CN111650829B - 基于人工智能的内嵌pid模块参数调节方法、***及装置 - Google Patents

基于人工智能的内嵌pid模块参数调节方法、***及装置 Download PDF

Info

Publication number
CN111650829B
CN111650829B CN202010419829.0A CN202010419829A CN111650829B CN 111650829 B CN111650829 B CN 111650829B CN 202010419829 A CN202010419829 A CN 202010419829A CN 111650829 B CN111650829 B CN 111650829B
Authority
CN
China
Prior art keywords
value
pid
artificial intelligence
adjusting
result
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010419829.0A
Other languages
English (en)
Other versions
CN111650829A (zh
Inventor
王燕
钱律求
刘建辉
金城
何红伟
闫道伟
刘文庆
秦天明
李陈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Runa Smart Equipment Co Ltd
Original Assignee
Runa Smart Equipment Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Runa Smart Equipment Co Ltd filed Critical Runa Smart Equipment Co Ltd
Priority to CN202010419829.0A priority Critical patent/CN111650829B/zh
Publication of CN111650829A publication Critical patent/CN111650829A/zh
Application granted granted Critical
Publication of CN111650829B publication Critical patent/CN111650829B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供一种基于人工智能的内嵌PID模块参数调节方法、***及装置，包括如下步骤：根据PID模块参数调节过程的历史数据，生成模型训练集；以生成的模型训练集为输入，训练出PID模块参数人工智能模型；以传统调节经验对人工智能模型的预测结果进行修正，并根据实际结果的反馈值逐渐下调传统调节经验在预测结果修正中的比重。本发明通过精确快速计算PID运行中所需的三个参数的值，既减少了由于经验不足导致性能偏差较大的问题，又能将有经验的调节过程转化成模型计算，且简化了现场人员的调节过程。

Description

基于人工智能的内嵌PID模块参数调节方法、***及装置
技术领域
本发明涉及技术领域，具体涉及一种基于人工智能的内嵌PID模块参数调节方法、***及装置。
背景技术
现有的调节装置比如智能阀门中微控制器包含PID模块，实际使用中，需要通过人工多次调节PID的三个参数Kp,Ki和Kd，其中Kp为PID的比例参数，Ki是积分项参数，Kd是微分项参数。
在实际工程应用中，PID参数整定有两种典型的方法：手动法和自动法。自动法需要知道被控对象较准确的数学模型，而手动法无此要求。手动PID参数整定方法有经验法和Z-N参数整定法。其中，经验法实际上是试凑方法，根据实际响应效果，反复调节KP，KI，KD这三个参数，最终获得可接受的效果。Z-N参数整定法依赖于对已有的理论和调节人员经验，也不依赖于被控对象的数学模型，基于人工调节的三个参数，若调节经验不足，则会导致偏差较大，震荡比较严重，且调节时间较长。经验法调节参数耗时长，且效果对操作人员的实际经验依赖性强。Z-N整定法在设定点响应中有很强的震荡，此外超调量也较大。
中国专利CN201610506951.5公开了一种基于干扰补偿器的PID参数调节方法，该方法不仅清晰地确定了保证误差信号有界的PID控制参数条件，设计一种简单有效的减小误差稳态幅值的参数调节方法。具体是，在虚拟比例增益kp和虚拟微分增益kd一定的条件下，PID控制器输出状态随虚拟滤波常数T的改变线性相关的效果。
发明内容
本发明提供一种内嵌PID模块参数调节方法、***及装置，基于人工智能算法，可以通过参数调节的较好的PID模块相关的数据，自动为新上线的PID模块或者已上线的模块，选取更加合适的三个参数。
为解决上述技术问题，本发明采用如下技术方案：
一种基于人工智能的内嵌PID模块参数调节方法，包括如下步骤：
根据PID模块参数调节过程的历史数据，生成模型训练集；
以生成的模型训练集为输入，训练出PID模块参数人工智能模型；
以传统调节经验对人工智能模型的预测结果进行修正，并根据实际结果的反馈值逐渐下调传统调节经验在预测结果修正中的比重。
进一步地，所述以传统调节经验对人工智能模型的预测结果进行修正，并根据实际结果的反馈值逐渐下调传统调节经验在预测结果修正中的比重，具体方法为：
1)将PID模块参数调节过程的历史数据进行格式存储；
2)PID模块参数人工智能模型根据实时输入值，计算出PID模块三个调节系数kp1、ki1、kd1，该实时输入包括目标值valuetarget1、实时结果值valuereal1、阀门设定开度值和阀门实际开度值；
3)根据步骤2)的实时输入值，在步骤1)中的历史数据中找到PID***稳定状态中与实时输入值最接近的值所对应的三个调节系数kp2、ki2、kd2，及目标值valuetarget2和实时结果值valuereal2；
4)计算目标值与实时结果值的差值：
valuediff1＝|valuetarget1-valuereal1|
w1＝1-valuediff1/valuetarget1
w2＝valuediff1/valuetarget1
w1+w2＝1
其中valuediff1为模型结果的目标值与实时结果值的差值，w1为模型结果的权重系数，w2为传统调节经验的权重系数；
5)修正PID模块三个调节系数：
kp＝w1*kp1+w2*kp2
ki＝w1*ki1+w2*ki2
kd＝w1*kd1+w2*kd2。
一种采用上述方法的内嵌PID模块参数调节***，包括：
模型训练集模块，用于采集PID模块参数调节过程的历史数据，并生成模型训练集；
人工智能模块，该人工智能模块以生成的模型训练集为输入，训练出PID模块参数人工智能模型；
修正模块，该修正模块以传统调节经验对人工智能模型的预测结果进行修正，并根据实际结果的反馈值逐渐下调传统调节经验在预测结果修正中的比重。
一种装置，所述装置包括权利要求5所述的内嵌PID模块参数调节***。
优选地，所述装置为阀门、PID温度控制器、PID流量控制器、PID压力控制器等中的一种。
由以上技术方案可知，本发明基于原有参数调节过程的历史数据基础上，对这些数据进行加工，生成模型训练集，并以此为输入训练出人工智能的模型，并参考传统调节经验，对模型输出结果进行优化。本发明通过精确快速计算PID运行中所需的三个参数的值，既减少了由于经验不足导致性能偏差较大的问题，又能将有经验的调节过程转化成模型计算，且简化了现场人员的调节过程。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
本发明中所提到的概念，详细介绍如下：
历史数据：历史数据是从供暖现场实际采集到得数据，包括PID目标值、实时结果值、kp值、ki值、kd值、阀门设定开度值、阀门实际开度值等。
实时运行数据：实时运行数据，与模型训练数据一致，即供暖现场实时采集到的数据，包括PID目标流量值，实时流量值，kp值、ki值、kd值，阀门设定开度值，阀门实际开度值等。数据经简单判断后(比如是否异常值，或者有空值)，可直接导入模型。
人工调节经验：体现在对kp、ki、kd三个参数值的调节过程，能够让***快速稳定下来。
数据预处理：基于现有常用的数据处理技术，如数据对齐，删除无效数据，数据插值等。
数据集：数据以固定格式存放在文件中，格式如下表：
Figure BDA0002496531400000031
Figure BDA0002496531400000041
模型表达式：模型可基于常见的机器学习模型，神经网络等。
本发明基于人工智能的内嵌PID模块参数调节方法，具体包括如下步骤：
S1、根据PID模块参数调节过程的历史数据，生成模型训练集；
S2、以生成的模型训练集为输入，训练出PID模块参数人工智能模型；
S3、以传统调节经验对人工智能模型的预测结果进行修正，并根据实际结果的反馈值逐渐下调传统调节经验在预测结果修正中的比重。
所述以传统调节经验对人工智能模型的预测结果进行修正，并根据实际结果的反馈值逐渐下调传统调节经验在预测结果修正中的比重，形成完整的闭环调节控制***，具体方法为：
1)传统PID参数调节过程中，会产生一系列中间数据与稳定状态下的数据，将这些数据按格式存储，形成数据集；
2)PID模块参数人工智能模型根据实时输入值，计算出PID模块三个调节系数kp1、ki1、kd1，该实时输入包括目标值valuetarget1、实时结果值valuereal1、阀门设定开度值和阀门实际开度值；
3)根据步骤2)的实时输入值，在步骤1)中的历史数据中找到PID***稳定状态中与实时输入值最接近的值所对应的三个调节系数kp2、ki2、kd2，及目标值valuetarget2和实时结果值valuereal2；
4)计算目标值与实时结果值的差值：
valuedifff1＝|valuetarget1-valuereal1|
w1＝1-valuediff1/valuetarget1
w2＝valuediff1/valuetarget1
w1+w2＝1
其中valuediff1为模型结果的目标值与实时结果值的差值，w1为模型结果的权重系数，w2为传统调节经验的权重系数；
5)修正PID模块三个调节系数：
kp＝w1*kp1+w2*kp2
ki＝w1*ki1+w2*ki2
kd＝w1*kd1+w2*kd2。
随着valuetarget1和valuereal1的值越来越接近，w1的值将越发趋近1，而w2则会越发趋近于0，因而传统调节经验将在预测结果的修正中的比重越来越低。从而达到逐渐下调传统调节经验在预测结果修正中的比重。
本发明还提供一种基于上述方法的内嵌PID模块参数调节***，包括：
模型训练集模块，用于采集PID模块参数调节过程的历史数据，并生成模型训练集；
人工智能模块，该人工智能模块以生成的模型训练集为输入，训练出PID模块参数人工智能模型；
修正模块，该修正模块以传统调节经验对人工智能模型的预测结果进行修正，并根据实际结果的反馈值逐渐下调传统调节经验在预测结果修正中的比重。
本发明进一步提供一种装置，所述装置包括上述的内嵌PID模块参数调节***。所述装置为阀门、PID温度控制器、PID流量控制器、PID压力控制器等中的一种。
以上所述实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (5)

1.基于人工智能的内嵌PID模块参数调节方法，其特征在于，包括如下步骤：
根据PID模块参数调节过程的历史数据，生成模型训练集；
以生成的模型训练集为输入，训练出PID模块参数人工智能模型；
以传统调节经验对人工智能模型的预测结果进行修正，并根据实际结果的反馈值逐渐下调传统调节经验在预测结果修正中的比重；
所述以传统调节经验对人工智能模型的预测结果进行修正，并根据实际结果的反馈值逐渐下调传统调节经验在预测结果修正中的比重，具体方法为：
1)将PID模块参数调节过程的历史数据进行格式存储；
2)PID模块参数人工智能模型根据实时输入值，计算出PID模块三个调节系数kp1、ki1、kd1，该实时输入值包括目标值valuetarget1、实时结果值valuereal1、阀门设定开度值和阀门实际开度值；
3)根据步骤2)的实时输入值，在步骤1)中的历史数据中找到PID***稳定状态中与实时输入值最接近的值所对应的三个调节系数kp2、ki2、kd2，及目标值valuetarget2和实时结果值valuereal2；
4)计算目标值与实时结果值的差值：
valuediff1＝|valuetarget1-valuereal1|
w1＝1-valuediff1/valuetarget1
w2＝valuediff1/valuetarget1
w1+w2＝1
其中valuediff1为模型结果的目标值与实时结果值的差值，w1为模型结果的权重系数，w2为传统调节经验的权重系数；
5)修正PID模块三个调节系数：
kp＝w1*kp1+w2*kp2
ki＝w1*ki1+w2*ki2
kd＝w1*kd1+w2*kd2。
2.根据权利要求1所述的内嵌PID模块参数调节方法，其特征在于，所述历史数据包括PID目标值、实时结果值、kp值、ki值、kd值，阀门设定开度值和阀门实际开度值。
3.采用权利要求1或2所述方法的内嵌PID模块参数调节***，其特征在于，包括：
模型训练集模块，用于采集PID模块参数调节过程的历史数据，并生成模型训练集；
人工智能模块，该人工智能模块以生成的模型训练集为输入，训练出PID模块参数人工智能模型；
修正模块，该修正模块以传统调节经验对人工智能模型的预测结果进行修正，并根据实际结果的反馈值逐渐下调传统调节经验在预测结果修正中的比重。
4.一种基于人工智能的内嵌PID模块参数调节装置，其特征在于，所述装置包括权利要求3所述的内嵌PID模块参数调节***。
5.根据权利要求4所述的装置，其特征在于，所述装置为阀门、PID温度控制器、PID流量控制器、PID压力控制器中的一种。
CN202010419829.0A 2020-05-18 2020-05-18 基于人工智能的内嵌pid模块参数调节方法、***及装置 Active CN111650829B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010419829.0A CN111650829B (zh) 2020-05-18 2020-05-18 基于人工智能的内嵌pid模块参数调节方法、***及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010419829.0A CN111650829B (zh) 2020-05-18 2020-05-18 基于人工智能的内嵌pid模块参数调节方法、***及装置

Publications (2)

Publication Number Publication Date
CN111650829A CN111650829A (zh) 2020-09-11
CN111650829B true CN111650829B (zh) 2022-05-03

Family

ID=72346772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010419829.0A Active CN111650829B (zh) 2020-05-18 2020-05-18 基于人工智能的内嵌pid模块参数调节方法、***及装置

Country Status (1)

Country Link
CN (1) CN111650829B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266944B (zh) * 2021-12-23 2022-08-12 安徽中科锟铻量子工业互联网有限公司 快速模型训练结果检验***
CN115061365B (zh) * 2022-07-22 2022-11-11 浙江中控技术股份有限公司 参数整定模型的构建方法及工业过程控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010113638A (ja) * 2008-11-10 2010-05-20 Fuji Electric Systems Co Ltd プラント制御システムおよび制御方法
CN102147613A (zh) * 2011-04-12 2011-08-10 黄继红 一种对烟叶复烤机水分、温度的模型预测控制方法及***
CN102981404A (zh) * 2012-12-10 2013-03-20 苏州天弘激光股份有限公司 运动控制pid参数的快速调节方法
CN105785760A (zh) * 2016-01-06 2016-07-20 北京首钢自动化信息技术有限公司 一种退火炉净环水硬度自动控制***及其方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10641507B2 (en) * 2015-09-16 2020-05-05 Siemens Industry, Inc. Tuning building control systems

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010113638A (ja) * 2008-11-10 2010-05-20 Fuji Electric Systems Co Ltd プラント制御システムおよび制御方法
CN102147613A (zh) * 2011-04-12 2011-08-10 黄继红 一种对烟叶复烤机水分、温度的模型预测控制方法及***
CN102981404A (zh) * 2012-12-10 2013-03-20 苏州天弘激光股份有限公司 运动控制pid参数的快速调节方法
CN105785760A (zh) * 2016-01-06 2016-07-20 北京首钢自动化信息技术有限公司 一种退火炉净环水硬度自动控制***及其方法

Also Published As

Publication number Publication date
CN111650829A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN110101106B (zh) 基于模糊前馈反馈算法的回潮加湿过程水分控制方法及***
CN111650829B (zh) 基于人工智能的内嵌pid模块参数调节方法、***及装置
CN107885259B (zh) 一种氯化反应温度控制方法、***及设备
US10571870B2 (en) Intelligent control method and system, and intelligent monitoring system
JP6165585B2 (ja) プラント制御装置の制御ゲイン最適化システム
KR19990022789A (ko) 다변수 예측 제어기내에서 독립적인 피드포워드 제어를결합하는 방법
Haugen The Good Gain method for simple experimental tuning of PI controllers
JP2002523821A (ja) プロセス制御システムで使用される最適のチューニングパラメータを決定するコントローラ、及びそのコントローラの作動方法
CN111983918A (zh) 一种基于改进型模糊Smith-PID的电加热炉温度控制方法
CN104456513B (zh) 一种火力发电厂主汽温预估优化控制方法
Saad et al. Performance comparison between PI and MRAC for coupled-tank system
CN113325696B (zh) 一种应用于交联电缆生产设备的单神经元pid与模型预测结合的混合控制方法
Anusha et al. Comparison of tuning methods of PID controller
JP4982905B2 (ja) 制御方法および制御装置
CN109964180B (zh) 用于确定调节装置的参数的装置和方法
CN106950835B (zh) 简洁鲁棒二自由度比例积分控制方法
Kurien et al. Overview of different approaches of pid controller tuning
EP3889696A1 (en) A model predictive control method for an industrial boiler and relating boiler structure
CN110207096B (zh) 热力锅炉汽包水位智能控制方法
CN108828932B (zh) 一种单元机组负荷控制器参数优化整定方法
CN111338210A (zh) 一种基于独立调制串级策略的垃圾发电机组蒸汽温度控制方法
Juneja et al. Investigation of Robustness of IMC Controller for a Paper Mill Sub-Process
JPH09146610A (ja) 多変数非線形プロセス・コントローラー
CN110735721B (zh) 一种液体冲压发动机风斗油路燃油流量闭环控制方法
CN108646567B (zh) 一种核电站稳压器压力被控对象动态矩阵控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant