基于LE-ISTOA-SVM的聚合釜化工过程故障诊断

聚合釜是制备高分子化合物的最主要设备,其能否稳定的运行关系到产品的质量以及人员、设备的安全。但是,现代化工生产流程非常复杂,化工过程诊断数据具有高维非线性的特点。提出了基于LE-ISTOA-SVM的聚合釜化工过程故障诊断方法。首先,使用拉普拉斯特征映射算法（Laplace Feature Mapping Algorithm,LE）对故障数据进行降维。然后,使用改进乌燕鸥优化算法（Improved Sooty Tern Optimization Algorithm,ISTOA）优化SVM（Support Vector Machine,SVM）的参数来提高其性能。最后,利用聚合釜的实验数据做仿真测试。测试结果表明,该方法有较好的诊断效果。     

基于改进BBO算法的分数阶PID控制器设计

针对分数阶PID(Fractional-Order Proportional-Integral-Derivative,FOPID)控制器参数整定,提出了一种改进生物地理学优化(Biogeography-Based Optimization,BBO)算法。该算法改进点主要包括:迁移操作中保留精英个体;变异操作中引入差分进化(Dtferential Evolution,ED)算法的变异策略;消除重复样本。仿真结果表明:在分数阶PID控制器参数整定中,与原始的BBO算法、遗传算法(Genetic Algorithm,GA)和粒子群算法(Particle Swarm Optimization,PSO)比较,提出的改进BBO算法具有超调量小、误差小,收敛更快的特点。     

用改进的人工蜂群算法设计AVR系统最优分数阶PID控制器

分数阶PID控制器（FOPID）是标准PID控制器的一般形式.与PID控制器相比,FOPID有更多的参数,其参数整定也更复杂.本文提出一种基于环交换邻域和混沌的人工蜂群算法（CNC-ABC）,用于FOPID控制器的参数整定.CNC-ABC算法由于应用了环交换邻域,增加了解的搜索范围,从而能加快人工蜂群算法的收敛速度;同时利用混沌的遍历性使算法跳出局部最优解.用CNC-ABC算法优化AVR系统的FOPID控制器的参数.仿真结果表明,CNC-ABC算法整定的FOPID控制器比其它FOPID及PID控制器有较好的性能.     

一种复杂系统的最优分数阶内模控制器设计

针对复杂系统提出了一种最优分数阶内模控制器设计方法。引入一种带混沌算子的人群搜索优化算法（Seeker Optimization Algorithm,SOA）将系统模型降阶简化,在此基础上完成了一种新的分数阶内模控制器的设计和参数最优整定。仿真结果表明,降阶模型很好地逼近了原系统,设计的控制器可以使系统具有良好的动态性能及克服参数变化的鲁棒性。     

一种PID参数整定的粒子群优化算法

提出了一种PID控制器参数整定的粒子群优化算法。该方法首先通过定义一个包含系统超调量、上升时间和稳态误差指标项的适应度函数,并根据系统的实际控制要求对各指标项适当加权。之后由带收缩因子的粒子群算法对PID进行多目标寻优,从而实现PID控制器的自动参数整定。仿真结果表明,该方法优化得到PID控制器的综合性能优于常规方法得到的PID控制器。     

非线性PID控制器参数优化方法

分析了非线性PID控制器各部分参数对于误差的理想变化过程,构造出一种非线性PID控制器;整定参数较多时,传统的参数优化方法容易产生振荡和较大的超调量,在分析量子粒子群算法（QPSO）的基础上,引入了随机选择最优个体的思想,提出使用改进的量子粒子群算法（GQPSO）优化非线性PID控制器参数。将改进量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较。最后,通过典型传递函数实例,分别使用Z-N、PSO、QPSO方法和改进的量子粒子群算法进行了PID控制器参数优化设计,并对结果进行了分析。     

基于MPSO算法的BP神经网络PID控制器研究

PID控制器是过程控制中应用最为广泛的控制器,而传统PID控制器参数整定难以达到最优状态,同时,存在控制结果超调量过大、调节时间偏长等缺点,因此,将变异粒子群优化算法(Mutation Particle Swarm Optimization,MPSO)运用于BP-PID的参数整定过程中,设计了一种高效、稳定的自适应控制器。考虑MPSO的变异机制,以种群适应度方差与种群最优适应度值为标准,进行种群变异操作,可以克服早熟,提高收敛精度和PSO的全局搜索能力,使MPSO优化的BP神经网络整定的PID控制器能以更快的速度、更高的精度完成过程控制操作。在实验中,通过比较BP-PID、PSOBP-PID以及MPSO-BP-PID三控制器仿真结果,证明了所提MPSO算法的有效性和所设计MPSOBP-PID控制器的优越性。     

基于强化学习的参数自整定及优化算法

传统PID控制算法在非线性时滞系统的应用中,存在参数整定及性能优化过程繁琐、控制效果不理想的问题。针对该问题,提出了一种基于强化学习的控制器参数自整定及优化算法。该算法引入系统动态性能指标计算奖励函数,通过学习周期性阶跃响应的经验数据,无需辨识被控对象模型的具体数据,即可实现控制器参数的在线自整定及优化。以水箱液位控制系统为实验对象,对不同类型的PID控制器使用该算法进行参数整定及优化的对比实验。实验结果表明,相比于传统的参数整定方法,所提出的算法能省去繁琐的人工调参过程,有效优化控制器参数,减少被控量的超调量,提升控制器动态响应性能。     

时变大滞后系统的模糊免疫PID控制

工业中的大多数生产系统都是时变和滞后系统。对于这类系统,普通的PID控制器难以获得满意的控制效果。而采用模糊PID控制能降低系统的超调量,提高系统的响应速度。为了提高模糊PID控制器的控制性能,将模糊参数自整定调节方法与免疫进化算法相结合,设计了一种模糊免疫参数自整定PID控制系统。对于时变大滞后系统,模糊免疫参数自整定PID控制能明显减小系统的超调量,加快系统的响应速度。     

基于量子遗传算法的PID控制器参数自整定

提出了一种基于量子遗传算法（QGA）的PID控制器参数整定方法。首先定义一个包含表示系统超调量、上升时间和稳态误差指标项的适应度函数,并根据实际系统的性能要求对指标项进行适当加权。之后采用具有量子比特个体表示形式和量子旋转门实现种群进化的量子遗传算法,对PID进行多目标寻优,从而实现PID参数的自动整定。仿真结果表明,该方法优化得到PID控制器的综合性能优于常规方法和一般遗传算法得到的PID控制器。     

基于权重QPSO算法的PID控制器参数优化

传统的PID控制器参数优化方法容易产生振荡和较大的超调量,因此智能算法如遗传算法（SGA）和粒子群算法（PSO）被用于参数优化,弥补传统算法的不足,但是遗传算法在进化过程中收敛速度慢,粒子群算法存在易于早熟的缺点。在分析量子粒子群算法（QPSO）的基础上,在算法中引入了权重系数,提出使用改进的量子粒子群算法（WQPSO）优化PID控制器参数。将改进量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较。最后,通过三个传递函数实例,分别使用Z-N、GA、PSO方法和改进的量子粒子群算法进行了PID控制器参数优化设计,并对结果进行了分析。     

细菌觅食优化的智能PID控制

传统的PID在控制过程中,尤其针对复杂被控对象易产生振荡和较大的超调,甚至控制系统无法稳定,为了解决这个问题,采用了一种新的基于细菌觅食优化（Bacterial Foraging Optimization,BFO）的智能PID控制方法,针对该算法收敛速度慢的缺陷,对步长及搜索范围做了一定的分析改进。通过与粒子群优化（Particle Swarm Optimization,PSO）智能PID参数整定控制的仿真结果比较,特别是在系统的动态性能指标以及输入信号的跟踪情况等方面进行对比分析,得出基于BFO智能PID控制的优缺点及有效性。     

Speed control of Brushless DC motor using bat algorithm optimized Adaptive Neuro-Fuzzy Inference System

In this paper, speed control of Brushless DC motor using Bat algorithm optimized online Adaptive Neuro-Fuzzy Inference System is presented. Learning parameters of the online ANFIS controller, i.e., Learning Rate (η), Forgetting Factor (λ) and Steepest Descent Momentum Constant (α) are optimized for different operating conditions of Brushless DC motor using Genetic Algorithm, Particle Swarm Optimization, and Bat algorithm. In addition, tuning of the gains of the Proportional Integral Derivative (PID), Fuzzy PID, and Adaptive Fuzzy Logic Controller is optimized using Genetic Algorithm, Particle Swarm Optimization and Bat Algorithm. Time domain specification of the speed response such as rise time, peak overshoot, undershoot, recovery time, settling time and steady state error is obtained and compared for the considered controllers. Also, performance indices such as Root Mean Squared Error, Integral of Absolute Error, Integral of Time Multiplied Absolute Error and Integral of Squared Error are evaluated and compared for the above controllers. In order to validate the effectiveness of the proposed controller, simulation is performed under constant load condition, varying load condition and varying set speed conditions of the Brushless DC motor. The real time experimental verification of the proposed controller is verified using an advanced DSP processor. The simulation and experimental results confirm that bat algorithm optimized online ANFIS controller outperforms the other controllers under all considered operating conditions.     

Performance improvement of aircraft pitch angle control using a new reduced order fractionalized PID controller

In this paper, a new optimal reduced order fractionalized PID (ROFPID) controller based on the Harris Hawks Optimization Algorithm (HHOA) is proposed for aircraft pitch angle control. Statistical tests, analysis of the index of performance, and disturbance rejection, as well as transient and frequency responses, were all used to validate the effectiveness of the proposed approach. The performance of the proposed HHOA-ROFPID and HHOA-ROFPID controllers with Oustaloup and Matsuda approximations was then compared not only to the PID controller tuned by the original HHO algorithm but also to other controllers tuned by cutting-edge meta-heuristic algorithms such as the atom search optimization algorithm (ASOA), Salp Swarm Algorithm (SSA), sine-cosine algorithm (SCA), and Grey wolf optimization algorithm (GOA). Simulation results show that the proposed controller with the Matsuda approximation provides better and more robust performance compared to the proposed controller with the Oustaloup approximation and other existing controllers in terms of percentage overshoot, settling time, rise time, and disturbance rejection.     

基于蚁群算法的航空发动机PID参数优化

提出一种基于蚁群算法的PID参数优化控制算法,对航空发动机的双变量解耦控制方法进行了研究.蚁群算法采用分布式并行计算机制,易于与PID控制方法结合,优化后的控制器克服了传统的PID控制参数不易整定的缺点,且控制器结构简单规范、动态和静态性能良好,具有较强的鲁棒性.仿真结果表明该控制系统实现了解耦控制,对航空发动机模型参数在大范围内的变化均有良好的控制效果.     

一种基于改进粒子群算法的PID参数整定方法

粒子群算法是一种基于仿生学的全局优化算法,具有方法简单,易于实现,寻优效果好等优点,是工业PID控制参数整定的常用方法。本文针对标准粒子群算法的PID整定方法易于陷入局部最优,引入遗传算法中杂交的思想,通过引入杂交算子改善早熟问题,同时针对粒子群算法样本集随机产生,无法保证样本集多样性的缺点,特引入混沌理念,对样本集采用混沌序列法生成,提高样本的多样性,随机性。仿真结果表明,所采用改进算法在PID参数整定中,超调小,收敛快,较好的弥补了标准粒子群算法的弊端。     

航空发动机分数阶PID控制器的参数自整定方法

控制器作为航空发动机的大脑,是保障发动机正常运行的核心部件,随着对发动机控制器精度和时效性的要求越来越高,传统PID控制器的性能亟需进一步提升.本文提出了改进的分数阶PID离线和在线参数整定方法,应用于涡扇发动机推力的控制中.首先,利用Caputo分数阶微积分定义建立分数阶PID模型,实现时域上的数值计算; 其次,基于对数正态分布提出了改进的布谷鸟算法,实现了分数阶PID离线参数整定; 然后,结合RBF网络设计参数线上整定方法,解决了参数在线整定问题; 最后将相关理论应用于发动机推力的控制中,结果表明,相比其他几种优化算法,改进的布谷鸟优化算法对分数阶PID控制参数整定效果最好; 利用RBF神经网络对分数阶PID进行在线整定时控制效果稳定,且分数阶PID的控制效果优于传统的PID控制,能提高对推力的控制能力.