一种新型高精度温控方法研究

温度是影响电子设备性能的主要因素,对控温精度要求较高的器件的控温普遍采用数字PID算法作为控制策略,然而普通的PID控制控温精度普遍不高,且不能实现参数的自整定。提出一种基于虚拟仪器技术的数字PID算法高精度控温技术,开展了实验研究,并将PID控制与模糊控制相结合,实现对PID参数自整定,通过matlab进行了仿真。研究结果表明基于虚拟仪器技术的数字PID算法可以实现控温精度优于±0.02℃,模糊参数自整定PID算法较普通PID算法控温精度高,抗干扰能力强,超调小,过渡过程快,控制品质高,却能实现参数自整定,具有更好适应能力,为应用PID算法实现高精度控温提供了参考。     

基于蝙蝠算法的PID控制参数优化技术与仿真研究

PID参数整定是PID控制中的一个重要环节,传统的PID参数整定方法已经不能完全适用。为提高PID参数优化精度,解决传统PID参数整定时产生的误差较大问题,将蝙蝠算法引入控制系统中优化PID控制参数。通过MATLAB仿真,比较蝙蝠算法、粒子群优化算法和增量式PID控制算法对控制参数优化的性能。实验结果表明：在函数寻优测试中,与遗传算法、粒子群优化算法相比,蝙蝠算法能防止陷入局部最优,使种群更加稳定并达到更好的收敛速度和寻优精度;在PID控制参数优化中,与粒子群优化算法、增量式PID控制算法相比,蝙蝠算法优化PID控制参数的实际输出曲线最贴近理论输出曲线,稳定性更好。     

基于优化无迹Kalman滤波的电网动态谐波估计

提出一种基于粒子群优化的无迹卡尔曼滤波(particle swarm optimized unscented Kalman filter,PSOUKF)的电网动态谐波估计方法,利用包含种群分类与动态学习因子的改进粒子群优化算法,优化无迹卡尔曼滤波算法(unscented Kalman filter,UKF)的状态噪声协方差和观测噪声协方差,使系统噪声对电网动态谐波估计结果的影响得到充分考虑,克服了传统UKF算法将这两种方差视为常数导致的动态谐波估计精度低的缺陷.仿真结果表明,PSOKUF算法比卡尔曼滤波(Kalman filter,KF)算法和传统的UKF算法更有效,在没有增加计算复杂度的情况下,能够提高动态谐波估计精度.     

基于IASHGA算法的水轮发电机组PID调速器参数优化研究

针对遗传算法(SGA)存在求解精度与收敛速度间的矛盾,提出了一种自适应对称调和遗传算法(IASHGA),并将该算法用于水轮发电机组PID调速系统参数的优化设计,以系统的上升时间和超调量指标作为IASHGA算法的适应度函数;以四川某水电站的真实数据对经过优化后遗传算法PID控制规律进行计算机仿真.仿真结果表明,改进的算法较之常规遗传算法(SGA)和粒子群优化算法(PSO),不但提高了全局的搜寻能力,而且有效避免了早熟收敛问题.为水轮机调速器PID参数优化研究提供了新途径.     

一种云模型PID控制器参数整定优化算法

为了解决PID控制器参数整定过程中的优化和复杂性问题,增强PID控制器参数整定的自适应性,结合差异演化算法和粒子群算法,提出一种带有差异演化变异算子的粒子群混合优化算法,利用一维云模型映射器将人的控制经验通过语言原子转换为控制规则器,设计具有自适应功能的云模型控制器;将该优化算法应用于一维云模型PID控制器参数整定与优化,并与传统方法进行仿真比较.结果表明,基于带有差异演化变异算子的粒子群混合优化算法的智能控制器具有简单易行、控制性能良好、自适应性和鲁棒性强的特点,可为云模型控制器参数设计提供参考.     

卡尔曼滤波在陀螺稳定吊舱控制中的应用

通过对当前流行的控制方法进行比较,采用变结构控制的原理对系统控制器进行设计.以典型的两轴四框架结构吊舱系统的内俯仰框架为控制对象,设计了一种基于Kalman滤波器的滑模变结构控制方案.当过程噪声和量测噪声较大时,针对不同形式的跟踪信号,对有无滤波器两种控制方案的跟踪效果进行了比较.仿真结果表明,采用基于Kalman滤波器的滑模变结构,系统的跟踪性能较没有Kalman滤波器的跟踪性能有明显的改善,提高了系统跟踪精度.     

基于粒子群优化算法的高阶累积量滤波器

基于高阶累积量(HOC)的自适应滤波器能够滤除高斯噪声或其它具有对称概率分布函数的噪声,其解法一般采用的是梯度搜索法,但是梯度搜索过程难以避免局部收敛而且计算复杂.粒子群优化算法(PSO)具有算法简洁,易于实现,且不需要梯度信息等优势.使用粒子群优化算法求解高阶累积量自适应滤波器系数优化问题,为滤波器参数的优化提供了一种新的思路.仿真结果表明,使用PSO优化算法求解自适应滤波器系数能获得更高的精度.同时PSO算法受系统跃变的影响较小,因此它在求解非平稳过程模型系统时具有一定的优势.     

一种有效的高速攻击型无人机二自由度PID控制

高速攻击型无人机的飞行控制系统需要具有最佳的指令跟踪性能、干扰抑制性能和鲁棒性,而传统单自由度PID控制技术只有1组PID参数,无法同时满足上述设计要求,针对这一问题,采用给定值滤波器型二自由度微分先行PID控制技术。通过利用基于改进的粒子群优化算法的H∞参数整定方法进行微分先行PID控制器设计,保证系统"干扰抑制性能及鲁棒性最佳",通过调节二自由度化系数(给定值滤波器设计),确保系统"指令跟踪性能最佳"。以俯仰控制回路设计为例,经仿真与对比研究,结果表明,该控制技术克服了单自由度PID控制技术的不足,控制回路的控制品质满足设计要求。     

基于改进WOAPID的LT-MED系统浓盐水温度控制

为适应低温多效蒸馏(LT-MED)海水淡化末效浓盐水温度控制系统存在的非线性时变和迟滞严重的特点,针对基于经验人为设定的PID控制器效果不佳的问题,提出了一种改进鲸鱼优化算法(WOA),以实现PID控制器参数的自动整定。首先,确定浓盐水温度控制系统的传递函数模型;然后,对基本WOA求解精度低、易陷入局部最优的缺陷对算法进行改进,实现PID控制器的参数优化。MATLAB R2019a平台的仿真实验结果表明,改进WOA算法具有更快的迭代速度和更强的全局寻优能力。改进WOA-PID控制器响应速度快且超调小,能够有效控制浓盐水温度以保障海水淡化系统正常稳定运行。     

模糊参数自整定PID控制器的设计与仿真研究

为实现PID参数的自动整定,在PID控制和模糊控制的基础上,设计了一种用于晶体生长炉温度控制系统的模糊参数自整定PID控制器,该控制器基于PID参数的优化规律,利用模糊控制规则对PID参数进行在线的自动整定.与常规PID温控系统比较,该控制器的系统超调量明显减小,控制系统的动静态性能均得到改善,升温速度和目标温度控制精度达到了设计指标,系统仿真验证了该设计的有效性与实用价值.     

基于卡尔曼滤波器的电动汽车PID控制系统设计

针对传统PID控制器受控制参数的精度影响而带来的控制器性能的不足,文中提出了基于卡尔曼滤波器的PID控制器设计方法,通过设置卡尔曼滤波器的各项参数和噪声方差阵,提高了控制精度,并对未滤波处理及滤波处理两种情况下的仿真结果进行对比分析.结果表明,在相同的外部条件下,采用卡尔曼滤波器的PID控制系统优于传统的PID控制系统.     

捷联惯导寻北中卡尔曼滤波器的设计

针对捷联惯性寻北系统无转动机构、算法简单,但对陀螺精度要求高的特点,提出了应用于车载捷联寻北系统的卡尔曼滤波器,通过卡尔曼滤波器提高系统寻北精度。首先建立陀螺信号的自回归时间序列模型,然后对陀螺数据进行卡尔曼滤波处理,并进行仿真试验验证。结果表明,设计的卡尔曼滤波器滤波效果显著,陀螺信号噪声得到了明显抑制,有效提高了寻北精度,验证了捷联惯性单位置寻北法的工程可行性。     

基于蚁群算法的PID参数优化

针对传统的PID控制器参数多采用试验加试凑的方式由人工进行优化,提出了一种新型的基于蚁群算法的PID参数优化策略.蚁群算法是近几年优化领域中新出现的一种仿生进化算法,该算法采用分布式并行计算机制.在简要介绍蚁群算法基本思想的基础上,推导了蚁群算法PID参数优化方法,并给出了新算法的具体实现步骤,最后将该优化方案应用于某型高精度飞行仿真伺服系统.仿真应用研究表明,该PID参数优化策略具有很强的灵活性、适应性和鲁棒性,进而验证了该方案的可行性和有效性.     

变分贝叶斯自适应容积卡尔曼的SLAM算法

在观测噪声参数未知或变化时,传统的同步定位与建图(SLAM)算法性能会下降,为了让SLAM算法性能在上述条件下不受影响同时具有较高的精度,基于此提出了一种基于变分贝叶斯噪声自适应容积卡尔曼滤波的SLAM算法(VB-ACKF-SLAM).该算法采用逆Wishart分布对未知观测噪声参数建模,采用容积积分方法近似非线性变换的均值和方差,并利用变分贝叶斯滤波实现对移动机器人状态和未知观测噪声参数的联合后验概率的估计.该算法有效地解决了在观测噪声参数未知或变化时,传统滤波算法出现的滤波发散问题.仿真实验结果表明,在观测噪声参数未知或变化时,与基于容积卡尔曼滤波的SLAM算法(CFK-SLAM)、无迹卡尔曼滤波的SLAM算法(UKF-SLAM)、扩展卡尔曼滤波的SLAM算法(EKF-SLAM)相比,VB-ACKF-SLAM算法的定位准确率得到了较大的提高,证明了该算法的有效性.     

基于新息的神经网络自适应卡尔曼滤波

卡尔曼滤波是一种基于最小方差的递推式滤波算法,系统模型和噪声统计特性的先验知识决定了滤波的性能和估计的准确性,不精确的先验知识将导致滤波性能的明显下降甚至发散。采用BP神经网络对系统进行辨识,获得精确的系统状态方程,利用新息自适应估计卡尔曼滤波算法中的过程噪声和测量噪声协方差矩阵,提出基于新息的神经网络自适应卡尔曼滤波算法。Matlab仿真结果表明,与传统卡尔曼滤波算法相比,改进的卡尔曼滤波算法获得了与原始信号几乎一致的输出信号,噪声得到明显抑制。同时,改进的算法不需要系统精确的数学模型,在实际应用中具有可行性和普适性。     

一种激光跟踪测量中的滤波算法

在跟踪问题的处理中，以往所经常采用的是白噪声观察模型，但是实际上测量噪声却经常是有色噪声，有色观测噪声会使跟踪算法的性能减退，为了提高跟踪精度，必须有效地消除有色噪声，因此，有效地消除了有色噪声是处理跟踪问题的关键所在，本文把观测噪声的成形滤波器假设为AR模型，提出了一种在线估计色噪声参数的方法，通过在线估计色噪声参数，即AR模型的参数，对测量噪声去相关来提高Kalman滤波精度，并且最终将这种方法应用于激光跟踪，仿真结果表明这种方法具有较好的去相关能力，大大提高了激光跟踪过程中角度速度的跟踪性能，具有很好的实用价值。     

基于改进的迭代容积卡尔曼滤波姿态估计

为了充分利用新的量测信息,提高姿态估计的精度,在分析现有迭代滤波策略存在问题的基础上,采用一种新的容积点迭代策略,将其与容积卡尔曼滤波算法相结合,提出了一种改进的迭代容积卡尔曼滤波(improved iterated cubature Kalman filter, IICKF)算法．该算法采用容积数值积分理论近似非线性函数的均值与方差,利用状态扩维理论来解决量测迭代中量测噪声与状态相关的问题,同时利用一种新的容积点迭代策略,即在量测迭代过程中直接采用容积点迭代,避免每步迭代都进行均方根计算来产生容积点,克服传统迭代策略是基于高斯近似产生采样点的局限,有效地降低扩维带来的计算量．仿真结果表明：该算法的估计精度高于乘性扩展卡尔曼滤波(multiplicative extended Kalman filter, MEKF)以及迭代容积卡尔曼滤波(iterated cubature Kalman filter, ICKF)算法,该算法的提出有助于提高姿态估计的精度．     

基于自适应UKF的单站无源定位算法

针对无迹卡尔曼滤波(UKF)算法在单站无源定位中滤波的性能容易受到初始值和系统噪声影响的问题,提出了一种自适应无迹卡尔曼滤波(AUKF)的跟踪算法。该算法利用观测信息和新息,引入自适应因子,对在滤波过程中的误差的协方差矩阵进行合理自适应调整,保证得到较稳定和高精度的滤波值,从而提高算法的鲁棒性。仿真结果表明,该AUKF算法与扩展卡尔曼滤波算法(EKF)及其衍生算法中的修正协方差滤波算法(MVEKF)和UKF算法相比,对系统噪声的鲁棒性更好,体现在滤波的收敛速度和滤波精度等方面都有所提高,是一种性能更加优越的算法。     

基于神经网络的非线性预测自整定PID控制

提出在利用前馈神经网络对非线性系统建模的基础上，对系统输出实现递推多步预测，并且结合自整定PID方法，实现非线性系统控制，神经网络在线辨识时采用学习速度较快的扩展Kalman滤波方法，仿真实验表明了该方法的有效性．