一种非线性PID控制算法的仿真研究

研究PID控制系统优化问题,工业控制被控对象均具有非线性、时变和大时滞性,引起系统的品质性能差,传统的线性控制难以达到所要求精度。为了提高系统控制精度,利用PID控制器各增益参数与偏差信号间的非线性关系,提出一种非线性PID控制算法。首先将PID参数转化为优化问题,然后采用粒子群算法的全局、并行搜索能力对非线性控制参数进行求解,得到一组最优的PID控制参数。仿真结果表明,相对于传统线性PID控制,非线性PID控制器超调小,调节时间短,并提高了控制精度,有效解决了传统PID难以准确控制非线性对象的难题。     

基于粒子群优化的PID控制器设计与应用

研究优化控制器设计问题,工业过程控制中广泛使用的PID控制器,参数的选取可等效为优化问题.针对PID控制器应用于实际的自动电压调节器(AVR)系统,为了有效地寻找AVR系统的最佳PID控制器参数,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.仿真结果表明PID控制器可以获得较好的控制性能指标,进而改善AVR系统的瞬时响应特性,具有一定的实用价值.     

PID控制参数优化在合成氨控制系统中的应用

在合成氨控制系统性能优化问题的研究中,由于合成氨控制系统的高阶、时变和非线性等特征,引起系统的稳定性差.为解决上述问题,提出了改进粒子群的PID控制参数优化算法.在算法中,首先对PID控制参数的粒子群优化方法进行研究,并进行粒距聚类和粒子信息熵计算;然后依据种群平均信息熵和粒子信息熵进行粒子速度权值映射,并依据粒距聚类度进行权值调整;最后将该算法应用于合成氨控制系统中的脱氧槽液位控制系统仿真.实验证明,改进算法可以较快地达到系统稳态,并具有较强的抗干扰能力,可实现合成氨控制系统的控制系统最优目标.     

基于微粒群算法的PID控制器优化研究

研究PID控制器性能优化中,由于被控对象具有高阶、非线性等特点,而在工业生产过程中,传统的PID参数整定方法易出现超调和震荡问题,使系统响应特性差。为改善系统性能,提出一种改进粒子群算法的智能优化策略,将PID控制器参数作为粒子群中的粒子,以控制误差时间积分函数作为优化目标,进行PID控制参数的并行优化。利用MATLAB仿真软件进行仿真,并通过与传统整定方法(Z-N法)进行比较。结果表明,粒子群的PID参数整定法可提高控制器性能,并能够实现目标的最优整定,为PID控制器性能优化提供依据。     

基于PSO优化的潜艇深度非线性PID控制

根据潜艇操纵控制过程非线性、慢时变的特点,在潜艇深度垂直面运动方程的基础上设计了一种基于粒子群算法的潜艇深度非线性PID控制器,针对非线性PID控制设计参数较多的问题,将参数设计问题转化为一种优化设计问题,借助粒子群优化算法,以某型潜艇深度控制系统为研究对象,对系统中的非线性PID控制参数进行了优化.仿真结果表明,该控制器不仅能较好地实现深度保持,相对于传统PID控制具有更好的稳态精度,对舵机的损耗也比传统PID控制小.     

智能PID控制器优化仿真研究

研究PID控制器优化问题,现代工业控制过程中,由于许多被控对象受到于扰因素影响,具有高度非线性和不确定性,常规PID控制精度低,提出一种遗传算法、粒子群算法和RBF神经网络相融合的PID控制器设计方法(GA-PSO-RBF).首先采用遗传算法选择PID控制参数初始值,然后采用粒子群算法优化RBF神经网络参数,采用优后的RBF神经网络辨识控制对象的输出对输入的变化灵敏度,最后采用单神经元对PID控制器进行在线性调整,得到理想的控制效果.仿真结果表明,GA-PSO-RBF神经网络PID控制器的超调量小,响应速度快,提高了系统的控制精度.     

基于Lbest PSO和NNs的电液伺服系统输出力PID控制研究

为了实现电液伺服系统输出力的稳定控制,结合局部最优粒子群优化算法和神经网络模型,提出一种PID控制器设计方法。该方法将神经网络模型(NNS)与PID控制器耦合,得到基于神经网络的PID控制器参数整定结构;再采用局部最优粒子群优化算法(Lbest PSO)确定神经网络的权重,从而得到基于局部最优粒子群优化算法和神经网络的PID控制算法;最后将提出的PID控制算法用于控制虚拟的电液伺服加载系统,以进行仿真实验。仿真结果表明,由该PID控制器控制的电液伺服系统的输出力平稳地收敛于给定力,从而提高了系统的稳定性。     

永磁同步电机PID参数优化研究

研究永磁同步电机优化控制问题,永磁同步电机具有强耦合和强非线性特性的特点,应用环境一般较为复杂且常常存在各种干扰使电机系统稳定性差,针对传统PID控制方式很难满足电机系统要求,控制效果差,超调大。为提高控制精度,提出一种改进的PID控制方法。将PID控制器的参数作为粒子群中的粒子,系统控制精度作为粒子的寻优目标,通过粒子搜索找到最优PID控制参数,从而对电机进行精确的控制。仿真结果表明,粒子群算法的PID控制器提高了永磁同步电机系统控制精度,为永磁同步电机优化设计提供了科学依据。     

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.     

基于改进粒子群优化的胶粘剂生产过程温度控制

针对大惯性、纯迟延、非线性、时变的胶粘剂生产过程,提出一种改进粒子群优化的PID控制算法。该算法针对常规PID设计方法存在的缺点,提出了一种可兼顾多项性能指标的PID控制器参数整定的改进粒子群优化方法。该方法将遗传算法中的变异思想引入到标准的粒子群优化算法中,避免了算法陷入局部极值点,以寻优PID控制器参数。将该方法应用于胶粘剂生产过程,较好地实现了反应釜温度的跟踪控制。仿真结果和实际情况表明所提出算法的有效性和优越性。     

电导率测量合成氨冷凝液中氨浓度的应用

测定合成氨生产过程中的工艺冷凝液的回收利用是一项很重要的节能措施。但是合成氨系统的冷凝液往往由于管壁渗漏,使少量氨以游离状或铵盐形式存在于冷凝液中。而为了确保合成氨系统工艺冷凝液回收装置回收的工艺冷凝液不影响后续工序的正常运行,工艺冷凝液中氨等杂质的含量必须控制在一定的范围内,因此精确测定冷凝液中氨含量是回收利用冷凝液的先决条件。测定工艺冷凝液中氨离子用选择电极等测定法,该方法在工艺中受温度、压力和膜头密封等因素的影响使其不能正常与运行、且仪器价格昂贵。我公司采用电导率和氨根离子之间的浓度关系诺模图快速准确地反映合成氨冷凝液浓度值,满足合成氨冷凝液回收装置的运行要求。     

大型合成氨装置氢氮比先进控制系统的设计

作者针对沧州大化大型合成氨装置,围绕节能挖潜、降低消耗、减少停车、优化控制和保证长周期安全稳定生产方面,开发设计了H2/N2比节能型先进控制系统,实践投运证明该方案具有很强的自适应能力和抗干扰能力,调节品质与控制特性优良,在工厂负荷50%～105%的范围内,均可投用,效果明显,达到了增产、降耗、节能的目的。     

合成氨清洁生产监控系统设计与实现

清洁生产作为一套完整的可持续发展战略,已得到社会的广泛认同,但国内尚未实现清洁生产评估考核系统数据的整合。为解决这个问题,对基于InTouch的合成氨企业清洁生产监控系统实现方法进行了研究和开发,并在此基础上设计和实现了基于Matlab与InTouch混合编程的合成氨企业清洁生产在线评估考核示范系统。模糊分层评估算法给出了母系统和不同层次子系统清洁生产水平隶属度判断,评估结果验证了该示范系统的可行性和有效性。     

复杂反应约束的流程优化调度问题及求解

由于化工流程的生产过程涉及复杂的化学反应,因此,在研究化工流程中的调度问题的时候需要考虑其化学反应所带来的影响因素;这就使得调度的数学模型的建立变得非常的困难。本文针对中小型合成氨流程中的调度问题进行研究,分析合成氨反应的温度、压力、环境等影响因素建立调度的数学模型,采用基于微粒群算法的多目标优化方法对该流程进行优化调度,其结果表明所建的模型具有很好的收敛性和稳定性。     

合成氨工艺参数优化技术开发及应用

以氨净值为响应值,影响响应值的17个过程参数为变量,经逐步回归选入触媒温度左3,触媒温度左4,循环CH_4%,H/N,NH_3%(进口)5个过程参数建立预测方程,并根据该方程对响应值的拟合结果和误差分布对样本进行分类。在此基础上,采取图形显示技术和统计分析的方法对分类样本集的过程参数进行比对分析,由此获取优类信息制订优化的工艺参数方案,经仿真验证后用于指导合成氨装置的生产试验。试验结果与试验前的对照期比较,氨净值均值由13.86提高到14.54,吨氨气耗减少15.9887m~3,吨氨电耗减少15.8kWh,节能效益十分明显     

A multiobjective fuzzy clustering method for change detection in SAR images

On account of the presence of speckle noise, the trade-off between removing noise and preserving detail is crucial for the change detection task in Synthetic Aperture Radar (SAR) images. In this paper, we put forward a multiobjective fuzzy clustering method for change detection in SAR images. The change detection problem is modeled as a multiobjective optimization problem, and two conflicting objective functions are constructed from the perspective of preserving detail and removing noise, respectively. We optimize the two constructed objective functions simultaneously by using a multiobjective fuzzy clustering method, which updates the membership values according to the weights of the two objectives to find the optimal trade-off. The proposed method obtains a set of solutions with different trade-off relationships between the two objectives, and users can choose one or more appropriate solutions according to requirements for diverse problems. Experiments conducted on real SAR images demonstrate the superiority of the proposed method.     

实数编码遗传算法的前向神经网络优化设计

提出一种综合控制策略的实数编码遗传算法,用该算法实现对前向网络结构及权值的同时优化设计。用非线性函数的逼近问题作仿真实验。结果表明,该算法能快速有效地确定网络结构及权值。     

A hybrid classifier combining SMOTE with PSO to estimate 5-year survivability of breast cancer patients

In this study, we propose a set of new algorithms to enhance the effectiveness of classification for 5-year survivability of breast cancer patients from a massive data set with imbalanced property. The proposed classifier algorithms are a combination of synthetic minority oversampling technique (SMOTE) and particle swarm optimization (PSO), while integrating some well known classifiers, such as logistic regression, C5 decision tree (C5) model, and 1-nearest neighbor search. To justify the effectiveness for this new set of classifiers, the g-mean and accuracy indices are used as performance indexes; moreover, the proposed classifiers are compared with previous literatures. Experimental results show that the hybrid algorithm of SMOTE + PSO + C5 is the best one for 5-year survivability of breast cancer patient classification among all algorithm combinations. We conclude that, implementing SMOTE in appropriate searching algorithms such as PSO and classifiers such as C5 can significantly improve the effectiveness of classification for massive imbalanced data sets.     

An optimized combination prediction model for concrete dam deformation considering quantitative evaluation and hysteresis correction

Certain degree of deformation is natural while dam operates and evolves. Due to the impact of internal and external environment, dam deformation is highly nonlinear by nature. For dam safety, it is of great significance to analyze timely deformation monitoring data and be able to predict reliably deformation. A comprehensive review of existing deformation prediction models reveals two issues that deserves further attention: (1) each environmental influencing factor contributes differently to deformation, and (2) deformation lags behind environmental factors (e.g., water level and air temperature). In response, this study presents a combination deformation prediction model considering both quantitative evaluation of influencing factors and hysteresis correction in order to further improve estimation accuracy. In this study, the complex relationship in deformation prediction is effectively captured through support vector machine (SVM) modeling. Furthermore, a modified fruit fly optimization algorithm (MFOA) is presented for SVM hyper-parameter optimization. Also, a synthetic evaluation method and a hysteresis quantification algorithm are introduced to further enhance the MFOA-SVM-based model in regards to contribution quantification and phase correction respectively. The accuracy and validity of the proposed model is evaluated in a concrete dam case, where its performance is compared with other existing models. The simulated results indicated that the proposed nonlinear MFOA-SVM model considering both quantitative evaluation and hysteresis correction, abbreviated as SEV-MFOA-SVM, is more accurate and robust than conventional models. This novel model also provides an alternative method for predicting and analyzing dam deformation and evolution behavior of other similar hydraulic structures.     

Surrogate-enhanced evolutionary annealing simplex algorithm for effective and efficient optimization of water resources problems on a budget

In water resources optimization problems, the objective function usually presumes to first run a simulation model and then evaluate its outputs. However, long simulation times may pose significant barriers to the procedure. Often, to obtain a solution within a reasonable time, the user has to substantially restrict the allowable number of function evaluations, thus terminating the search much earlier than required. A promising strategy to address these shortcomings is the use of surrogate modeling techniques. Here we introduce the Surrogate-Enhanced Evolutionary Annealing-Simplex (SEEAS) algorithm that couples the strengths of surrogate modeling with the effectiveness and efficiency of the evolutionary annealing-simplex method. SEEAS combines three different optimization approaches (evolutionary search, simulated annealing, downhill simplex). Its performance is benchmarked against other surrogate-assisted algorithms in several test functions and two water resources applications (model calibration, reservoir management). Results reveal the significant potential of using SEEAS in challenging optimization problems on a budget.