BP神经网络在PID控制器参数整定中的应用

研究工业控制过程,针对控制器优化问题,PID控制是迄今为止在过程控制中应用最为广泛的控制方法.但在实际应用中,对有非线性、时变性系统,无法建立精确模型.为了解决控制参数整定,达到精确控制,改善系统性能,提出一种基于BP神经网络的PID控制器参数整定方法.通过建立三层神经网络模型,在控制过程中将神经网络的隐含层单元分别作为PID的比例(P)、积分(I)、微分(D)单元,从而构造参数自学习的PID控制器,在控制过程中动态调整PID的三个控制参数,从而进行PID控制参数的在线整定.仿真结果表明,基于BP神经网络的PID控制方法在处理非线性和时变系统时,提高了实时性能,增强系统稳定性,并获得更好的控制效果.     

基于差分进化算法的四旋翼PID参数优化设计北大核心

针对四旋翼无人机PID控制器参数人工整定困难且难以获得最优控制效果的问题,提出一种基于改进差分进化算法的四旋翼PID控制器参数优化方法。方法首先利用变异、交叉、选择等操作调整PID参数,得出最优的个体;然后引入定向搜索策略,在下次变异操作前,根据上次适应度值比较的结果,决定变异的方向,提高算法的精确度。将改进差分进化算法应用于四旋翼无人机仿真模型,其中串级PID控制器的参数作为差分进化种群进行迭代寻优。仿真结果表明,对比粒子群算法和传统差分进化算法,改进后的差分进化算法能够使控制器稳态误差更小、调节方法更快。     

支持向量机在PID控制器参数整定中的仿真研究

PID控制是应用最为广泛的控制方法,由于系统中存在非线性和时变性,影响建立精确的模型,系统性能.为了解决控制参数整定,改善系统性能,提出一种基于支持向量机的PID控制器参数整定方法.通过将支持向量机和PID控制器相结合建立支持向量机的参数整定模型,在控制过程中将PID控制的参数作为支持向量机的输入,构造参数自适应学习的PID控制器,在控制过程中动态调整PID的三个控制参数,进行仿真的在线整定.仿真结果表明,支持向量机的PID控制方法在处理非线性和时变系统时,提高了实时性能,增强系统稳定性,并获得更好的控制效果,为通用非线性PID控制器设计提供了依据.     

动态步长FOA的PID参数整定方法研究

为了解决基本果蝇优化算法(FOA)因固定搜索步长而对比例积分微分(PID)参数整定收敛精度不高且搜寻效率低的问题,将Logistic(t)的变换函数lgt(t)引入FOA中。由该变换函数确定自适应步长,提出一种动态步长果蝇优化算法(DSFOA)。DSFOA中果蝇个体搜索步长会随着迭代次数的增加而动态地变化。该算法在迭代前期使用大步长,具有更高的全局搜索效率;在迭代后期使用小步长,具有较强的局部寻优能力。这可以提高收敛精度,实现对全局搜索和局部搜索过程的优化。二阶系统仿真测试结果表明,相比于FOA,DSFOA寻优过程产生的PID参数使系统性能更优,能快速、有效地搜索到PID最优参数且鲁棒性好。该结果验证了DSFOA的有效性与合理性。     

基于改进PSO算法的PID参数自整定

研究了比例-微分-积分(PID)控制器参数自整定问题，提出一种基于改进粒子群优化算法的PID控制器参数自整定方法。采用实编码方法和基于指数曲线的非线性惯性因子取值策略，该途径易于实现，并且提高了寻优的速度和精度。仿真实例表明了该方法的有效性。     

基于粒子群算法的PID控制器参数优化研究

PID参数优化一直是自动控制领域研究的重要问题,PID的控制效果取决于比例、积分和微分三个参数取值.传统的PID参数多采用试验加试凑的方式由人工进行优化,难以满足控制的实时要求.为了解决控制参数优化选择问题,改善系统性能,提出一种基于粒子群算法的PID参数优化策略.通过建立粒子群优化的PID控制器参数模型,在控制过程中将PID参数(比例、积分、微分)作为粒子群中的粒子,采用控制误差绝对值时间积分函数作为优化目标,在控制过程中动态调整PID的三个控制参数,从而进行PID控制参数的实时优化,最后将优化方案应用于中央空调温度控制系统.仿真应用研究表明,PID参数优化策略具有很强的灵活性、适应性和鲁棒性,进而验证了优化方案的可行性和有效性.     

基于经验整定公式的自适应PID控制算法研究

PID控制虽应用广泛,但其参数整定一直都是件困难的工作,更重要的是即使参数整定完成,因其不具有自适应能力,当环境变化时,PID的参数需要重新调整。传统的自适应PID控制算法由于算法的复杂性及工程应用的实际问题,它的应用受到一定的局限。本文设计了一种基于经验公式整定的自适应PID控制器。针对300MW循环流化床进行升负荷实验,实验结果表明,经验公式整定下的自适应PID控制效果较佳,具有较好的鲁棒性,而且容易在实际工程中实施。     

基于精英培养混合遗传算法的PID参数整定

提出了一种基于精英培养的混合遗传算法,该算法采用参数自适应变化的遗传操作与精英个体的有方向的邻接爬山操作相结合。遗传参数的调整和搜索终止条件打破了传统的由整个进化群体的进化情况决定的做法,而改由精英团体的进化情况决定。通过仿真实验说明了通过新算法能实现PID参数的快速的自整定,且整定效果较好。     

基于PMAC的模糊自整定PID算法设计

在工业控制系统优化设计中,可编程多轴运动控制器(Programmable multi-axes controller,PMAC)系统采用脉冲+方向的控制方法,控制精度要求高,对稳态特性及动态特性要求很严格,其工作环境较为复杂,固定的PID参数工作适应性差,很难满足控制要求.为提高控制精度和性能,提出采用PMAC的PID控制算法及参数整定,设计出一种结合PMAC的自适应PID控制算法,对环境条件的变化,对负载变化和系统干扰有一定的适应性,且能自动矫正控制动作,满足系统控制要求.通过PMAC运动控制器的嵌入式PLC程序实现算法,仿真结果表明,自整定模糊PID控制算法很好地改善了伺服系统的稳定性和静、动态特性,达到了很好的控制效果.     

基于改进粒子群算法的PID控制器参数整定

粒子群算法是一种新的基于群体智能的全局优化算法,算法简单并且容易实现,已经被广泛应用在各个领域.本文为改善传统PID控制器的参数整定问题,提出了一种改进的粒子群算法.并用它来优化PID控制器的三个参数,得到的控制器结构简单,易于实现,仿真结果证明这种控制器具有良好的性能.     

时滞系统PID控制器内模整定方法的扩展

基于内模控制（ＩＭＣ）的ＰＩＤ控制器设计方法只有一个整定参数，其整定参数直接与闭环响应速度和控制回路的鲁棒性有关。对于时滞系统，如果使用非对称的二阶Ｐａｄｅ近似代替，则能导出一个简单的二阶控制器形式，而不会使控制器变得复杂，并且模型匹配和控制器整定将获得有意义的改善，特别是对时滞较大的系统。     

鲁棒PID控制器参数整定与仿真

介绍了一种基于最小-最大原理整定鲁棒PID控制器参数的方法,并应用MATLAB优化工具箱函数按非线性二次规划法搜索合理的PID参数。仿真结果表明,优化函数寻找最佳PID参数简便可靠;当模型在一定范围内变化时,按该方法整定的鲁棒PID控制器均能保证控制系统的动态性能良好。     

基于人工鱼群算法的鲁棒PID控制器参数整定方法研究

本文首先分析了采用极小--极大原理设计鲁棒PID控制器的方法,指出这是一类复杂非线性且非单鞍点的优化命题,常规优化算法通常不能有效的求解.随后提出了采用人工鱼群算法进行参数整定的方法.最后对典型问题进行了仿真研究.结果表明,人工鱼群算法具备分布并行的寻优能力,对初值不敏感,能够快速对鲁棒PID的参数进行整定,整定后的PID控制器具有良好的控制效果.     

基于模糊控制的PID参数整定

PID控制算法中,参数整定是十分重要的,其好坏直接影响控制性能。有些系统中传统方法整定的参数不能兼顾所有控制指标。介绍了用模糊控制进行PID参数整定的方法。     

基于SMEC的PID控制器参数优化整定方法

PID控制器参数的优化整定一直是自动控制领域的研究热点。提出一种利用改进思维进化计算（MEC）优化PID控制器参数的方法，在原有算法的框架上，加入自调整操作，依据进化方向和进化时间自动调整两种散布因子。经仿真表明使用SMEC方法整定得到的PID控制器参数可以获得满意的控制效果，其性能优于利用遗传算法得到的效果。     

基于改进遗传算法的环形倒立摆PID参数整定

针对传统的环形倒立摆PID控制器参数整定方法主观性强,系统响应性能不佳等问题,提出来了一种基于改进遗传算法的环形倒立摆PID参数整定方法.采用仿真研究方法,比较了试凑法、遗传算法和改进遗传算法求取的PID控制器参数对环形倒立摆的控制效果.实验表明,相比于试凑法,遗传算法得到的PID控制器参数使系统的超调量减小、调节时间...     

基于改进差分进化算法的PID优化设计

提出一种基于改进差分进化算法的PID控制器参数优化方法.针对差分进化算法的优化性能受控制参数取值和差分进化类型的影响较大,算法容易早熟收敛的问题,提出改进差分进化算法.该算法在标准差分进化理论基础上对差分矢量的初始种群、缩放因子、交叉概率和差分进化模式进行优化,将缩放因子和交叉概率由固定数值设计为随机函数,随着搜索过程的进行,自适应选取差分进化模式,从而增强搜索能力.在PID参数的优化设计中通过仿真实验研究,表明采用新方法获得的PID控制器性能优于基于常规方法、遗传算法和基本差分进化算法设计的PID控制器.     

一种基于离线优化参数的自校正PID控制器

本文针对典型工业过程，通过在线辨识对象脉冲响应间接获取对象等效参数，利用按偏差积分准则离线优化整出的ＰＩＤ参数与对象参数的关系，实现ＰＩＤ控制器的自校正，为抑制输出超调，提出了一种超前控制方法。仿真表明，该控制器对于变参数对象可获得满意的控制效果。     

基于RBF网络自整定PID控制的应用研究

经典PID的控制参数难以精确整定，且依赖于对象的数学模型，故自适应性较差，很难适应具有非线性、时变不确定性的被控对象，控制精度难以保证。该文对纯滞后工业对象提出了一种基于RBF神经网络PID参数自整定的控制方法，采用将RLS算法和梯度法相融合的新型学习算法，并将这种控制方法与PID控制器相结合应用于纯滞后工业对象中，克服了不确定性对控制对象性能的不利影响，解决了传统PID控制鲁棒性差，及需要预先知道受控对象精确数学模型的问题。仿真结果表明了该方法的鲁棒性和跟踪性能均优于传统PID控制方法。