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PID参数整定

研究了PID控制器的参数整定问题.常用的工程整定法没有考虑系统的任何要求,只能提供给系统一个稳定的状态,无法使系统运行最佳.理论设计法只能保证满足系统的某一特性要求.针对这两种方法存在的缺陷,将差分进化算法应用于PID参数整定,提出了基于差分进化算法的PID参数整定方法.新方法根据系统性能指标,设计适应度函数,充分利用差分进化算法优秀的寻优能力,寻找出较优的PID参数.最后,通过实例对三种参数整定方法的控制效果进行了仿真和比较,仿真结果证明了基于差分进化算法的PID参数整定方法明显优于工程整定法和理论设计法.     

基于支持向量机的参数自整定PID非线性系统控制

对非线性系统提出了一种基于支持向量机的自整定PID控制新方法.用支持向量机辨识系统的非线性关系,并对之进行线性化,提取出瞬时线性模型,采用最小方差的准则获取PID控制器的最优参数.为改善控制器的性能,提出了一些改进措施,包括使用一阶滤波器、控制器参数更新标准及惩罚系数的调整等.通过对典型非线性系统的仿真,验证了该方法的有效性和可行性.     

模糊自整定PID控制器的设计与仿真

常规PID控制器因结构简单、鲁棒性好、参数调整方便等,常被用于工业过程控制.但其参数整定是在获取被控对象数学模型的基础上根据一定的规则来确定的,难以适应复杂多变的控制系统.针对其参数整定效果不良、调试时间长、对被控对象适应性差等缺点,将模糊控制与PID控制相结合,设计了模糊自整定PID控制器.在常规PID控制器基础上,根据相应的模糊规则进行模糊推理,实现PID参数的在线自整定.仿真结果表明,模糊自整定PID控制器,不仅具有模糊控制快速、适应性强等优点,又有PID控制精确度高的特点,使系统有较好的控制作用,因此具有较好的工业应用前景.     

模糊自适应PID控制器参数整定的研究

主要研究了模糊自适应PID控制器参数整定方法,给出了预估计PID参数值的经验公式和方法。用MATLAB软件对PID控制、模糊自适应PID控制的控制性能分别进行了仿真研究,结果表明参数模糊自整定PID控制具有良好的稳态精度和自适应能力。     

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。     

热工系统PID参数整定公式的仿真研究

针对目前工业过程控制系统普遍使用PID控制律的特点,通过大量的仿真及数据分析,提出了有自平衡和无自平衡控制系统PID控制器参数的经验整定公式.仿真结果表明,在上述经验公式下得到的控制器参数,可以满足电力行业标准提出的模拟量控制系统的品质指标要求,而且,控制器参数既可以直接应用于实际火电机组的闭环控制系统,也可以作为各种PID控制器参数优化算法的寻优初值及优化区间的中心值.     

基于MATLAB的模糊自整定PID参数控制器计算机仿真

介绍了怎样有机地将MATLAB5．X提供的SIMULINK2与FUZZYTOOLBOX有机地结合,方便有效地实现模糊自整定PID参数控制系统的设计和计算机仿真。这对于模糊自整定PID参数控制系统的设计优化和开拓MATLAB5．X在工程模糊控制领域的应用是十分有意义的。     

模糊自整定PID温度控制系统的建模与仿真

针对炒茶机的加热控制系统跟踪设定的温度值滞后、自动调节加热装置实时性差的问题,设计一种模糊自整定比例积分微分(PID)参数控制器。采用PID控制和模糊控制算法相结合的方法,实现模糊控制对PID参数的调整。利用Matlab在Simulink中建立模型,并对该控制器进行仿真分析。结果表明,模糊PID自整定控制器的超调量 ≈1%,稳态误差es=0。该方法可提高温度控制系统的性能。     

ZigBee技术在PID控制器参数整定中的应用研究

针对传统PID参数整定方式存在的电缆安装和布线繁琐、操作缺乏灵活性等问题,提出将ZigBee技术应用于PID控制器参数整定中,通过ZigBee无线组网方式实现PID参数整定控制器主机与现场测试设备之间的通信,从而达到使PID参数整定设备微型化、网络化、智能化的目的。仿真结果表明,运用ZigBee技术进行PID控制器参数整定可有效减少参数整定试验工作量,并提高控制器的灵活性和控制质量,扩展其适用范围。     

直流电动机调速控制系统的仿真研究

研究直流调速系统控制性能优化问题,直流调速系统是一种具有时变性和非线性的复杂控制系统,无法建立精确数学模型,传统PID控制的控制效果依赖于被控对象的精确数学模型,传统PID无法动态适应直流调速系统,难以获得较高的控制精度.SVM具有非线性控制能力,不需要建立精确的直流调速系统数学模型就可以进行精确逼近,为提高了直流调速系统控制精度,提出一种支持向量机和传统PID相结合的直流调速系统控制方法(SVM-PID).通过支持向量机对传统PID控制器3个参数进行在线整定,使PID控制器能够适应直流调速系统非线性变化,从而实现对适应直流调速系统精确控制,最后采用仿真验证SVM-PID性能.仿真结果表明,SVM-PID较好的克服了传统PID控制器存在的不足,提高了系统的抗干扰能力,减小了系统的超调量,为提高控制系统的性能提供了依据.     

PID参数整定法的仿真

PID调节器的控制品质,主要取决于调节器的参数整定.计算量大是用理论计算方法整定PID调节器参数要解决的难题之一.针对PID调节器参数整定过程中计算复杂、计算量大的问题,提出了一种基于Matlab的调节器参数衰减频率特性整定法.该方法以Matlab为工具,将理论计算与仿真分析结合起来,根据控制要求计算并绘制出控制器整定参数关系曲线,对计算结果进行仿真,分析整定参数在解平面上变化时闭环系统的响应,从而确定出最佳的调节器整定参数.结果表明,对于不同的被控对象参数或不同的整定要求,该方法都能方便地求得最佳的调节器整定参数,使得采用理论计算法整定调节器参数具有了工程实用价值.     

一种基于SVM的函数模拟方法

支持向量机在高维空间中表示复杂函数是一种有效的通用方法,也是一种新的、很有发展前景的机器学习算法。本文提出采用基于支持向量机的非线笥回归法求解函数模拟问题。     

一种基于SVM的函数模拟方法

支持向量机在高维空间中表示复杂函数是一种有效的通用方法,也是一种新的、很有发展前景的机器学习算法。本文提出采用基于支持向量机的非线性回归法求解函数模拟问题。     

基于蚁群算法的支持向量机参数选择方法研究

研究支持向量参数选择优化问题,常用的支持向量机参数优化算法和遗传算法分别存在耗时长和易陷入局部最优值的缺陷,导致支持向量机的分类精度低.为了解决支持向量机参数优化问题,提出了基于蚁群算法的SVM分类器泛化方法.蚁群算法是一种优化搜索方法,具有较强的鲁棒性、优良的分布式计算机制,SVM参数的选取看作参数的组合优化,建立组...     

基于改进遗传算法的支持向量机参数优化方法

针对支持向量机算法在回归预测时由于参数选取不当导致过学习或欠学习的情况,提出一种基于改进遗传算法的支持向量机参数优化模型。该模型将遗传算法与支持向量机结合,利用遗传算法进化搜索的原理对支持向量机具有重要意义的惩罚参数、核参数和损失函数同时优化。实验选取3组标准数据集作为测试数据集,并将改进算法同时与遗传算法、网格寻址算法、粒子群算法进行仿真测试结果对比。实验结果表明改进的算法较大地提高了支持向量机算法整体的寻优能力。     

基于蚁群算法的支持向量机参数选择方法研究

支持向量机（SVM）的参数取值决定了其学习性能和泛化能力。对此,将SVM参数的选取看作参数的组合优化,建立组合优化的目标函数,采用蚁群算法（ACA）来搜索最优目标函数值。ACA是一种优化搜索方法,具有较强的鲁棒性、优良的分布式计算机制。仿真表明,ACA是选取SVM参数的有效方法,应用到函数逼近时有优良的性能。     

支持向量学习的多参数同时调节

模型选择是支持向量学习的关键问题.已有模型选择方法采用嵌套的双层优化框架,内层执行支持向量学习,外层通过最小化泛化误差的估计进行模型选择.该框架过程复杂,计算效率低.简化传统的双层优化框架,提出一个支持向量学习的多参数同时调节方法,在同一优化过程中实现模型选择和学习器训练.首先,将支持向量学习中的参数和超参数合并为一个参数向量,利用序贯无约束极小化技术(sequential unconstrained minimization technique,简称SUMT)分别改写支持向量分类和回归的有约束优化问题,得到多参数同时调节模型的多元无约束形式定义;然后,证明多参数同时调节模型目标函数的局部Lipschitz连续性及水平集有界性.在此基础上,应用变尺度方法(variable metric method,简称VMM)设计并实现了多参数同时调节算法.进一步地,基于多参数同时调节模型的性质,证明了算法收敛性,对比分析了算法复杂性.最后,实验验证同时调节算法的收敛性,并实验对比同时调节算法的有效性.理论证明和实验分析表明,同时调节方法是一种坚实、高效的支持向量模型选择方法.     

基于支持向量机的PEMFC电特性仿真研究

质子交换膜燃料电池(PEMFC)是一个非线性、多输入、强耦合、大时延的复杂动态系统,传统的根据系统物理和化学的特性建立的数学模型,具有较大的局限性.从质子交换膜燃料电池的物理结构、输出特性曲线和数学模型方面对其进行了描述,针对PEMFC的复杂动态环境,利用支持向量机对于给定试验样本数据的良好的泛化性能,根据在自制的PEMFC单电池上进行试验所得到的数据,对质子交换膜燃料电池的电特性进行了回归运算.结果发现,在样本数目较小时,采用指数型径向基核函数对PEMFC进行回归运算较为理想;当数据样本数目巨大时,高斯径向基核函数可以获得很好的支持向量稀疏度,具有明显的优越性,这为PEMFC燃料电池的建模仿真及有效控制其电压输出特性提供了新的思路.     

基于多蚁群算法的支持向量回归机参数选择方法

核函数是支持向量回归机的重要部分,每种核函数都有其优势和不足。本文基于支持向量机回归机模型相关参数的选取原则,给出了一种具有混合核函数的支持向量机,以基于网格搜索的多蚁群算法为基础,给出了此类混合核函数支持向量回归机参数优化的一种新方法。该方法以最小化交叉验证误差为目标,对包括混合比例和各类核函数的参数在内的5个参数进行优化。仿真结果表明,与遗传算法相比,本方法在参数优化方面有良好的性能,建立的预测模型精度较高。