基于速度环模糊参数自适应PID算法的弹载无刷直流电机控制系统研究

电动舵机是制导炮弹等飞行控制系统的重要组成部分,无刷直流电机作为其主要执行机构,是一种多变量、非线性以及强耦合的复杂系统。为了获得良好的控制性能,研究并设计一种基于速度环模糊参数自适应PID算法。分析弹载无刷直流电机的数学模型和运行特性并搭建其控制仿真模型;设计模糊系统,以参考转速与反馈转速的偏差以及偏差变化率作为输入,以参考电流值作为模糊系统的输出,比较电机控制速度环分别使用传统PI、PID与模糊参数自适应PID算法的控制效果。结果表明:所设计的模糊参数自适应PID算法使得电机在阶跃响应下的上升时间仅约为5 ms,几乎无超调;对于正弦波以及斜坡函数同样具有良好的跟踪效果,具有较好的鲁棒性且运行稳定。

基于模糊-遗传算法的粗纱机出料传动系统PID参数优化方法

目前常规的粗纱机出料传动系统PID参数优化方法主要通过结合被控对象的稳态增益情况构建出优化函数,实现PID参数优化整合,忽略了实际运行工况下的干扰成分,导致参数优化效果不佳。对此,提出基于模糊-遗传算法的粗纱机出料传动系统PID参数优化方法。首先结合PID的系统阶跃响应曲线,以被控量的偏差变化率作为主要参数选取性能指标;然后通过引入负荷扰动模块以及频率干扰模块,对PID调节模块进行建模分析;最后结合模糊-遗传算法对最优适应度值进行求解,从而实现PID参数的有效优化,并对提出的方法进行优化效果检验。最终测试结果表明,采用提出的方法对PID参数进行优化整合时,控制输出曲线与理论输出曲线的拟合程度更高,具备较为理想的优化效果。

基于空域自适应单脉冲的抗干扰雷达多目标参数估计算法

基于空时级联单脉冲的多目标参数高效估计算法(M-STCMP)是一种高效的雷达多目标参数估计算法,但在干扰环境下其参数估计性能将严重下降。文中提出了基于空域自适应单脉冲的抗干扰多目标参数估计(AM-STCMP)算法。首先,将空域自适应单脉冲技术引入M-STCMP算法,自适应形成和差波束抑制干扰信号,提高各目标的信干噪比,并迭代修正自适应和差波束的鉴角曲线;其次,采用空时级联单脉冲技术估计各目标的距离-速度两维参数;最后,采用Relax算法高精度迭代估计各目标的角度-速度-距离三维参数。理论分析和仿真结果验证了AM-STCMP算法的有效性,其参数估计性能接近无干扰情形。

基于PPO的自适应PID控制算法研究

采用MATLAB物理引擎联合Python搭建了一个六轴机械臂,并模拟带有扰动的复杂控制环境,为机械臂训练提供现实中无法提供的试错环境。使用强化学习中近端优化算法(proximal policy optimization,PPO)算法对传统PID控制算法进行改进,引入多智能体思想,根据PID三个参数对控制系统的不同影响及六轴机械臂的特性,将三个参数分别作为不同的智能个体进行训练,实现多智能体自适应调整参数的新型多智能体自适应PID算法。仿真结果表明:该算法的训练收敛性优于MA-DDPG与MA-SAC算法,与传统PID算法的控制效果相比,在遇到扰动及振荡的情况下,能够更有效地抑制振荡,并具有更低的超调量和调整时间,控制过程更为平缓,有效提高了机械臂的控制精度,证明了该算法的鲁棒性及有效性。

基于离群点检测和自适应参数的三支DBSCAN算法

针对经典的DBSCAN算法存在难以确定全局最优参数和误判离群点的问题,该算法首先从选择最优参数角度出发,通过数据集的分布特征生成Eps和MinPts列表,将两个列表中的参数进行全组合操作,把不同的参数组合依次进行聚类,从而寻找准确率最高点对应的参数。最后从离群点角度出发,将三支决策思想与离群点检测LOF算法进行结合。该算法与多种聚类算法进行效果对比分析,结果表明该算法能够全自动化选择全局最优参数,并提高聚类算法的准确性。

基于混沌自适应果蝇优化的PID参数优化

针对标准果蝇算法(FOA)收敛速度快慢依赖初始化且易陷入局部最优的缺陷,提出一种混沌自适应果蝇优化算法(GIFOA)的PID参数优化方案。GIFOA采用混沌映射初始化种群,增加种群的遍历性;自适应调节搜索步长平衡全局和局部搜索能力;以搜索方向作为浓度判定值,控制偏差绝对值和控制器输入平方项的时间积分作为适应度函数,并将此优化算法应用于二阶时滞系统的PID控制参数调节。

基于自适应模糊PID算法的锂电池组双层均衡控制

为提高电池重组时的均衡效率,在传统Buck-Boost均衡拓扑电路的基础上,设计了一种锂电池组双层均衡拓扑电路。组内采用Buck-Boost电路均衡,组间利用双向反激变压器进行均衡。均衡控制策略采用自适应模糊PID算法,以电池荷电状态(state of charge, SOC)为均衡变量,利用模糊控制算法对PID参数进行调节,缩短了均衡时间,提高了均衡效率。在Matlab/Simulink中搭建了锂电池组双层均衡拓扑电路和自适应模糊PID控制算法模型。实验结果表明:在不同工作状态下,所提出的电池组均衡拓扑及其控制策略将均衡时间效率平均提高了58.36%,验证了该方案的有效性。

基于改进自适应遗传算法的小径短绳自动打捆机步进电机PID控制

为提高小径短绳自动打捆机步进电机的控制精度,在分析经典遗传算法和经典自适应遗传算法的基础上,引入进化代数和个体适应值排名来指导自适应交叉率和自适应变异率,设计了一个基于改进自适应遗传算法的PID控制器,以削弱进化过程中优良参数的退化现象。MATLAB仿真结果表明,改进的自适应遗传PID提高了收敛精度,并具有更快的收敛速度。针对步进电机的实际测试结果表明,与经典遗传算法相比,改进的自适应遗传PID调整时间更短、超调量更低。

基于改进麻雀搜索算法的PID参数整定系统设计

PID参数整定是PID控制中的一个关键步骤,常规的PID控制在一定程度上已被淘汰。为改善PID控制的效果和精度,文中将黄金正弦策略与精英反向学习策略相结合,提出一种改进的麻雀搜索算法。用23个标准函数对所提出的新方法进行了验证,实验结果证明了新方法的有效性。利用改进的麻雀搜索算法对PID控制参数进行了优化,并对该方法进行了仿真分析。结果表明,采用该方法进行PID参数整定时,其具有更好的稳定性、更高的精度和更好的性能。

改进自适应粒子群算法的PID参数优化

标准粒子群优化算法(PSO)易在局部求得最优解,为解决这一问题,采用自适应权重,在迭代中调整惯性,确保在每一次迭代中使用最佳权重,较好地解决局部最优的问题。该方式可改善传统PSO算法,与实践经验整定法、标准粒子群算法及一般自适应粒子群算法的寻优结果对比。结果显示:其超调量为3.2%,调节时间减少到0.165 s,与其他3种方法相比,振荡更低,且收敛速度更快。采用该方法调整,系统参数确保比例、积分、微分(PID)控制器的性能指标更好,以及控制系统更稳定。

基于改进粒子群优化算法的PID控制器参数整定

针对标准粒子群优化算法优化PID控制器参数存在的早熟以及陷入局部最优等问题,引入粒子二阶振荡环节、反向学习、自适应惯性权重,并结合设计的惯性权重动态调整策略、粒子越界随机反射墙,提出一种新型分阶段迭代的改进粒子群优化算法。在6个标准测试函数上进行测试,其性能相比于一些已有的改进粒子群优化算法更加优秀。将这些算法用于自动电压调节器系统的PID控制器参数整定,仿真结果表明,所提出的改进粒子群优化算法整定的PID控制器的控制效果更好。

鲁棒参数自适应微振动控制算法

递推最小二乘(Recursive Least Squares,RLS)算法因其简单、快速的特点,在微振动自适应控制领域被广泛应用。由于微振动主动控制系统中扰动环境的特殊性及复杂性,需要重点考虑微振动控制中所采用的参数自适应算法在参数估计过程中的鲁棒性。针对多输入多输出(Multiple Input Multiple Output,MIMO)微振动主动控制系统,基于无限冲激响应(Infinite Impulse Response,IIR)滤波器,提出一种结合死区和归一化的MIMO鲁棒参数自适应算法,并给出其详细的算法推导与收敛性分析。在此基础上,通过构建三自由度微振动主动振动控制实验系统,针对单频窄带扰动、双频窄带扰动展开了对比实验分析,相关的实验结果验证了所提出鲁棒参数自适应算法的可行性和鲁棒性。

基于遗传算法的绝热去磁制冷机中PID参数整定

在绝热去磁制冷系统中,PID控制器常用来控制等温磁化或等温去磁过程中磁热模块的温度稳定。由于ADR系统的非线性较强,传统的PID参数整定方法往往效果较差,实际ADR系统中PID的参数整定往往十分依赖于人工试错,耗费大量时间精力。而遗传算法在PID参数调试时对系统的依赖性小,非常适合复杂非线性系统的参数寻优。基于MATLAB语言和集总参数方法,实现了基于遗传算法的绝热去磁制冷机中GGG磁热模块的PID参数整定,为实际工程中的PID参数调节提供参考。

混合果蝇优化算法PID参数整定方法的研究

【目的】解决基本果蝇优化算法(FOA)由于算法局限性而出现比例积分微分(PID)参数整定收敛速度慢且容易过早陷入局部最优的问题。【方法】为了在迭代前期具有更高的全局搜索效率,利用粒子群算法(PSO)寻找多个全局较优种群,迭代后期使用具有较强的局部寻优能力的FOA算法提高收敛精度,实现对全局搜索和局部搜索过程的优化。【结果】两个二阶时滞系统的阶跃响应测试结果表明,基于HFOA的PID控制器参数整定的上升时间、调节时间和超调量等指标更优,能够实现更好的系统响应性能。【结论】优化后算法具有控制精度高、响应速度快、鲁棒性好等优点,为PID参数优化提供了参考。

充分搜索多策略花授粉算法在PID参数优化中的应用

PID控制器广泛应用于工业领域,结构简单,控制效果良好,参数对控制器起到了绝对作用。花授粉算法是一种应用广泛的元启发算法,但存在易陷入局部最优、迭代后期收敛速度慢、寻优精度差等不足。用加入随机扰动的反双曲正切函数充分搜索策略的转换概率替换原本的固定概率,平衡全局搜索和局部搜索;在异花授粉中引入新型动态因子,改变母系花粉位置的影响;在自花授粉阶段提出权重学习策略,让花粉向优秀花粉方向聚拢;引入翻筋斗探索策略,加大种群多样性。在此基础上提出充分搜索下多策略花授粉算法(MSFPA),对比分析了花授粉算法(FPA)、粒子群算法(PSO)、差分进化算法(DE)和象群算法(EHO)对9个测试函数的仿真实验,结果表明MSFPA算法收敛速度快,性能更优。将MSFPA算法应用于PID参数优化中,经过优化的系统超调量较小,且调整时间较短,有较强的稳定性。

基于自适应分区域麻雀算法的氢燃料电池供气系统的PID控制器设计

在外界干扰的情况下,传统的PID控制已经无法满足氢燃料电池空气供应系统的实时调节。因此,本文提出了一个自适应分区域麻雀搜索算法(APSSA)的PID控制器。首先,针对麻雀搜索算法存在易陷入局部最优、收敛速度过快导致算法精度不高等问题,提出了一种自适应分区域麻雀搜索算法。其次,设计了一种基于APSSA的PID控制器,用于整定PID参数:定义积分时间加权绝对误差(ITAE)为目标函数,按照APSSA的核心迭代步骤对Kp、Ki、Kd三个参数迭代优化,确定最佳的参数组合。最后通过一个仿真实验,将其与PSO-PID进行比较,结果表明,APSSA-PID相较PSO-PID,稳定性更强,花费的时间成本更低。

基于改进鲸鱼优化算法的分数阶PID参数整定

该文提出了一种自适应混合策略鲸鱼优化算法(adaptive mixed strategy whale optimization algorithm,AMSWOA)用于分数阶PID控制器的参数整定。该算法基于鲸鱼优化算法进行改进,引入Tent混沌序列用以提高WOA的种群多样性、全局搜索能力和收敛速度;同时,采用了收敛因子非线性变化策略,并引入自适应权重以克服算法陷入局部最优解的问题;高斯变异的加入则有助于提高算法的搜索精度和寻优性能。通过在MATLAB/Simulink环境下验证整数阶和分数阶系统的被控对象,并与鲸鱼算法、灰狼优化算法及粒子群优化算法进行比较,证实了该文的AMSWOA算法对求解分数阶PID控制器参数整定问题的有效性和实用性。

锂离子电池模型参数辨识的改进自适应FFRLS算法研究

为了提高锂离子电池模型参数辨识的准确性和鲁棒性。以递归最小二乘法(FFRLS)为基础,采用了一种经过改进的自适应FFRLS算法,通过分数阶阶乘设计实现了对模型参数的逐步辨识。这种算法的特点在于其自适应性,能够更好地适应电池系统的非线性和复杂性。通过在不同工况下对锂离子电池模型进行参数辨识和研究得到了大量的实验数据。结果显示,相较于传统方法,改进的自适应FFRLS算法在处理电池系统的复杂性和非线性特性方面取得了显著的改进。通过优化算法,为电池管理系统提供了更为精确的模型。这对于改善对电池性能的监控和控制具有重要意义,有助于提高电池的使用寿命和安全性。

参数在线调整的模糊自适应PID控制研究

PID是工程中最为广泛应用的控制器技术,因其需要在实际使用中多次凑试来确定参数,这个过程非常耗时。而且凑试出来的参数往往固定,虽然能够使被控系统最终达到控制要求,但收敛过程较慢。模糊PID的提出部分地解决了这些问题,通过偏差量来选择模糊规则表里的不同数值,达到了动态地调整PID参数的效果,使被控系统能够快速收敛。然而,模糊PID依然存在改进的空间,通过对模糊PID的输入论域和输出论域分别引入指数型函数作为伸缩因子的方法,使模糊PID的参数达到了在线调整的效果,实现了模糊自适应PID。通过仿真应用的比较结果,证实了提出的参数在线调整的模糊自适应PID控制方法,相较于普通的模糊PID具有更优的动态特性。

自适应遗传算法优化堆叠LSTM超参数的入侵检测研究

针对传统入侵检测模型检测准确率、精确率偏低和模型泛化能力不足的问题,采用自适应遗传算法优化堆叠(Long short-term memory, LSTM)进行入侵检测研究。构建堆叠LSTM入侵检测模型提取网络数据特征,为充分利用堆叠LSTM各层提取到的数据特征信息,改进堆叠LSTM的网络结构,将各层LSTM提取到的特征信息进行保留合并。为确定模型的最佳超参数取值,使用自适应遗传算法(Adaptive genetic algorithm,AGA)优化模型的超参数,AGA迭代完成后的输出即为最佳超参数取值,使用最佳超参数取值构建入侵检测模型。该模型在NSL-KDD数据集上的检测准确率为99.03%、精确率为94.86%、召回率为95.39%,在UNSW-NB15数据集上的检测准确率为90.21%、精确率为86.97%、召回率为89.11%。在所有对比模型中表现最优,且模型的泛化能力较强,能准确检测出未知攻击。