一种智能PID参数整定控制系统设计与实现

在对多参量输入的嵌入式多模控制系统设计中,受到的参量扰动较大,控制精度不好,传统控制算法采用模糊PID控制算法,随着神经元输入的扰动向量不确定因素的增多,控制的收敛性受到限制。提出一种基于智能变结构模糊PID控制的多参量输入参数整定控制算法,并进行控制系统优化设计。结合滑膜积分控制和PID控制思想,首先进行多参量输入控制系统的被控对象描述,构建多模控制约束参量模型,采用变结构模糊PID神经网络进行控制约束参量的自适应训练,实现自适应控制加权,提高参数的自整定性,实现控制系统优化。仿真实验结果表明,该智能PID参数整定控制系统的控制精度较高,控制稳定性较好,参数自整定性的品质优于传统方法。     

单片机模糊PID自整定控制算法的实现及仿真

工业控制中常用的传统PID算法,其参数整定不仅复杂、费时、费力,而且不易取得最优参数,使控制过程达不到理想状态。针对此利用单片机的计算优势,融合最新的模糊控制理论,提出了一种新型的自动的PID参数整定方法,通过软件模拟及实际检验,均达到了理想效果。     

一种基于PF-RBF的ANNPID参数自整定方法

针对实际控制过程中控制对象难以建立精确模型和由于非线性非高斯噪声干扰导致控制效果难以达到预期的问题,提出了一种基于粒子滤波和RBF神经网络辨识(RBF Neural Network and Particle Filter Algrothm,PF-RBF)的单神经元PID参数自整定方法.通过PF和RBF系统辨识得到精确的...     

模糊自整定PID控制器的FPGA实现

提出了一种基于VHDL描述、FPGA实现的模糊自整定PID设计。首先对模糊增量式数字PID的算法进行了介绍和数学推导,然后使用自顶向下的设计方法完成了控制器的VHDL分层设计,最后,在一个具体的FPGA芯片上实现了该控制器。由于采用了离线计算、在线查表的模糊自整定参数技术和增量式PID算法,本设计既降低了FPGA的资源耗费,又改善了传统PID控制器的控制性能。     

一种实现系统PID参数实时整定与仿真的方法

工业现场PID控制器应用广泛,PID参数的整定直接影响控制器效果,如何整定PID参数变得尤为重要,应用OPC技术、利用Matlab进行实时仿真,使系统PID参数更能适应系统的生产过程。OPC技术作为一种开放式接口标准,其支持ActiveX技术,通过Matlab调用ActiveX控件,可以实现Matlab与OPC服务器进行动态数据交换,通过这种方法可以实现Matlab对工业现场生产实时数据获取。构造半实物仿真的系统。进行PID参数的实时整定,实现分段自适应,获得较好的鲁棒性。     

一种改进的最优PID参数自整定控制方法

为了解决大滞后系统控制难度大的问题,针对非线性、大时变、大延迟的控制对象,设计一种带嵌入式函数的最优PID参数自整定控制方法,通过仿真实验与ISTTE最优准则下最优PID参数自整定控制方法进行了比较,给出仿真波形及其分析,通过仿真实验结果表明该控制方法不仅具有PID控制器高精度、稳定性、鲁棒性高的优点,另外可以缩短系统的调节时间,有效地抑制系统的超调,从而可以有效改善大滞后系统的控制效果。     

基于遗传算法的自整定PID控制器

控制对象的时滞现象普遍存在,使用简单的PID控制器很难取得很好的效果.本文提出了一种基于遗传算法的PID控制器参数优化设计方法,对带有惯性环节和时滞环节的试验系统进行了仿真实验,结果表明遗传算法是一种简单高效的寻优算法,与传统的寻优方法相比明显地改善了控制系统的动态响应性能.     

单片机模糊PID自整定控制算法的实现及仿真

介绍了单片机模糊自整定PID控制的系统结构、控制思想、控制算法以及在电液伺服系统上的应用方法,给出了其基于MATLAB的系统仿真结果,并对该模糊自整定PID控制结果与传统的PID控制仿真结果进行了比较.     

一种改进的PID参数整定方法

当使用先进策略整定PID控制器参数时,往往要依赖于系统所辨识的对象模型。为了降低对系统模型的依赖性,提出了一种基于同时扰动随机逼近的在线、无模型的参数整定方法。算法的核心思想是利用高效的同时扰动技术对PID控制器性能指标函数的梯度进行估计,并利用随机逼近技术对PID的三个参数进行在线调整。仿真结果验证了该方法的有效性。     

基于改进遗传算法的四旋翼无人机PID控制参数整定

四旋翼无人机是一种多输入、多变量、强耦合、欠驱动的复杂系统,对控制算法要求高,而PID控制参数在实际整定中难以达到最优。因此,提出一种基于改进遗传算法的PID控制参数整定方法,通过引入LHS初始化种群、最优个体保留、自适应动态交叉与变异等组合改进策略,使遗传算法易陷入局部最优、搜索效率偏低的问题得以改善,利用其对四旋翼无人机姿态控制系统PID参数进行优化整定,结果表明,该方法能大幅提高四旋翼无人机姿态控制系统的动态性能。     

基于BP神经网络的PID控制器的设计及模拟研究

本文首先对BP神经网络进行概述,然后对基于BP神经网络的PID控制器的设计进行分析,最后进行模拟仿真研究,得出基于BP神经网络的PID控制器与传统PID控制器具有适应性强、精度高等明显优势的结论.     

神经网络PID控制及其Matlab仿真

讨论了基于神经网络的PID控制，并将其作用于工业控制，利用神经网络的自学习能力进行在线参数整定，并利用Matlab软件进行仿真。仿真结果表明，神经网络PID控制器具有较高的精度和较强的适应性，可以获得满意的控制效果。     

基于优化RBF神经网络的无线室内定位

针对径向基函数（Radial Basis Function,RBF）神经网络算法在无线网络室内定位中拓扑结构和网络参数难以确定,其定位效果不理想的问题,提出了一种用核主成分分析的模糊C均值聚类算法（Fuzzy C-Means clustering algorithm based on Kernel Principal Component Analysis,KPCA-FCM）和模拟退火自适应遗传算法（Simulated Annealing adaptive Genetic Algorithm,SAGA）优化RBF神经网络的无线室内定位算法。首先利用KPCA对原始训练数据样本进行数据预处理,再通过KPCA-FCM算法计算出最优聚类数目和聚类中心点;其次将聚类数目和聚类中心点作为隐含层神经元个数和中心值,创建RBF神经网络,并将其网络参数映射到SAGA算法中;再次由SAGA算法进行网络参数寻优,把最优的解映射回RBF神经网络;最后利用样本数据对RBF神经网络进行训练和测试,完成建立RBF神经网络算法模型。实验表明,在相同的环境中,所提算法比传统RBF神经网络定位精度提高了48.41%。     

基于遗传算法的神经网络自适应控制器的研究

提出了一种基于遗传算法的神经网络自适应控制器的设计方法。该控制器主要由2部分组成，第一部分利用遗传算法搜索出一组神经网络控制器的初始权值，第二部分用历史输入输出数据训练神经网络自适应控制器，经过训练后其达到稳定的控制效果。通过Matlab仿真表明，该控制策略克服了BP算法对初始值敏感的问题，有效提高神经网络的控制效果，和常规PID控制器相比较，超调量小、抗干扰性强和鲁棒性好。     

基于优化BP神经网络的PID控制研究与仿真

PID控制要取得较好的控制效果．就必须通过调整好比例、积分和微分三种控制作用，形成控制量中既相互配合又相互制约的关系。优化BP神经网络是一种前向神经元网络，具有学习速率快、振荡小、精度高的优点，将其隐含层单元分别作为比例（P）、积分（I）、微分（D）单元。可以建立参数自学习的PID控制器。仿真结果表明基于优化BP神经网络的PID控制器具有较好的自学习和自适应性。     

基于BP神经网络的温度模糊PID控制器设计

根据BP神经网络对温度控制的要求设计出一种模糊PID控制器,采用误差和误差变化率作为模糊PID控制器的输入,PID参数作为模糊PID控制器的输出,使用一组模糊规则实现对PID参数的在线优化调节。采用Simulink图形化工具平台对模糊PID控制器和传统的PID控制器进行建模和仿真,结果表明和传统PID控制器相比,模糊PID控制器性能优良,使系统响应速度加快,超调减小。     

一种BP网校正算法的方位保持平台温控系统研究

为实现方位保持平台高精度快速反应的要求，针对方位保持平台的工作特点，提出了采用BP神经网络控制算法的三级温度控制策略。试验结果表明该温控系统及算法可有效缩短方位保持平台的反应时问，提高方位保持平台的保持精度，是一种实用而有效的温度控制方法。     

基于改进PID神经元网络的多变量系统控制算法

PID神经元网络具有动态特性,在系统控制应用中相比于传统的PID控制方法可取得更优的效果,但其学习算法为梯度学习算法,初始权值随机取得,为了提高其控制量逼近控制目标的速度和系统响应时间,引入粒子群算法对初始权值进行优化,最后应用Matlab软件对改进后的PID神经元网络算法进行仿真。仿真结果表明,该方法具有较好的控制性能。     

基于RBF神经网络的永磁同步伺服电机控制系统

针对永磁同步电机控制系统,建立其磁场定向控制数学模型。运用增量式数字PID的方法实现对PMSM的传统PID控制策略。在此基础上,借助RBF神经网络的学习能力,进行PID控制器参数的自适应整定,进一步改善PID控制器的性能。同时,为提高RBF网络性能,采用粒子群算法对网络进行优化。仿真表明,与传统PID控制比较,基于RBF的PID控制系统能提高PID控制器的性能,改善了PMSM控制系统的收敛速度和跟踪精度。     

基于ESO的NLPID神经网络控制器的设计

针对传统PID控制自适应和抗扰能力欠佳的问题,提出了一种具有强抗扰动能力的NLPID神经网络控制方法。该方法通过扩张状态观测器对系统建模中不确定性因素以及系统的外部扰动实时观测进行前馈补偿,并与非线性PID神经网络控制相结合,实现对非线性、时变、不确定性、受未知外扰系统的最优PID自适应抗扰控制。通过Matlab仿真结果与传统PID控制对比分析,表明该方法具有优良的动态品质和静态性能,在非线性系统控制领域拥具有重要的应用价值。