基于PSO滚动优化的LS-SVM预测控制*

针对非线性时延系统、传统预测控制算法难以建立精确模型、控制精度不高的现状,提出一种基于最小二乘支持向量机（LS-SVM）的非线性系统预测控制算法。该算法通过LS-SVM对非线性系统输入输出数据序列的训练学习,建立其预测模型;然后运用粒子群(PSO)算法完成非线性预测控制的滚动优化。仿真结果表明,基于该方法的非线性系统预测控制具有较好的控制效果。     

一种新型的预测函数PID控制算法的研究

针对应用于工业过程中的系统具有大时滞、时变性、非线性等特点,采用传统的PID控制方法难以实现良好的控制效果.将预测函数控制算法和PID控制算法相结合,提出了一种新型的预测函数PID控制算法.该算法具有预测函数控制算法鲁棒性强和PID控制算法抗干扰性好的优点.仿真结果表明,与常规预测函数控制算法相比,该控制算法满足系统对快速性和稳态精度的要求,具有良好的鲁棒性和抗干扰能力.     

PID型广义预测控制在过热温控中的应用

在分析PID算法和广义预测控制算法的基础上,将广义预测控制算法的性能指标构造成PID形式,并推导出改进的PID型广义预测控制算法（PIDGPC）。通过在发电厂的过热蒸汽温度串级控制系统中的仿真,在时域内分析PIDGPC算法控制器的参数选择对控制性能的影响,说明PIDGPC算法比基本广义预测控制算法具有更好的控制性能,具有较好的应用前景。     

非线性系统的蚁群优化预测PID控制

针对非线性、时变及大惯性系统的控制问题,提出了一种基于蚁群算法的预测PID控制算法。该算法以神经网络作为预测模型,将预测控制和PID控制相结合,并用蚁群算法在线优化控制器参数,其中以常规的Ziegler-N ichols方法整定的控制器参数为基础,选取蚁群优化变量的动态搜索区间。该算法考虑了控制能量受限情况下,非线性系统的预测控制问题。计算机仿真结果表明,该非线性控制方案具有较好的鲁棒性,相对传统PID控制策略还表现出了良好的动态性能,能够满足对再热汽温对象的控制要求。     

非线性系统的模糊免疫PSD控制与仿真

针对模糊免疫PID控制算法中微分与积分增益不能根据系统特性自动调整的问题,提出了一种模糊免疫PSD(Proportional Summation Derivative)控制算法。该方法将自适应PSD算法与模糊免疫PID算法相结合,利用自适应PSD控制算法根据过程误差的几何特性建立的PSD控制规律,使得模糊免疫PID控制算法中的微分和积分增益可以随比例增益的变化而自适应调整,从而进一步提高控制算法的自适应性能。仿真实验表明,采用该算法可以提高非线性、时变系统的控制性能,并能减少参数调整的工作量。     

电加热炉系统预测函数PID控制算法的研究

由于电加热炉系统具有大时滞、时变性、非线性等特点,提出了一种新型预测函数PID控制算法.该算法将PID控制算法和预测函数控制算法结合起来,通过预测被控对象的未来输出值,得到一个新的优化目标函数,实时优化控制参数,得到控制量的解析解.仿真结果表明,与常规PID控制和预测函数PID串级控制相比,所设计的控制器满足系统对快速性和稳态精度的要求,系统具有较强的抗干扰性和鲁棒性,能够实现对电加热炉系统的有效控制.     

基于LSSVM逆系统在污水处理系统DO控制中的研究

针对污水处理控制系统的非线性及时变等特点,在分析常规PID控制和模糊控制不足的基础上,以溶解氧DO为控制对象,提出一种由LS-SVM的逆模型与PID结合的复合控制系统,由LS-SVM辨识非线性系统的逆模型作为前馈控制器,形成直接逆控制。同时,由PID控制器构成反馈控制,克服直接逆控制鲁棒性不强的缺陷。仿真研究结果表明LS-SVM的逆模型辨识能力强,具有更好的抗干扰能力和鲁棒性。     

带有自校正的PID预测计算机控制算法研究

常规PID控制有许多不完善之处，其中最主要的问题就是PID控制器参数一旦调整好后。在整个控制过程中都是固定不变的，从而使系统很难达到最佳的控制效果。提出了一种带有自校正的PID预测计算机控制算法，包括控制结构、控制器设计以及变换为具有PID结构形式的过程。仿真结果表明带有白校正的PID预测控制算法调整时间短，平滑性较好，表明该带有自校正的PID预测计算机控制算法的有效性和较好的控制综合性能。     

基于在线LS-SVM的逆模/PID复合控制

针对最小二乘支持向量机(LS-SVM)无法在线建模的问题,提出了一种基于在线LS-SVM回归的非线性逆模型建立方法。在线LS-SVM能够跟踪时变非线性系统的动态特性,当系统参数随时间变化时仍然有效。在前馈控制中,在线LS-SVM建立系统逆模型,并与PID反馈控制相结合构成复合控制方法,应用于较一般的离散非线性系统。仿真结果表明,采用在线LS-SVM建立非线性系统的逆模型的方法有效,复合控制策略具有良好控制性能。     

基于粒子群算法进行参数自我调整的广义预测控制算法在汽包液位控制中的应用

PID控制算法的学习性能及泛化性能取决于参数设置;在常规方法中,这些参数以固定值形式参与运算,而当面对复杂分布的数据集时,可能无法挑选出一组能够胜任各种分布情况的参数;因此,提出一种基于粒子群算法(particle swarm optimization,PSO)进行参数自我调整的广义预测控制算法(generalized predictive control,GPC);该算法根据工业锅炉现场环境的复杂性,机组参数的时变性,有效地解决了PID控制的控制精度受到限制的问题;着重讲述了汽包液位控制方案的设计,可看出PSO-GPC控制在汽包液位控制中的重要应用,其次,通过粒子群算法对参数进行辨识,并给出了仿真算例,参数辨识准确,最后用PID控制算法在液位控制中的仿真曲线与广义预测控制算法对锅炉汽包液位进行了仿真曲线进行了对比分析,可见广义预测控制增强了系统的快速性,稳定性好且抗干扰性强。     

神经网络非线性多步预测逆控制方法研究*

提出了基于多步预测控制方法的多变量非线性神经网络逆控制方案。利用预测模型对系统动态特性进行预测,使用一个带有时延因子的前馈神经网络作为控制器,利用多步预测性能指标对其在线训练,实现神经网络逆系统;在多步预测过程中还对每一步的预测误差进行预测,以实现预测误差补偿。将所提出的控制算法用于锅炉这种大滞后非线性对象的控制,仿真实验证明,该控制策略具有良好的解耦和动态跟踪性能。     

球杆系统自适应遗传PID控制

遗传算法全局寻优参数,但训练时间较长;PID控制算法简单,却难以控制非线性复杂过程.将自适应遗传算法和PID相结合,可有效地改善控制效果.通过建立球杆系统机械部分模型、角度模型和电机模型,得到整个球杆系统的数学模型;设计基于遗传算法的自适应PID控制器,通过在线整定控制器参数,提高球杆系统的控制性能.仿真实验结果证明了该算法的控制效果良好,适应能力较强,具有算法简单、参数整定容易等优点.     

基于SVM逆模型控制的储能电源逆变器研究

电网供电系统的储能电源变换器是储能电源系统的核心,其控制效果的好坏直接影响输出电能的质量.为进一步提高储能电源逆变输出电压波形质量,增强控制系统的鲁棒性,基于逆系统控制思想,提出一种支持向量机(SVM)直接逆控制与PID控制相结合的复合控制策略,并将其应用在储能电源控制系统中.采用支持向量机离线训练的方法,实现了对系统逆模型的辨识,并将辨识出的逆模型作为控制器,与被控对象串联构成一个伪线性系统,在此基础上,采用增量式PID控制器(IPIDC)进行补偿式控制.Matlab仿真结果表明该控制器有效减少了超调量,抗干扰能力和鲁棒性强,适用于非线性系统.     

非线性HAMMERSTEIN系统的预测控制及其pH过程应用

本文基于非线性离散Hammerstein模型,开发了一种非线性Hammerstein系统预测控制(Non-Linear Hammerstein Predic- tive Control,NLHPC)算法。遵循预测控制策略,该算法利用Hammerstein模型进行输出预测。理论分析结果表明,该算法不仅具有好的稳定性和鲁棒性,而且其自身具有积分作用。在一台工业PC机上实现了该NLHPC算法,并用于具有强非线性的酸碱中和过程实验装置pH值的控制。实验结果表明NLHPC有着比工业界常用的非线性PID控制(nonlinear PID,NL-PID)更好的控制性能。     

改进的单神经元自适应控制系统在MCGS中的应用

对于现代工业控制中的一些具有时变的、大时滞、非线性的复杂系统,常规的PID算法难以整定PID参数,因而难以达到预期的控制效果. 本文在MCGS组态软件的实验平台上实现常规PID算法和单神经元自适应PID算法分别在线性和非线性的系统的控制. 实验结果表明,在线性系统和非线性系统中单神经元自适应PID控制算法都具有更好的稳定性和动态性能.     

基于模糊预测PID算法的地下空间湿度控制

根据防护工程地下空间空调系统的时滞以及非线性特性,结合预测控制和模糊控制两种方法,设计了基于模糊预测PID算法的控制器.建立了系统的数学模型,并基于所提出的控制方法对其进行仿真研究,结果显示该控制器抗干扰能力较好,相较于传统PID控制,该控制器调节时间更快,控制效果更佳.     

A model-based augmented PID algorithm

For complex control problems, advanced techniques, such as model-based predictive control may give better control performance than the common PID controller. However, the extra complexity and limited support of control software especially at the distributed control system (DCS) level, may prohibit the application of advanced algorithms. Also, implementing model based control often requires a higher level of programming than is readily available at the DCS level. This paper addresses this problem by providing a control algorithm utilizing multiple DCS PID blocks to implement a model-based predictive control strategy. The approach was tested on process simulations and the algorithm was able to provide control performance similar to that of generalized predictive control.     

Hybrid control of a pneumatic artificial muscle (PAM) robot arm using an inverse NARX fuzzy model

We investigated the possibility of applying a hybrid feed-forward inverse nonlinear autoregressive with exogenous input (NARX) fuzzy model-PID controller to a nonlinear pneumatic artificial muscle (PAM) robot arm to improve its joint angle position output performance. The proposed hybrid inverse NARX fuzzy-PID controller is implemented to control a PAM robot arm that is subjected to nonlinear systematic features and load variations in real time. First the inverse NARX fuzzy model is modeled and identified by a modified genetic algorithm (MGA) based on input/output training data gathered experimentally from the PAM system. Second the performance of the optimized inverse NARX fuzzy model is experimentally demonstrated in a novel hybrid inverse NARX fuzzy-PID position controller of the PAM robot arm. The results of these experiments demonstrate the feasibility and benefits of the proposed control approach compared to traditional PID control strategies. Consequently, the good performance of the MGA-based inverse NARX fuzzy model in the proposed hybrid inverse NARX fuzzy-PID position control of the PAM robot arm is demonstrated. These results are also applied to model and to control other highly nonlinear systems.