引用本文

柴天佑, 周正, 郑锐, 刘宁, 贾瑶. 端边云协同的PID整定智能系统. 自动化学报, 2023, 49(3): 514−527 doi: 10.16383/j.aas.c230055

Chai Tian-You, Zhou Zheng, Zheng Rui, Liu Ning, Jia Yao. PID tuning intelligent system based on end-edge-cloud collaboration. Acta Automatica Sinica, 2023, 49(3): 514−527 doi: 10.16383/j.aas.c230055

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c230055

关键词

PID参数整定，端边云协同技术，深度学习，强化学习，智能系统 

摘要

本文在分析智能制造对PID整定的新需求及PID整定面临的挑战难题的基础上, 将自动化的建模、控制与优化和人工智能的深度学习与强化学习深度融合与协同, 提出了自适应与自主的PID整定的智能优化方法, 包括端边云协同的PID控制过程数字孪生模型和强化学习与数字孪生模型相结合的PID整定算法. 将工业互联网的端边云协同技术与PLC控制系统相结合, 研制了PID整定智能系统, 并在重大耗能设备 — 电熔镁炉成功应用. 该系统安全、可靠与优化运行, 取得显著的节能减排效果. 最后, 提出了控制系统智能化研究方向需要进一步深入研究的内容.

文章导读

自动控制系统在几乎所有的主要技术革命中都发挥了重要作用. 例如, 从流程工业过程到离散工业的重大装备, 从蒸汽机到高铁、辅助驾驶汽车、高性能飞机,从工业机器人到服务机器人等, 都需要自动控制系统来保证其安全、可靠、高效运行. 自动控制系统发挥不可取代的作用. 控制器是自动控制系统的大脑, PID控制器因其结构简单、使用方便、运行可靠而广泛应用于自动控制系统. 目前, 工程中运行的自动控制系统约95%采用PID控制器[1-4]. 国际自动控制联合会(International Federation of Automatic Control, IFAC)的行业工作组对各种控制方法的影响力进行调查, 结果显示PID控制器影响力最强, 高影响率达100%[2]. PID控制器的性能取决于其比例、积分、微分三项的控制器参数. 为实现PID闭环控制系统的鲁棒稳定性与最优动态性能, 在决策PID控制器参数时涉及动态非凸优化问题, 也是NP-Hard问题. 没有一种整定方法是通用的或最优的. 迄今为止, 我们仍缺乏足够的知识来提出一个通用且最优的PID控制器参数的整定方法[5]. 因此, PID整定方法一直是控制领域研究的重要方向.

文献[6]给出了PID参数整定开创性工作, 提出了目前工业领域广泛采用的PID控制器参数整定方法, 即Z-N法. PID整定问题引起了学术界和工程界对其理论与应用研究的广泛兴趣, 产生了大量的PID整定方法的文献[3, 5]. PID控制器参数整定方法可分为无被控对象模型的整定方法(无模型整定法)和基于被控对象模型的参数整定方法. 一类无模型整定法是采用反映被控对象动态特性的临界点来设计PID控制器参数, 即其Nyquist曲线穿越负实轴的 −180° 相位点的增益K180和频率ω180. 文献[7]提出继电反馈实验求取被控对象临界点参数的方法. 围绕临界点参数的准确求取和PID参数整定规则的改进仍然是热门的研究主题[8-15]. 另一类无模型整定法基于PID控制器结构已知、只与跟踪误差相关, 采用最小化含跟踪误差和控制输入约束的性能指标, 利用闭环系统的输入−输出数据, 通过智能方法求取最小化性能指标的PID控制器参数. 文献[16]提出迭代学习整定PID参数方法. 文献[17-19]提出迭代反馈整定法. 人工智能领域的强化学习和元学习的发展为无模型PID参数整定方法的研究开辟了新途径. 文献[20]将PID控制器参数整定作为强化学习的训练策略, 以跟踪误差和控制输入变化率为奖励函数, 采用与PID控制律相关的跟踪误差、跟踪误差变化率、输出变化率的大数据, 提出基于深度强化学习PID参数整定方法, 并在双容水箱实验系统中验证了所提方法的有效性. 文献[21]将计算机科学的最新进展和控制理论相结合, 研究PID控制器参数整定问题, 将PID的校正问题表示为具有约束的强化学习任务, 提出了基于强化学习的自主PID整定方法, 并在多模式水箱实验系统中验证了所提方法的有效性. 文献[22]将比例积分控制器参数的校正表示为元强化学习控制策略, 提出了当被控对象动态特性变化时自适应校正控制器参数的元强化学习方法, 采用具有时延的一阶被控对象模型进行离线方法实验, 取得了满意的效果.

无模型整定法本质上是一种数据驱动的控制器设计方法. 采用数据通过优化方法整定PID控制器参数的上述方法难以给出保证闭环控制系统稳定的控制器参数选择范围, 难以保证参数整定过程的闭环系统稳定性. 虽然大多数工程动态系统是非线性, 但由于运行在工作点附近, 因此可以用近似线性系统模型来描述. 采用机理分析和系统辨识方法, 可以建立被控对象的近似的数学模型[23-24]. 使用被控对象辨识的模型参数和结构, 采用现代控制方法权衡动态性能和稳定性, 设计PID控制器参数, 如极点配置整定法[25-28]、内模控制整定法[29-30]、约束优化整定法[31-33]. 由于实际被控对象存在着非线性和不确定性, 影响PID控制性能, 将被控对象的近似数学模型和数据驱动的控制器设计方法相结合, 为研究提高PID控制性能的整定方法提供了新途径. 文献[34-36]提出了自适应PID控制. 文献[37]针对非线性被控对象, 以被控输出与参考模型输出之间的误差极小化为性能指标, 采用近似线性模型和被控对象输入输出数据以及历史PID参数, 提出数据驱动的PID参数整定方法. 文献[38]针对二阶单输入单输出非线性被控对象, 采用动态线性化模型, 提出了一种基于自适应更新规则和数据驱动技术的PID控制器设计方案. 文献[39]将PID控制与自抗扰控制相结合, 提出了保证闭环系统稳定性和动态性能的PID参数整定公式, 仿真验证了所提出的PID参数整定方法. 文献[40-44]结合复杂工业过程特点, 采用线性模型加未知非线性项描述被控对象模型, 未知非线性项表示被控对象的未知非线性和动态变化、生产条件的变化和未知干扰的不确定性. 由于以前时刻未知非线性项可以精确求取, 未知非线性项的变化率对系统影响的跟踪误差可测, 使用这些数据与PID闭环方程, 采用一步最优控制, 设计精确的补偿信号, 叠加到PID控制器, 显著改善控制系统动态性能, 在选矿、电熔镁砂等工业过程的成功应用验证了所提方法的有效性.

目前, PID控制器参数整定方法存在的问题如下:

1)采用PID整定方法和商业整定软件整定实际运行的PID控制器难以取得满意的整定效果, 需要人工调试[45-46]. 这是因为PID整定方法所依据的模型无法准确描述被控对象的动态特性.

2)虽然PID整定方法和商业整定软件在整定实际运行的PID控制器时, 容易整定控制系统稳定运行的PID参数, 但难以取得最优的整定效果[47], 即难以使实际运行的控制系统具有最优的动态性能. 这是因为获得使控制系统具有最优的动态性能的PID参数需要闭环控制实验, 采用的实时参数优化方法在数值优化函数的搜索空间可能给出较差的结果, 因此无法应用于实际运行的闭环控制系统.

3)实际运行的控制系统由于运行条件的变化、被控对象动态特性的变化, 使得商业上可用的PID整定方法无法取得满意的效果[48], 需要重新整定PID参数. 这就需要在线、自适应、自主的PID整定方法.

智能制造要求控制系统具有鲁棒稳定与最优动态性能, 这就要求解决上述PID控制器参数整定方法存在的问题, 实现PID控制系统的智能化. 将建模、控制、优化和大数据驱动的人工智能、计算机软件、通信等计算资源与工程中运行的控制系统物理资源紧密融合与协同, 研究PID整定智能系统, 为解决PID整定挑战难题提供了新的研究思路[49-50]. 基于工业互联网的端边云协同技术为实现大数据驱动的PID整定的智能算法创造了条件[51].

本文的主要贡献如下: 1)结合复杂工业过程PID控制系统分析了智能制造对控制系统的新需求以及PID控制器参数整定面临的挑战难题; 2)利用PID闭环控制系统特性和实际运行的输入输出数据, 将系统辨识与自适应深度学习[52]相结合, 建立了端边云协同的PID控制过程的数字孪生模型; 3)将强化学习与数字孪生模型相结合, 提出了在线自适应与自主PID整定的智能算法; 4)将工业互联网的端边云协同技术与PLC控制系统相结合, 研制了PID整定智能系统, 并在重大耗能设备 — 电熔镁炉控制中成功应用, 取得显著的节能减排效果. 最后, 提出了PID整定智能化的进一步深入研究的方向.

图 1  PID控制过程与数字孪生模型

图 2  端边云协同的PID控制过程数字孪生模型结构

图 3  PID控制器参数整定结构

本文提出了由端-实际运行的控制系统、边-PID控制器参数整定系统和云-PID控制过程数字孪生系统组成的PID整定智能系统; 提出了系统辨识与自适应深度学习相结合的PID控制过程数字孪生系统的建模方法和强化学习与数字孪生模型相结合的PID整定的智能方法. 将工业互联网的端边云协同技术与PLC控制系统相结合, 研制了PID整定智能系统, 并在重大耗能设备 — 电熔镁炉控制中成功应用, 取得显著的节能减排效果. 为了使控制系统具有鲁棒稳定与最优动态性能, 需开展控制系统智能化方向的研究, 包括复杂工业系统数字孪生的智能建模方法; 自适应与自主校正控制器参数的机器学习方法和鲁棒稳定性与最优收敛性理论与方法; 基于工业互联网端边云的控制系统安全; 工业控制过程元宇宙等.

作者简介

柴天佑

中国工程院院士, 东北大学教授. IEEE Life Fellow, IFAC Fellow, 欧亚科学院院士. 主要研究方向为自适应控制, 智能解耦控制, 流程工业综合自动化与智能化系统理论、方法与技术. 本文通信作者. E-mail: tychai@mail.neu.edu.cn

周正

东北大学流程工业综合自动化国家重点实验室博士研究生. 主要研究方向为决策与控制一体化智能系统技术研究. E-mail: 17862716659@163.com

郑锐

东北大学流程工业综合自动化国家重点实验室博士研究生. 主要研究方向为智能控制技术, 决策与控制一体化智能系统技术. E-mail: 2010263@stu.neu.edu.cn

刘宁

东北大学流程工业综合自动化国家重点实验室博士研究生. 2019年获得中北大学硕士学位. 主要研究方向为控制理论与技术. E-mail: 18735135253@163.com

贾瑶

东北大学流程工业综合自动化国家重点实验室讲师. 主要研究方向为智能运行控制技术, 智能控制技术, 智能检测技术, 决策与控制一体化智能系统技术. E-mail: jiayao@mail.neu.edu.cn