时变时滞系统的灰色预测非线性PID控制

针对时变时滞过程提出一种新的控制结构.在此控制结构中,利用遗传算法自动跟踪系统的时滞变化,由灰色预测模型根据辨识的时滞提前预测出系统的输出,而系统的预测输出与输入的偏差以及偏差变化率为非线性PID控制器的输入.仿真结果验证了这种结构能很好地满足时变时滞系统的快速动态响应和稳定性要求.     

串行线模糊生产控制系统的建模与优化

建立了串行生产线模糊控制系统的数学模型,详细描述了模糊控制器的设计,针对问题提出了一种贪婪算法用以解决系统的优化模型.经实例分析,与CONWIP、kanban及Local/Global Pull 混合系统进行比较,结果显示模糊生产控制系统不仅能够维持较低的在制品水平和存储费用,而且在订单投放的稳定性方面更是独具优势,提出的贪婪算法也能够满足系统设计的要求.     

无人机编队飞行模糊控制系统设计与仿真

将模糊技术应用于无人机编队飞行控制系统设计的研究中,在研究模糊控制理论的基础上,设计了无人机编队飞行控制系统,它包括无人机速度、高度和方向三个部分的模糊控制器.针对编队飞行特点确定相应规则和算法,实现了对编队飞行中无人机的稳定控制,仿真结果说明此模糊控制器优于传统控制器,验证了此方法的有效性和可行性.     

混合动力汽车机电复合制动控制系统研究

通过分析和研究混合动力汽车在低附着系数路面制动时制动系统的工作状态与要求,针对具有独立的电机回馈制动控制系统和独立的液压制动控制系统的混合动力汽车,设计了一种新颖的回馈制动与防抱死制动机电复合模糊控制系统.该两层分级控制系统顶层协调控制电机回馈制动与液压制动过程工况分配,底层协调控制力矩分配与调节.对控制策略与方法进行了研究并通过仿真与试验进行验证,结果表明车辆制动性能良好,能量回收制动力矩和液压制动力矩能够协同工作,部分制动能量被回馈储存,控制策略与方法有效且鲁棒性好.     

模型参数不确定双臂柔性机械手的轨迹跟踪控制

基于奇异摄动方法,在将参数不确定双臂柔性机械手分解为慢变和快变两个子系统基础上,提出一种复合控制方法,以实现关节轨迹跟踪控制,抑制弹性振动.针对慢变子系统,提出一种模糊非奇异终端滑模控制方法,保证系统的全局稳定性,提高系统的跟踪速度和精度,同时消除滑模控制的抖振现象.针对快变子系统,提出一种基于观测器的LQR控制方法,估计系统不可测状态,压制柔性振动.仿真结果证明所提方法的有效性.     

ABR流量的模糊免疫PID控制

针对高速通信网络的拥塞问题,设计模糊免疫PID控制器,对网络中的ABR速率进行实时、在线调节。提出了确保最小信元速率的算法。所设计的控制算法不但克服了ABR带宽、用户数量及传播时延等不确定因素对网络性能造成的影响,而且保证了带宽的公平分配及链路的充分利用。仿真结果表明系统具有很好的快速性、鲁棒性及适应性,网络的服务质量得到了保证。     

基于遗传算法的车辆ABS在线整定PID控制及仿真

分析了ABS(防抱制动系统)PID控制方法的原理。提出了基于遗传算法的在线ABS PID控制方法。为了使控制器具有更高的搜索效率以满足ABS的实时性要求,改进了遗传算法的遗传算子,使复制与交叉操作并列存在,使用具有选择性的交叉操作,并改变变异操作的随机性,使其成为受控的随机操作。使系统能根据车辆的运行条件实时整定PID控制参数。仿真结果表明,基于遗传算法的在线ABSPID控制方法能有效抑制超调,控制ABS跟踪路面条件变化。     

免疫响应反馈理论在水轮机调节系统中的应用

免疫响应反馈理论是维持生物体免疫平衡的关键,T细胞在不同的免疫阶段所具有的促进和抑制功能,保证了系统的快速响应和足够的稳定性。针对水轮机调节系统具有高度非线性、时变不确定、非最小相位等特点,通过免疫系统与控制系统的类比,借鉴免疫响应调节机理,利用免疫PID控制器来控制水轮机调节系统,并对该系统进行了仿真研究,仿真结果表明当工况变化和存在扰动时免疫PID控制器能有效的改善水轮机调节系统的动态性能,增强其鲁棒性和抗强干扰的能力。     

机电控制系统的仿真研究

在分析直流电机与曲柄摇杆机构数学模型的基础上,针对这类非线性、复杂系统的模型特点,提出了一种Matlab/simulink与m函数嵌套的建模方法,完成了直流电机—曲柄摇杆机构的simulink模型。为了获得稳定的曲柄转速,提出了基于CMAC（Cerebellar Model Articulation Controller小脑神经网络）与PID并行的控制算法。仿真结果表明,该建模方法可行,控制方法能有效地降低曲柄的速度波动。     

微分进化微粒群算法及其控制

通过对微粒群优化算法的分析,提出了一种用微分方程组描述的微粒群优化算法——微分进化微粒群优化(DEPSO)算法,并利用传递函数对DEPSO算法的收敛性进行分析.在此基础上,通过引入PID控制器以控制DEPSO算法的动态进化行为,以增强微粒产生的多样性,从而改进微粒群优化算法的全局收敛性.仿真结果表明了此方法的有效性.