PID 控制器参数优化中的仿真研究

研究 PID 控制器参数优化选择问题.传统的 PID 参数优化多采用试验加试凑的方式,费时且难找到最优参数,同时,常规 BP 神经网络 PID 参数优化训练收敛速度较慢,控制效果不理想.为了获得最优 PID 参数,提高系统的控制性能.提出一种遗传算法 BP 神经网络PID 参数优化方法.方法首先采用全局寻优的遗传算法对...     

基于神经网络-遗传算法的双轴运动系统PID控制

提出了一种针对双轴运动系统的基于神经网络-遗传算法的PID控制器参数寻优设计方案。离线部分用遗传算法(GA)的寻优得到一组最优的PID参数Kp^ ，Ki^ ，Kd^ ，并将其作为存线调整部分的仞始值；在线部分用神经网络的BP网络调整系统的瞬态PID响应，同时利用插补器使双轴运动系统进行圆弧插补运动。通过计算机仿真可证明，此寻优方法具有良好的控制性能。     

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.     

恒压供水模糊自适应PID控制器的设计、仿真

对遗传算法和传统PID控制作简要的介绍,针对工程整定方法整定的初始值超调量较大,调节时间较长的问题,利用遗传算法对其初值进行整定.利用遗传算法整定出的一组性能较优良的PID初值,结合模糊控制的思想,利用专家系统直接建立模糊规则,进行模糊自适应PID控制器的初步设计,并对恒压供水系统进行仿真,仿真结果满足设计要求.     

遗伟算法在PID控制器参数寻优中的应用研究

目的 用常规PID控制器对具有较大时间常数、大纯滞后特笥的被控对象实现最优控制。方法 采用遗传算法对PID参数进行寻优,在搜索空间内获得全局最优点。结果 将遗传算法和单纯形法分别用于PID参数寻优,仿真结果表明：采用遗传算法寻优能获得较好的控制效果。结论 在过程控制中,可采用遗传算法优化调节器参数。     

基于改进遗传算法的非线性PID控制器

基于PID控制器各增益参数与偏差信号之间呈现非线性关系,该文提出了一种非线性PID控制器.同时,针对经典遗传算法收敛速度慢、易于早熟、局部寻优能力差等缺点,在前人研究成果的基础上,改进了传统的遗传算法,并将其应用于非线性PID控制器参数寻优.仿真结果表明,基于此遗传算法寻优设计的非线性PID控制器可以极大地提高寻优的速度,同时兼顾系统的动态和静态性能.     

基于遗传算法PID的旋转式倒立摆控制

旋转式倒立摆系统是一个多变量、强非线性、强耦合的不稳定系统,是人们检验、比较各种控制理论和方法的理想试验平台,国内外许多机构对它进行了广泛的研究,如何对其进行有效控制一直是控制界的一大热点.分析了旋转式倒立摆的数学模型,然后用Matlab建立了它的仿真模型,利用PID控制器对其进行控制.为了避免手工整定PID参数的繁琐过程,用遗传算法对旋转式倒立摆PID控制器的控制参数进行寻优,并以此来控制旋转式倒立摆.仿真结果表明利用遗传算法寻优设计的PID控制器来控制旋转式倒立摆可以获得很好的动态品质和稳定性.     

基于多种群遗传算法的水面无人艇航迹控制方法

针对水面无人艇(USV)的航迹控制问题,提出了一种由视线导向法和多种群遗传算法整定的PID航向控制器组成的航迹跟踪控制方法.该方法采用多种群遗传算法克服了传统遗传算法容易陷入局部最优的问题,增强了算法的全局寻优能力;并根据模型特点改进了适应度函数,使得对控制器性能的评价更加合理.与标准遗传算法和粒子群算法的对比仿真表明,多种群遗传算法在PID参数整定方面寻优能力更强、稳定性更高;同时,整定出的PID控制器针对不同的模型参数,均表现出收敛速度快、无超调、无稳态误差的优良特性.航迹仿真结果表明,设计的航迹控制方法能够有效跟踪给定航迹.     

在线知识获得智能模糊控制器研究

对一些复杂的系统。传统PID或模糊控制很难得到满意控制效果,本文提出采用基于RBF神经网络和遗传算法的自适应模糊控制器来进行控制。由遗传算法在线优化模糊控制器的比例因子、模糊推理规则和隶属函数。并由RBF网络辨识被控对象的动态特性,以评价模糊控制器控制性能。仿真实验表明。优化后的Fuzzy控制器具有较强的学习和自适应控制能力,控制效果优于没有寻优的Fuzzy控制。     

基于神经网络和遗传算法的智能PID控制

提出了一种结合神经网络和遗传算法的智能PID控制算法;该控制器先利用RBF辨识网络在线辨识系统模型,再利用遗传算法在线调整PID三个控制参数,将传统的Ziegler-Nichols方法所得的控制参数作为遗传算法的初始参数范围,缩小了遗传算法的寻优范围;在MATLAB6.5环境下进行仿真和试验研究,结果证明RBF辨识网络的输出能够很好地跟踪对象输出,遗传算法很好地优化了控制参数;二者结合可在线有效地控制较复杂的被控对象.     

基于DNA-GA-RBF的PID参数优化

PID控制器因为结构简单,容易实现,并且具有较强的鲁棒性,因而被广泛应用于各种工业过程控制中。控制器参数直接影响控制器的性能,因此控制器的设计主要体现在控制器参数的调整上。参数自整定技术的发展一方面减轻了控制工程师现场调试的工作量,节省了大量的时间,另一方面也使整定的结果更加理想。利用DNA遗传算法的全局搜索的功能特性,对整个RBF神经网络参数进行优化,将RBF网络不同的中心矢量和其对应的基宽向量及各个调节权重统一编码,使得整个网络模型达到全局最优。然后利用该混合算法对PID参数进行整定,仿真证明该算法能有效地实现PID参数最优整定,其性能优于常规的RBF算法,为解决PID控制器参数最优设计提供了一种有效的方法。     

基于模糊RBF神经网络的PID及其应用

针对传统的PID控制器参数固定而导致在控制中效果差的问题,提出一种基于模糊RBF神经网络智能PID控制器的设计方法。该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,将模糊控制与RBF神经网络相结合以在线调整PID控制器参数,整定出一组适合于控制对象的kp, ki, kd参数。将算法运用到电机控制系统的PID参数寻优中,仿真结果表明基于此算法设计的PID控制器改善了电机控制系统的动态性能和稳定性。     

基于RBF神经网络控制的球杆系统位置控制实验研究*

球杆系统是一种典型的高阶非线性不稳定系统,针对PID跟踪控制精度不高及BP神经网络控制训练时间较长的问题,本文提出一种带有低通滤波器的RBF神经网络控制器(RBFC)动态补偿PID控制的球杆控制方法,控制系统由RBF神经网络控制及PID控制器组成。为提高参数辨识速度和避免局部最小值,采用梯度下降法更新隐含层参数,采用带有遗忘因子的最小二乘法更新输出层权值。实验结果表明,该控制方案相比PID控制具有更高的控制精度,比BP神经网络具有更快的学习速度,低通滤波器保证了RBFC的辨识精度和稳定的控制输出,具有良好的动静态特性和控制性能。     

Synchronization of general chaotic systems using neural controllers with application to secure communication

The main contribution of this paper is to propose a nonlinear robust controller to synchronize general chaotic systems, such that the controller does not need the information of the chaotic system’s model. Following this purpose, in this paper, two methods are proposed to synchronize general forms of chaotic systems with application in secure communication. The first method uses radial basis function neural network (RBFNN) as a controller. All the parameters of the RBFNN are derived and optimized via particle swarm optimization (PSO) algorithm and genetic algorithm (GA). In order to increase the robustness of the controller, in the second method, an integral term is added to the RBF neural network gives an integral RBFNN (IRBFNN). The coefficients of the integral term and the parameters of IRBFNN are also derived and optimized via PSO and GA. The proposed methods are applied to the famous Lorenz chaotic system for secure communication. The performance and control effort of the proposed methods are compared with the recently proposed PID controller optimized via GA. Simulation results show the superiority of the proposed methods in comparison to the recent one in improving synchronization while using smaller control effort.     

Sugeno fuzzy PID tuning,by genetic-neutral for AVR in electrical power generation

We report a novel design method for determining the optimal proportional-integral-derivative (PID) controller parameters of an automatic voltage regulator (AVR) system, using a combined genetic algorithm (GA), radial basis function neural network (RBF-NN) and Sugeno fuzzy logic approaches. GA and a RBF-NN with a Sugeno fuzzy logic are proposed to design a PID controller for an AVR system (GNFPID). The problem for obtaining the optimal AVR and PID controller parameters is formulated as an optimization problem and RBF-NN tuned by GA is applied to solve the optimization problem. Whereas, optimal PID gains obtained by the proposed RBF tuning by genetic algorithm for various operating conditions are used to develop the rule base of the Sugeno fuzzy system and design fuzzy PID controller of the AVR system to improve the system's response (∼0.005 s). The proposed approach has superior features, including easy implementation, stable convergence characteristic, good computational efficiency and this algorithm effectively searches for a high-quality solution and improve the transient response of the AVR system (7E−06). Numerical simulation results demonstrate that this is faster and has much less computational cost as compared with the real-code genetic algorithm (RGA) and Sugeno fuzzy logic. The proposed method is indeed more efficient and robust in improving the step response of an AVR system.     

基于粒子群算法的抄纸过程PID神经元网络优化控制

抄纸过程中定量和水分的控制是一个大纯滞后、强耦合和非线性的系统,本文提出使用粒子群算法优化的PID神经元网络来解决这些控制问题。设计的双PID神经元网络闭环控制系统中,网络结构简单,使用增加动量项的误差反向传播算法,提高了学习速度,减少了系统的反应时间,并采用粒子群算法优化网络的初始权值,克服PID神经网络学习过程中由于权值易陷入局部最优值的缺点,提高了系统的控制精度。仿真结果表明：初始权值优化后的PID神经网络控制系统具有更高的控制精度和更快的响应时间,能更好地实现抄纸过程的解耦控制。这为抄纸过程定量水分的自动控制提供了一种新的方法。      

参数自整定PID控制器设计与仿真

对于工业控制领域中的系统普遍存在非线性、时变的特点,采用传统PID作为控制器很难获得满意的控制效果,而神经网络具有任意非线性逼近能力,可以通过对系统性能的学习来实现具有最佳组合的PID控制。设计了基于BP网络整定PID参数的控制器,该控制算法只需粗略给出PID参数便可以根据系统性能自动寻优调整。利用MATLAB软件得到的仿真结果表明,该控制策略可以达到满意的控制效果,且具有很强的鲁棒性和自适应能力。     

钢包炉配料PSO-BP-PID 控制研究

针对钢包精炼炉( Ladle Ｒefining Furnace) 又称LF 炉,配料加料过程的惯性、时滞、非线性等控制特性,设计了一种基于微粒群优化算法( Particle Swarm Optimization,PSO) 、误差反向传播( Back Propagation,BP) 神经网络以及比例－ 积分－ 微分( PID) 的复合控制算法PSO-BP-PID,并将该复合算法应用于150 t 钢包精炼炉配料称重控制系统中,实现配料称重过程的智能控制。PSO-BP-PID 算法利用微粒群优化算法的全局寻优特性,优化BP 神经网络的初始权值以提高神经网络的收敛性; 采用经微粒群算法优化后的BP 神经网络在线实时调整PID参数。通过基于PSO 和BP 网络的PID 控制器实时控制钢包精炼沪的配料过程。仿真实验和运行实验结果表明,PSO-BP-PID 算法的控制效果优于单一PID 算法的控制效果。采用PSO-BPPID算法的钢包炉配料系统后,明显提高了配料精度,有效地解决了配料称重过程中速度与精度的矛盾。     

A novel design of high-sensitive fuzzy PID controller

A hybrid model is designed by combining the genetic algorithm (GA), radial basis function neural network (RBF-NN) and Sugeno fuzzy logic to determine the optimal parameters of a proportional-integral-derivative (PID) controller. Our approach used the rule base of the Sugeno fuzzy system and fuzzy PID controller of the automatic voltage regulator (AVR) to improve the system sensitive response. The rule base is developed by proposing a feature extraction for genetic neural fuzzy PID controller through integrating the GA with radial basis function neural network. The GNFPID controller is found to possess excellent features of easy implementation, stable convergence characteristic, good computational efficiency and high-quality solution. Our simulation provides high sensitive response (∼0.005 s) of an AVR system compared to the real-code genetic algorithm (RGA), a linear-quadratic regulator (LQR) method and GA. We assert that GNFPID is highly efficient and robust in improving the sensitive response of an AVR system.