磁悬浮立式铣床主轴稳态特性

分析磁悬浮立式铣床主轴控制系统中PID参数对系统阶跃响应的影响,优选出两组PID参数,并对磁悬浮立式铣床主轴在不平衡激扰力作用下的动态特性进行仿真研究.结果表明,PID控制器的比例参数影响系统阶跃响应的超调量,积分参数有利于减小系统稳态误差,但积分作用不易过大,微分环节影响系统的响应时间;磁悬浮立式铣床主轴质量不平衡引起的激扰力会降低主轴旋转精度,在不平衡激扰力作用下,磁悬浮立式铣床主轴端面中心将产生与其转速同频率的周期性振荡,随着磁悬浮主轴转速升高,主轴端面中心振荡加剧.     

基于MATLAB的磁悬浮系统控制器的设计与研究

针对磁悬浮系统的非线性、不稳定的性质,采用线性化处理方法建立了磁悬浮系统的数学模型,然后基于此模型设计了结构合理的PID控制器,并利用Matlab软件进行了仿真分析得到了合适的PID控制参数,最后验证了所设计的PID控制器的正确性和稳定性.     

主动磁悬浮轴承控制系统设计

介绍了主动磁悬浮轴承系统的组成和基本原理。在建立单自由度主动磁悬浮轴承系统数学模型的基础上，分析了目前应用的PID控制器的不足，并提出了一种改进型PID控制器。仿真结果表明，这种控制器比目前应用的PID控制器有更优良的动态性能。     

磁悬浮系统的模糊PID控制器设计

基于GML1001磁悬浮实验装置设计了一个模糊PID控制器.该控制器利用传统的PID控制器和模糊控制器相结合形成,能根据系统偏差的大小、方向以及变化趋势等特征,依据模糊规则库做出模糊推理,能自动调整PID参数,可达到更加满意的控制效果.利用设计的模糊自适应PID控制器,对磁悬浮控制系统中钢球的悬浮位置实现了精确的控制.实验结果表明,模糊自适应PID控制器可以使磁悬浮控制系统拥有较好的稳态和动态性能.     

一种基于增量式数字PID算法的智能温度控制器

阐述了一种基于增量式数字PID算法的智能温度控制器的实现,并对数字PID算法及硬件方案的实现进行了分析。通过软硬件的设计,完成了PID控制算法在温度控制系统中的应用。对温度控制进行了LabVIEW仿真测试,仿真结果表明,基于增量式数字PID算法的智能温度控制器具有较好的控制效果和较高的准确性。     

磁悬浮系统的反推滑模控制

针对磁悬浮系统的非线性、开环不稳定性,将其模型在平衡点附近线性化,并根据得到的状态方程设计了对系统不确定性具有较强鲁棒性的反推滑模控制器,实现了对磁悬浮系统的闭环稳定控制。在Matlab Simulink仿真环境下建立系统的实时控制框图并通过RTW工具箱生成可执行代码,实现了钢球的悬浮与控制。实验结果表明,所设计的反推滑模控制器能实现钢球的稳定悬浮并具有良好的动态跟踪性能。     

模糊PID无源稳定性分析

分析了非线性控制中经常使用的无源稳定性定理．介绍了模糊PID控制器的构造、实现以及与传统PID控制器的关系．将无源稳定性定理应用到传统PID控制器稳定性分析中，推导出PID控制参数的要求．最后利用模糊PID控制器与传统PID控制器的联系，进一步推算出符合稳定性要求的模糊PID控制器设计规则．给出具体实例，验证模糊PID系统稳定的参数范围．     

复杂结构振动对磁悬浮轴承性能影响的研究

复杂结构的振动造成磁悬浮轴承相对运动控制系统的参考位置（基准）出现偏差，影响磁悬浮主轴的加工精度。因此，有必要预测、评估复杂结构的振动对磁悬浮主轴精度的影响。以弹性梁＋磁悬浮主轴为研究对象，通过建立系统模型和理论分析，得出弹性基础振动对相对运动控制磁悬浮主轴性能的影响规律。并得出结论：控制策略不能局限于相对运动控制，控制器的设计必须考虑复杂弹性结构振动的影响，将复杂结构的振动信号也作为反馈变量。     

磁悬浮实验系统的设计与分析

文章设计了一套单自由度磁悬浮实验系统,分析了该系统的控制特性;并设计了一套模拟PID控制器,成功地对该系统实现了控制,且为其它高级控制算法的研究提供了一个很好的实验平台。     

基于LonWorks的专家PID工业控制系统设计

本文设计了基于LonWorks的专家PID工业控制系统,分析了该系统的硬件组成和软件实现方案。在控制器设计上,将专家控制与传统PID控制相结合,采用了专家PID控制,通过Matlab仿真表明,本文所设计的专家PID控制器与传统PID控制器相比,在控制工业常见被控对象时响应速度更快、抗干扰能力更强、动态性能更好;在工业生产现场的数据传输通信中采用了Lon-Works现场总线技术,使工业生产现场的通信效率和准确度大大提高。     

基于混杂系统的智能PID控制设计

文章介绍了智能PID算法的思想,通过引入混杂控制系统,提出了应用混杂控制系统设计智能PID算法的思想。对最小切换策略进行了定义,并在理论上证明了该切换策略能保持系统在李雅普诺夫意义下的稳定性。设计了一个由时间最优控制和两个PID控制组成的混杂系统,通过仿真表明设计的有效性,并对该设计提出了进一步改进目标。     

主动磁轴承的神经网络自适应PID控制

针对主动磁轴承系统的本质不稳定性、非线性和参数不确定性，提出基于BP神经网络的自适应PID控制器．该控制器输出含有P、I、D信号的非线性组合，补偿了磁轴承系统的非线性．使系统控制效果良好；同时控制器可根据磁轴承的运行状况进行在线自学习和自校正，避免了传统PID控制器参数整定困难的缺点．最后基于某磁轴承系统的仿真研究表明了该控制器的有效性。     

磁力轴承的模糊控制

介绍了磁力轴承系统的工作原理和数学模型,针对该系统的高度非线性、本质不稳定性和参数不确定性,提出了一种控制算法较为简单的模糊控制方案,通过分析得出影响模糊控制器稳态误差大小的两个主要因素为比例因子ke和误差e的量化论域中"0"点的量化策略.在Simulink中的仿真结果表明,将模糊控制器用于磁力轴承系统的控制,与PID控制相比,系统超调小,调节时间短,抗扰动能力强,且能达到一定的控制精度.     

仿人智能控制策略在不确定性复杂控制系统中的应用

复杂系统往往表现出不确定性,其精确的数学模型难以建立,导致常规的PID控制很难对其进行有效的控制;作者基于控制策略的对比研究,选择仿人智能控制策略实现对不确定性复杂系统的控制.文中给出了控制策略和控制算法,并详细地分析了仿人智能控制器的设计方法,最后对某复杂工业控制对象进行仿真,结果表明了该控制策略的可行性和有效性,系统动、静态品质好.     

一种基于模糊神经网络的自适应PID智能控制器

设计了一种新的基于模糊神经网络的自适应PID智能控制器,该系统利用模糊神经网络对被控对象进行模糊辨识,同时,采用BP学习算法的神经网络自适应地调整PID控制器的参数,将模糊技术、神经网络与PID控制综合起来,从而实现PID控制的自适应和智能化。仿真实验表明,该控制器具有较高的控制品质。     

基于PSO优化算法的模糊PID励磁控制器设计

针对优化发电机励磁控制器控制问题,研究模糊理论及人工智能控制方法,建立数学模型分析励磁控制器,找到将粒子群算法与模糊PID相整合的励磁控制途径,并设计了适用于低压水轮发电机的励磁控制器.粒子群优化算法优化控制系统的初始参数,模糊PID完成对系统的动态控制.仿真结果表明,改进的控制器算法相比传统PID控制和模糊控制PID,响应速度较快(上升时间少于1s),超调量小(超调量少于5%).能够满足控制器快速、准确和稳定的要求,是一种先进的控制方法.     

辅助设计智能控制器的专家系统

对智能控制器CAD专家系统的设计思想进行了探索，模仿人在解决复杂问题时的行为功能，提出了辅助设计的二步模型化思想，并介绍了该系统的结构、功能概况、特点、智能控制器的设计过程、系统知识库的内容及模型仿真功能。     

基于鲁棒比例-积分-微分控制的智能汽车自主换道轨迹跟踪控制

为了解决智能汽车自主换道轨迹跟踪所使用的比例-积分-微分(proportion-integral-derivative,PID)控制器参数难以整定的问题,提出应用于自主换道轨迹跟踪控制的鲁棒PID控制器设计方法。首先,构建车辆-道路系统动力学模型,将转向执行机构看作一阶惯性环节,搭建包括转向执行机构动力学模型在内的系统动力学模型;然后,基于分段多项式表达求解自主换道轨迹模型,并基于时间与误差绝对值乘积积分构建鲁棒PID控制器,确定控制参数,形成闭环系统的传递函数;最后,进行仿真及实车试验,结果表明,所设计的控制器具有较强的鲁棒性,能在保证换道工况下智能车辆较好的轨迹跟踪能力的同时,有效地提高乘员舒适性。     

基于数据的多模型分数阶PID控制方法

针对复杂非线性系统,将多模型建模与分数阶PID控制相结合,设计了一种完全基于输入-输出数据的多模型在线建模控制方法.首先,利用输入-输出数据对非线性系统进行在线多模型建模;然后,针对所建立的多个局部模型,基于加权控制方式设计分数阶PID控制器.该方法将对系统的建模与控制器的设计包含在一个控制系统设计框架以内,对系统模型的不确定性具有更好的鲁棒性,仿真实验的结果表明了该方法的有效性.     

An Intelligent Adaptive Fuzzy PID Controller Based on Multimodel Control Approach

A novel intelligent adaptive fuzzy PHD controller based on multimodel control approach is presented in this paper.It can improve the system performance of the dynamic time- varying system at various operating conditions.The fuzzy PHD controller is implemented by combining a fuzzy PI with a fuzzy PD controller in a parallel structure. The parameters of the fuzzy PHD controller are linked, via analytical derivation, to the gains of the linear PID controller. The sum of error square is used as performance criterion to locate the model that best reresents the process among the multiple models, The desired control output to drive the process along the desired path is generated only by modifying the output scale factots GU_I and GU_D of the fuzzy PID controller, Among the prescribed models, the control signal of the nearestmmodel to the system is applied. The system can be driven to its original trajectory because of the robustness of the fuzzy PID controller, Computer simulation results show that the adaptiv