1.一种优化的PI控制器参数工程整定方法，其特征在于：包括步骤：
步骤1：PI控制器传递函数 KP为比例系数，KI为积分系数，s为复数域
内的复变量；采用BP神经网络技术，建立以过程阶跃响应曲线的特征参数滞后时间τ和惯性时间Tc为模型输入变量，以PI控制器参数KP和KI为模型输出变量的神经网络模型，并以该神经网络作为PI控制器参数工程整定模型；其中用于建立神经网络模型的辨识样本通过如下方法获取：(1)神经网络模型输入辨识样本通过如下计算：
(11)设置热工过程传递函数 两个参数T0和n的取值范围，分别为：T0∈
[10,110]、整数n∈[1,8]，T0为时间常数，n为过程的阶次；T0和n在上述范围内以等间隔的方式分别取若干值，并将T0和n的取值两两配对组合，共有N种不同组合，记每种组合中所对应的二个参数T0和n的值分别为T0i和ni，以每种组合中的T0i和ni作为热工过程传递函数的对应参数，得到N个传递函数(12)通过仿真得到热工过程传递函数Gi(s)的阶跃响应曲线，并计算获得该传递函数的阶跃响应曲线的特征参数τi和Tci，i＝1，2，……，N，其中τi为滞后时间，其值为阶跃响应曲线上拐点处的切线与横坐标轴的交点值，Tci为惯性时间，其值为以阶跃响应曲线上的最大速度，从起始值变化到最终平衡值所需要的时间；以τi和Tci作为神经网络模型的输入辨识样本；
(2)与τi和Tci对应的神经网络模型输出辨识样本通过如下计算：
由热工过程Gi(s)和PI控制器构成单回路负反馈控制系统，热工过程输出为y(t)，输入为PI控制器的输出u(t)，PI控制器的输入为热工过程输出设定值r与y(t)之差，t为时间；设定值r作单位阶跃扰动，采用遗传算法通过仿真计算优化PI控制器的参数，得到对应于热工过程传递函数Gi(s)的优化的PI控制器的参数KPi和KIi，并以KPi和KIi作为与τi和Tci对应的神经网络模型的输出辨识样本，i＝1，2，……，N，遗传算法以使如下的性能指标J最小为优化目标：其中α为常数，取0.8～2之间的值， t2＝3(τi+Tci)，i＝1，2，……，N；
步骤2：对于实际被控热工过程，通过试验得到过程的阶跃响应曲线，计算阶跃响应曲线的特征参数：稳态增益K、滞后时间τ和惯性时间Tc，并以τ和Tc作为步骤1中神经网络模型的输入，计算得到神经网络的输出KP'和KI'，则相应PI控制器参数的整定值分别为
2.根据权利要求1所述的PI控制器参数工程整定方法，其特征在于：所述步骤1中，T0分别取10、20、30、40、50、60、70、80、90、100、110值，n分别取1、2、3、4、5、6、7、8值，将T0和n的取值两两配对组合，共有88种不同组合，即N＝88。
3.根据权利要求1所述的PI控制器参数工程整定方法，其特征在于：该方法适用于一类有自平衡能力的热工过程。
一种优化的PI控制器参数工程整定方法
技术领域
[0001] 本发明属于热工自动控制技术领域，具体涉及一种优化的PI控制器参数工程整定方法。
背景技术
[0002] 热工过程自动控制是保证热力设备安全和经济运行的必要措施和手段，当前热工过程自动控制中广泛采用的控制策略是PID控制，其算法简单，鲁棒性好，但由于微分项对噪声较敏感，因而PI控制器的应用更为广泛。
[0003] PI控制器参数对控制性能有很大影响。PI控制器参数工程整定方法，由于使用简单、方便，因而在工程中得到广泛应用。目前，传统PI控制器参数工程整定方法多采用Zielger与Nichols提出的Z-N法，该方法可以得到初始的整定参数，但整定值在快速性、稳定性和鲁棒性等方面的控制性能并不好。
[0004] 本发明提出一种优化的PI控制器参数工程整定方法。该方法采用遗传算法优化技术，通过仿真获得不同热工过程对应的优化PI控制器参数，并以优化的PI控制器参数作为样本，采用神经网络技术建立PI控制器参数工程整定模型，进而实现PI控制器参数的工程整定，有效克服了传统PI控制器参数工程整定方法的不足。
发明内容
[0005] 发明目的：为了克服传统PI控制器参数工程整定方法存在的不足，本发明提出一种优化的PI控制器参数工程整定方法，使PI控制器具有更好的控制性能。
[0006] 技术方案：为了使PI控制器具有满意的快速性，同时保证足够的稳定性和鲁棒性，本发明提供了一种优化的PI控制器参数工程整定方法，包括步骤：
[0007] 步骤1：PI控制器传递函数 KP为比例系数，KI为积分系数，s为复数域内的复变量；采用BP神经网络技术，建立以过程阶跃响应曲线的特征参数滞后时间τ和惯性时间Tc为模型输入变量，以PI控制器参数KP和KI为模型输出变量的神经网络模型，并以该神经网络作为PI控制器参数工程整定模型；其中用于建立神经网络模型的辨识样本通过如下方法获取：
[0008] (1)神经网络模型输入辨识样本通过如下计算：
[0009] (11)设置热工过程传递函数 两个参数T0和n的取值范围，分别为：T0∈[10,110]、n∈[1,8]的整数，T0为时间常数，n为过程的阶次；T0和n在上述范围内以等间隔的方式分别取若干值，并将T0和n的取值两两配对组合，共有N种不同组合，记每种组合中所对应的二个参数T0和n的值分别为T0i和ni，以每种组合中的T0i和ni作为热工过程传递函数的对应参数，得到N个传递函数 i＝1，2，……，N；
[0010] (12)通过仿真得到热工过程传递函数Gi(s)的阶跃响应曲线，并计算获得该传递函数的阶跃响应曲线的特征参数τi和Tci，i＝1，2，……，N，其中τi为滞后时间，其值为阶跃响应曲线上拐点处的切线与横坐标轴的交点值，Tci为惯性时间，其值为以阶跃响应曲线上的最大速度，从起始值变化到最终平衡值所需要的时间；以τi和Tci作为神经网络模型的输入辨识样本；
[0011] (2)与τi和Tci对应的神经网络模型输出辨识样本通过如下计算：
[0012] 由热工过程Gi(s)和PI控制器构成单回路负反馈控制系统，热工过程输出为y(t)，输入为PI控制器的输出u(t)，PI控制器的输入为热工过程输出设定值r与y(t)之差，t为时间；设定值r作单位阶跃扰动，采用遗传算法通过仿真计算优化PI控制器的参数，得到对应于热工过程传递函数Gi(s)的优化的PI控制器的参数KPi和KIi，并以KPi和KIi作为与τi和Tci对应的神经网络模型的输出辨识样本，i＝1，2，……，N，遗传算法以使如下的性能指标J最小为优化目标：
[0013]
[0014] 其中α为常数，取0.8～2之间的值， t2＝3(τi+Tci)，i＝1，2，……，N；
[0015] 步骤2：对于实际被控热工过程，通过试验得到过程的阶跃响应曲线，计算阶跃响应曲线的特征参数：稳态增益K、滞后时间τ和惯性时间Tc，并以τ和Tc作为步骤1中神经网络模型的输入，计算得到神经网络的输出KP'和KI'，则相应PI控制器参数的整定值分别为[0016] 所述步骤1中，T0分别取10、20、30、40、50、60、70、80、90、100、110值，n分别取1、2、3、4、5、6、7、8值，将T0和n的取值两两配对组合，共有88种不同组合，即N＝88。
[0017] 该方法适用于一类有自平衡能力的热工过程。
[0018] 有益效果：采用本发明提出的方法整定的PI控制器，其控制性能在快速性、稳定性和鲁棒性等方面都优于采用传统工程整定方法整定的PI控制器。
附图说明
[0019] 图1为PI控制器单回路负反馈控制系统。
[0020] 图2为PI控制器参数工程整定神经网络模型。
[0021] 图3为热工过程阶跃响应曲线及其特征参数。
[0022] 图4为本专利方法和传统Z-N法整定的PI控制系统被控量仿真曲线。
[0023] 图5为本专利方法和传统Z-N法整定的PI控制系统控制量仿真曲线。
具体实施方式
[0024] 下面结合附图对本发明的技术方案进行详细说明：
[0025] 步骤1：由热工过程和比例积分(PI)控制器构成单回路负反馈控制系统，热工过程输入为PI控制器的输出u(t)，输出为y(t)，PI控制器的输入为热工过程输出设定值r与y(t)之差，t为时间，热工过程传递函数为 K为过程的稳态增益，T0为时间常数，n为过程的阶次，s为复数域内的复变量，PI控制器传递函数为 KP为比例系
数，KI为积分系数；
[0026] 步骤2：一般工业过程的滞后时间和惯性时间范围为τ∈(0,450)秒，Tc∈(10,750)秒，对应这个范围的传递函数模型T0，n的取值范围即为T0∈[10,110]、n∈[1,8]，所以设置热工过程传递函数模型三个参数K，T0，n的取值范围，分别为：K＝1、T0∈[10,110]、n∈[1,8]的整数，在上述范围内，T0分别取10、20、30、40、50、60、70、80、90、100、110值，n分别取1、2、3、4、5、6、7、8值，将T0和n的取值两两配对组合，共有88种不同组合，记每种组合中所对应的二个参数T0和n的值分别为T0i和ni，以每种组合中的T0i和ni作为热工过程传递函数的对应参数，得到N个传递函数 i＝1，2，……，N，N＝88；
[0027] 步骤3：通过仿真得到热工过程传递函数Gi(s)的阶跃响应曲线，并计算获得该传递函数的阶跃响应曲线的特征参数τi和Tci，i＝1，2，……，N，N＝88，其中τi为滞后时间，其值为阶跃响应曲线上拐点处的切线与横坐标轴的交点值，Tci为惯性时间，其值为以阶跃响应曲线上的最大速度(即曲线上拐点处的速度)，从起始值变化到最终平衡值所需要的时间；
[0028] 步骤4：以Gi(s)作为步骤1中热工过程的传递函数，设定值r作单位阶跃扰动，采用遗传算法优化PI控制器的参数，得到对应于热工过程传递函数Gi(s)的优化的PI控制器参数KPi和KIi，i＝1，2，……，N，N＝88，遗传算法以使如下的性能指标J最小为优化目标：
[0029]
[0030] 其中α为常数，取0.8～2之间的值， t2＝3(τi+Tci)，i＝1，2，……，N，N＝88；
[0031] 步骤5：以步骤3获得的传递函数Gi(s)阶跃响应曲线上的特征参数τi和Tci作为神经网络的输入样本，以步骤4获得的对应于Gi(s)的优化的PI控制器参数KPi和KIi作为神经网络的相应输出样本，i＝1，2，……，N，N＝88，采用BP神经网络技术，建立以过程阶跃响应曲线的特征参数滞后时间τ和惯性时间Tc为模型输入变量，以PI控制器参数KP和KI为模型输出变量的神经网络模型，并以该神经网络作为PI控制器参数工程整定模型；
[0032] 步骤6：假设实际被控热工过程为 通过试验得到该过程的阶跃响应曲线，计算得到阶跃响应曲线的特征参数为：K＝2、τ＝97和Tc＝78，以τ和Tc作为步骤5中神经网络模型的输入，得到神经网络的输出为：KP'＝0.7626和KI'＝0.0052，则相应PI控制器参数的整定值为： 和 对该热工过程采用传统的Z-N
法进行PI控制器整定，整定结果为：KP”＝0.749和KI”＝0.0035。
[0033] 上述实施例的仿真结果如图4和图5所示，图4是本专利方法和传统Z-N法整定的PI控制系统被控量仿真曲线，图5是本专利方法和传统Z-N法整定的PI控制系统控制量仿真曲线。图4和图5表明，当设定值发生扰动时，根据本发明方法整定的PI控制器具有良好的控制性能。
[0034] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
