CN108549213A - 一种基于rbf神经网络pid的速比控制方法 - Google Patents
一种基于rbf神经网络pid的速比控制方法 Download PDFInfo
- Publication number
- CN108549213A CN108549213A CN201810672797.8A CN201810672797A CN108549213A CN 108549213 A CN108549213 A CN 108549213A CN 201810672797 A CN201810672797 A CN 201810672797A CN 108549213 A CN108549213 A CN 108549213A
- Authority
- CN
- China
- Prior art keywords
- pid
- control
- speed ratio
- rbf neural
- rbf
- 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
- 230000001537 neural effect Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000001044 sensory neuron Anatomy 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000001360 synchronised effect 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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Transmission Device (AREA)
Abstract
本发明公开了一种基于RBF神经网络PID的速比控制方法,与常规的PID速比控制系统相比,采用增量式PID控制算法,基于RBF神经网络对PID进行优化,实现了更为精确的速比跟踪控制,使汽车发动机的转速更加趋近于目标转速附近,表现出更加优于传统PID速比控制的效果,实现较为精确的CVT速比跟踪控制,使之能够适用于汽车多种行驶工况。
Description
技术领域
本发明涉及CVT的速比控制领域,特别是一种基于RBF神经网络PID的速比控制方法。
背景技术
CVT(Continuously Variable Transmission)也叫无级变速器,它与传统无级变速器相比有着诸多优点,它的变速是一系列连续的值,而非一些间断的值,且能使发动机的转速处于极佳的工作点上,提升汽车的动力性、经济性和平顺性能等。
智能控制的迅速发展为研究CVT的控制方法注入了新的思路,其中的人工神经网络(Artificial Neural Network),一直是近年来人工智能领域的研究热点。学习与适应、函数逼近、以及自组织等优点是其他常规的方法难以替代的,而RBF作为一种典型的前馈型神经网络,为解决非线性控制系统与具有不确定性因素等的难题提供了更好的解决方案,CVT速比控制系统便是其一。这其中也不乏有其他领域的应用,比如国内合肥工业大学的曹文霞等人以直线永磁同步电机的驱动控制系统作为研究对象,采用RBF-PID的控制方法于其中,结果已经证明了改进后的控制系统响应输入信号的速度相比之前更快,且输出无超调;另外,哈尔滨理工大学的裴雪红等人将采用RBF神经网络的原BP-PID控制系统应用于一单自由度电磁悬浮系统,其结果表现出了更加优于传统PID控制系统的效果。可见,加入RBF神经网络的PID控制算法在其研究应用领域有着更加优越的性能。而在汽车无级变速器速比跟踪控制领域,现有传统的CVT常规PID速比控制系统较为复杂,且具有非线性、时变性等的特点,其速比跟踪控制难以达到预想的效果。
发明内容
本发明的目的是要解决现有技术的CVT的速比控制系统本身传动具有滞后性,工作环境具有时变性等缺点,常规的PID速比控制方法难以达到预想的控制效果的技术问题,提供一种基于RBF神经网络PID的速比控制方法,采用增量式PID控制算法,在传统的CVT速比跟踪控制系统中加入RBF神经网络进行调节,实现更为精确的速比跟踪控制。
为达到上述目的,本发明是按照以下技术方案实施的:
一种基于RBF神经网络PID的速比控制方法,包括以下步骤:
将RBF神经网络整定到PID控制系统的PID控制器构建RBF-PID速比控制系统,PID控制系统的控制误差e(k)为期望值r(k)和输出值y(k)的差值:e(k)=r(k)-y(k),
PID的输入为:
xc(1)=e(k)-e(k-1)
xc(2)=e(k)
xc(3)=e(k)-2e(k-1)+e(k-2),
基于RBF-PID速比控制系统采用增量式PID的控制算法,具体为:
增量式PID的控制算法为:
u(k)=u(k-1)+KPxc(1)+KIxc(2)+KDxc(3)
Δu(k)=Kpxc(1)+KIxc(2)+KDxc(3),
其中,KP是比例系数;KI=KPT/TI是积分系数;KD=KDTD/T是微分系数,
RBF神经网络整定指标为:
由梯度下降法能够得到kp,ki,kd,调整公式有:
其中,ηp,ηi,ηd为PID的比例、积分、微分的学习速率;为被控对象的Jacobian信息,其表示为:
设其输入向量为X=[x1,x2,...,xn]T,n表示输入层神经元个数,隐含层的输出为H=[h1,h2,...,hm]T,隐含层神经元的个数用m表示,则有:
式中,Cj=[Cj1,Cj2,...,Cjn]T,
由于X中包含u,设x1=u,则则有:
根据公式u(k)=u(k-1)+KPxc(1)+KIxc(2)+KDxc(3),计算出控制量的增量,使发动机转速时刻稳定在目标转速附近,从而实现更为精确的速比跟踪控制。
与现有技术相比,本发明采用一种基于RBF神经网络PID的速比控制方法,与常规的PID速比控制系统相比,采用增量式PID控制算法,基于RBF神经网络对PID进行优化,实现了更为精确的速比跟踪控制,使汽车发动机的转速更加趋近于目标转速附近,表现出更加优于传统PID速比控制的效果,实现较为精确的CVT速比跟踪控制,使之能够适用于汽车多种行驶工况。
附图说明
图1为本发明实施例的RBF神经网络拓扑图。
图2为本发明实施例的基于RBF神经网络的PID控制系统。
图3为本发明实施例的增量式PID控制示意图。
具体实施方式
下面结合具体实施例对本发明作进一步描述,在此发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
RBF神经网络具有拓扑结构紧凑和学习可分离等优点,能够实现对常规的PID速比控制方法优化。如图1所示为RBF神经网络拓扑图,其中的感觉神经元层S接收信息并传递给联想神经元层A,信号经过一系列处理之后再传递给反应神经元层R,最后,反应神经元层R中经过线性组合后的信息对外输出。
利用RBF神经网络整定PID的控制系统,将RBF神经网络与常规PID结合作为控制器应用于一个单输入单输出的控制系统中。在该系统中,RBF神经网络的作用就是对被控对象进行辨识,获得PID参数的在线整定所需要的参数信息,降这些参数传给PID控制器,如图2所示为RBF-PID控制系统原理图,由r(k)和y(k)计算出控制误差输入PID Controller,控制器接收控制误差输出控制值作用给CVT,同时,控制器的输出值和CVT的输出实际值一起输入BRF神经网络,通过在线整定,输出PID的三个控制系数,具体整定过程如下:
该系统的控制误差e(k)为期望值r(k)和输出值y(k)的差值:
e(k)=r(k)-y(k) (1)
PID的输入为:
xc(1)=e(k)-e(k-1) (2)
xc(2)=e(k) (3)
xc(3)=e(k)-2e(k-1)+e(k-2) (4)
该PID控制器输出的是控制量的增量,也就是说,基于RBF-PID速比控制系统采用了增量式PID的控制算法,具体如图3所示,输入期望值r(k),计算误差e(k),计算控制量变化量Δu(k),对控制量变化量求积分得到控制量u(k),将控制量输入执行机构对被控对象进行控制,被控对象的输出量与期望值作误差,进行第二次循环。
增量式PID的控制算法为:
u(k)=u(k-1)+KPxc(1)+KIxc(2)+KDxc(3) (5)
Δu(k)=Kpxc(1)+KIxc(2)+KDxc(3) (6)
其中,KP是比例系数;KI=KPT/TI是积分系数;KD=KDTD/T是微分系数。
根据公式(5),若要求出第k次的输入值u(k),只需要知道u(k-1)、e(k)、e(k-1)、e(k-2)即可,然后再确定KP、KI、KD的值,由于r(k)和y(k)的值是已知的,所以通过上述公式就可以求出e(k)、e(k-1)、e(k-2)的值,就可以计算出控制量的增量;在这个控制系统中KP、KI、KD的值在线调整的,由u(k-1)、e(k)、e(k-1)、e(k-2)的值带入公式(2)、(3)、(4)可以得到xc(1)、xc(2)、xc(3)的值,再把这些值带入公式(5)和(6),就可以得到u(k)和Δu(k)。
将控制算法应用于RBF神经网络PID控制系统,代替常规的无级变速器(CVT)PID速比控制方法,使发动机转速时刻稳定在目标转速附近,从而实现更为精确的速比跟踪控制。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (1)
1.一种基于RBF神经网络PID的速比控制方法,其特征在于,包括以下步骤:
将RBF神经网络整定到PID控制系统的PID控制器构建RBF-PID速比控制系统,PID控制系统的控制误差e(k)为期望值r(k)和输出值y(k)的差值:e(k)=r(k)-y(k),
PID的输入为:
xc(1)=e(k)-e(k-1)
xc(2)=e(k)
xc(3)=e(k)-2e(k-1)+e(k-2),
基于RBF-PID速比控制系统采用增量式PID的控制算法,具体为:
增量式PID的控制算法为:
Δu(k)=Kpxc(1)+KIxc(2)+KDxc(3),
其中,KP是比例系数;KI=KPT/TI是积分系数;KD=KDTD/T是微分系数,
RBF神经网络整定指标为:
由梯度下降法能够得到kp,ki,kd,调整公式有:
其中,ηp,ηi,ηd为PID的比例、积分、微分的学习速率;为被控对象的Jacobian信息,其表示为:
设其输入向量为X=[x1,x2,...,xn]T,n表示输入层神经元个数,隐含层的输出为H=[h1,h2,...,hm]T,隐含层神经元的个数用m表示,则有:
式中,Cj=[Cj1,Cj2,...,Cjn]T,
由于X中包含u,设x1=u,则则有:
根据公式计算出控制量的增量,使发动机转速时刻稳定在目标转速附近,从而实现更为精确的速比跟踪控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810672797.8A CN108549213A (zh) | 2018-06-26 | 2018-06-26 | 一种基于rbf神经网络pid的速比控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810672797.8A CN108549213A (zh) | 2018-06-26 | 2018-06-26 | 一种基于rbf神经网络pid的速比控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108549213A true CN108549213A (zh) | 2018-09-18 |
Family
ID=63494023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810672797.8A Pending CN108549213A (zh) | 2018-06-26 | 2018-06-26 | 一种基于rbf神经网络pid的速比控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108549213A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262219A (zh) * | 2019-06-14 | 2019-09-20 | 广东工业大学 | 一种基于bp神经网络的电机pid自整定方法 |
CN110554715A (zh) * | 2019-10-25 | 2019-12-10 | 攀钢集团攀枝花钢铁研究院有限公司 | 基于rbf神经网络的硫酸氧钛外加晶种水解工艺温度pid控制方法 |
CN112666830A (zh) * | 2020-12-24 | 2021-04-16 | 西南技术物理研究所 | 一种基于rbf神经网络的跟踪精度控制方法 |
CN113460308A (zh) * | 2021-07-30 | 2021-10-01 | 中国农业大学 | 一种无人机变量施药控制系统及方法 |
-
2018
- 2018-06-26 CN CN201810672797.8A patent/CN108549213A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262219A (zh) * | 2019-06-14 | 2019-09-20 | 广东工业大学 | 一种基于bp神经网络的电机pid自整定方法 |
CN110554715A (zh) * | 2019-10-25 | 2019-12-10 | 攀钢集团攀枝花钢铁研究院有限公司 | 基于rbf神经网络的硫酸氧钛外加晶种水解工艺温度pid控制方法 |
CN112666830A (zh) * | 2020-12-24 | 2021-04-16 | 西南技术物理研究所 | 一种基于rbf神经网络的跟踪精度控制方法 |
CN113460308A (zh) * | 2021-07-30 | 2021-10-01 | 中国农业大学 | 一种无人机变量施药控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549213A (zh) | 一种基于rbf神经网络pid的速比控制方法 | |
CN109376493B (zh) | 一种粒子群优化的径向基神经网络车辆速度跟踪方法 | |
CN111812968B (zh) | 基于模糊神经网络pid控制器的阀位串级控制方法 | |
CN111608868B (zh) | 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法 | |
CN101598109B (zh) | 一种风力发电机偏航系统的智能控制方法 | |
CN109033585B (zh) | 不确定网络控制系统的pid控制器设计方法 | |
Ye et al. | A robust adaptive chattering-free sliding mode control strategy for automotive electronic throttle system via genetic algorithm | |
CN110161841A (zh) | 一种适用于暂冲式跨声速风洞的前馈-模糊pid控制方法 | |
CN108696210A (zh) | 基于参数辨识的直流电机电流环控制器参数自整定方法 | |
CN104932268A (zh) | 基于模糊pid的汽车巡航控制系统 | |
CN109412492B (zh) | 基于模糊等价输入干扰法的速度环控制参数自整定方法 | |
CN111176115A (zh) | 基于模糊神经网络和仿人智能控制的阀位控制方法 | |
CN106597840B (zh) | 一种基于产生式规则推理的pid参数整定方法 | |
CN108445742A (zh) | 一种气悬浮平台的智能pid控制方法 | |
CN107193210A (zh) | 一种非线性系统的自适应学习预设性能控制方法 | |
CN104122795A (zh) | 基于新型极值函数指标的智能自整定pid室温控制算法 | |
CN106292291A (zh) | 一种电网自动发电控制系统控制器参数优化方法 | |
CN106059412B (zh) | 基于信度规则库推理的他励直流电动机转速控制方法 | |
CN115586801B (zh) | 基于改进模糊神经网络pid的瓦斯掺混浓度控制方法 | |
CN106371321A (zh) | 一种焦化炉炉膛压力系统模糊网络优化pid控制方法 | |
CN106054610B (zh) | 一种优化的pi控制器参数工程整定方法 | |
CN108227476A (zh) | 一种agv小车的控制方法 | |
CN110888323A (zh) | 一种用于切换系统智能优化的控制方法 | |
Tian et al. | Operating range scheduled robust dahlin algorithm to typical industrial process with input constraint | |
Yu et al. | Research on a multi-motor coordinated control strategy based on fuzzy ring coupling control |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180918 |