基于改进粒子群算法的双闭环直流电动机调速研究

针对现行PID控制器参数整定与优化的缺陷,通过将一种改进的粒子群优化算法(PSO)应用于双闭环直流调速系统,实现直流电动机调速及PID控制器参数在线优化。采用系统的阶跃响应等对改进PSO算法的优化结果进行对比分析,表明改进的PSO算法比传统工程设计法能获得更好的动态性能指标,以及更快的跟随性与鲁棒性,为PID参数优化提供了一个综合性能较好的实用方法。     

基于模糊复合最优粒子群算法的矿用电机控制系统参数优化

提出一种模糊复合最优粒子群优化(FHMPSO)算法,并将该算法应用于永磁同步电机控制系统PI调速器参数整定与优化中。优化算法的适应度函数采用永磁同步电机转速偏差ITAE指标,采用永磁同步电机矢量控制系统模型对原始PSO,HMPSO和FHMPSO算法进行了仿真测试,仿真结果表明FHMPSO算法相对于其他PSO算法,能够更好地实现电机控制系统中PI参数的优化调节,达到更加良好的动态及稳态性能。     

基于改进PSO算法的铜电解12脉波整流电源的优化控制

针对铜电解电源整流系统的对象本身具有非线性时变特性,提出带有变异算子的改进粒子群(PSO)算法,以保证粒子群算法的全局最优性。并对12脉波整流电源稳流控制器的PI参数进行优化,经仿真实验研究表明,采用改进的PSO算法优化稳流控制器的PI参数,将使铜电解整流系统具有较好的稳态和动态性能,获得满意的效果,改进PSO算法是一种非常有效的PI参数优化方法。     

混合PSO算法优化异步电机矢量控制参数在矿井提升机的应用

在矿井提升机异步电机的矢量控制技术中,对于采用PI控制的电流闭环控制方式,PI控制器的参数的优化尤为重要。利用一种混合粒子群(PSO)算法对异步电机速度控制器的参数进行优化,并与常规控制器参数以及标准粒子群算法优化后的速度控制器参数进行比较,实验结果表明,用混合粒子群算法优化的参数,可以提高系统的控制速度、动态性能,对矿井提升机异步电机矢量控制的研究具有一定的理论和现实意义。     

基于人工免疫粒子群算法的提升机卷筒优化

为了对提升机卷筒结构进行优化,通过人工免疫算法(AI)和粒子群算法(PSO)的结合形成人工免疫粒子群算法(AI-PSO),解决粒子群算法的早熟问题,增大了全局搜索能力。借助提升机卷筒质量的数学模型,以卷筒质量最轻为目标函数,分别应用PSO、AI-PSO对提升机卷筒进行优化。结果表明,AI-PSO优化速度更快,优化效果更好,可为提升机卷筒的设计提供参考。     

基于复合控制理论的矿井提升机下坠控制策略优化设计

为了解决矿井提升机下坠的现象,对电励磁同步电动机电流前馈控制系统分析的基础上,在反馈控制系统中增加前馈校正环节,采用复合控制理论对矿井同步提升机控制系统进行优化设计。通过反馈控制系统与复合控制系统对比仿真实验,验证了复合控制理论优化设计后可以减小提升机的下坠现象。提高了系统的跟随性能和稳定性,通过对比仿真分析验证了复合控制理论优化设计的有效性。     

改进PSO算法在矿井提升机控制中的应用研究

提出一种基于改进PSO算法的PID控制策略,在标准的PSO算法中,引入收缩因子对参数进行寻优,能够提高在参数寻优过程中的收索速度。同时,克服了系统在受到外界不确定因素的干扰时,不能够更迅速、更有效地回归到稳定状态。通过Matlab/Simulink对这种控制策略进行仿真,仿真结果表明,该控制策略具有较强的应变能力和自适应调整能力。     

基于MPSO算法的RBF网络学习算法

针对标准粒子群优化(PSO)算法存在早熟收敛,易陷入局部极值的缺陷,提出了一种利用混沌优化算法确定PSO算法参数的改进粒子群优化(MPSO)算法。为了提高径向基函数(RBF)神经网络的精度和性能,提出了一种基于改进粒子群优化(MPSO)算法的RBF网络学习算法。RBF网络隐层节点个数用对手受罚的竞争学习(RPCL)算法确定后,基函数的中心矢量、方差和网络权值用MPSO算法在全局空间动态确定。采用Iris分类问题做仿真实验,并与基于标准PSO算法的方法和单纯BP网络训练进行比较。实验结果表明,该算法性能优于所比较的2种算法,并且具有良好的收敛性和模式分类能力。     

基于PSO和滑模观测器的永磁同步电机预测控制

针对传统永磁同步电机(PMSM)无差拍电流预测控制中参数失配会导致电流误差甚至系统失稳的问题,提出了一种基于粒子群算法(PSO)和滑模观测器的预测控制。基于无差拍电流预测控制算法,建立了电流预测控制系统,并分析了电阻、电感和转子磁链参数对dq轴电流误差的影响。通过建立滑模观测器,利用观测到的系统扰动对参考电压进行补偿,提高了系统抗参数扰动的能力。针对观测器参数难以整定问题,提出基于PSO优化观测器参数的方法。最后通过仿真验证了所提方法的可行性。     

基于改进PSO算法的煤矿相机参数优化设计

为提升基于PSO算法的煤矿相机参数选取的准确性,提出了一种基于惯性权重调整对粒子群算法进行优化的方法。在优化中在结合e指数法的基础上,通过粒子适应度函数值对惯性权重进行动态调节,在迭代的前期阶段,此时的适应度值较大,根据迭代次数对惯性权重进行调整,在迭代的后期阶段,此时的适应度较小,则根据适应度值对惯性权重进行调整,从而达到减少迭代次数、提高精度的目的,通过优化后的算法对张氏标定法得到的相机内参进行调节。为验证算法优化后的效果,对优化参数后的相机进行标定试验,经标定试验可知,改进PSO算法对煤矿相机参数优化后,平均误差为0.451 7 piexl、标准差为0.298 9 piexl、迭代次数为213次,对比标准的PSO算法、e指数法,能够明显提高相机参数的精准度、降低迭代时间。     

改进单神经元PID在矿井提升机中的应用

矿井提升机在频繁的重复运动中具有随时间变化、非线性的特点,传统PID控制器难以达到理想的控制效果。提出了一种改进的单神经元PID控制器,利用神经元的自学习、自组织能力,通过对权值的在线调整达到对PID参数在线调整的目的,同时采用粒子群优化算法对单神经元PID控制器参数进行优化。仿真结果表明,改进的单神经元PID控制器具有良好的控制性能,提高了矿井提升机的稳定性。     

改进的粒子群优化液压伺服模糊控制系统研究

电液伺服系统是一个不确定的非线性复杂系统,传统PID控制往往难以取得理想的控制效果。为了提高煤矿机器人机械臂电液伺服系统的控制精度和稳定性,提出一种基于改进的粒子群算法优化液压伺服系统模糊PID控制器参数的方法,避免了模糊PID控制中参数选取的经验性及参数不变性等问题。应用改进的粒子群算法优化模糊PID控制器参数,可以增强控制器的自适应能力,提高其控制性能。仿真测试表明,改进的粒子群优化模糊PID控制系统的响应性能明显提髙,超调量小,稳态性能好。     

基于改进粒子群算法的气化配煤模型求解

针对目前我国煤质差异较大,单煤煤质与炉型无法稳定匹配这一现象,提出配煤优化方案,选用PSO算法建立配煤模型。并且对原始PSO算法存在收敛速度慢、易陷入局部最优等问题,结合实际配煤优化问题的特点对算法进行改进,将改进后的PSO算法与原始算法进行对比实验,结果表明优化后的PSO算法在保证配煤合理的前提下,整体性能明显优于原始算法。     

矿井提升机恒减速制动优化系统Simulink-AMESim联合仿真

针对传统矿井提升机恒减速制动系统存在的精度较低的问题,设计了基于先导式电液比例溢流阀的矿井提升机恒减速制动优化系统,实现滚筒角速度的闭环控制,并对其进行数学建模以及Simulink仿真。之后采用参数模糊自整定PID算法设计模糊控制器,采用AMESim建立液压制动系统的仿真模型。最后进行Simulink-AMESim联合仿真,验证了设计的合理性与优越性。     

基于PSO算法锻轧宽度自动控制的仿真与优化

首先建立了带钢锻轧短行程自动控制模型,采用改进PSO算法对带钢宽度控制进行优化,并引入变异算子优化算法的全局性,采用VB6.0进行模块化编程,实现短行程控制曲线的离线仿真,结果显示,PSO算法优化控制曲线后,板坯头部宽度偏差得到优化,有效减少了带钢端部失宽量,基本消除了与带钢中心的宽度偏差,带钢头尾部失宽区域明显减小。     

基于PID控制器的矿井提升机仿真研究

建立了矿井提升机动力学特性方程,为了提高提升机的稳定性和舒适性,基于PID控制器算法设计,利用建模仿真软件AMESim建立了提升机的简单模型,设置参数后,结合Simulink对其进行仿真研究,分别得到了不同增益以及加入空段滤波器时的箕斗位置-时间曲线。仿真结果表明:与改变系统增益方式相比,应用PID控制器提升机的舒适性、稳定性有了明显改善。     

永磁外转子提升机变频调速系统研究

传统矿井提升机多采用交流异步电动机和减速器组成的传动结构以及TKD电控系统进行调速,存在起动电流过大、工作效率低、能耗大、维护量大、噪声大等问题。为此提出永磁外转子提升机,其采用外转子永磁同步电机与提升机卷筒一体化结构,配合先进的变频调速系统,具有传动结构简单,高效节能,起动频率低,低速运行平稳,以及维护量小、噪声小等优点,解决了传统提升机长期存在的问题。对永磁外转子提升机变频调速系统(分为矢量控制系统和直接转矩控制系统)进行原理分析和仿真研究,结果表明：变频调速系统的能够实现永磁外转子提升机的转速(或转矩)闭环控制,达到了平稳运行的效果|矢量控制系统的转矩和转速响应平滑|直接转矩控制的转矩和转速更快速,但是存在转矩脉动比较大的问题,需要采用优化方法对转矩脉动进行消除。     

智能传感器在提升机容错控制中的应用

传统控制技术难以在故障情况下对矿井提升机的复杂控制系统实现有效控制,提出了在提升机控制系统中采用集成智能传感器容错控制方案来实现提升机的容错控制,以保证提升机在传感器故障情况下,系统仍能稳定可靠的运行,增强了系统的可靠性,避免了事故。最后讨论了煤矿提升机容错控制系统的总体结构、功能组成以及各部分的具体实现方式,并对系统进行了仿真,仿真结果表明该系统具有容错控制和较好的稳定性。     

改进GWO-BP算法的概率积分法预计参数求取

针对BP神经网络模型在求取概率积分法预计参数时的缺陷,提出了一种基于改进灰狼优化算法(GWO)的BP神经网络参数预测模型。主要通过对灰狼算法的收敛因子a进行非线性收敛的改进,再利用粒子群算法(PSO)的速度更新公式更新搜索灰狼搜索位置。用改进的灰狼优化算法对BP神经网络的初始权值和阈值进行优化,然后利用最优的初始权值和阈值对模型进行训练和预测,从而得到概率积分法参数的预测结果。结果显示经过改进的灰狼算法优化BP神经网络的参数预测结果明显优于单一的BP神经网络模型和不改进的灰狼算法优化BP神经网络模型的预测结果,可以在矿区开采沉陷预计方面得到应用。     

概率积分法预计参数的智能优化选择方法研究

为有效确定概率积分法预计参数,提高预计值的精度。将粒子群优化(PSO)算法和BP神经网络进行融合,采用改进的混合粒子群优化算法优化神经网络的权值和阈值。在分析概率积分法参数与地质采矿条件之间关系的基础上,建立了基于PSO优化BP神经网络的概率积分法预计参数的优化选择模型。以我国典型的地表移动观测站资料作为网络的学习训练样本和测试样本,将计算结果与实际值进行了对比分析,并与改进BP算法的计算结果进行了比较。结果表明,PSO-BP神经网络方法用于概率积分法预计参数的选取是可行的,收敛速度更快,计算精度更高。