 百度学术29. 何胜华，黄弘，范必双，怀晓伟. 带自适应模糊神经网络补偿的自耦合PI在风力机变桨控制中的应用. 可再生能源. 2023(05): 618-624 . 百度学术30. 曾鹏，曾喆昭，熊屹林. 七阶混沌振荡电力系统的自耦PD控制. 电力系统保护与控制. 2023(09): 13-20 . 百度学术31. 何胜华，范必双，夏侯智聪，吴江平，怀晓伟. 一种新颖的模糊自耦合PI在风力机MPPT控制中的应用. 电力系统保护与控制. 2023(09): 46-55 . 百度学术32. 龙坤，粟时平，刘毅博，李星星，李洋滨，黄俊玮. 并联型APF直流侧电压的改进自耦比例积分控制策略. 电工电气. 2023(07): 1-6+26 . 百度学术33. 黄利容，曾喆昭，曾鹏. 水轮机调节系统的自耦PID控制方法. 水力发电学报. 2023(08): 80-88 . 百度学术34. 马晓东，魏利胜. 基于PSO磁悬浮球系统自适应灰预测控制. 重庆工商大学学报(自然科学版). 2023(05): 16-24 . 百度学术35. 曾鹏，曾喆昭. 三明治结构挠性传动系统的自耦PID控制. 空间控制技术与应用. 2023(05): 73-79 . 百度学术36. 卢元煦，曾喆昭，唐立军，白家赞. 堆芯功率的自耦PID控制策略研究. 动力工程学报. 2023(11): 1494-1499+1530 . 百度学术37. 曾喆昭，章禛昊. 欠驱动VTOL飞行器的自耦PID控制方法. 空间控制技术与应用. 2023(06): 38-46 . 百度学术38. 许惠清，曾喆昭，陈泽宇. 高阶非线性未知系统的ACPI控制方法. 电光与控制. 2022(01): 42-46 . 百度学术39. 苏杰，曾喆昭. 非线性时变系统的自耦PID控制方法. 控制理论与应用. 2022(02): 299-306 . 百度学术40. 路遥. 一种非仿射高超声速飞行器输出反馈控制方法. 自动化学报. 2022(06): 1530-1542 . 本站查看41. 周蔚，粟时平，苏杰，王思尹. 基于改进自耦比例积分的直流微电网母线电压控制. 电力工程技术. 2022(04): 44-50 . 百度学术42. 白家赞，曾喆昭. 连续搅拌釜式反应器的自耦比例–积分–微分控制. 控制理论与应用. 2022(06): 1065-1070 . 百度学术43. 刘文珏，曾喆昭. 非仿射纯反馈非线性系统的自耦PID控制. 控制工程. 2022(07): 1264-1270 . 百度学术44. 李军，黄卫剑，陈锦攀，谢洪途，王朋，朱亚清，潘凤萍，李德波. 一种适应新型电力系统的加速型工程最速比例-积分控制器. 广东电力. 2022(07): 170-178 . 百度学术45. 曾喆昭. 论纠错无量纲比例增益的必要性及其改进策略. 控制工程. 2022(08): 1387-1394 . 百度学术46. 程启芝，曾喆昭，程婷，王风琴. 未知非线性系统的自耦PD协同控制方法. 控制工程. 2022(08): 1437-1442 . 百度学术47. 苏杰，曾喆昭，熊屹林. 不确定混沌系统同步的自耦PID协同控制方法. 控制工程. 2022(08): 1464-1472 . 百度学术48. 陈丽秋，曾喆昭. 基于自耦PID的三连杆机械臂轨迹跟踪控制. 空间控制技术与应用. 2022(04): 70-77 . 百度学术49. 王林，郭岩，魏丽娜，赵文雪，张绍君，贾振越，郎利辉，王耀. 充液成形设备双闭环控制分析. 精密成形工程. 2022(09): 24-31 . 百度学术50. 黄丹，许惠清，庄磊，曾喆昭. 非匹配非线性系统的ACPID控制方法. 电力科学与技术学报. 2022(05): 222-228 . 百度学术51. 王传礼，王顺，靳华伟，霍环宇，许虎威. 提升机电机械盘式制动器的间隙与压力控制. 科学技术与工程. 2022(30): 13242-13248 . 百度学术52. 任思润，曾喆昭. 精确末制导的自耦PI制导律. 火力与指挥控制. 2022(10): 83-86 . 百度学术53. 张宇轩，贺勇. 基于自适应状态观测器的无人机自耦PD轨迹跟踪. 信息化研究. 2022(06): 7-13 . 百度学术54. 李高铭，聂卓赟，李兆洋，郑义民，罗继亮. 非平衡负载下轮式移动机器人的抗扰PID控制. 控制理论与应用. 2021(03): 398-406 . 百度学术55. 王风琴，曾喆昭，程婷，程启芝，杜肖丰. 严格反馈非线性未知系统的自耦PID控制方法. 控制工程. 2021(05): 971-978 . 百度学术56. 苏杰，曾喆昭. 基于ACPI的风力发电系统MPPT控制方法. 电力系统保护与控制. 2021(18): 119-127 . 百度学术57. 杨旭，曹立佳，刘洋. 基于自耦PID控制的四旋翼无人机姿态控制. 兵器装备工程学报. 2021(10): 170-175 . 百度学术58. 白家赞，曾喆昭. 压电定位系统的自耦PID控制. 压电与声光. 2021(06): 844-849 . 百度学术其他类型引用(35)
-
下载:
下载:
计量
- 文章访问数: 2842
- HTML全文浏览量: 514
- PDF下载量: 615
- 被引次数: 93
