基于蚁群算法的智能人工腿最优PID控制器设计

以蚁群系统和蚁群算法为基础,提出了一种新的具有不完全微分的最优PID控制器的设计方法.该控制器以系统单位阶跃响应的超调量σ、上升时间tc以及调整时间ts为性能指标,针对给定的控制对象,利用所建立的蚁群算法搜索出一组最优PID参数K*p,*i及T*d,作为实时控制中PID控制器的参数.该控制器被用于控制智能仿生人工腿中的执行电机.计算机仿真结果表明,与传统的PID控制器相比,这种基于蚁群算法的最优PID控制器具有良好的动态和稳态性能,可用于控制多种不同的对象和过程.     

参数自寻优模糊控制器在中央空调温度控制系统中的应用

在中央空调温度控制系统中设计应用了一种参数自寻优模糊控制器。针对中央空调温度控制系统被控对象非线性、大滞后和时变等特点，该模糊控制器在规则可调整模糊控制器基础上引入了加权因子α和比例因子Ku的在线调整优化算法。运行结果表明，这种算法增强了系统的鲁棒性，在不同工作条件下，系统保持了良好的控制品质。     

一种广义预测控制直接算法

基于灰色模型GM（1，2）采用两个辨识器分别辨识被控对象和闭环系统的参数，从而得到了控制器的参数，给出了一种广义预测控制的直接算法。由于此方法将被控对象视为灰色系统，需辨识的参数较基于CARIMA或CARMA模型的广义预测控制直接算法大大减少，实时性进一步提高。仿真结果表明，该方法是有效可行的。     

惯性特征系统最速特征模型PID控制参数辨识

以惯性特征系统作为研究对象,针对常规PID控制器参数的设置问题提出了基于系统最速特征模型的辨识算法,该算法利用惯性特征系统的输入输出特性,通过最小二乘法辨识出系统的一阶特征模型,然后再根据一阶特征模型、控制律和系统的动、稳态性能的要求辨识出系统的二阶最速特征模型,同时也计算出PID控制器的参数.仿真结果表明,该算法能够使PID控制具有最速响应的特征,为PID参数设置提供了一种计算方法.     

基于参数稳定空间的PID控制器设计

一阶加纯延时模型难以精确描述被控对象,因此传统的PID控制器不能取得满意的控制效果。基于精确的高阶模型提出了一种最优PID控制器的设计方法。利用广义Hermite-Biehler定理获得使闭环系统稳定的PID控制器集合。在该PID控制器集合中,运用遗传算法寻找基于ITAE指标最优的PID控制器参数。利用广义Kharitonov定理及Monte-Carlo随机试验方法对PID控制器鲁棒性和性能鲁棒性进行评价。仿真结果表明:该文算法对高阶对象具有良好的控制性能,对模型的不确定因素具有较好的适应性和鲁棒性。从而证实了该文算法的有效性,可以应用于高阶系统的控制。     

二级倒立摆的参数自整定模糊-PI控制

基本模糊控制器在面对复杂控制对象时，其稳态精度比较差。针对这一问题，文中以二级倒立摆系统为控制对象，提出了一种新的模糊控制器。该模糊控制器通过对基本模糊控制器中结构参数的寻优和调整，以及系统输出结构的完善，实现了二级倒立摆的稳定控制。仿真研究表明，提出的模糊控制算法无论是在动态指标还是在稳态精度方面与基本模糊控制器相比，都有了明显的改进。     

对象具有纯滞后的离散MRACS设计

本文基于MRACS设计理论,从控制器接在滞后环节后的方法入手,利用连续系统从模型取状态和MRACS的新结构方案的设计思想,导出了实用的MRACS的参数自适应算法。系统控制器控制状态取自y_m(k+D)(模型未延迟输出),从而增加了系统控制的快速性。自适应律中所需的状态不是直接取自对象输出,从而减少了输出端扰动对参数适应过程的影响。计算机仿真结果表明该算法是正确的。     

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。     

长流程生产过程多重大时滞系统时间协调参数自调整控制策略

针对长流程生产过程多重大时滞系统难以闭环稳定控制的问题,说明多重大时滞系统形成的物理本质,分析系统的组成结构,引入脉冲响应等效系统的概念,提出多重时间协调参数自调整控制算法(M-TCPA)。该算法根据不同的时滞特性,通过时间协调原则修改n个控制器的输出。利用n个脉冲响应等效系统分别修改n个控制器的参数,使n个脉冲响应等效系统和多重大时滞系统匹配,跟踪被控制对象参数变化,保证系统控制精度和稳定性。研究结果表明:该控制算法是递推算法,计算量小,便于在线实现。将该控制策略应用于氧化铝生产连续碳酸化分解过程,氧化铝合格率提高了1.5%。     

基于遗传算法和神经网络的PID参数自整定

针对在传统PID(比例-积分-微分)控制器中调整3个参数时不易推导出被控对象的传递函数,且这些参数不易手动调整的问题,提出一种新算法用于调整PID控制器参数.该算法将神经网络和遗传算法相结合,先利用神经网络的模拟功能协助遗传算法计算适应度,训练出一个神经网络模拟被控对象;然后在遗传算法进化中不断地优化PID控制的3个参数.与传统的参数凑试法进行对比仿真实验的结果表明,该算法具有较强的鲁棒性及较快的响应速度.     

一种线性自抗扰控制器参数自整定方法

针对线性自抗扰控制器参数难于整定的问题,提出了一种基于动态响应过程时序数据挖掘的参数自整定算法. 算法以线性自抗扰控制器中线性误差反馈律的两个增益信号回路的动态响应为参数调整对象,通过改进变收缩系数的随机搜索算法进行参数整定,记录动态响应过程数据,基于关联关系挖掘得到控制参数调整策略应用于线性自抗扰控制器的参数自整定. 为验证本文提出的参数自整定方法的实际效果,以液压自动位置控制系统为控制对象,分别采用阶跃响应仿真和Monte Carlo实验进行对比研究. 结果表明,基于数据挖掘参数自整定的线性自抗扰控制器动态响应较好,鲁棒性较强,改进了变收缩系数随机搜索算法调整时间较长以及传统线性自抗扰控制器超调较大的缺点,是一种具有实用性的线性自抗扰控制器参数自整定方法.     

基于变论域模糊控制的高旋弹姿态控制算法

针对高速旋转弹姿态控制系统存在的模型不确定、非线性、强耦合等问题,提出了基于变论域模糊控制的参数自适应姿态控制算法. 在建立姿态控制模型并通过前置反馈补偿方法对俯仰偏航通道进行解耦的基础上,利用变论域模糊控制器对姿态闭环反馈控制系统参数进行在线自适应整定. 仿真结果表明:变论域模糊控制器能有效改善闭环反馈控制系统的动态响应特性,减小弹体参数时变对控制器性能的影响,提高其适应性.      

基于遗传算法优化的自适应FNN-PID控制器研究

针对传统PID控制器参数整定后因无法在线自动调整而导致控制效果不理想的问题,提出了一种基于遗传算法优化模糊神经网络（FNN, Fuzzy Neural Network）的自适应FNN-PID控制器模型。该模型结合了模糊神经网络良好的自适应自学习能力和遗传算法强大的全局搜索能力,利用遗传算法对模糊神经网络的参数进行优化与训练,使PID控制器能够根据被控对象的变化而适时在线调整自身参数KP, KI和KD,从而达到理想的控制性能。将该控制器应用于异步电动机控制系统进行仿真实验,结果表明：基于遗传算法优化的自适应FNN-PID控制器具有较好的自适应能力和鲁棒性,控制效果明显优于传统PID控制器。     

基于全参数在线辨识的鲁棒自校正控制

受控系统中，模型结构参数（模型时延及模型阶次）和模型参数是自适应类控制的基础，采样这些参数，并即时送给控制器，是实现自适应控制的前提，也是优化该类算法的重要依据。笔者给出了对上述自适应控制的有关参数的在线辩识方法，并基于此，改进了经典的自适应类控制算法，算法中引入了对结构参数（模型阶次）的智能辩识方法和鲁棒极点配置原理，从而构成了鲁棒自校正控制，使算法得以进一步优化，整个控制方案给出了自适应类控制的新模式。     

A hybrid Jacobian control for uncalibrated robot visual servoing

Visualservocontrolhasbeenanactiveareaofre searchformanyyears.Since1973,therehasbeen significantprogressonvisualservoingcontrol[1],and severalspecialissuesonvisualservoinghavebeen published[2,3].Therearetwobasicapproachestovi sualservocontrol[1]:Position BasedVisualServoing(PBVS)andImage BasedVisualServoing(IBVS).InPBVSsystem,theobject’s3Dposeisrecovered throughcomputervisionandtheerrorbetweenthe currentposeandthedesiredposeiscomputedinthe Cartesiantaskspace.Estimationof3Dmotionsfrom…     

A hybrid Jacobian control for uncalibrated robot visual servoing

This paper focuses on the visual servo control of an uncalibrated robotic arm with an eye-in-hand camera. Without a prior knowledge of the kinematics of the robotic arm or camera calibration, the proposed hybrid Jacobian controller can track a moving object using visual feedback and joint-space velocity feedback. The proposed hybrid control method is a combination of the uncalibrated visual servoing and approximate Jacobian feedback control. First, the Jacobian matrix from joint-space to image-space is estimated by recursive least-squares (RLS) algorithm, and then the approximate Jacobian feedback controller is designed by using visual feedback and joint-space velocity feedback. The performances of the proposed control methods are illustrated by computer simulations.     

基于粒子群算法的逆变电路PID控制

针对逆变控制系统中PID控制器参数整定困难的问题,提出了基于粒子群算法的逆变电路PID控制器设计方法.通过推导逆变电路模型得到逆变电路传递函数,以该传递函数作为PID控制对象,利用粒子群算法搜索PID参数.MATLAB仿真结果证明了该方法的可行性和优越性.与采用遗传算法相比较,该粒子群算法能更快的获得合适的PID控制参数,所需迭代次数更少.     

基于矩阵规范化的直流电机自校正控制

直流电动机实际运行中,模型参数往往会受到运行环境、工况等条件的影响而发生变化,从而导致其系统模型的不确定性.为解决在上述条件下的控制器设计问题,本文介绍了一种基于自校正调节(Self-tuning Regulation)原理的自适应控制算法.该算法利用矩阵规范化的递推最小二乘法(Recursive Least Squares with Matrix Regularization,RLSMR)进行系统时变参数的在线估计,并针对实时辨识的参数采用极点配置(Pole Placement)方法来设计反馈控制器.计算机仿真结果表明,这种基于自校正调节的自适应控制算法对于直流电机的转速控制具有较理想的调节和跟踪能力,并能够很好地适应模型参数的变化.     

一种基于模糊神经网络和遗传算法的智能PID控制器

常规的PID控制器参数整定方法需要被控对象的精确数学模型,且整定出的参数不能进行在线调整.而模糊控制和神经网络均不依赖被控对象的数学模型,且具有较强的自适应和自学习能力;遗传算法则是一种新型的全局优化方法.鉴于此,提出将模糊控制、神经网络和遗传算法引入PID控制器的设计过程.首先,运用遗传算法优化隶属度函数的中心值和宽度,并借助模糊逻辑控制确定遗传算法中的交叉概率和变异概率.然后,再运用BP算法优化模糊神经网络的连接权系数.仿真结果表明,该方法提高了系统的自适应能力和抗干扰能力,增强了系统的鲁棒性.     

基于BP神经网络的船舶航向智能PID控制研究

针对船舶航向控制非线性的特性,以船舶航向运动一阶KT模型为研究对象,设计了基于BP神经网络的自整定PID算法航向控制器。将传统PID与BP神经网络结合,对被控对象由BP神经网络进行辨识,给出PID控制参数,由PID控制算法进行控制并优化收敛速度。根据真实渡轮船舶特征参数,利用MATLAB/Simulink仿真软件建立船舶航向运动控制系统模型。仿真结果表明,基于BP神经网络的PID控制系统超调小、鲁棒性好,可长时间稳定工作,几乎无稳态误差,控制算法的实用性以及动态控制系统的优越性得到验证。