基于模糊模型的预测PID控制器的参数整定

提出一种基于模糊模型的预测PID控制器（PPID）的参数整定方法，PPID采用广义预测控制的控制策略，控制算法简单，容易在单片机、PLC和仪表上实现，且有比普通的PID更优良的性能，参数整定分两阶段进行，首先基于初始模型对PPID离线进行整定，然后在系统运行后利用对象的输入输出数据对模糊模型和PPIDR的参数再次进行离线整定，整定算法均采用批处理方式的梯度下降法。     

伺服驱动系统无模型自适应控制

高速高精的应用场合要求伺服驱动系统需要具备很好的动态响应性能和很强的鲁棒性来应对外界的干扰.但系统参数时变特性、不确定性以及非建模动态等因素导致伺服驱动系统的精确模型无法辨识得到.提出一种基于虚拟参考反馈校正的伺服驱动系统无模型自适应控制方法.该方法实时采集过程输入和输出数据,以当前系统运行状态的最新数据序列更新PI控制器参数,达到自适应控制的目的,保证系统的跟随性能.并且该方法结合稳定性约束条件以确保整定出来的伺服参数位于系统的稳定域内.仿真和实验结果表明,相比传统PI控制,提出的无模型自适应控制方法具有更好的动态响应性能、稳定性和鲁棒性.     

变增益自适应PI（D）控制系统的调节器参数整定

给出了变增益自适应ＰＩ（Ｄ）控制系统调节器参数的工程整定方法，并由数字仿真结果验证了这些方法的正确性。     

PID控制器的控制规律及参数整定

温度控制在工农业生产中占据着及其重要的位置,PID控制器一起结构简单、性能成熟、智能调控等在温控领域得到广泛的应用。本文对PID控制器的工作原理以及调控方法进行了介绍。     

模型预测控制器权重参数整定非线性规划法

模型预测控制(MPC)权重参数的整定是其取得良好控制性能的关键。针对基于双层结构多目标优化的MPC权重参数整定方法存在求解过程较慢、耗时较长的问题,提出了一种非线性规划整定方法。该方法将MPC权重参数整定中每个时间采样点的MPC子优化问题等价为外层MPC权重参数整定优化问题的最优KKT(Karush-Kuhn-Tucker)条件,将MPC权重参数整定的双层多目标优化问题转化为单层非线性规划问题。仿真案例表明,基于单层非线性规划整定方法的MPC控制性能优于或近似于基于双层多目标优化整定方法的MPC控制性能;而且基于单层非线性规划的整定方法能够快速获得MPC权重参数,时间成本由基于多目标优化整定方法所需的1.0～1.5 h缩短到10～90 s。     

PID参数自整定方法综述

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。章综述了PID参数自整定方法,并对将来的发展进行了讨论。     

PID控制器参数整定

介绍了PID控制工作原理和方法,综述了PID控制参数整定方法,探讨了PID控制的发展方向。     

风电场联络线距离保护的自适应控制整定方法研究

风电场并入电网最大的困难是风速的波动性和随机性,在每台风机上加装电力电子装置某种程度上解决了频率和电压的波动问题。本文基于风电场侧流出的电流和系统两侧电势的比值与参与发电风机的信息,提出了风电场侧距离保护的自适应控制整定方案。     

PID过程控制及其参数整定

介绍了PID控制的概念及其工作原理,通过对PID过程控制的分析,给出了PID控制系统参数的整定方法。     

基于改进遗传算法的PID参数整定策略

针对简单遗传算法（SGA）收敛速度慢、易于早熟等缺点,在前人研究成果的基础上,提出动态调整搜索空间策略,对遗传算法进行多步渐进搜索。并采用改进的自适应交叉算子和自适应变异算子,结合兼顾性能指标和响应过程平衡的适配函数,以多种改进方式相结合的遗传算法对PID参数进行迭代寻优整定。仿真结果表明：当被控对象存在较大纯滞后、时间常数特性时,采用本方法优化PID控制器参数可获得比较满意的调节效果。     

基于交叉熵算法的自抗扰控制器参数整定方法

为解决自抗扰控制器参数难以整定的问题,提出基于交叉熵算法的自抗扰控制器参数优化设计方法。通过适应交叉熵算法选择适应度函数,对其中的五个重要参数β01、β02、β03、β1、β2进行了优化分析。仿真结果表明：交叉熵算法比免疫遗传算法的自抗扰控制器超调量更小,响应时间更快。     

基于改进RBF神经网络的PID整定

针对非线性系统,采用了基于径向基函数（RBF）神经网络的PID整定。RBF神经网络参数的初始值直接影响收敛速度,本文通过聚类法优化初始值。仿真结果表明,基于聚类法优化的RBF神经网络收敛速度快,整定效果优于未使用该方法的整定结果。     

基于自适应遗传算法的PID参数寻优

针对工业过程中常见的二阶大滞后对象的PID参数调节问题,采用自适应遗传算法对PID控制进行参数寻优,并将结果与常用的PID参数寻优方法进行比较,仿真实验结果表明,在PID参数的寻优问题中,自适应遗传算法采用自动改变变异概率的方法,提高了控制系统的自适应性。     

基于量子粒子群优化算法的PID参数控制

针对传统PID算法参数最优或接近最优确定较为困难,提出一种量子粒子群(QPSO)优化PID参数的算法,并用平方误差矩积分函数作为适应度判据,以克服PID算法自适应能力较差及遗传算法(GA)优化效率不高,其局部搜索能力较弱的缺陷。并使用伺服电动机数学模型进行仿真,结果表明量子粒子群优化PID参数速度快,避免早熟缺陷,同时表明了所提出算法的有效性和所设计控制器的优越性。     

基于预测的模型参考自适应逆控制

由于纯延迟离散系统仅存在延时的逆模型,因而对该系统进行自适应逆控制时,扰动消除会产生一定的延迟误差。为此,提出了一种基于非线性预测的模型参考自适应逆控制方法,实现了扰动的实时消除,从而无延迟误差,使系统控制性能得到改善。仿真结果表明了新方法的有效性。     

基于神经网络模型的扩展优化自校正预测控制

利用前馈神经网络权初值优化的快速BP算法建立对象的非线性预测模型,采用分段线性化的技术建立动态线性模型,基于该线性模型进行滚动优化,同时用非线性预测模型对其进行补偿,实现对具有时延的非线性系统的预测控制,较好地解决了非线性系统存在时变、模型失配等情况下的控制问题。仿真实验表明由它构成的控制系统具有很好的动态响应和较强的鲁棒性。     

基于模型参考自适应的直线电机转速辨识

针对直线永磁同步电动机全闭环控制系统易受干扰、降低系统性能指标、存在不稳定因素等问题,提出了基于模型参考的自适应模糊神经网络在线辨识方法,用梯度法实时修正模糊控制器的输入和输出隶属度参数,建立了模型参考自适应模糊神经网络速度伺服系统模型,给出了模糊神经网络控制器的设计方法.仿真和实验结果表明:该方法提高了速度检测装置的分辨率和动态响应能力,系统具有很强的鲁棒性.     

应用神经网络的非参数模型自适应控制

 提出了一种应用神经网络的非参数模型自适应控制方案,该方案仅用受控系统的I/O数据来设计控制器,并与神经网络自适应控制方案进行了仿真比较,仿真结果表明了该方案的有效性和优越性.     

可调增益的模型参考自适应控制及其仿真

针对一类实际工业受控对象的增益呈现缓时变的情况,本文采用的一种自适应控制方案－具有可调增益的模型参考自适应控制系统,通过对其在Matlab之Simulink中进行仿真,结果表明这种方案可以有交地抑制受控对象参数的缓时变对系统性能的影响。     

神经网络模型参考自适应控制算法研究

分析了基于BP算法的神经网络模型参考自适应控制器对大惯性环节被控对象的控制效果,发现该算法使控制器存在严重的“过学习”现象,为避免这一现象,设计了一种新的误差函数结构,得到改进的BP算法,针对一个存在大惯性环节的线性时变系统,对比分析了神经网络模型参考自适应控制器在采用传统的BP算法和改进的BP算法时得到的不同控制效果。