CN110531612B - 一种分数阶pid控制器的参数整定方法 - Google Patents
一种分数阶pid控制器的参数整定方法 Download PDFInfo
- Publication number
- CN110531612B CN110531612B CN201910759562.7A CN201910759562A CN110531612B CN 110531612 B CN110531612 B CN 110531612B CN 201910759562 A CN201910759562 A CN 201910759562A CN 110531612 B CN110531612 B CN 110531612B
- Authority
- CN
- China
- Prior art keywords
- order
- differential
- integral
- pid controller
- neural network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 58
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000004044 response Effects 0.000 claims abstract description 7
- 230000010354 integration Effects 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 23
- 230000004069 differentiation Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 3
- 230000005502 phase rule Effects 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
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)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种分数阶PID控制器的参数整定方法,包括基于神经网络模型,计算分数阶PID控制器模型的积分阶次λ和微分阶次μ;基于获取的分数阶PID控制器模型的积分阶次λ和微分阶次μ,采用水平相位准则计算分数阶PID控制器模型的比例增益Kp、积分增益Ki以及微分增益Kd。本发明首先通过神经网络模型,计算分数阶PID控制器的积分阶次λ和微分阶次μ,之后再基于神经网络模型得到的积分阶次λ和微分阶次μ,采用水平相位准则计算分数阶PID控制器模型的比例增益Kp、积分增益Ki以及微分增益Kd,能够在保证PID控制器获得良好的鲁棒性的同时达到最优的动态响应性能,简化整个计算过程。
Description
技术领域
本发明涉及PID自动控制技术领域,更具体地地说涉及一种分数阶PID控制器的参数整定方法。
背景技术
传统的PID控制器具有结构简单、容易实现等优点,但对具有模型不确定性的系统容易出现超调量过大、调节时间过长等问题,无法满足高性能运动控制系统的性能指标要求。因此,对其进行改进,将其扩展为分数阶PID控制器,分数阶PID控制器模型如下所示,其中λ和μ分别表示积分阶次和微分阶次。伺服系统采用分数阶PID控制器能够获得比采用整数阶PID控制器更好的控制性能。
目前,分数阶PID控制器的参数整定方法主要分为频域设计法和时域优化算法两类。但是频域设计法无法保证控制系统具有最优的动态响应性能,而时域优化算法无法保证系统具有良好的稳定性和对增益扰动的鲁棒性,同时,采用优化算法搜索控制器参数需要进行大量的数值计算,不利于实际应用。
发明内容
本发明要解决的技术问题是:提供一种分数阶PID控制器的参数整定方法。
本发明解决其技术问题的解决方案是:
基于神经网络模型,计算分数阶PID控制器模型的积分阶次λ和微分阶次μ;
基于获取的分数阶PID控制器模型的积分阶次λ和微分阶次μ,采用水平相位准则计算分数阶PID控制器模型的比例增益Kp、积分增益Ki以及微分增益Kd。
作为上述技术方案的进一步改进,基于神经网络模型,计算分数阶PID控制器模型的积分阶次λ和微分阶次μ,包括以下步骤:
步骤200,根据对象模型参数τ1和对象模型参数τ2的取值范围,将对象模型参数τ1平均分为若干个值(τ11,τ12,...,τ1m),将对象模型参数τ1平均分为若干个值(τ21,τ22,...,τ2M),将(τ11,τ12,...,τ1m)和(τ21,τ22,...,τ2M)两两取值组合,得到若干个对象模型参数τ1和对象模型参数τ2的取值组合,将每个对象模型参数τ1和对象模型参数τ2的取值组合定义为一个对象样本;
步骤300,根据开环截止频率ωc以及相位裕度的取值范围,将开环截止频率ωc平均分为若干个值(ωc1,ωc2,...,ωcn),将相位裕度平均分为若干个值将(ωc1,ωc2,...,ωcn)和两两取值组合,得到若干个开环截止频率ωc和相位裕度的取值组合,将每个开环截止频率ωc和相位裕度的取值组合定义为一个状态;
步骤500,针对每一个对象样本,计算每一个对象样本的积分阶次λ和微分阶次μ;
步骤600,以样本特征向量作为输入,以步骤500中得到的每一个对象样本的积分阶次λ和微分阶次μ作为输出,构建样本集;
步骤700,构建第一神经网络模型,以样本特征向量作为输入,微分阶次μ作为输出,完成第一神经网络模型的训练;
步骤800,构建第二神经网络模型,以样本特征向量和微分阶次μ作为输入,以积分阶次λ作为输出,完成第二神经网络模型的训练;
步骤900,获取实际应用中伺服系统被控对象的传递函数的对象模型参数τ1、对象模型参数τ2、开环截止频率ωc以及相位裕度计算样本特征向量,将样本特征向量输入第一神经网络模型中,第一神经网络模型输出微分阶次μ,将样本特征向量和微分阶次μ输入第二神经网络模型中,第二神经网络模型输出积分阶次λ。
作为上述技术方案的进一步改进,步骤700中,所述第一神经网络模型包括隐含层和输出层,所述隐含层采用sigmoid激活函数,所述输出层采用线性激活函数,且采用均方误差作为优化目标函数,所述第一神经网络模型训练过程中采用LM算法迭代训练得到隐含层和输出层的网络权值。
作为上述技术方案的进一步改进,步骤800中,所述第二神经网络模型包括隐含层和输出层,所述隐含层采用sigmoid激活函数,所述输出层采用线性激活函数,且采用均方误差作为优化目标函数,所述第二神经网络模型训练过程中采用LM算法迭代训练得到隐含层和输出层的网络权值。
作为上述技术方案的进一步改进,步骤500中,针对每一个对象样本分别执行以下步骤:
步骤510,根据积分阶次λ的取值范围,令积分阶次λ平均选取若干个值(λ1,λ2,...,λq),根据微分阶次μ的取值范围,令微分阶次μ平均选取若干个值(μ1,μ2,...,μQ),令积分阶次λ与微分阶次μ在取值范围内两两组合,得到多个积分阶次λ与微分阶次μ的组合,每个积分阶次λ与微分阶次μ的组合定义为阶次组合;
步骤530,根据得到的分数阶PID控制器的参数,进行阶跃响应仿真,计算每个对象样本的损失函数;
步骤540,比较每个阶次组合的损失函数,获取令损失函数最小的阶次组合中的积分阶次λ和微分阶次μ;
步骤550,判断步骤540中所得到的积分阶次λ和微分阶次μ是否达到预设精度,若积分阶次λ和微分阶次μ均达到预设精度,则以此作为对象样本的积分阶次λ和微分阶次μ,若积分阶次λ达不到预设精度,则以积分阶次λ的当前值为中心值重新设定积分阶次λ的取值范围,返回步骤510,若微分阶次μ达不到预设精度,则以微分阶次μ的当前值为中心值重新设定微分阶次μ的取值范围,返回步骤510。
作为上述技术方案的进一步改进,步骤520包括以下步骤:
步骤524,根据积分阶次λ和微分阶次μ,通过如下关系式计算积分增益Ki:
Q2Ki 2+Q1Ki+Q0=0
其中:
联立以上关系式求出分数阶PID控制器的积分增益Ki;
步骤525,根据积分增益Ki,计算微分增益Kd,Kd=s1Ki+s0;
步骤526,根据积分增益Ki以及微分增益Kd,计算比例增益Kp,公式如下所示:
其中:
联立以上关系式求出分数阶PID控制器的比例增益Kp。
作为上述技术方案的进一步改进,基于获取的分数阶PID控制器模型的积分阶次λ和微分阶次μ,采用水平相位准则计算分数阶PID控制器模型的比例增益Kp、积分增益Ki以及微分增益Kd,包括:基于步骤900得到的积分阶次λ和微分阶次μ,结合实际应用中伺服系统被控对象的传递函数的对象模型参数τ1、对象模型参数τ2、开环截止频率ωc以及相位裕度重复执行步骤521至步骤526,获得分数阶PID控制器模型的比例增益Kp、积分增益Ki以及微分增益Kd。
本发明的有益效果是:本发明首先通过神经网络模型,计算分数阶PID控制器的积分阶次λ和微分阶次μ,之后再基于神经网络模型得到的积分阶次λ和微分阶次μ,采用水平相位准则计算分数阶PID控制器模型的比例增益Kp、积分增益Ki以及微分增益Kd,能够在保证PID控制器获得良好的鲁棒性的同时达到最优的动态响应性能,简化整个计算过程。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单说明。显然,所描述的附图只是本发明的一部分实施例,而不是全部实施例,本领域的技术人员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设计方案和附图。
图1是本发明的方法流程示意图;
图2是本发明计算分数阶PID控制器模型的积分阶次和微分阶次的流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、特征和效果。显然,所描述的实施例只是本申请的一部分实施例,而不是全部实施例,基于本申请的实施例,本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例,均属于本申请保护的范围。
基于神经网络模型,计算分数阶PID控制器模型的积分阶次λ和微分阶次μ;
基于获取的分数阶PID控制器模型的积分阶次λ和微分阶次μ,采用水平相位准则计算分数阶PID控制器模型的比例增益Kp、积分增益Ki以及微分增益Kd。其中所谓的水平相位准则指的是在开环截止频率点处,伺服系统被控对象的相位的导数与分数阶PID控制器的相位的导数和为零。
具体地,本实施例首先通过神经网络模型,计算分数阶PID控制器的积分阶次λ和微分阶次μ,之后再基于神经网络模型得到的积分阶次λ和微分阶次μ,采用水平相位准则计算分数阶PID控制器模型的比例增益Kp、积分增益Ki以及微分增益Kd,能够在保证PID控制器获得良好的鲁棒性的同时达到最优的动态响应性能,简化整个计算过程。
参照图2,进一步作为优选的实施方式,本实施例中,基于神经网络模型,计算分数阶PID控制器模型的积分阶次λ和微分阶次μ,包括以下步骤:
步骤200,根据对象模型参数τ1和对象模型参数τ2的取值范围,将对象模型参数τ1平均分为若干个值(τ11,τ12,...,τ1m),将对象模型参数τ1平均分为若干个值(τ21,τ22,...,τ2M),将(τ11,τ12,...,τ1m)和(τ21,τ22,...,τ2M)两两取值组合,得到若干个对象模型参数τ1和对象模型参数τ2的取值组合,将每个对象模型参数τ1和对象模型参数τ2的取值组合定义为一个对象样本;
步骤300,根据开环截止频率ωc以及相位裕度的取值范围,将开环截止频率ωc平均分为若干个值(ωc1,ωc2,...,ωcn),将相位裕度平均分为若干个值将(ωc1,ωc2,...,ωcn)和两两取值组合,得到若干个开环截止频率ωc和相位裕度的取值组合,将每个开环截止频率ωc和相位裕度的取值组合定义为一个状态;
步骤500,针对每一个对象样本,计算每一个对象样本的积分阶次λ和微分阶次μ;
步骤600,以样本特征向量作为输入,以步骤500中得到的每一个对象样本的积分阶次λ和微分阶次μ作为输出,构建样本集;
步骤700,构建第一神经网络模型,以样本特征向量作为输入,微分阶次μ作为输出,完成第一神经网络模型的训练;
步骤800,构建第二神经网络模型,以样本特征向量和微分阶次μ作为输入,以积分阶次λ作为输出,完成第二神经网络模型的训练;
步骤900,获取实际应用中伺服系统被控对象的传递函数的对象模型参数τ1、对象模型参数τ2、开环截止频率ωc以及相位裕度计算样本特征向量,将样本特征向量输入第一神经网络模型中,第一神经网络模型输出微分阶次μ,将样本特征向量和微分阶次μ输入第二神经网络模型中,第二神经网络模型输出积分阶次λ。
本实施例通过设定对象模型参数、开环截止频率以及相位裕度等参数,计算每个对象样本在各个状态下的样本特征向量,再以每个对象样本及其对应的样本特征向量作为训练第一神经网络模型以及第二神经网络模型的样本集,最后获取实际应用中伺服系统被控对象的传递函数的各项参数并将其代入第一神经网络模型以及第二神经网络模型即可估计分数阶PID控制器的积分阶次λ和微分阶次μ,只需保证实际应用中伺服系统被控对象的各项参数在规定范围内即可估计出分数阶PID控制器的积分阶次λ和微分阶次μ。
进一步作为优选的实施方式,本实施例步骤700中,所述第一神经网络模型包括隐含层和输出层,其中隐含层包括30个单元,输出层包括1个单元,所述隐含层采用sigmoid激活函数,所述输出层采用线性激活函数,且采用均方误差作为优化目标函数,所述第一神经网络模型训练过程中采用LM算法迭代训练得到隐含层和输出层的网络权值。
进一步作为优选的实施方式,本实施例步骤800中,所述第二神经网络模型包括隐含层和输出层,其中隐含层包括30个单元,输出层包括1个单元,所述隐含层采用sigmoid激活函数,所述输出层采用线性激活函数,且采用均方误差作为优化目标函数,所述第二神经网络模型训练过程中采用LM算法迭代训练得到隐含层和输出层的网络权值。本实施例中的第一神经网络模型以及第二神经网络模型的结构相同,区别在于第一神经网络模型以及第二神经网络模型输入参数的不同,第二神经网络模型输出积分阶次λ需要利用第一神经网络模型输出的微分阶次μ。
进一步作为优选的实施方式,本实施例步骤500中,具体是利用搜索法实现每个对象样本积分阶次λ和微分阶次μ的计算操作,针对每一个对象样本分别执行以下步骤:
步骤510,根据积分阶次λ的取值范围,令积分阶次λ平均选取若干个值(λ1,λ2,...,λq),根据微分阶次μ的取值范围,令微分阶次μ平均选取若干个值(μ1,μ2,...,μQ),令积分阶次λ与微分阶次μ在取值范围内两两组合,得到多个积分阶次λ与微分阶次μ的组合,每个积分阶次λ与微分阶次μ的组合定义为阶次组合;
步骤530,根据得到的分数阶PID控制器的参数,进行阶跃响应仿真,计算每个对象样本的损失函数,损失函数如下所示,其中κ1和κ2为给定权值,且满足κ1+κ2=1,u(t)表示PID控制器的输出信号,e(t)表示伺服系统参考输入信号与实际输出信号之间的偏差,e(t)和u(t)均是关于时间t的函数;
步骤540,比较每个阶次组合的损失函数,获取令损失函数最小的阶次组合中的积分阶次λ和微分阶次μ;
步骤550,判断步骤540中所得到的积分阶次λ和微分阶次μ是否达到预设精度,若积分阶次λ和微分阶次μ均达到预设精度,则以此作为对象样本的积分阶次λ和微分阶次μ,若积分阶次λ达不到预设精度,则以积分阶次λ的当前值为中心值重新设定积分阶次λ的取值范围为[λa-1,λa+1],λa为步骤540中获取的积分阶次λ,返回步骤510,若微分阶次μ达不到预设精度,则以微分阶次μ的当前值为中心值重新设定微分阶次μ的取值范围为[μb-1,μb+1],μb为步骤540中获取的微分阶次μ,返回步骤510。
进一步作为优选的实施方式,本实施例步骤520具体是采用水平相位准则计算分数阶PID控制器的参数,本实施例步骤520包括以下步骤:
步骤524,根据积分阶次λ和微分阶次μ,通过如下关系式计算积分增益Ki:
Q2Ki 2+Q1Ki+Q0=0
其中:
联立以上关系式求出分数阶PID控制器的积分增益Ki;
步骤525,根据积分增益Ki,计算微分增益Kd,Kd=s1Ki+s0;
步骤526,根据积分增益Ki以及微分增益Kd,计算比例增益Kp,公式如下所示:
其中:
联立以上关系式求出分数阶PID控制器的比例增益Kp。
进一步作为优选的实施方式,本实施例中,基于获取的分数阶PID控制器模型的积分阶次λ和微分阶次μ,采用水平相位准则计算分数阶PID控制器模型的比例增益Kp、积分增益Ki以及微分增益Kd,包括:基于步骤900得到的积分阶次λ和微分阶次μ,结合实际应用中伺服系统被控对象的传递函数的对象模型参数τ1、对象模型参数τ2、开环截止频率ωc以及相位裕度重复执行步骤521至步骤526,获得分数阶PID控制器模型的比例增益Kp、积分增益Ki以及微分增益Kd。
以上对本申请的较佳实施方式进行了具体说明,但本申请并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (5)
基于神经网络模型,计算分数阶PID控制器模型的积分阶次λ和微分阶次μ;
基于获取的分数阶PID控制器模型的积分阶次λ和微分阶次μ,采用水平相位准则计算分数阶PID控制器模型的比例增益Kp、积分增益Ki以及微分增益Kd;
所述基于神经网络模型,计算分数阶PID控制器模型的积分阶次λ和微分阶次μ,包括以下步骤:
步骤200,根据对象模型参数τ1和对象模型参数τ2的取值范围,将对象模型参数τ1平均分为若干个值(τ11,τ12,...,τ1m),将对象模型参数τ2 平均分为若干个值(τ21,τ22,...,τ2M),将(τ11,τ12,...,τ1m)和(τ21,τ22,...,τ2M)两两取值组合,得到若干个对象模型参数τ1和对象模型参数τ2的取值组合,将每个对象模型参数τ1和对象模型参数τ2的取值组合定义为一个对象样本;
步骤300,根据开环截止频率ωc以及相位裕度的取值范围,将开环截止频率ωc平均分为若干个值(ωc1,ωc2,...,ωcn),将相位裕度平均分为若干个值将(ωc1,ωc2,...,ωcn)和两两取值组合,得到若干个开环截止频率ωc和相位裕度的取值组合,将每个开环截止频率ωc和相位裕度的取值组合定义为一个状态;
步骤500,针对每一个对象样本,计算每一个对象样本的积分阶次λ和微分阶次μ;
步骤600,以样本特征向量作为输入,以步骤500中得到的每一个对象样本的积分阶次λ和微分阶次μ作为输出,构建样本集;
步骤700,构建第一神经网络模型,以样本特征向量作为输入,微分阶次μ作为输出,完成第一神经网络模型的训练;
步骤800,构建第二神经网络模型,以样本特征向量和微分阶次μ作为输入,以积分阶次λ作为输出,完成第二神经网络模型的训练;
2.根据权利要求1所述的一种分数阶PID控制器的参数整定方法,其特征在于,步骤700中,所述第一神经网络模型包括隐含层和输出层,所述隐含层采用sigmoid激活函数,所述输出层采用线性激活函数,且采用均方误差作为优化目标函数,所述第一神经网络模型训练过程中采用LM算法迭代训练得到隐含层和输出层的网络权值。
3.根据权利要求1所述的一种分数阶PID控制器的参数整定方法,其特征在于,步骤800中,所述第二神经网络模型包括隐含层和输出层,所述隐含层采用sigmoid激活函数,所述输出层采用线性激活函数,且采用均方误差作为优化目标函数,所述第二神经网络模型训练过程中采用LM算法迭代训练得到隐含层和输出层的网络权值。
4.根据权利要求1所述的一种分数阶PID控制器的参数整定方法,其特征在于,步骤500中,针对每一个对象样本分别执行以下步骤:
步骤510,根据积分阶次λ的取值范围,令积分阶次λ平均选取若干个值(λ1,λ2,...,λq),根据微分阶次μ的取值范围,令微分阶次μ平均选取若干个值(μ1,μ2,...,μQ),令积分阶次λ与微分阶次μ在取值范围内两两组合,得到多个积分阶次λ与微分阶次μ的组合,每个积分阶次λ与微分阶次μ的组合定义为阶次组合;
步骤530,根据得到的分数阶PID控制器的参数,进行阶跃响应仿真,计算每个对象样本的损失函数;
步骤540,比较每个阶次组合的损失函数,获取令损失函数最小的阶次组合中的积分阶次λ和微分阶次μ;
步骤550,判断步骤540中所得到的积分阶次λ和微分阶次μ是否达到预设精度,若积分阶次λ和微分阶次μ均达到预设精度,则以此作为对象样本的积分阶次λ和微分阶次μ,若积分阶次λ达不到预设精度,则以积分阶次λ的当前值为中心值重新设定积分阶次λ的取值范围,返回步骤510,若微分阶次μ达不到预设精度,则以微分阶次μ的当前值为中心值重新设定微分阶次μ的取值范围,返回步骤510。
5.根据权利要求4所述的一种分数阶PID控制器的参数整定方法,其特征在于,步骤520包括以下步骤:
步骤524,根据积分阶次λ和微分阶次μ,通过如下关系式计算积分增益Ki:
Q2Ki 2+Q1Ki+Q0=0
其中:
联立以上关系式求出分数阶PID控制器的积分增益Ki;
步骤525,根据积分增益Ki,计算微分增益Kd,Kd=s1Ki+s0;
步骤526,根据积分增益Ki以及微分增益Kd,计算比例增益Kp,公式如下所示:
其中:
联立以上关系式求出分数阶PID控制器的比例增益Kp;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910759562.7A CN110531612B (zh) | 2019-08-16 | 2019-08-16 | 一种分数阶pid控制器的参数整定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910759562.7A CN110531612B (zh) | 2019-08-16 | 2019-08-16 | 一种分数阶pid控制器的参数整定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110531612A CN110531612A (zh) | 2019-12-03 |
CN110531612B true CN110531612B (zh) | 2022-06-17 |
Family
ID=68663557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910759562.7A Active CN110531612B (zh) | 2019-08-16 | 2019-08-16 | 一种分数阶pid控制器的参数整定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110531612B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156824A (zh) * | 2021-04-29 | 2021-07-23 | 苏州科技大学 | 一种基于神经网络的分数阶内模pid控制器 |
CN113176729B (zh) * | 2021-04-30 | 2023-04-25 | 广东电网有限责任公司电力科学研究院 | Pid控制器的噪声干扰检测方法、装置、设备及介质 |
CN113238486B (zh) * | 2021-06-03 | 2023-01-10 | 国家电网有限公司 | 一种自适应的多机水电站调速器参数调控方法 |
CN113406882B (zh) * | 2021-06-10 | 2023-07-11 | 西北工业大学 | 一种基于分数阶pid控制的核动力装置管路系统减振降噪方法 |
CN113759700A (zh) * | 2021-08-30 | 2021-12-07 | 华南理工大学 | 基于粒子群和神经网络的分数阶pid自适应调节方法 |
CN114063443A (zh) * | 2021-12-01 | 2022-02-18 | 上海电力大学 | 改进bp整定分数阶pid的并网逆变器控制方法 |
CN116402105B (zh) * | 2023-04-17 | 2023-09-22 | 西安理工大学 | 具有复杂放电特性分数阶Chay神经元模型的建立方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104777746A (zh) * | 2015-04-09 | 2015-07-15 | 长春理工大学 | 一种增强型的增益鲁棒分数阶pid控制器参数整定方法 |
CN108803311A (zh) * | 2018-08-03 | 2018-11-13 | 佛山科学技术学院 | 一种pid控制器设计方法 |
CN108919639A (zh) * | 2018-08-03 | 2018-11-30 | 佛山科学技术学院 | 一种pid控制器参数最优比例模型建立方法 |
CN109507870A (zh) * | 2018-11-21 | 2019-03-22 | 北京理工大学 | 结构自适应的分数阶比例积分或比例微分控制器设计方法 |
CN109828455A (zh) * | 2019-01-29 | 2019-05-31 | 华中科技大学 | 一种分数阶pid控制器及其参数整定方法 |
CN110569561A (zh) * | 2019-08-16 | 2019-12-13 | 佛山科学技术学院 | 一种分数阶pid控制器微分积分阶次估计方法 |
-
2019
- 2019-08-16 CN CN201910759562.7A patent/CN110531612B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104777746A (zh) * | 2015-04-09 | 2015-07-15 | 长春理工大学 | 一种增强型的增益鲁棒分数阶pid控制器参数整定方法 |
CN108803311A (zh) * | 2018-08-03 | 2018-11-13 | 佛山科学技术学院 | 一种pid控制器设计方法 |
CN108919639A (zh) * | 2018-08-03 | 2018-11-30 | 佛山科学技术学院 | 一种pid控制器参数最优比例模型建立方法 |
CN109507870A (zh) * | 2018-11-21 | 2019-03-22 | 北京理工大学 | 结构自适应的分数阶比例积分或比例微分控制器设计方法 |
CN109828455A (zh) * | 2019-01-29 | 2019-05-31 | 华中科技大学 | 一种分数阶pid控制器及其参数整定方法 |
CN110569561A (zh) * | 2019-08-16 | 2019-12-13 | 佛山科学技术学院 | 一种分数阶pid控制器微分积分阶次估计方法 |
Non-Patent Citations (2)
Title |
---|
Fractional order PIλDμ controller design for satisfying time and frequency domain specifications simultaneously;Zheng W J, Luo Y, Wang X H, et al.;《 ISA transactions》;20171231;第4页第1栏 * |
基于神经网络自抗扰控制的交流伺服系统分数阶控制;殷劲松;《电光与控制》;20190531;第26卷(第5期);摘要,第23页第2栏第2段 * |
Also Published As
Publication number | Publication date |
---|---|
CN110531612A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110531612B (zh) | 一种分数阶pid控制器的参数整定方法 | |
CN108919639B (zh) | 一种pid控制器参数最优比例模型建立方法 | |
CN110569561B (zh) | 一种分数阶pid控制器微分积分阶次估计方法 | |
Zribi et al. | A new PID neural network controller design for nonlinear processes | |
Hamamci | An algorithm for stabilization of fractional-order time delay systems using fractional-order PID controllers | |
CN108132599B (zh) | 一种基于迭代反馈整定的ude控制系统设计方法 | |
CN102998973B (zh) | 一种非线性系统的多模型自适应控制器及控制方法 | |
CN107102634B (zh) | 一种基于转台伺服系统的参数估计与跟踪控制方法 | |
CN103324093B (zh) | 一种多模型自适应控制系统及其控制方法 | |
CN103197542B (zh) | 基于数据驱动的时滞系统pid控制器镇定方法 | |
CN111443600B (zh) | 一种时滞系统最优鲁棒分数阶PIλD控制器的优化方法 | |
CN110286589B (zh) | 一种非线性全驱动mimo系统的自抗扰控制方法 | |
KR101849464B1 (ko) | Pid 게인 자동 튜닝 방법 | |
CN111638641B (zh) | 一种调控电机速度环的分数阶自抗扰控制器的设计方法 | |
CN109828455B (zh) | 一种分数阶pid控制器及其参数整定方法 | |
CN108919643A (zh) | 一种用于线性自抗扰控制器参数的鲁棒整定方法 | |
CN110501906A (zh) | 互耦分数阶混沌机电换能器加速自适应模糊控制方法 | |
CN109062040B (zh) | 基于系统嵌套优化的预测pid方法 | |
CN110968118A (zh) | 一种六自由度调整转台的控制方法 | |
Bouyedda et al. | Identification and control design for a class of non-minimum phase dead-time systems based on fractional-order smith predictor and genetic algorithm technique | |
CN109450334B (zh) | 一种伺服系统控制参数整定方法及系统 | |
CN113110021B (zh) | 一种用于伺服系统辨识与控制器设计的方法 | |
CN109358609B (zh) | 一种模型预测控制器的调试方法及系统 | |
Chu | IMC‐PID tuning method based on maximum sensitivity for uncertain multivariable systems | |
CN117492372B (zh) | 自抗扰控制方法及计算机储存介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |