CN110308658A - 一种pid参数整定方法、装置、系统及可读存储介质 - Google Patents
一种pid参数整定方法、装置、系统及可读存储介质 Download PDFInfo
- Publication number
- CN110308658A CN110308658A CN201910671659.2A CN201910671659A CN110308658A CN 110308658 A CN110308658 A CN 110308658A CN 201910671659 A CN201910671659 A CN 201910671659A CN 110308658 A CN110308658 A CN 110308658A
- Authority
- CN
- China
- Prior art keywords
- pid parameter
- group
- achievement data
- data
- pid
- 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.)
- Granted
Links
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
本发明公开了一种PID参数整定方法、装置、系统及计算机可读存储介质,包括实现采集运动控制系统中与每组PID参数分别对应的指标数据;依据各组指标数据和相应的PID参数对神经网络进行训练,得到PID参数预测模型;依据预先建立的模糊控制器对各组指标数据进行分析,得到最优指标数据;采用PID参数预测模型对最优指标数据进行预测,得到相应的最优PID参数,本发明能够自动完成对PID参数的整定,不仅能够提高工作效率,还能够保障PID参数的整定精确度。
Description
技术领域
本发明实施例涉及机电控制工程技术领域,特别是涉及一种PID参数整定方法、装置、系统及可读存储介质。
背景技术
PID控制器作为最常见的控制器,算法实现简单、应用范围广。自从PID控制器产生以来,如何快速、方便地整定PID参数一直是学术界、产业界的研究重点。在产业界中,大部分PID参数是由有经验的工程师人工整定的,依据专家经验进行整定,这种方法依赖于人工,影响效率。此外,也有根据理论计算得出PID参数的,但系统的实际模型跟理论模型总会有偏差,整定的效果较为有限。
鉴于此,如何提高PID参数的整定精确度和效率成为本领域技术人员目前需要解决的问题。
发明内容
本发明实施例的目的是提供一种PID参数整定方法、装置、系统及计算机可读存储介质,在使用过程中能够自动完成对PID参数的整定,不仅能够提高工作效率,还能够保障PID参数的整定精确度。
为解决上述技术问题,本发明实施例提供了一种PID参数整定方法,包括:
采集运动控制系统中与每组PID参数分别对应的指标数据;
依据各组所述指标数据和相应的PID参数对神经网络进行训练,得到PID参数预测模型;
依据预先建立的模糊控制器对各组所述指标数据进行分析,得到最优指标数据;
采用所述PID参数预测模型对所述最优指标数据进行预测,得到相应的最优PID参数。
可选的,在所述依据各组所述指标数据和各组所述PID参数对神经网络进行训练之前,还包括:
对各组所述指标数据进行归一化处理;
所述依据各组所述指标数据和相应的PID参数对神经网络进行训练为:
依据经过归一化处理后的各组所述指标数据和相应的PID参数对神经网络进行训练。
可选的,所述采集运动控制系统中与每组PID参数一一对应的指标数据的过程为:
依据当前阶跃运动下的PID参数,采集运动控制系统的指标数据;
判断当前所采集的指标数据数量是否达到预设数量,若否,则进入下一次阶跃运动,并按照预设规律改变PID参数,得到与下一次阶跃运动对应的PID参数,并返回上一步,直至得到预设数量个指标数据。
可选的,所述指标数据包括超调量、上升时间和稳定时间;
所述PID参数包括比例系数、积分系数和微分系数。
可选的,所述依据预先建立的模糊控制器对各组所述指标数据进行分析,得到最优指标数据的过程为:
从各组指标数据中选择出超调量在预设范围内的各组目标指标数据;
依据预设模糊规则对各组所述目标指标数据中的上升时间和稳定时间进行模糊化处理,得到模糊控制器;
依据所述模糊控制器对各组所述目标指标数据进行分析,得到最优指标数据得到最优指标数据。
本发明还相应的提供了一种PID参数整定装置,包括:
采集模块,用于采集运动控制系统中与每组PID参数分别对应的指标数据;
训练模块,用于依据各组所述指标数据和相应的PID参数对神经网络进行训练,得到PID参数预测模型;
分析模块,用于依据预先建立的模糊控制器对各组所述指标数据进行分析,得到最优指标数据;
预测模块,用于采用所述PID参数预测模型对所述最优指标数据进行预测,得到相应的最优PID参数。
可选的,还包括:
归一化模块,用于对各组所述指标数据进行归一化处理;
所述训练模块,具体用于依据经过归一化处理后的各组所述指标数据和相应的PID参数对神经网络进行训练。
本发明还提供了一种PID参数整定系统,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述所述PID参数整定方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述所述PID参数整定方法的步骤。
本发明实施例提供了一种PID参数整定方法、装置、系统及计算机可读存储介质,本发明通过采集运动控制系统、与每组PID参数分别对应的指标数据,并依据各组指标数据和相应的PID参数对神经网络进行训练,得到PID参数预测模型;然后再依据预先建立的模糊控制器对各组指标数据进行分析,得到最优指标数据;再将最优指标数据输入至PID参数预测模型中进行预测,从而得到最优PID参数。本发明能够自动完成对PID参数的整定,不仅能够提高工作效率,还能够保障PID参数的整定精确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对现有技术和实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种PID参数整定方法的流程示意图;
图2为本发明实施例提供的一种PID参数整定装置的结构示意图。
具体实施方式
本发明实施例提供了一种PID参数整定方法、装置、系统及计算机可读存储介质,在使用过程中能够自动完成对PID参数的整定,不仅能够提高工作效率,还能够保障PID参数的整定精确度。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参照图1,图1为本发明实施例提供的一种PID参数整定方法的流程示意图。该方法包括:
S110:采集运动控制系统中与每组PID参数分别对应的指标数据;
需要说明的是,可以发送控制指令至运动控制卡,然后运动控制卡再将阶跃信号发送至电机,然后通过改变PID参数,采集相应PID参数下阶跃响应的指标数据,改变一次PID参数获取一组指标数据,从而得到与每组PID参数分别对应的指标数据。
S120:依据各组指标数据和相应的PID参数对神经网络进行训练,得到PID参数预测模型;
具体的,可以将各组指标数据和与每组指标数据对应的PID参数均输入至神经网络中进行训练,并且为了确保建立好的预测模型具有较高的预测精度,具体可以输入至反向传播神经网络中进行训练,直至训练结束后得到PID参数预测模型。
其中,在进行模型训练时可以预先设置训练精度,当达到训练精度时,训练结束得到最终的PID参数预测模型,若没有达到训练精度,则继续训练。
S130:依据预先建立的模糊控制器对各组指标数据进行分析,得到最优指标数据;
需要说明的是,由于通过机器学习得到的PID参数预测模型,需要精准的输入量才能够进行预测输出量,而对于一个未知的系统难以确定出精准量,因此本实施例中可以采用模糊控制以较好的确定出相应的精准量。
具体的,本实施例中将上述采集到的各组指标数据输入至预先建立的模糊控制器中,并通过模糊控制器的分析后输出最优指标数据,并利用该最优指标数据对最优PID参数进行预测。
S140:采用PID参数预测模型对最优指标数据进行预测,得到相应的最优PID参数。
具体的,将由模糊控制器得到的最优指标数据输入至上述训练好的PID参数预测模型中,通过该PID参数预测模型对该最优指标参数进行分析后,能够得到与该最优指标参数对应的最优PID参数,也即完成PID参数的整定。
进一步的,在执行S120依据各组指标数据和各组PID参数对神经网络进行训练之前,该方法还可以包括:
对各组指标数据进行归一化处理;
可以理解的是,为了进一步提高所训练的PID预测模型的精确度,可以对采集到的各组指标数据进行归一化处理。
则,相应的依据各组指标数据和相应的PID参数对神经网络进行训练的过程为:
依据经过归一化处理后的各组指标数据和相应的PID参数对神经网络进行训练,以得到PID参数预测模型。
更进一步的,上述S110中采集运动控制系统中与每组PID参数一一对应的指标数据的过程,具体可以为:
依据当前阶跃运动下的PID参数,采集运动控制系统的指标数据;
判断当前所采集的指标数据数量是否达到预设数量,若否,则进入下一次阶跃运动,并按照预设规律改变PID参数,得到与下一次阶跃运动对应的PID参数,并返回上一步,直至得到预设数量个指标数据。
具体的,本实施例中可以预先设置要采集的指标数据的组数,运动控制系统每跑一次阶跃运动,更改一次PID参数,并获取在该PID参数下运动控制系统的指标数据,如果当前所采集的指标数据总组数达到预设数量,则停止采集,若没有达到当前所采集的指标数据总组数达到预设数量,则继续进行下一次阶跃运动,继续更改PID参数,并获取相应的指标数据,直至所采集的指标数据达到预设数量。其中,可以按照预设改变量更改PID参数。
需要说明的是,本实施例中所采集的指标数据可以包括:超调量、上升时间和稳定时间;
PID参数可以包括:比例系数kp、积分系数ki和微分系数kd。
具体的,可以按照kp=kp+Δkp;Ki=ki+Δki;kd=kd+Δkd的方式对PID参数进行更改,其中,Δkp、Δki、Δkd均可根据实际情况预先设定。
更进一步的,依据预先建立的模糊控制器对各组指标数据进行分析,得到最优指标数据的过程为:
从各组指标数据中选择出超调量在预设范围内的各组目标指标数据;
依据预设模糊规则对各组目标指标数据中的上升时间和稳定时间进行模糊化处理,得到模糊控制器;
依据所述模糊控制器对各组目标指标数据进行分析,得到最优指标数据。
具体的,模糊控制器中包括三个环节,模糊化、模糊推理决策以及去模糊化,其中,模糊推理机由数据库和规则库组成,模糊化是将实际输入的精准量转变为模糊语言中的模糊值。
本实施例中可以将模糊语言中的模糊值分为正大(PB)、正中(PM)、正小(PS)、零(ZO)、负大(NB)、负中(NM)、负小(NS)七个等级,并依次设计模糊规则,其中,模糊规则表可以如表1所示:
表1
由表可见:
(1)若tr负大ts负大,则控制器输出负大;
(2)若tr负中ts负大,则控制器输出负大;
.....;
(48)若tr正中ts正大,则控制器输出正大;
(49)若tr正大ts正大,则控制器输出正大;
其中,模糊规则可以根据实际需要进行确定。
具体的,本实施例中可以预先从各组指标数据中筛选出超调量在5%~20%范围内的各组指标数据,将这些指标数据作为目标指标数据。
然后,将各组目标指标数据中的上升时间tr和稳定时间ts作为输入量进行模糊化处理,分成正大(PB)、正中(PM)、正小(PS)、零(ZO)、负大(NB)、负中(NM)、负小(NS)七个等级,指定模糊规则,形成模糊控制器,并将模糊控制器的输出也分为正大(PB)、正中(PM)、正小(PS)、零(ZO)、负大(NB)、负中(NM)、负小(NS)七个等级,将各组目标指标数据输入至模糊控制器中,得到模糊控制器的输出量,由于模糊控制器的输出也对应七个等级,所以对模糊控制器的输出量进行筛选即可得到目标指标参数中最优的指标参数。
例如,输出量为负大时是指标数据中最好的性能指标,则由模糊规则可知tr负大ts负大,再进行去模糊化处理,即可得到上升时间tr和稳定时间ts的精准量,因此可以在建立好的PID参数预测模型中进行预测,得到最优PID参数。
本发明实施例提供了一种PID参数整定方法,本发明通过采集运动控制系统、与每组PID参数分别对应的指标数据,并依据各组指标数据和相应的PID参数对神经网络进行训练,得到PID参数预测模型;然后再依据预先建立的模糊控制器对各组指标数据进行分析,得到最优指标数据;再将最优指标数据输入至PID参数预测模型中进行预测,从而得到最优PID参数。本发明能够自动完成对PID参数的整定,不仅能够提高工作效率,还能够保障PID参数的整定精确度。
在上述实施例的基础上,本发明还相应的提供了一种PID参数整定装置,具体请参照图2。该装置包括:
采集模块21,用于采集运动控制系统中与每组PID参数分别对应的指标数据;
训练模块22,用于依据各组指标数据和相应的PID参数对神经网络进行训练,得到PID参数预测模型;
分析模块23,用于依据预先建立的模糊控制器对各组指标数据进行分析,得到最优指标数据;
预测模块24,用于采用PID参数预测模型对最优指标数据进行预测,得到相应的最优PID参数。
进一步的,该装置还包括:
归一化模块,用于对各组指标数据进行归一化处理;
训练模块,具体用于依据经过归一化处理后的各组指标数据和相应的PID参数对神经网络进行训练。
需要说明的是,本实施例中所提供的PID参数整定装置具有与上述实施例中所提供的PID参数整定方法相同的有益效果,并且对于本实施例中所涉及到的PID参数整定方法的具体介绍请参照上述实施例,本申请在此不再赘述。
在上述实施例的基础上,本发明还提供了一种PID参数整定系统,该系统包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上述PID参数整定方法的步骤。
例如,本实施例中的处理器,用于实现采集运动控制系统中与每组PID参数分别对应的指标数据;依据各组指标数据和相应的PID参数对神经网络进行训练,得到PID参数预测模型;依据预先建立的模糊控制器对各组指标数据进行分析,得到最优指标数据;采用PID参数预测模型对最优指标数据进行预测,得到相应的最优PID参数。
在上述实施例的基础上,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述PID参数整定方法的步骤。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种PID参数整定方法,其特征在于,包括:
采集运动控制系统中与每组PID参数分别对应的指标数据;
依据各组所述指标数据和相应的PID参数对神经网络进行训练,得到PID参数预测模型;
依据预先建立的模糊控制器对各组所述指标数据进行分析,得到最优指标数据;
采用所述PID参数预测模型对所述最优指标数据进行预测,得到相应的最优PID参数。
2.根据权利要求1所述的PID参数整定方法,其特征在于,在所述依据各组所述指标数据和各组所述PID参数对神经网络进行训练之前,还包括:
对各组所述指标数据进行归一化处理;
所述依据各组所述指标数据和相应的PID参数对神经网络进行训练为:
依据经过归一化处理后的各组所述指标数据和相应的PID参数对神经网络进行训练。
3.根据权利要求2所述的PID参数整定方法,其特征在于,所述采集运动控制系统中与每组PID参数一一对应的指标数据的过程为:
依据当前阶跃运动下的PID参数,采集运动控制系统的指标数据;
判断当前所采集的指标数据数量是否达到预设数量,若否,则进入下一次阶跃运动,并按照预设规律改变PID参数,得到与下一次阶跃运动对应的PID参数,并返回上一步,直至得到预设数量个指标数据。
4.根据权利要求1所述的PID参数整定方法,其特征在于,所述指标数据包括超调量、上升时间和稳定时间;
所述PID参数包括比例系数、积分系数和微分系数。
5.根据权利要求4所述的PID参数整定方法,其特征在于,所述依据预先建立的模糊控制器对各组所述指标数据进行分析,得到最优指标数据的过程为:
从各组指标数据中选择出超调量在预设范围内的各组目标指标数据;
依据预设模糊规则对各组所述目标指标数据中的上升时间和稳定时间进行模糊化处理,得到模糊控制器;
依据所述模糊控制器对各组所述目标指标数据进行分析,得到最优指标数据得到最优指标数据。
6.一种PID参数整定装置,其特征在于,包括:
采集模块,用于采集运动控制系统中与每组PID参数分别对应的指标数据;
训练模块,用于依据各组所述指标数据和相应的PID参数对神经网络进行训练,得到PID参数预测模型;
分析模块,用于依据预先建立的模糊控制器对各组所述指标数据进行分析,得到最优指标数据;
预测模块,用于采用所述PID参数预测模型对所述最优指标数据进行预测,得到相应的最优PID参数。
7.根据权利要求6所述的PID参数整定装置,其特征在于,还包括:
归一化模块,用于对各组所述指标数据进行归一化处理;
所述训练模块,具体用于依据经过归一化处理后的各组所述指标数据和相应的PID参数对神经网络进行训练。
8.一种PID参数整定系统,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至5任意一项所述PID参数整定方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任意一项所述PID参数整定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910671659.2A CN110308658B (zh) | 2019-07-24 | 2019-07-24 | 一种pid参数整定方法、装置、系统及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910671659.2A CN110308658B (zh) | 2019-07-24 | 2019-07-24 | 一种pid参数整定方法、装置、系统及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110308658A true CN110308658A (zh) | 2019-10-08 |
CN110308658B CN110308658B (zh) | 2023-09-26 |
Family
ID=68080518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910671659.2A Active CN110308658B (zh) | 2019-07-24 | 2019-07-24 | 一种pid参数整定方法、装置、系统及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110308658B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112736380A (zh) * | 2020-12-14 | 2021-04-30 | 北京配天技术有限公司 | 介质滤波器的自动调谐系统、自动调谐方法及存储装置 |
CN114285058A (zh) * | 2021-12-28 | 2022-04-05 | 深圳库博能源科技有限公司 | 储能系统的参数整定方法和储能系统 |
CN115598967A (zh) * | 2022-11-01 | 2023-01-13 | 南栖仙策(南京)科技有限公司(Cn) | 参数整定模型训练、参数确定方法、装置、设备及介质 |
WO2024016637A1 (zh) * | 2022-07-22 | 2024-01-25 | 中控技术股份有限公司 | 参数整定模型的构建方法及工业过程控制方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5410495A (en) * | 1993-07-20 | 1995-04-25 | Texas Instruments Incorporated | Apparatus, systems, and methods for diagnosing anomalous mass flow controller operation |
JPH07281710A (ja) * | 1994-04-06 | 1995-10-27 | Rika Kogyo Kk | ファジイ推論によるpid制御方法 |
US20040162691A1 (en) * | 2002-10-07 | 2004-08-19 | Pupalaikis Peter J. | Digital group delay compensator |
JP2008165674A (ja) * | 2007-01-04 | 2008-07-17 | Fenwall Controls Of Japan Ltd | Pid制御方法及びpid制御装置 |
CN101763035A (zh) * | 2009-11-13 | 2010-06-30 | 上海电力学院 | Rbf神经网络整定pid与模糊免疫控制方法 |
CN102426417A (zh) * | 2011-12-13 | 2012-04-25 | 中冶南方(武汉)自动化有限公司 | Pi参数混合整定法 |
CN102968055A (zh) * | 2012-12-07 | 2013-03-13 | 上海电机学院 | 基于遗传算法的模糊pid控制器及其控制方法 |
WO2013128214A1 (en) * | 2012-02-28 | 2013-09-06 | Aristole University Of Thessaloniki-Research Committee | A method for auto-tuning of pid controllers and apparatus therefor |
CN103888044A (zh) * | 2014-02-25 | 2014-06-25 | 江苏大学 | 一种模糊pid控制器的参数自整定方法 |
CN103968367A (zh) * | 2013-01-30 | 2014-08-06 | 福州福大自动化科技有限公司 | 基于模糊神经网络pid控制的锅炉汽包水位控制的方法 |
CN106765022A (zh) * | 2016-12-30 | 2017-05-31 | 江苏和隆优化能源科技有限公司 | 基于锅炉能效的多判据多炉协调优化控制系统 |
CN107908101A (zh) * | 2017-10-30 | 2018-04-13 | 王才旺 | 一种基于模糊神经网络pid控制的模拟转台控制系统 |
CN108196442A (zh) * | 2018-03-02 | 2018-06-22 | 广州大学 | 基于模糊神经pid控制和绝对编码器的舵机控制系统及方法 |
CN108445742A (zh) * | 2018-02-07 | 2018-08-24 | 广东工业大学 | 一种气悬浮平台的智能pid控制方法 |
CN108809167A (zh) * | 2018-06-26 | 2018-11-13 | 长春工业大学 | 一种基于模糊控制的bp神经网络pid调速控制算法 |
CN109459927A (zh) * | 2019-01-16 | 2019-03-12 | 中国科学院光电技术研究所 | 基于神经网络的pid控制器参数整定方法 |
CN109856968A (zh) * | 2018-09-19 | 2019-06-07 | 湘潭大学 | 一种基于相平面模糊自调整的倒立摆系统改进型自抗扰控制方法 |
CN109978268A (zh) * | 2019-03-29 | 2019-07-05 | 广东电网有限责任公司 | 一种短期负荷预测方法、系统及相关装置 |
-
2019
- 2019-07-24 CN CN201910671659.2A patent/CN110308658B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5410495A (en) * | 1993-07-20 | 1995-04-25 | Texas Instruments Incorporated | Apparatus, systems, and methods for diagnosing anomalous mass flow controller operation |
JPH07281710A (ja) * | 1994-04-06 | 1995-10-27 | Rika Kogyo Kk | ファジイ推論によるpid制御方法 |
US20040162691A1 (en) * | 2002-10-07 | 2004-08-19 | Pupalaikis Peter J. | Digital group delay compensator |
JP2008165674A (ja) * | 2007-01-04 | 2008-07-17 | Fenwall Controls Of Japan Ltd | Pid制御方法及びpid制御装置 |
CN101763035A (zh) * | 2009-11-13 | 2010-06-30 | 上海电力学院 | Rbf神经网络整定pid与模糊免疫控制方法 |
CN102426417A (zh) * | 2011-12-13 | 2012-04-25 | 中冶南方(武汉)自动化有限公司 | Pi参数混合整定法 |
WO2013128214A1 (en) * | 2012-02-28 | 2013-09-06 | Aristole University Of Thessaloniki-Research Committee | A method for auto-tuning of pid controllers and apparatus therefor |
CN102968055A (zh) * | 2012-12-07 | 2013-03-13 | 上海电机学院 | 基于遗传算法的模糊pid控制器及其控制方法 |
CN103968367A (zh) * | 2013-01-30 | 2014-08-06 | 福州福大自动化科技有限公司 | 基于模糊神经网络pid控制的锅炉汽包水位控制的方法 |
CN103888044A (zh) * | 2014-02-25 | 2014-06-25 | 江苏大学 | 一种模糊pid控制器的参数自整定方法 |
CN106765022A (zh) * | 2016-12-30 | 2017-05-31 | 江苏和隆优化能源科技有限公司 | 基于锅炉能效的多判据多炉协调优化控制系统 |
CN107908101A (zh) * | 2017-10-30 | 2018-04-13 | 王才旺 | 一种基于模糊神经网络pid控制的模拟转台控制系统 |
CN108445742A (zh) * | 2018-02-07 | 2018-08-24 | 广东工业大学 | 一种气悬浮平台的智能pid控制方法 |
CN108196442A (zh) * | 2018-03-02 | 2018-06-22 | 广州大学 | 基于模糊神经pid控制和绝对编码器的舵机控制系统及方法 |
CN108809167A (zh) * | 2018-06-26 | 2018-11-13 | 长春工业大学 | 一种基于模糊控制的bp神经网络pid调速控制算法 |
CN109856968A (zh) * | 2018-09-19 | 2019-06-07 | 湘潭大学 | 一种基于相平面模糊自调整的倒立摆系统改进型自抗扰控制方法 |
CN109459927A (zh) * | 2019-01-16 | 2019-03-12 | 中国科学院光电技术研究所 | 基于神经网络的pid控制器参数整定方法 |
CN109978268A (zh) * | 2019-03-29 | 2019-07-05 | 广东电网有限责任公司 | 一种短期负荷预测方法、系统及相关装置 |
Non-Patent Citations (6)
Title |
---|
夏长亮等: "基于RBF神经网络非线性预测模型的开关磁阻电机自适应PID控制", 《中国电机工程学报》 * |
夏长亮等: "基于RBF神经网络非线性预测模型的开关磁阻电机自适应PID控制", 《中国电机工程学报》, vol. 27, no. 3, 31 January 2007 (2007-01-31), pages 57 - 62 * |
张兴华等: "基于自适应遗传算法的多目标PID优化设计", 《系统工程与电子技术》 * |
张兴华等: "基于自适应遗传算法的多目标PID优化设计", 《系统工程与电子技术》, vol. 28, no. 5, 31 May 2006 (2006-05-31), pages 744 - 746 * |
莫建林等: "基于神经网络的模糊自适应PID控制及其实现", 《黑龙江自动化技术与应用》 * |
莫建林等: "基于神经网络的模糊自适应PID控制及其实现", 《黑龙江自动化技术与应用》, no. 2, 30 June 1998 (1998-06-30), pages 4 - 8 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112736380A (zh) * | 2020-12-14 | 2021-04-30 | 北京配天技术有限公司 | 介质滤波器的自动调谐系统、自动调谐方法及存储装置 |
CN114285058A (zh) * | 2021-12-28 | 2022-04-05 | 深圳库博能源科技有限公司 | 储能系统的参数整定方法和储能系统 |
WO2024016637A1 (zh) * | 2022-07-22 | 2024-01-25 | 中控技术股份有限公司 | 参数整定模型的构建方法及工业过程控制方法 |
CN115598967A (zh) * | 2022-11-01 | 2023-01-13 | 南栖仙策(南京)科技有限公司(Cn) | 参数整定模型训练、参数确定方法、装置、设备及介质 |
CN115598967B (zh) * | 2022-11-01 | 2023-12-08 | 南栖仙策(南京)高新技术有限公司 | 参数整定模型训练、参数确定方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110308658B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110308658A (zh) | 一种pid参数整定方法、装置、系统及可读存储介质 | |
Liang et al. | A deep reinforcement learning network for traffic light cycle control | |
WO2019018375A1 (en) | NEURONAL ARCHITECTURE RESEARCH FOR CONVOLUTION NEURAL NETWORKS | |
CN110222880B (zh) | 业务风险的确定方法、模型训练方法和数据处理方法 | |
CN103853786A (zh) | 数据库参数的优化方法与系统 | |
CN107038167A (zh) | 基于模型评估的大数据挖掘分析系统及其分析方法 | |
CN104268591A (zh) | 一种面部关键点检测方法及装置 | |
CN104573000A (zh) | 基于排序学习的自动问答装置及方法 | |
CN113688957A (zh) | 一种基于多模型融合的目标检测方法、装置、设备及介质 | |
CN110717671A (zh) | 一种确定参与方贡献度的方法及装置 | |
CN110895729A (zh) | 一种输电线路工程建设工期的预测方法 | |
CN107945534A (zh) | 一种基于gmdh神经网络的交通车流量预测方法 | |
CN109145981A (zh) | 深度学习自动化模型训练方法及设备 | |
CN109993205A (zh) | 时间序列预测方法、装置、可读存储介质及电子设备 | |
CN112541584A (zh) | 深度神经网络模型并行模式选择方法 | |
CN107194489A (zh) | 数据预测方法及装置 | |
CN106228029B (zh) | 基于众包的量化问题求解方法和装置 | |
CN110969249A (zh) | 生产井产量预测模型建立方法、生产井产量预测方法及相关装置 | |
CN107203916B (zh) | 一种用户信用模型建立方法及装置 | |
CN109961160A (zh) | 一种基于潮流参数的电网未来运行趋势预估方法及系统 | |
CN110826196B (zh) | 一种工业设备运行数据的处理方法及装置 | |
Beck et al. | How managers can deal with complex issues: A semi-quantitative analysis method of causal loop diagrams based on matrices | |
CN110855519A (zh) | 一种网络流量预测方法 | |
KR20170140625A (ko) | 운전자의 주행 패턴 인식 시스템 및 방법 | |
CN113987261B (zh) | 一种基于动态信任感知的视频推荐方法及系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221008 Address after: 528225 Room B507, Block B, Phase I, Nanhai Industrial Think Tank City, Taoyuan Road, Software Park, Shishan Town, Nanhai District, Foshan City, Guangdong Province (application for residence) Applicant after: GUANGDONG ADA INTELLIGENT EQUIPMENT Co.,Ltd. Address before: No.729, Dongfeng East Road, Yuexiu District, Guangzhou City, Guangdong Province 510060 Applicant before: GUANGDONG University OF TECHNOLOGY |
|
GR01 | Patent grant | ||
GR01 | Patent grant |