智能pid算法在液位控制系统中的应用毕业论文(编辑修改稿)

智能pid算法在液位控制系统中的应用毕业论文(编辑修改稿)内容摘要：

遗传算法对神经网络的 PID 控制器的权系数进行优化，将遗传算法应用于模糊系统控制，被证明是调整规则和属函数的一种非常可行的智能控制方式，从而将遗传算法、模糊算法以 及免疫反馈机理与常规的 PID 控制相结合，引出了基于遗传算法的模糊免疫 PID 控制算法，将这种智能算法使用在液位控制系统中，获得了较好的效果。 4 智能 PID 控制算法 及控制流程 PID控制算法 在液位控制系统中，由于液位具有 较 大 的 滞后 性 、非线性 的出水量使得 数学模型难以准确建立，而常规的 PID 算法控制易出现较大的超调 量 ，系统的动态性能也较差， 所以水的液位高度难以控制到较稳定的范围。 因此，在 液位调节系统中 ， 用智能 PID 控制算法对控制对象进行控制。 智能 PID 控制算法是基于传统的 PID 控制算法，根据工业生产的 实际经验和专业的工作人员 ，针对具有大滞后、时 时 变 化 、非线性 的 系统对象而 研究出 的控制算法 [7]。 当 系统的输出超过系统误差，系统采用饱和输出模式，可以降低液位系统滞后 ， 同时 可以减小系统较大 的超调量；系统误差的绝对值在 很小的幅度内 时 ，能通过增大积分系数来解决 ，从而可以 改善系统的稳定度。 这样的系统采用一种非线性的智能 PID 算法规则 ，可以有效地改善系统的动态特性和稳态水平 [8]。 增量型 PID控制算法 ： ( ) ( 1) ( )u k u k u k    （ 41） ( ) [ ( ) ( 1 ) ] ( ) [ ( ) 2 ( 1 ) ( 2) ]p i du k K e k e k K e k K e k e k e k           （ 42） 式 (32)中， )(ke 为偏差； )(ku 为控制量； mine 为最小允许偏差 量 ； maxe 为最大允许偏差 量 ； mide 为中间偏差； max()uk为最大控制量。 智能 PID控制 算法的 规则如下： 规则 1 若 max)(| eke  |，则 )()( max kuku  （ 43） 规则 2 若 min|)(| eke  ，则 )1()(  kuku （ 44） 8 规则 3 若 max|)(| ekeemid  ，则 11( ) ( 1 ) [ ( ) ( 1 ) ] ( )piu k u k k e k e k k e k      （ 45） 规则 4 若 midekee  |)(|min ，则 22( ) ( 1 ) [ ( ) ( 1 ) ] ( )piu k u k k e k e k k e k      （ 46） （其中， 21 pp kk  ， 21 kiki ， 0dk ） 从以上 4 个 控制规则 能够了解到 ，智能 PID 算法在本质上是非线性的，能 很好的解决 常规 PID 算法 所存在的一些不足 ，规则 2 体现 了系统的快速性和稳定性，规则 4 又 体现了 PID的变参数调节的自适应性能 力。 下图 4为智能 PID算法曲线 运行 示意图， 当智能算法符合规则 1时 ， 系统的曲线运行在0t1之间， 这时候 系统 的 误差 大于 最大 的 误差 值 Emax，此时系统 按照原输出满幅度 输出，系统 曲线 运行 在 t3段之后时 ，系统 的 输出曲线近似为 一条 直线；当曲线 在 t1t2磨合期内时 ，符合规则 3的算法 ，这时候 系统误差大于 系统最小的 误差 值 Emid小于最大 的 误差 值 Emax， 它的 位置系数 也很 大，积分 所需要的 系数较小， 能够加快它的动态性能 ；当 符合规则 4 的算法时 ， 曲线运行在 t2t3段，这时候 系统误差大于最小误差 值 Emin小于中间 的 误差 值 Emid， 这时候的 位置系数较小， 系数积分量大，可以大大提高稳态精度 ；当系统 运转 在 d 段 时，此时系统在许可的 误差 范围 内，系统 的 输出保持 恒定 ， 符合 智能 PID算法的 规则 2，可 以使其控制的稳定性增加 [5]。 yE m i nE m i dE m a xabcdt 2t 3t 1ot 图 4 智能 PID 算法曲线 运行 图 PID控制 算法 流程 9 图 5 智能 PID 控制算法流程图 图 5 为智能 PID 控制算法程序流程图，控制 对象 经初始化后， 从而步 入系统监控阶段，系统经过 液位传感器， 对控制对象的实际液位信息进行及时的收集。 然后 系统 再 根据 实际水位量 与 目标水位量 的误差，分别计算出系统 位置 误差 PErr和 系统 累计 误差积分 IErr，计算机基于误差 的比较，并根据 智能 PID 控制 的操作规则 ， 计算得到 控制数据，控制数据经输出转换器转换成控制信号 从而 驱动执行机构，最终 达成 对控制 目标 的 稳定液位控制 [9]。 5 控制对象模型 以 某企业的生产用水 为液位控制的具体实例，下图 6 是企业的生产用水的系统结构图，生产用水取自河水，如图河水经过 简单 的杀菌消毒 后经加压泵 和液位变送器 输送到屋顶 上的水池 内 ，然后 河水就从水池中直接向下输送到需要水的生产线及设备上， 加压泵 上的变频器是用来控制泵的压力的，通过控制压力的大小来调节输送的水量的大小，从而使 水池水位在一个恒定 的 液位 ，使加压泵输 送到水池的水量与 生产 的用水量 达到动态稳定 [10]， 实现水资源的优化 ，就必须 以 水的变化 来调整 加压泵 的压力从而控制 出水量。 但是因为 屋顶水池与加压泵站的 输送距离 较远，从加压泵站给水量的 变化 到屋顶水池 液 位的变化，需经过 很长时间的管道输送， 水管网络的 压力 又不确定 、 水的出水 量 时大时小 ， 导致 系统具有大惯性，长时间的延迟，采用传统的 PID 控制算法使系统产生大的波动很容易，然后水位将在很大的范围内波动，不利于工业级控制。 鉴于以上特点，智能 PID 控制算法来解决这个问题。 由于智能控制还处于理论研究状态，我们可以通过模拟建立各种系 统模型，运用各种智能 PID 算法 来理论研究 PID 智能控制 [11]。 系统监控 采集液位信息 计算位置。