CN107908113A - 基于改进tlbo算法的自抗扰控制器参数整定方法 - Google Patents
基于改进tlbo算法的自抗扰控制器参数整定方法 Download PDFInfo
- Publication number
- CN107908113A CN107908113A CN201711474967.3A CN201711474967A CN107908113A CN 107908113 A CN107908113 A CN 107908113A CN 201711474967 A CN201711474967 A CN 201711474967A CN 107908113 A CN107908113 A CN 107908113A
- Authority
- CN
- China
- Prior art keywords
- student
- teaching
- tlbo
- learning
- teacher
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000006872 improvement Effects 0.000 claims abstract description 10
- 101710163391 ADP-ribosyl cyclase/cyclic ADP-ribose hydrolase Proteins 0.000 claims abstract 7
- 230000008569 process Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000033764 rhythmic process Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000002068 genetic effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000004382 visual function Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于改进TLBO算法的自抗扰控制器参数整定方法，系统由于ADRC模块、TLBO模块、被控对象组成，其中ADRC模块由跟踪微分器(TD)、扩张状态观测器(ESO)、非线性误差反馈(NLSEF)组成，参数整定方法包括如下具体步骤：步骤1建立ADRC控制器；步骤2结合TLBO算法，建立TLBO参数调节模块，实现ADRC控制器的在线参数整定；本发明的技术方案避免了算法陷入早熟、早收敛的情况，提高了ADRC控制器的自适应性和鲁棒性，一定程度上降低了超调量，减少了调节时间，提高了系统的工作效率。
Description
技术领域
本发明涉及群智能优化算法在控制领域的应用，特别是涉及一种基于改进TLBO算法的自抗扰控制器参数整定方法。
背景技术
在控制领域中，经典的PID控制器是以系统误差来消除误差的控制器，具有结构简单，易于应用等优点。针对PID控制器在超调与快速性发面的矛盾，研究人员提出了大量改进算法，包括自适应PID算法、模糊PID算法、专家PID算法等。
以研究非线性系统特性为出发点，以提高控制器控制品质和适用性为目标，韩京清教授提出了自抗扰控制(Auto Disturbances Rejection Control)技术。与经典的PID控制相比，该算法不仅能实时地对系统的不确定因素及内外扰动进行估计，还能对系统的总扰动进行快速补偿，使得控制器具有一定的抗干扰性。同时，针对PID控制器系统超调与快速性的矛盾，通过加入非线性误差反馈使得控制器的性能得到了有效提高。自抗扰控制器以其算法简单，不依赖于被控对象模型，对系统扰动能够进行实时估计和补偿等优点，被广泛地应用于火电厂控制系统、航空航天系统、现代武器系统、无人机控制系统等领域。
由于自抗扰控制器结构复杂，包含多种非线性函数，使其参数整定难度增加。目前还没有一种特别严格的推导公式来确定各个参数的调节规律，大多数依靠人为和实际的经验，因此一定程度上阻碍了自抗扰控制技术在实际控制系统中的应用。随着对这一问题的深入研究，学者们提出了基于其他优秀算法的参数整定方法，相关文献有：
[1]李海生，朱学锋.自抗扰控制器参数整定与优化方法研究[J].控制工程，2004,11(5):419-423.
[2]曾文飞.基于免疫遗传算法的自抗扰控制器优化设计及其应用[J].长沙:湖南大学，2009.
[3]广西师范大学.基于人群搜索算法的无人机自抗扰控制方法[P].中国发明专利.CN106681345A.2017-05-17.
[4]康忠健，王清伟，黄磊等.基于改进遗传算法的自抗扰控制器参数优化[J].信息与控制，2008,37(5):587-598.
[5]江苏大学.一种基于RBF神经网络自抗扰控制器的设计方法[P].中国发明专利.CN107037729A.2017-08-11.
[6]华北电力大学.一种自抗扰控制器参数的整定方法[P].中国发明专利.CN106681345A.2017-05-17.
从已有研究文献分析，用于整定自抗扰控制器参数的学习算法主要采取人群搜索法、遗传算法、RBF神经网络、BP算法、人工经验法等，这些算法在学习训练中仍存在易于早熟、易陷入局部最优、学习效率低等问题，从而影响控制器的控制效果。
教与学算法(Teaching-Learning-Based-Optimization)是一种群智能优化算法，因所需参数少、收敛能力强、收敛速度快等优点，也已经在各个领域得到了较好的应用。但是算法在教师个数、教学因子、关键参数等方面存在缺陷，对于高维多峰值优化问题容易陷入局部搜索而丢失全局最优解。
CN106837678A中国专利申请文件公开了一种基于改进TLBO算法的水轮发电机组PID调速参数优化，在基本的TLBO算法中加入自适应教学因子，在保证收敛速度和精度的同时避免了算法陷入早熟，早收敛的情况。水轮发电机组利用改进算法进行参数优化，实现了更好的过渡过程。
发明内容
针对现有技术中存在的不足，本发明提供一种基于改进TLBO算法的自抗扰控制器参数整定方法，在基本的TLBO算法中加入动态教学因子，并将其与自抗扰控制器结合，实现对系统参数的最优整定。
为实现上述目的，本发明采用的技术方案是：
基于改进TLBO算法的自抗扰控制器参数整定方法，包括以下步骤：
步骤1建立ADRC控制器，过程包括：
1.1)跟踪微分器(TD)，用来跟踪参考输入和安排过渡过程，其离散形式如下：
其中，h为系统的采样步长，r为速度因子，h0为滤波因子，fhan(*)函数为快速综合最优函数。
1.2)扩张状态观测器(ESO)，根据被控对象的输入和输出对系统的状态和扰动进行估计和补偿，其二阶对象的ESO模型：
其中，β1、β2、β3为待整定参数，fal(*)为带有线性区间的非线性函数，定义为：
其中,β1、β2、β3是待整定参数。
1.3)非线性误差反馈(NLSEF),采用误差的非线性累加提高系统控制性能，其二阶系统非线性误差反馈表达式：
其中，K1、K2为增益系数
步骤2结合TLBO算法，建立TLBO参数调节模块，实现ADRC控制器的在线参数整定。
2.1)基本TLBO算法
在教学阶段，班级中每个学生Xj(j＝1,2,3,…,N)会根据教师Xteacher和学生的平均成绩mean之间的差异来进行学习，“教学”过程用公式定义为：
其中，和分别是第i为学生经过教师教学前后的值，mean是整个班级所有学生的平均值，TFi和ri是教师的教学因子和学习步长。
在教学阶段后，根据学习成绩的前后对比，更新每个学生的成绩。
在学习阶段，针对于每一个学生Xi(i＝1,2,3,…,N)，在班级中随机选取一名学生作为学习对象Xj(j＝1,2,3,…,N,j≠i),学生Xi在分析了自己与Xj的差异后进行学习调整，“学习”过程用公式定义为：
其中，ri代表第i个学生的学习步长。
在学习阶段完成后，根据学习成绩的前后对比，更新每个学生的成绩。
2.2)教学因子的改进
基本TLBO算法中，教学因子TF的取值只有1或2，意味着学生对教师的授课全盘接受或全盘否定，显然不符合实际。针对基本TLBO算法中的教学因子TF进行改进，提出一种动态的教学因子：
其中，TFmin和TFmax取固定值，一般为1和2，fmin表示当前搜索到的所有解的最优适应度值，f表示班级中某一学生的成绩。
2.3)教学阶段的改进
基本TLBO算法中，学生成绩的更新取决于原有成绩和教师与全班同学平均成绩的差异但是学生会逐渐适应教师的授课方式、授课节奏，更加的认同并接受自身与教师教师之间的差值difference。引入适应值λ来更新原有的differenceold:
其中，iter为当前迭代次数，itermax为迭代总次数。
与现有技术相比，本发明具有的优点在于：
1.与差分进化算法、遗传算法等其他群智能优化算法相比，采取TLBO算法在求解速度、求解精度、全局收敛能力等方面都有着较为出色的表现，而改进后的TLBO算法更是有效避免了算法陷入早熟、早收敛的情况，能输出ADRC控制器最优参数β1、β2、β3、K1、K2，进一步提高系统的性能。
2.利用改进的TLBO算法简化ADRC参数的选择，进一步提高了ADRC控制器的自适应性和鲁棒性，一定程度上降低了超调量，减少了调节时间，提高了系统的工作效率。
附图说明
图1是本发明控制方法的总框图；
图2是本发明二阶自抗扰控制器的结构图；
图3是本发明改进TLBO算法的流程图；
图4是本发明的适应度收敛曲线；
图5是本发明控制器的仿真模型；
图6是本发明自抗扰控制器观测的总扰动；
图7是本发明控制器的仿真波形图；
具体实施方式
本发明提出一种基于改进TLBO算法的自抗扰控制器参数整定方法，下面结合附图对本发明予以进一步说明。
基于改进TLBO算法的自抗扰控制器参数整定方法，包括以下步骤：
步骤1建立ADRC控制器，过程包括：
1.1)跟踪微分器(TD)，用来跟踪参考输入和安排过渡过程，其离散形式如下：
其中，h为系统的采样步长，r为速度因子，h0为滤波因子，fhan(*)函数为快速综合最优函数。
1.2)扩张状态观测器(ESO)，根据被控对象的输入和输出对系统的状态和扰动进行估计和补偿，其二阶对象的ESO模型：
其中，β1、β2、β3为待整定参数，fal(*)为带有线性区间的非线性函数，定义为：
其中,β1、β2、β3是待整定参数。
1.3)非线性误差反馈(NLSEF),采用误差的非线性累加提高系统控制性能，其二阶系统非线性误差反馈表达式：
其中，K1、K2为增益系数
步骤2结合TLBO算法，建立TLBO参数调节模块，实现ADRC控制器的在线参数整定。
2.1)基本TLBO算法
在教学阶段，班级中每个学生Xj(j＝1,2,3,…,N)会根据教师Xteacher和学生的平均成绩mean之间的差异来进行学习，“教学”过程用公式定义为：
其中，和分别是第i为学生经过教师教学前后的值，mean是整个班级所有学生的平均值，TFi和ri是教师的教学因子和学习步长。
在教学阶段后，根据学习成绩的前后对比，更新每个学生的成绩。
在学习阶段，针对于每一个学生Xi(i＝1,2,3,…,N)，在班级中随机选取一名学生作为学习对象Xj(j＝1,2,3,…,N,j≠i),学生Xi在分析了自己与Xj的差异后进行学习调整，“学习”过程用公式定义为：
其中，ri代表第i个学生的学习步长。
在学习阶段完成后，根据学习成绩的前后对比，更新每个学生的成绩。
2.2)教学因子的改进
基本TLBO算法中，教学因子TF的取值只有1或2，意味着学生对教师的授课全盘接受或全盘否定，显然不符合实际。针对基本TLBO算法中的教学因子TF进行改进，提出一种动态的教学因子：
其中，TFmin和TFmax取固定值，一般为1和2，fmin表示当前搜索到的所有解的最优适应度值，f表示班级中某一学生的成绩。
2.3)教学阶段的改进
基本TLBO算法中，学生成绩的更新取决于原有成绩和教师与全班同学平均成绩的差异但是学生会逐渐适应教师的授课方式、授课节奏，更加的认同并接受自身与教师教师之间的差值difference。引入适应值λ来更新原有的differenceold:
其中，iter为当前迭代次数，itermax为迭代总次数。
参照图1-图4，一种基于改进TLBO算法的自抗扰控制器参数整定方法，所述方法包括：
如图1所示为控制方法的总框图。TLBO模块引入被控对象输入V(t)、被控对象输出Y(t)、自抗扰控制器输出U(t)信号，经过一系列的运算，输出参数β1、β2、β3和K1、K2给ADRC控制器。ADRC模块引入被控对象输入V(t)、被控对象输出Y(t)，直接控制系统对象。其中，W(t)是外部总扰动。
如图2所示为二阶自抗扰控制器的结构图。β1、β2、β3是经过改进TLBO优化整定输入ESO的控制参数，K1、K2是经过改进TLBO优化整定输入NLSEF的控制参数，自抗扰控制器的其他参数由经验值给定。其中，b是放大系数。
如图3所示为本发明改进TLBO算法的流程图。和基本TLBO算法不同的是，改进了教学因子和引入了适应值。通过图4可以看出，针对某一个测试函数，改进的TLBO算法在迭代初期以较快的速度收敛于全局最优解，迭代后期在最优解附近精确搜索，进而曲线的收敛速度逐渐平缓。
本发明的效果还可以通过以下仿真进一步说明：
参数设置：仿真时间60S，定步长设置ode3，被控对象函数放大系数b为0.015。学生群体总数为30人，迭代次数itermax＝100，TFmax＝2，TFmin＝1，适应值λ＝0.2。算法整定的参数通过程序生成，输入给自抗扰控制器，再通过可视化的功能模块控制被控对象。
如图5所示为本发明控制器的仿真模型，如图6所示为本发明自抗扰控制器观测的总扰动，如图7所示为本发明实际的仿真波形图。可以见得，系统在较大的扰动下，虽然出现了微小的超调量和震荡，但仍然可以在很短的时间内接近期望值并趋于稳定，大大减少了系统的调节时间，提高了收敛速速度和收敛精度。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当是为属于本发明的保护范围。
Claims (1)
1.一种基于改进TLBO算法的自抗扰控制器参数整定方法，其特征在于，包括如下步骤：
步骤1建立ADRC控制器，过程包括：
1.1)跟踪微分器(TD)，用来跟踪参考输入和安排过渡过程，其离散形式如下：
其中，h为系统的采样步长，r为速度因子，h0为滤波因子，fhan(*)函数为快速综合最优函数；
1.2)扩张状态观测器(ESO)，根据被控对象的输入和输出对系统的状态和扰动进行估计和补偿，其二阶对象的ESO模型：
其中，β1、β2、β3为待整定参数，fal(*)为带有线性区间的非线性函数，定义为：
其中,β1、β2、β3是待整定参数；
1.3)非线性误差反馈(NLSEF),采用误差的非线性累加提高系统控制性能，其二阶系统非线性误差反馈表达式：
其中，K1、K2为增益系数；
步骤2结合TLBO算法，建立TLBO参数调节模块，实现ADRC控制器的在线参数整定；
2.1)基本TLBO算法
在教学阶段，班级中每个学生Xj(j＝1,2,3,…,N)会根据教师Xteacher和学生的平均成绩mean之间的差异来进行学习，“教学”过程用公式定义为：
其中，和分别是第i为学生经过教师教学前后的值，mean是整个班级所有学生的平均值，TFi和ri是教师的教学因子和学习步长；
在教学阶段后，根据学习成绩的前后对比，更新每个学生的成绩；
在学习阶段，针对于每一个学生Xi(i＝1,2,3,…,N)，在班级中随机选取一名学生作为学习对象Xj(j＝1,2,3,…,N,j≠i),学生Xi在分析了自己与Xj的差异后进行学习调整，“学习”过程用公式定义为：
其中，ri代表第i个学生的学习步长；
在学习阶段完成后，根据学习成绩的前后对比，更新每个学生的成绩；
2.2)教学因子的改进
基本TLBO算法中，教学因子TF的取值只有1或2，意味着学生对教师的授课全盘接受或全盘否定，显然不符合实际。针对基本TLBO算法中的教学因子TF进行改进，提出一种动态的教学因子：
其中，TFmin和TFmax取固定值，一般为1和2，fmin表示当前搜索到的所有解的最优适应度值，f表示班级中某一学生的成绩；
2.3)教学阶段的改进
基本TLBO算法中，学生成绩的更新取决于原有成绩和教师与全班同学平均成绩的差异但是学生会逐渐适应教师的授课方式、授课节奏，更加的认同并接受自身与教师教师之间的差值difference；引入适应值λ来更新原有的differenceold:
其中，iter为当前迭代次数，itermax为迭代总次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711474967.3A CN107908113A (zh) | 2017-12-29 | 2017-12-29 | 基于改进tlbo算法的自抗扰控制器参数整定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711474967.3A CN107908113A (zh) | 2017-12-29 | 2017-12-29 | 基于改进tlbo算法的自抗扰控制器参数整定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107908113A true CN107908113A (zh) | 2018-04-13 |
Family
ID=61871912
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711474967.3A Pending CN107908113A (zh) | 2017-12-29 | 2017-12-29 | 基于改进tlbo算法的自抗扰控制器参数整定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107908113A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108599221A (zh) * | 2018-04-20 | 2018-09-28 | 昆明理工大学 | 一种基于改进tlbo算法的柔性高压直流输电系统pi控制器参数优化方法 |
| CN108803330A (zh) * | 2018-06-20 | 2018-11-13 | 南京航空航天大学 | 一种基于性格系数调节的教与学优化滑模控制方法 |
| CN108846344A (zh) * | 2018-06-05 | 2018-11-20 | 中南大学 | 一种融合深度学习的行人姿势多特征智能辨识方法 |
| CN108983610A (zh) * | 2018-08-03 | 2018-12-11 | 华侨大学 | 一种鲁棒自适应抗扰控制方法 |
| CN109116721A (zh) * | 2018-08-23 | 2019-01-01 | 广东工业大学 | 一种将时变系统转变为定常系统的控制方法 |
| CN109960149A (zh) * | 2018-12-28 | 2019-07-02 | 浙江中控软件技术有限公司 | 用于pH中和过程的自抗扰控制参数整定方法 |
| CN113867156A (zh) * | 2021-12-02 | 2021-12-31 | 湖南工商大学 | 融合bp-rbf神经网络的机器鱼路径跟踪方法及装置 |
| CN115291501A (zh) * | 2022-08-09 | 2022-11-04 | 西北农林科技大学 | 一种时滞水轮机调节系统的非线性自抗扰控制方法及结构 |
| CN115963743A (zh) * | 2021-10-11 | 2023-04-14 | 青岛理工大学 | 一种改进的反步法控制器及参数整定方法 |
| CN117742501A (zh) * | 2024-01-29 | 2024-03-22 | 广东控银实业有限公司 | 基于触觉信息的摇杆操作控制方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011107885A (ja) * | 2009-11-16 | 2011-06-02 | Toshiba Corp | ニューラルネットワーク学習における前処理装置 |
| CN106681345A (zh) * | 2016-12-28 | 2017-05-17 | 广西师范大学 | 基于人群搜索算法的无人机自抗扰控制方法 |
| CN106849082A (zh) * | 2017-03-10 | 2017-06-13 | 国网江苏省电力公司常州供电公司 | 含光伏配电网的统一电能质量调节器谐波控制方法 |
-
2017
- 2017-12-29 CN CN201711474967.3A patent/CN107908113A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011107885A (ja) * | 2009-11-16 | 2011-06-02 | Toshiba Corp | ニューラルネットワーク学習における前処理装置 |
| CN106681345A (zh) * | 2016-12-28 | 2017-05-17 | 广西师范大学 | 基于人群搜索算法的无人机自抗扰控制方法 |
| CN106849082A (zh) * | 2017-03-10 | 2017-06-13 | 国网江苏省电力公司常州供电公司 | 含光伏配电网的统一电能质量调节器谐波控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘军等: "自抗扰控制器的分析及设计", 《信息技术与信息化》 * |
| 张强等: "基于改进的教与学算法的线性自抗扰在负荷频率控制中的应用", 《仪器仪表用户》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108599221A (zh) * | 2018-04-20 | 2018-09-28 | 昆明理工大学 | 一种基于改进tlbo算法的柔性高压直流输电系统pi控制器参数优化方法 |
| CN108846344A (zh) * | 2018-06-05 | 2018-11-20 | 中南大学 | 一种融合深度学习的行人姿势多特征智能辨识方法 |
| CN108846344B (zh) * | 2018-06-05 | 2022-05-17 | 中南大学 | 一种融合深度学习的行人姿势多特征智能辨识方法 |
| CN108803330A (zh) * | 2018-06-20 | 2018-11-13 | 南京航空航天大学 | 一种基于性格系数调节的教与学优化滑模控制方法 |
| CN108803330B (zh) * | 2018-06-20 | 2020-12-11 | 南京航空航天大学 | 一种基于性格系数调节的教与学优化滑模控制方法 |
| CN108983610B (zh) * | 2018-08-03 | 2021-03-09 | 华侨大学 | 一种鲁棒自适应抗扰控制方法 |
| CN108983610A (zh) * | 2018-08-03 | 2018-12-11 | 华侨大学 | 一种鲁棒自适应抗扰控制方法 |
| CN109116721B (zh) * | 2018-08-23 | 2021-10-19 | 广东工业大学 | 一种将时变系统转变为定常系统的控制方法 |
| CN109116721A (zh) * | 2018-08-23 | 2019-01-01 | 广东工业大学 | 一种将时变系统转变为定常系统的控制方法 |
| CN109960149A (zh) * | 2018-12-28 | 2019-07-02 | 浙江中控软件技术有限公司 | 用于pH中和过程的自抗扰控制参数整定方法 |
| CN109960149B (zh) * | 2018-12-28 | 2024-04-02 | 浙江中控软件技术有限公司 | 用于pH中和过程的自抗扰控制参数整定方法 |
| CN115963743A (zh) * | 2021-10-11 | 2023-04-14 | 青岛理工大学 | 一种改进的反步法控制器及参数整定方法 |
| CN113867156A (zh) * | 2021-12-02 | 2021-12-31 | 湖南工商大学 | 融合bp-rbf神经网络的机器鱼路径跟踪方法及装置 |
| CN115291501A (zh) * | 2022-08-09 | 2022-11-04 | 西北农林科技大学 | 一种时滞水轮机调节系统的非线性自抗扰控制方法及结构 |
| CN117742501A (zh) * | 2024-01-29 | 2024-03-22 | 广东控银实业有限公司 | 基于触觉信息的摇杆操作控制方法及系统 |
| CN117742501B (zh) * | 2024-01-29 | 2024-05-10 | 广东控银实业有限公司 | 基于触觉信息的摇杆操作控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107908113A (zh) | 基于改进tlbo算法的自抗扰控制器参数整定方法 | |
| CN111413872B (zh) | 基于扩张状态观测器的空气容腔压力快速主动抗扰方法 | |
| CN104834215B (zh) | 一种变异粒子群优化的bp神经网络pid控制算法 | |
| CN107272403A (zh) | 一种基于改进粒子群算法的pid控制器参数整定算法 | |
| CN105262145B (zh) | 一种新能源混合系统控制参数的优选方法 | |
| Liu et al. | NARX prediction-based parameters online tuning method of intelligent PID system | |
| CN110110380B (zh) | 一种压电执行器迟滞非线性建模方法及应用 | |
| CN117093033A (zh) | 基于粒子群算法优化pid参数的电阻加热炉温度控制系统 | |
| CN204595644U (zh) | 基于神经网络的铝棒加热炉燃烧温度自动控制装置 | |
| CN106325074A (zh) | 一种基于布谷鸟算法的pid控制器参数智能整定方法 | |
| CN113253779A (zh) | 一种基于粒子群模糊pid算法的热泵温度控制系统 | |
| CN109188907A (zh) | 一种应用于稳定平台控制系统的遗传退火粒子群混合算法及其稳定平台控制系统 | |
| CN111259525A (zh) | 一种非线性不稳定风力机舱悬浮系统的模型预测控制方法 | |
| CN105279579A (zh) | 一种水轮发电机组励磁系统pid控制参数的优选方法 | |
| CN111399376A (zh) | 一种t-s模糊系统的二维重复控制器设计优化方法 | |
| CN112925207A (zh) | 一种基于参数辨识的温室环境温度自适应方法 | |
| CN115586801B (zh) | 基于改进模糊神经网络pid的瓦斯掺混浓度控制方法 | |
| CN114670856B (zh) | 一种基于bp神经网络的参数自整定纵向控制方法及系统 | |
| Qi et al. | Research on fractional order PID controller in servo control system | |
| Rigatos et al. | An adaptive neurofuzzy H-infinity control method for bioreactors and biofuels production | |
| CN112346342A (zh) | 一种非仿射动力学系统的单网络自适应评价设计方法 | |
| Sun | Research on PID Control of BP Neural Networks Based on PSO Optimization | |
| Chen et al. | Research on single neuron adaptive PID controller | |
| Liu | On a method of single neural PID feedback compensation control | |
| Chen et al. | Servo Drive Controller Tuning by Machine Learning Model and Particle Swarm Optimization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180413 |
|
| WD01 | Invention patent application deemed withdrawn after publication |