CN116627027A - 一种基于改进型pid最优鲁棒性控制方法 - Google Patents

一种基于改进型pid最优鲁棒性控制方法 Download PDF

Info

Publication number
CN116627027A
CN116627027A CN202310882828.3A CN202310882828A CN116627027A CN 116627027 A CN116627027 A CN 116627027A CN 202310882828 A CN202310882828 A CN 202310882828A CN 116627027 A CN116627027 A CN 116627027A
Authority
CN
China
Prior art keywords
raccoon
value
improved
optimization algorithm
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
Application number
CN202310882828.3A
Other languages
English (en)
Other versions
CN116627027B (zh
Inventor
张玉璘
管峰保
徐明辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Jinan
Original Assignee
University of Jinan
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Jinan filed Critical University of Jinan
Priority to CN202310882828.3A priority Critical patent/CN116627027B/zh
Publication of CN116627027A publication Critical patent/CN116627027A/zh
Application granted granted Critical
Publication of CN116627027B publication Critical patent/CN116627027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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.
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开一种基于改进型PID最优鲁棒性控制方法，属于PID控制优化技术领域，具体步骤为：步骤一、构建PID控制器模型，包括偏差计算模块、PID控制器模块、改进浣熊优化算法模块、受控对象模块；步骤二、改进基础浣熊优化算法，提出一种"精度确认"机制，分两步执行：D1、在开发阶段，改进基础浣熊优化算法寻优步长，防止遗漏最优解问题出现；D2、引入概率因子q，防止陷入局部最优；步骤三、将目标值与实时值的差值输入到改进浣熊优化算法模型中，利用改进浣熊优化算法进行迭代得到优化后的PID控制器的三个参数。通过引入"精度确认"机制，改进浣熊优化算法寻优，提高了PID控制的灵敏性和鲁棒性。

Description

一种基于改进型PID最优鲁棒性控制方法
技术领域
本发明属于PID控制优化技术领域，尤其涉及一种基于改进型PID最优鲁棒性控制方法。
背景技术
目前，PID控制仍然是许多控制系统的首选算法，尤其在传统的工业控制领域；它可以通过调节三个参数（比例、积分和微分）来实现对控制系统的精确控制；PID控制器的主要优点包括快速响应、稳定性和鲁棒性，适用于各种工业过程；传统的PID控制器对于非线性和复杂系统的控制效果有限；针对这些系统，需要使用更高级的控制算法，如模糊逻辑控制、模型预测控制或自适应控制。
浣熊优化算法(COA)模拟了自然界中长鼻浣熊的两种自然行为：(1)攻击和捕猎鬣蜥时的行为；(2)逃离捕食者时的行为；对其进行了数学建模，COA的结果与11种著名的元启发式算法的结果进行了比较，仿真结果表明，COA具有明显的优势和较强的竞争力；但是在开发阶段，容易丢掉最优解，同时存在陷入局部最优的风险。
发明内容
本发明的目的在于：解决浣熊优化算法容易丢掉最优解，同时存在陷入局部最优的风险的问题，并为智能优化算法提供一种解决算法易丢失最优解的方法，同时针对传统的PID控制器对于非线性和复杂系统的控制效果有限的缺陷，提出一种新的改进型控制方法，利用改进浣熊优化算法优化PID控制器。
为了实现上述目的，本发明采用了如下技术方案：
一种基于改进型PID最优鲁棒性控制方法，其特征在于，利用改进浣熊优化算法优化PID控制器的三个参数，具体步骤如下。
步骤一、构建PID控制器模型。
步骤二、改进基础浣熊优化算法，提出一种"精度确认"机制，将"精度确认"机制应用到步骤三中。
步骤三、将目标值与实时值的差值输入到改进浣熊优化算法模型中，利用改进浣熊优化算法进行迭代得到优化后的PID控制器的三个参数，具体步骤为：
S1、算法参数初始化：设置浣熊搜索最大边界、最小边界/>，种群规模N，最大迭代次数Max_iter，维度dim。
S2、PID控制系统参数取值范围作为浣熊群体的搜索空间，在取值范围内随机选取一组PID控制系统参数作为浣熊初始位置。
S3、基于最小二乘法构建优化目标函数，用于计算适应度值，目标函数的公式为：
；
式中，J为目标函数，t_des 为目标值，t_act 为实时值。
S4、计算浣熊种群每个个体的当前适应度值并递增排序，记录当前迭代最好适应度值fit ness 。
S5、将"精度确认"机制融入到基础浣熊优化算法中，进行浣熊种群位置更新；在勘探阶段，用式（1）计算浣熊在树上的位置；
（1）；
式中，为浣熊个体新位置，i和j表示第i个浣熊的第j维度位置；/>为浣熊上次迭代的位置；/>为当前浣熊最优位置；r为[0,1]之间的随机数，I表示{1,2}中的随机整数；N为种群规模；
在开发阶段，利用引入步长的位置更新公式更新位置，如式（2）所示，然后计算概率因子q，若q>q1，则执行式（5），生成一个反向位置来扩展搜索范围，并返回执行S4；
（2）；
其中，r为[0,1]之间的随机数；Wstep为浣熊步长；，/>为第j维变量随迭代次数而更新的上下界；q1为实验设定值，取值0.5；N为种群规模。
S6、判断是否达到最大迭代次数，若是，则寻优停止输出最优参数，否则返回S4继续寻优。
S7、将最优数据赋值给Kp、Ki、Kd带入到受控对象中进行仿真，得到最佳数据情况下的模型输出结果。
进一步的，所述步骤一中，PID控制器模型包括目标值和实时值的偏差计算模块、PID控制器模块、改进浣熊优化算法模块、受控对象模块。
进一步的，所述步骤一中，选取的受控对象的传递函数公式为：
；
式中，G(S)为传递函数，S为函数变量。
进一步的，所述步骤二中，"精度确认"机制解决的是算法容易丢掉最优解，同时存在陷入局部最优的风险的问题，改进后算法可以很好地寻优，自适应环境变化，不会丢失最优解，同时陷入局部最优时，可以及时跳出，继续寻优。
进一步的，所述步骤二中，"精度确认"机制具体分两步执行：
D1、在开发阶段，改进基础浣熊优化算法寻优步长，防止遗漏最优解问题出现，如式（3）所示；
（3）；
式中，W step 为浣熊步长；t为当前迭代次数；Max_iter为最大迭代次数；fit ness 为当前迭代最优适应度值；fit(i)为当前迭代第i个个体的适应度值；
D2、引入概率因子q，如式（4）所示，当q>q1时，则表示当前迭代陷入局部最优，则执行式（5），生成一个反向位置来扩展搜索范围；
（4）；
其中，r 1 为[0,1]之间的随机数；fit ness 为当前迭代最优适应度值；fit(i)为当前迭代第i个个体的适应度值；q1为实验设定值，取值0.5；
（5）；
式中，为第i个浣熊的第j维度位置的反位置；/>为第i个浣熊的第j维度位置；/>和/>为搜索空间中第j维变量的最大边界和最小边界；K为透镜对立的学习因子。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明中，通过在基础浣熊优化算法的基础上，引入"精度确认"机制，解决浣熊优化算法容易丢掉最优解，同时存在陷入局部最优的风险的问题，并为智能优化算法提供一种解决算法易丢失最优解的方法，能够有效提高系统的鲁棒性和控制精度，可为工业控制提供新的思路，有利于提高PID受控对象的稳定性。
附图说明
图 1 为改进浣熊优化算法优化PID控制器的流程图。
图 2 为基于改进浣熊优化算法的PID控制器模型图。
图 3 为改进浣熊优化算法与基础浣熊优化算法最优个体适应度值对比曲线图。
图 4 为改进浣熊优化算法与基础浣熊优化算法优化PID的效果对比曲线图。
具体实施方式
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，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图 1-图 4，本发明提供一种技术方案：
一种基于改进型PID最优鲁棒性控制方法，其特征在于，利用改进浣熊优化算法优化PID控制器的三个参数，具体步骤如下。
步骤一、构建PID控制器模型。
步骤二、改进基础浣熊优化算法，提出一种"精度确认"机制，将"精度确认"机制应用到步骤三中。
步骤三、将目标值与实时值的差值输入到改进浣熊优化算法模型中，利用改进浣熊优化算法进行迭代得到优化后的PID控制器的三个参数，如图1所示，具体步骤为：
S1、算法参数初始化：设置浣熊搜索最大边界、最小边界/>，种群规模N，最大迭代次数Max_iter，维度dim。
S2、PID控制系统参数取值范围作为浣熊群体的搜索空间，在取值范围内随机选取一组PID控制系统参数作为浣熊初始位置。
S3、基于最小二乘法构建优化目标函数，用于计算适应度值，目标函数的公式为：
；
式中，J为目标函数，t_des 为目标值，t_act 为实时值；
S4、计算浣熊种群每个个体的当前适应度值并递增排序，记录当前迭代最好适应度值fit ness 。
S5、将"精度确认"机制融入到基础浣熊优化算法中，进行浣熊种群位置更新；在勘探阶段，用式（1）计算浣熊在树上的位置；
（1）；
式中，为浣熊个体新位置，i和j表示第i个浣熊的第j维度位置；/>为浣熊上次迭代的位置；/>为当前浣熊最优位置；r为[0,1]之间的随机数，I表示{1,2}中的随机整数；N为种群规模；
在开发阶段，利用引入步长的位置更新公式更新位置，如式（2）所示，然后计算概率因子q，若q>q1，则执行式（5），生成一个反向位置来扩展搜索范围，并返回执行S4；
（2）；
其中，r为[0,1]之间的随机数；Wstep为浣熊步长；，/>为第j维变量随迭代次数而更新的上下界；q1为实验设定值，取值0.5；N为种群规模。
S6、判断是否达到最大迭代次数，若是，则寻优停止输出最优参数，否则返回S4继续寻优。
S7、将最优数据赋值给Kp、Ki、Kd带入到受控对象中进行仿真，得到最佳数据情况下的模型输出结果。
进一步的，所述步骤一中，如图2所示，PID控制器模型包括目标值和实时值的偏差计算模块、PID控制器模块、改进浣熊优化算法模块、受控对象模块。
进一步的，所述步骤一中，选取的受控对象的传递函数公式为：
；
式中，G(S)为传递函数，S为函数变量。
进一步的，所述步骤二中，"精度确认"机制解决的是算法容易丢掉最优解，同时存在陷入局部最优的风险的问题，改进后算法可以很好地寻优，自适应环境变化，不会丢失最优解，同时陷入局部最优时，可以及时跳出，继续寻优。
进一步的，所述步骤二中，"精度确认"机制具体分两步执行：
D1、在开发阶段，改进基础浣熊优化算法寻优步长，防止遗漏最优解问题出现，如式（3）所示；
（3）；
式中，W step 为浣熊步长；t为当前迭代次数；Max_ iter为最大迭代次数；fit ness 为当前迭代最优适应度值；fit(i)为当前迭代第i个个体的适应度值；
D2、引入概率因子q，如式（4）所示，当q>q1时，则表示当前迭代陷入局部最优，则执行式（5），生成一个反向位置来扩展搜索范围；
（4）；
其中，r 1 为[0,1]之间的随机数；fit ness 为当前迭代最优适应度值；fit(i)为当前迭代第i个个体的适应度值；q1为实验设定值，取值0.5；
（5）；
式中，为第i个浣熊的第j维度位置的反位置；/>为第i个浣熊的第j维度位置；/>和/>为搜索空间中第j维变量的最大边界和最小边界；K为透镜对立的学习因子。
为验证改进浣熊优化算法优化PID控制器后的优越性，利用Matlab对PID控制系统进行仿真，通过与基础浣熊优化算法对比来完成本发明设计方法的实验验证。
图3 为基础浣熊优化算法(COA)寻优适应度值与改进浣熊优化算法寻优适应度值的对比图，按照适应度值越小，即越接近零表示个体的解决方案越优秀算法性能越好的准则，可以发现改进浣熊优化算法寻优效果要比基础浣熊优化算法更好。
分析图4可知，改进浣熊优化算法-PID系统的超调量明显比基础浣熊优化算法-PID系统的超调量更低，可以说明在复杂环境下，改进浣熊优化算法-PID系统要比基础浣熊优化算法-PID系统控制性能更好。

Claims (3)

1.一种基于改进型PID最优鲁棒性控制方法，其特征在于，利用改进浣熊优化算法优化PID控制器的三个参数，具体步骤如下：
步骤一、构建PID控制器模型；
步骤二、改进基础浣熊优化算法，提出一种"精度确认"机制，将"精度确认"机制应用到步骤三中；
步骤三、将目标值与实时值的差值输入到改进浣熊优化算法模型中，利用改进浣熊优化算法进行迭代得到优化后的PID控制器的三个参数，具体步骤为：
S1、算法参数初始化：设置浣熊搜索最大边界、最小边界/>，种群规模N，最大迭代次数Max_iter，维度dim；
S2、PID控制系统参数取值范围作为浣熊群体的搜索空间，在取值范围内随机选取一组PID控制系统参数作为浣熊初始位置；
S3、基于最小二乘法构建优化目标函数，用于计算适应度值，目标函数的公式为：
；
式中，J 为目标函数，t_des 为目标值，t_act 为实时值；
S4、计算浣熊种群每个个体的当前适应度值并递增排序，记录当前迭代最好适应度值fit ness，与上次迭代最好适应度值比较，保留最小适应度值；
S5、将"精度确认"机制融入到基础浣熊优化算法中，进行浣熊种群位置更新；在勘探阶段，用式（1）计算浣熊在树上的位置；
（1）；
式中，为浣熊个体新位置，i和j表示第i个浣熊的第j维度位置；/>为浣熊上次迭代的位置；/>为当前浣熊最优位置；r为[0,1]之间的随机数，I表示{1,2}中的随机整数；N为种群规模；
在开发阶段，利用引入步长的位置更新公式更新位置，如式（2）所示，然后计算概率因子q，若q>q1，则执行式（5），生成一个反向位置来扩展搜索范围，并返回执行S4；
（2）；
式中，r为[0,1]之间的随机数；W step 为浣熊步长；，/>为第j维变量随迭代次数而更新的上下界；q1为实验设定值，取值0.5；N为种群规模；
S6、判断是否达到最大迭代次数，若是，则寻优停止输出最优参数，否则返回S4继续寻优；
S7、将最优数据赋值给 Kp、Ki、Kd 带入到受控对象中进行仿真，得到最佳数据情况下的模型输出结果。
2.根据权利要求 1 所述的一种基于改进型PID最优鲁棒性控制方法，其特征在于，所述步骤二中，"精度确认"机制具体分两步执行：
D1、在开发阶段，改进基础浣熊优化算法寻优步长，防止遗漏最优解问题出现，如式（3）所示；
（3）；
式中，W step 为浣熊步长；t为当前迭代次数；Max_ iter为最大迭代次数；fit ness 为当前迭代最优适应度值；fit(i)为当前迭代第i个个体的适应度值；
D2、引入概率因子q，如式（4）所示，当q>q1时，则表示当前迭代陷入局部最优，则执行式（5），生成一个反向位置来扩展搜索范围；
（4）；
式中，r 1 为[0,1]之间的随机数；fit ness 为当前迭代最优适应度值；fit(i)为当前迭代第i个个体的适应度值；q1为实验设定值，取值0.5；
（5）；
式中，为第i个浣熊的第j维度位置的反位置；/>为第i个浣熊的第j维度位置；/>和/>为搜索空间中第j维变量的最大边界和最小边界；K为透镜对立的学习因子。
3.根据权利要求 1 所述的一种基于改进型PID最优鲁棒性控制方法，其特征在于，所述步骤一中，PID控制器模型包括目标值和实时值的偏差计算模块、PID控制器模块、改进浣熊优化算法模块、受控对象模块。
CN202310882828.3A 2023-07-19 2023-07-19 一种基于改进型pid最优鲁棒性控制方法 Active CN116627027B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310882828.3A CN116627027B (zh) 2023-07-19 2023-07-19 一种基于改进型pid最优鲁棒性控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310882828.3A CN116627027B (zh) 2023-07-19 2023-07-19 一种基于改进型pid最优鲁棒性控制方法

Publications (2)

Publication Number Publication Date
CN116627027A true CN116627027A (zh) 2023-08-22
CN116627027B CN116627027B (zh) 2024-01-30

Family

ID=87636824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310882828.3A Active CN116627027B (zh) 2023-07-19 2023-07-19 一种基于改进型pid最优鲁棒性控制方法

Country Status (1)

Country Link
CN (1) CN116627027B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117092905A (zh) * 2023-10-19 2023-11-21 济南大学 一种基于改进型飞机刹车冷却风扇最优鲁棒控制方法
CN117369246A (zh) * 2023-12-07 2024-01-09 济南大学 一种基于电子阻力高位下拉器的最优鲁棒控制方法
CN117492359A (zh) * 2024-01-02 2024-02-02 济南大学 一种自适应pid控制器的参数优化方法
CN117850213A (zh) * 2024-03-08 2024-04-09 岳正检测认证技术有限公司 一种用于消杀机器人的加强型pid控制优化方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1335800A (zh) * 1999-10-29 2002-02-13 索尼公司 机器人系统、机器人装置及机器人装置的外装
US20110289821A1 (en) * 2010-05-27 2011-12-01 Bonnot Gary D Humane racoon restraint
CN102378337A (zh) * 2010-08-10 2012-03-14 中兴通讯股份有限公司 一种反向外环功率控制方法和装置
CN108029007A (zh) * 2015-07-31 2018-05-11 康维达无线有限责任公司 用于小小区网络中的服务层和应用的通知和触发
CN108794583A (zh) * 2018-05-31 2018-11-13 中国农业科学院特产研究所 貉细小病毒病毒样颗粒、其制备方法与应用以及该病毒样颗粒制备的疫苗
CN109034560A (zh) * 2018-07-06 2018-12-18 昆明理工大学 一种烟草制丝加工过程的优化调度方法
CN111850135A (zh) * 2020-06-05 2020-10-30 陕西科技大学 一种15种动物源性成分的pcr高分辨熔解检测试剂盒及检测方法
WO2021034677A1 (en) * 2019-08-16 2021-02-25 OptimDosing, LLC Application for tracking progression and isolating causes of adverse medical conditions
CN112672402A (zh) * 2020-12-10 2021-04-16 重庆邮电大学 超密集异构无线网络中基于网络推荐的接入选择方法
CN113396326A (zh) * 2018-12-19 2021-09-14 核酸有限责任公司 用于分子诊断的设备和方法
WO2022036303A1 (en) * 2020-08-14 2022-02-17 Taylor Keith H Virus/biohazard indicating disposable face mask
CN114861857A (zh) * 2022-04-18 2022-08-05 广州番禺职业技术学院 一种粒子群优化方法、装置、设备及存储介质
CN115115389A (zh) * 2022-03-11 2022-09-27 南京邮电大学 一种基于价值细分和集成预测的快递客户流失预测方法
CN115204062A (zh) * 2022-09-15 2022-10-18 中国地质大学（武汉） 面向行星际探测轨道设计的强化混合差分演化方法及系统
CN116432077A (zh) * 2023-03-08 2023-07-14 南京理工大学 基于优化bp神经网络的智能站二次系统故障定位方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1335800A (zh) * 1999-10-29 2002-02-13 索尼公司 机器人系统、机器人装置及机器人装置的外装
US20110289821A1 (en) * 2010-05-27 2011-12-01 Bonnot Gary D Humane racoon restraint
CN102378337A (zh) * 2010-08-10 2012-03-14 中兴通讯股份有限公司 一种反向外环功率控制方法和装置
CN108029007A (zh) * 2015-07-31 2018-05-11 康维达无线有限责任公司 用于小小区网络中的服务层和应用的通知和触发
CN108794583A (zh) * 2018-05-31 2018-11-13 中国农业科学院特产研究所 貉细小病毒病毒样颗粒、其制备方法与应用以及该病毒样颗粒制备的疫苗
CN109034560A (zh) * 2018-07-06 2018-12-18 昆明理工大学 一种烟草制丝加工过程的优化调度方法
CN113396326A (zh) * 2018-12-19 2021-09-14 核酸有限责任公司 用于分子诊断的设备和方法
WO2021034677A1 (en) * 2019-08-16 2021-02-25 OptimDosing, LLC Application for tracking progression and isolating causes of adverse medical conditions
CN111850135A (zh) * 2020-06-05 2020-10-30 陕西科技大学 一种15种动物源性成分的pcr高分辨熔解检测试剂盒及检测方法
WO2022036303A1 (en) * 2020-08-14 2022-02-17 Taylor Keith H Virus/biohazard indicating disposable face mask
CN112672402A (zh) * 2020-12-10 2021-04-16 重庆邮电大学 超密集异构无线网络中基于网络推荐的接入选择方法
CN115115389A (zh) * 2022-03-11 2022-09-27 南京邮电大学 一种基于价值细分和集成预测的快递客户流失预测方法
CN114861857A (zh) * 2022-04-18 2022-08-05 广州番禺职业技术学院 一种粒子群优化方法、装置、设备及存储介质
CN115204062A (zh) * 2022-09-15 2022-10-18 中国地质大学（武汉） 面向行星际探测轨道设计的强化混合差分演化方法及系统
CN116432077A (zh) * 2023-03-08 2023-07-14 南京理工大学 基于优化bp神经网络的智能站二次系统故障定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵翱东: "基于智能PID 控制的煤矿通风机通风量调节研究", 煤矿机械, vol. 33, no. 12, pages 69 - 71 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117092905A (zh) * 2023-10-19 2023-11-21 济南大学 一种基于改进型飞机刹车冷却风扇最优鲁棒控制方法
CN117092905B (zh) * 2023-10-19 2024-02-02 济南大学 一种基于改进型飞机刹车冷却风扇最优鲁棒控制方法
CN117369246A (zh) * 2023-12-07 2024-01-09 济南大学 一种基于电子阻力高位下拉器的最优鲁棒控制方法
CN117369246B (zh) * 2023-12-07 2024-02-13 济南大学 一种基于电子阻力高位下拉器的最优鲁棒控制方法
CN117492359A (zh) * 2024-01-02 2024-02-02 济南大学 一种自适应pid控制器的参数优化方法
CN117492359B (zh) * 2024-01-02 2024-03-22 济南大学 一种自适应pid控制器的参数优化方法
CN117850213A (zh) * 2024-03-08 2024-04-09 岳正检测认证技术有限公司 一种用于消杀机器人的加强型pid控制优化方法
CN117850213B (zh) * 2024-03-08 2024-05-24 羽禾人工智能(嘉兴)有限公司 一种用于消杀机器人的加强型pid控制优化方法

Also Published As

Publication number Publication date
CN116627027B (zh) 2024-01-30

Similar Documents

Publication Publication Date Title
CN116627027B (zh) 一种基于改进型pid最优鲁棒性控制方法
JP2010515182A (ja) コンピュータ支援によって技術システムを制御および／または調整する方法
CN105915121A (zh) 一种采用遗传算法优化的伺服系统惯量辨识方法
CN116610025B (zh) 一种基于改进元启发式算法的pid控制器优化方法
CN109254530A (zh) 基于磨矿过程基础回路的无模型自适应控制方法
WO2019081782A1 (en) AUTOMATIC LEARNING SYSTEMS WITH PARAMETER-BASED PARAMETER ADAPTATION FOR RAPID OR LOWER LEARNING
CN106600001B (zh) 基于混合高斯分布相关学习机的玻璃窑炉温度预报方法
CN114548591A (zh) 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统
CN110097929A (zh) 一种高炉铁水硅含量在线预测方法
CN111192158A (zh) 一种基于深度学习的变电站日负荷曲线相似度匹配方法
CN112733301B (zh) 一种基于神经网络的六维力矩传感器重力补偿方法及系统
Sanz-García et al. Parsimonious support vector machines modelling for set points in industrial processes based on genetic algorithm optimization
CN116993548A (zh) 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统
Sreekanth et al. Genetic algorithm based self tuning regulator for ball and hoop system
CN116880191A (zh) 一种基于时序预测的过程工业生产系统的智能控制方法
CN114330119B (zh) 一种基于深度学习的抽蓄机组调节系统辨识方法
Zhang et al. A deep reinforcement learning based human behavior prediction approach in smart home environments
CN108319146B (zh) 一种径向基神经网络基于离散粒子群训练的方法
JPWO2020121494A1 (ja) 演算装置、アクション決定方法、及び制御プログラム
CN109993271A (zh) 基于博弈理论的灰色神经网络预测方法
CN108363304A (zh) 一种离散化粒子群寻优二阶惯性迟延模型辨识方法
US11720069B2 (en) Method for the computer-aided control of a technical system, more particularly a power generation installation
Martynova A novel approach of the approximation by patterns using Hybrid RBF NN with flexible parameters
CN111144052A (zh) 基于cnn-arx模型的直线一级倒立摆系统建模方法及模型
CN107315573A (zh) 建筑机电系统的控制方法、存储介质和终端设备

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