自适应控制结课论文（通用11篇）
自适应控制结课论文 篇1
自适应控制学习心得
在八周的自适应控制学习中，我了解了自适应控制的基本概念和定义，自适应控制的原理和数学模型以及发展状况。其中，老师重点给我们讲了李亚普诺夫稳定理论设计MRAC系统和MIT方案，波波夫超稳定理论设计MRAC系统和MIT方案和自校正控制系统。虽然这些理论知识掌握的不是很牢固，理解的也不够透彻，但是这为我以后的学习和实践奠定了一定的基础。
自适应控制的定义：(1)不论外界发生巨大变化或系统产生不确定性，控制系统能自行调整参数或产生控制作用，使系统仍能按某一性能指标运行在最佳状态的一种控制方法。(2)采用自动方法改变或影响控制参数，以改善控制系统性能的控制。
自适应控制的基本思想是：在控制系统的运行过程中，系统本身不断的测量被控系统的状态、性能和参数，从而“认识”或“掌握”系统当前的运行指标并与期望的指标相比较，进而做出决策，来改变控制器的结构、参数或根据自适应规律来改变控制作用，以保证系统运行在某种意义下的最优或次优状态。
按这种思想建立起来的控制系统就称为自适应控制系统。自适应控制是主动去适应这些系统或环境的变化，而其他控制方法是被动地、以不变应万变地靠系统本身设计时所考虑的稳定裕度或鲁棒性克服或降低这些变化所带来的对系统稳定性和性能指标的影响。好的自适应控制方法能在一定程度上适应被控系统的参数大范围的变化，使控制系统不仅能稳定运行，而且保持某种意义下的最优或接近最优。
自适应控制也是一种基于模型的方法，与基于完全模型的控制方法相比，它关于模型和扰动的先验知识比较少，自适应控制策略可以在运行过程中不断提取有关模型的信息，自动地使模型逐渐完善。
李亚普诺夫稳定理论设计MRAC系统和MIT方案的学习中，如果要设计一个关于李雅普诺夫函数的MRAC系统。首先构造出系统的李亚普诺夫函数，然后用李雅普诺夫稳定性理论的设计方法，能够成功地设计稳定的模型参考自适应系统。在这一章的学习中，理解李亚普诺夫稳定性理论和构造系统的李亚普诺夫函数是重点。
超稳定性概念是波波夫于六十年代初研究非线性系统绝对稳定性时发展起来的。当时，波波夫对某种类型的非线性系统的渐近稳定性问题，提出了一个具有充分条件的频率判据，对研究的这类非线性系统的稳定性提供了比较实用的方法。波波夫所研究的这类非线性系统，是由线性时不变部分与非线性无记忆元件相串联而构成的反馈系统。波波夫超稳定性理论来设计模型参考自适应系统，它可以给出一族自适应规律，并且有一整套设计理论。因此，有利于学习掌握这种自适应控制的设计方法和结合实际系统灵活选择适当的自适应控制规律。
自校正控制系统又称为参数自适应系统,它源于随机调节问题，该系统有两个环路,一个环路由参数可调的调节器和被控系统所组成,称为内环,它类似于通常的反馈控制系统；另一个环路由递推参数估计器与调节器参数计算环节所组成,称为外环。自校正控制系统与其它自适应控制系统的区别为其有一显性进行系统辨识和控制器参数计算(或设计)的环节这一显著特征。自校正控制的思想是将在线参数估计与调节器的设计有机的结合在一起。自适应控制常常兼有随机性、非线性和时变等特征,内部机理也相当复杂,所以分析这类系统十分困难。目前,已被广泛研究的理论课题有稳定性、收敛性和鲁棒性等,但取得的成果与人们所期望的还相差甚远。
在传统的控制理论与控制工程中，当对象是线性定常、并且完全已知的时候，才能进行分析和控制器设计。无论是采用频域方法还是状态空间方法对象一定是已知的。这类方法称为基于完全模型的方法。在模型能够精确的描述实际对象时，基于完全模型的控制方法可以进行各种分析、综合，并得到可靠、精确和满意的控制效果。因此，在控制工程中，要成功设计一个良好的控制系统，不论是通常的反馈控制系统或是最优控制系统，都需要掌握好被控系统的数学模型。
然而，有一些实际被控系统的数学模型是很难事先通过机理建模或离线系统辨识来确知的，或者它们的数学模型的某些参数或结构是处于变化之中的。对于这些事先难以确定数学模型的系统，通过事先鉴定好控制器参数的常规控制难以应付。
面对这些系统特性未知或经常处于变化之中而无法完全事先确定的情况，如何设计一个满意的控制系统，使得能主动适应这些特性未知或变化的情况，这就是自适应控制所要解决的问题。
自适应控制技术在20世纪80年代即开始向产品过渡，在我国得到了较好的推广应用，取得了很大的经济效益。且理论研究也有一些开创性的成果。但总的来说推广应用还很有限，主要是由于其通用性和开放性严重不足。
虽然现已能设计出安全、有效、稳定、快速且现场操作比较简单的自适应控制系统，但今后较长一段时期内，相对简单实用的反馈、反馈加前馈或其他一些成熟的控制技术仍将继续占据实际应用的主流。
自适应控制理论必须有新的突破，才能在工程应用中对PID控制等传统方法取得显著的优势，结合人工智能技术，尤其是神经网络技术与模糊理论，或许是最终实现这一远景的可能途径。
在近两个月的学习中，感谢范老师的精彩讲授。特别在一些难懂和不易理解的公式和定理的学习中，范老师都亲自在黑板上给我们演算证明，加深了我们对公式以及定理的掌握和理解。通过对自适应控制的学习，它为我以后的课题研究，提供了一些解决困难和问题的方法。
自适应控制结课论文 篇2
本文对Marsik和Strejc的研究工作及其他学者的工作进行了分析,应用根轨迹法,分析了PSD控制系统性能,提出了新的最优参数配置原则,通过仿真实验进行比较研究。
1 无辨识PSD控制系统分析
1.1 无辨识PSD控制器基本原理
PSD(Proportional、Summing、Differencing)即为PID的离散形式,其增量表达式如下:
由文献[2]可知,当满足下述条件时,系统具有较好的性能:
式中,和分别为系统误差e(t)的一、二阶差分绝对值的均值,且有:
由最优条件可得:Te(k)=2Tv(k)(3
增量表达式简化为:
1.2 无辨识PSD控制系统的根轨迹分析
一般情况,设Te(k)=αTv(k),则PSD控制器的脉冲传递函数为
式中,U(z)和E(z)分别为PSD控制器的输入和输出信号的Z变换(见图1),则PSD控制器的零点为
由于Tv(k)>0,z1,2模的范围为
该式表明,利用IFA算法的PSD控制零点均分布在一个单位圆内。无论增益g(k)从0至+?如何变化,两条根轨迹是由位于单位圆内的闭环极点开始,终止于可能同样位于单位圆内的零点。这表明IFA确保至少两个闭环极点分布在单位圆内。
式(6)表明,当α<4(包括文献[2]中提出的最优值α=2)时,那么系统将有一对共轭复零点,在某些情况下,闭环系统均不能稳定。
例如,当被控对象为双积分环节时:
系统的根轨迹方程为
式中,K*∈(0,+∞)为根轨迹的增益,z1,2为PSD控制器的两个零点。
当α<4时,系统根轨迹如图2所示,位于单位圆内的两条根轨迹(图中细实线曲线)终止于PSD的两个复数零点,而其它两条轨迹(图中粗实线曲线)位于单位圆外。这表明有两个闭环极点分布在单位圆内,而其它的极点在单位圆外,在这种情况下,基于IFA的PSD控制系统必定是不稳定的。
当4≤α<∞,系统根轨迹如图3所示,两条根轨迹(图中细实线曲线)各自终止于位于实轴的两个零点z1,2,而其它两条根轨迹(图中粗实线曲线)在各自终止于z=-1和z=-∞之前先在单位圆内运行。所以,如果能满足α≥4,取合适的增益g(k),那么系统将有可能保持稳定。根据式(2)及上述分析,取α=4,即
2 仿真验证
2.1 惯性环节
考察如下二阶惯性环节:
采样周期取TS=0.1s,选取α=2。
采样周期取TS=0.1s,图4中的曲线分别为α=2,4,8时的阶跃响应曲线。由该图可知,在惯性环节中,α=2并非为最优值。当α为4,8时,系统的超调量显著降低,收敛加速。
2.2 积分环节
考察如下积分环节:
采样周期取TS=0.1s,选取α=2。
采样周期取TS=0.1s,图5中的曲线分别为α=2,4,8时的阶跃响应曲线。由该图可知,在积分环节中,α=2同样并非为最优值。当α为4,8时,系统的超调量显著降低,收敛加速。
3 结论
应用根轨迹法修改了Marsik和Strejc的无辨识PSD控制方法中Te(k)=2Tv(k)的最优参数α=2,发现如果能满足α≥4,取合适的增益g(k),那么系统更易稳定。
摘要：为增加控制系统的稳定性、提高系统动态响应性能,应用根轨迹法对Marsik和Strejc的无辨识PSD自适应控制方法进行分析,讨论了原算法中某一最优参数的局限性,给出了新的最优参数选择原则。仿真实验表明,在新的最优参数范围内,系统的超调量显著降低,收敛加速。
关键词：PSD,无模型控制,自适应控制,根轨迹
参考文献
[1]Ziegler J G,Nichols N B.Optimum se-ttings for automatic controllers[J].Trans.ASME,1942,11(64):759-768.
[2]Marsik J,Strejc V.Application of Identification-free Algorithms for Adaptive Control[J].Automatica,1989(2):273-277.
[3]丁红,舒迪前,王京.无需辨识的PSD自适应控制器及其应用[J].冶金自动化,1994(2):35-39.
[4]江青茵.无辨识自适应控制预估算法及应用[J].自动化学报,1997(1):107-111.
[5]秦志明,卢秀梅.一种新的控制算法在主汽温控制中的应用研究[J].仪器仪表用户,2005(2):4-6.
[6]赵金宪,王秀琴,王忠礼.无辨识自适应控制算法改进分析[J].控制工程,2004(1):24-26.
随机IFS的自适应神经网络控制 篇3
【关键词】：分形几何; IFS; 神经网络
中图分类号：TP391 文献标识码：A 文章编号：1997-0668 (2008)0110070-02
前言
由Barnsley给出的IFS编码系统[1]是绘制分形的重要方法，在IFS方法中，变换W(wi,i=0,1,2,…,n)确定了吸引子，如果变换选择恰当，迭代的结果可使目标图像与吸引子任意接近。在实现IFS的随机迭代算法中，每一个变换都具有一个概率，从理论上讲，如果变换系数一旦给定，则吸引子唯一确定，吸引子与概率无关。但是，在生成实际图像和图像的效果调整时,概率起到了很重要的作用,控制每一变换相应的概率的数值，就控制了拼帖图形各部份的落点密度。
用人工的方法对某一变换对应的概率作相应的调整，并对其它变换的概率作相应的改变，以保证对应于每一个变换的概率的总和为1，将会给分形图像的调整带来极大的不便。文献[2]中，虽然实现了概率分布的自动分配，但对概率的分布还没有做到有目的地调整与自动分布相结合，且所用的数学工具较为复杂。在图像效果的处理方面, 在实现IFS算法的过程中,有预先给定几组概率值,然后随机地选取某一组概率值,以达到控制分形图像的生成效果,这一方法的不足之处在于某一组概率值的设定没有做到概率的自动分布，不便于图像效果的随意调整。
为了能更好地选择和调整对应于各变换wi的概率值，改变目标图像的落点密度，使目标图像在有限步迭代中止时显现出浓淡虚实不同的层次,尽可能地达到自然景物描绘中所追求的效果，文章将运用自适应线性神经元网络，建立随机IFS概率分布的人工调节与自动分布相结合的数学模型，并在随机IFS的算法中，引入一个起到调节概率分布的虚拟变换，使IFS算法中概率数值的人工调节与自动分布相结合。
1．概率分布自动调节的自适应神经元网络设置
自适应线性神经元（Adaline）网络[3]是一个自适应可调的网络，把该神经网络应用于随机IFS概率分布的自动调节将是灵活、简单的。
对于二维压缩仿射变换：
其中：a，b，c，d，e，f是实数，rx、ry分别为x和y方向的压缩因子，θx、θy分别为x和y轴的旋转角，且逆时针方向为正，顺时针方向为负。在随机IFS算法中，仿射变换系数决定了迭代点的落点区域范围(S：si=aidi-bici=rxiryicos(θxi-θyi))，对应于每一个变换wi的概率pvi可由式(2)确定：
如果出现某一si=0,可按需要给pvi设置一个大于零的数值，并对其它变换中对应的概率作适当的调整。一般情况下，按式(2)决定的pvi进行迭代运算，在落点区域内，迭代点将处于较理想的均匀分布的状态。
用自适应神经元网络对概率值进行自动调节，可容易改变迭代点的落点密度。在设置单层自适应神经元网络时，设Pv(pvi)为输入向量，M(mi)为权向量，Yk为输出模拟量，Yp为理想响应值，给定Yp=1。此时，对应于各变换的概率取值为：pi=pvimi ,其中，设概率p0=pv0m0为阈值,并设对应于概率p0的变换w0为虚拟变换，该虚拟变换在随机IFS算法中只起到调节概率分布的作用。在自适应神经网络的学习过程中，选择LMS算法修改网络连接权的数值M，在达到误差要求后,确定最终的权值M输出。
2．随机IFS概率分布的自动调节机制
自适应线性神经元网络是一个自适应可调的网络，通过有目的地或随机地改变初始连接权和阈值的数值大小，就可以在随机IFS的算法中实现概率分布的自动调节。在随机IFS的算法中，要求对应于每一变换的概率值必须大于零，即pi>0，而在网络对连接权的调整后，会出现某一连接权的数值mi≤0的情况，该权值所对应的变换的概率pi也将小于或等于零。如果出现某一变换所对应的概率pi≤0，则可认为该变换在拼帖图形中不起作用，由此改变拼帖图形的图象效果。
2.1 随机全反馈概率调节
给定mi=1作为初始权值，由(2)式计算出pvi,并给定pv0=0。在神经网络自适应学习时，如果给定pv0=0,则阈值p0的数值恒为零，p0对网络没有任何影响。如果调整某一权值mj的数值，则相应的概率pj将减少或增加，此时，对其它变换的概率将由神经网络的自适应学习作自动调整，并使概率pi=mipvi的总和为1，由此，实现随机全反馈的概率调节。
2.2 随机局部反馈概率调节
给定mi=1作为初始权值，由(2)式计算出pvi（i=1,．．．，n)，并给定pv0一个任意的数值。在网络自适应学习时，阈值p0=m0pv0的数值对整个网络影响。通过调整任一权值mi，这将在网络的自适应学习中，对其它变换的概率自动调整到合理的数值，并使概率pi=mipvi的总和为1。因为阈值对应的权值m0参加网络的自适应学习的权值调整，所以，在给定pv0≠0的情况下，随机IFS算法的概率分布自动调节为随机局部反馈概率调节。
2.3 随机无反馈概率调节
给定mi=1作为初始权值，由(2)式计算出pvi（i=1,．．．，n)，并按需要给定pv0（pv0<1）一个任意值,作为输入向量。在网络自适应学习时，不改变权值m0的数值,阈值p0=m0pv0的数值将保持不变，使得对拼帖图形起作用的变换所对应的概率的总和减少。如果迭代次数不变，拼帖图形的落点数量将会减少。任一权值mi初始值的改变，网络都将对其它变换的概率进行自动调节，并使输出概率pi=mipvi的总和为1。此时，对应于随机IFS算法的概率分布调节的网络自适应学习机制为随机无反馈概率调节。同理，在网络自适应学习中，使某一变换对应的权值固定不变，就可以固定某一变换对应的概率的数值。
2.4 动态随机局部反馈概率调节
给定mi=1作为初始权向量，由(2)式计算出pvi，并动态地给pv0赋值作为网络输入值。通过阈值p0=m0pv0的数值影响整个网络，由网络的自适应学习对变换对应的概率作动态地调整，并保持随机IFS的每一次迭代时的概率pi=mipvi总和为1，由此，而实现动态随机局部反馈概率分布的调节。由于各变换所对应的概率分布在每一次迭代是动态变化的，如果某次迭代变换中出现概率小于或等于零，则对应该概率的变换在此次变换中不起作用，这样也就改变了拼帖图形的图象效果。
3．应用实例
以带梗的植物叶子典型例子[4]为例，说明把自适应神经网络应用于随机IFS中，对拼帖图形图像效果的控制所起的作用。图1、2、3和4给出了在随机全反馈概率调节中，对设置不同的初始权值和阈值时，所得到的分形图象效果。设置网络时，1）取a=0.65,由(2)式确定的仿射变换各参量的数值见表1；2）当si=0时，第i个变换对应的概率预设为p00；3）初始权值mi和阈值所对应的概率pv0和最终得到的变换所对应的概率值pi见表2。
4．结论
把自适应线性神经元网络的自适应学习机理应用于随机IFS算法中，可使变换对应的概率调整做到人工与自动调节相结合。在算法中，通过调整神经网络连接权以达到概率分布的重新组合，由神经网络阈值的取值来决定概率调节的机制，在控制随机IFS的图像效果将是十分方便的。
参考文献
[1] 金以文，鲁世杰. 分形几何原理及应用，浙江大学出版社，1998.
[2] 赵永红，谭建荣.IFS系统的模糊混沌算法，计算机学报，1996(增刊):76~82.
[3] 焦以成. 神经网络系统理论，西安电子科技大学出版社，1990．
自适应控制结课论文 篇4
控制输入受限情况下卫星姿态的鲁棒自适应控制
卫星通常工作在各种扰动环境中,包括参数不确定性和非参数不确定性.工程实践中碰到的另一个重要问题是控制输入受限.考虑存在参数不确定性和非参数不确定性,研究控制输入受限情况下卫星的姿态控制问题,设计了一种鲁棒自适应控制器,证明了姿态控制系统是全局一致最终有界稳定.仿真结果验证了该控制器的有效性.
作 者：王景 刘良栋 李果 WANG Jing LIU Liang-dong LI Guo 作者单位：北京控制工程研究所,北京,100080刊 名：宇航学报 ISTIC PKU英文刊名：JOURNAL OF ASTRONAUTICS年，卷(期)：27(4)分类号：V488关键词：卫星 自适应控制 鲁棒控制 姿态控制
自适应控制结课论文 篇5
智能桨叶的实时模型与复合自适应振动控制
研究了智能桨叶的实时模型、控制方法与控制器的.实时实现.首先,采用MX滤波器实现了对桨叶动态特性的实时在线模拟,给出了该滤波器的系数与所描述的受控结构模态参数之间的相互关系.接着,提出了一种新的复合自适应控制方法,它综合了自适应前馈控制和反馈控制的特点,实现了对桨叶阻尼和振动响应的控制.最后,在所建立的以高速信号处理器为中心的实时数字仿真系统上,实现了对单频、双频及变频、变幅值谐和激励下桨叶振动的控制,获得了良好的振动控制效果.
作 者：马扣根 Joerg Melcher Ma Kougen Joerg Melcher 作者单位：马扣根,Ma Kougen(南京航空航天大学直升机技术研究所,南京,210016)Joerg Melcher,Joerg Melcher(德国宇航研究院结构力学研究所,德国布伦瑞克,38108)
刊 名：航空学报 ISTIC EI PKU英文刊名：ACTA AERONAUTICA ET ASTRONAUTICA SINICA 年，卷(期)： “”(5) 分类号：V249.122 TN16 TP273 关键词：直升机 结构振动 自适应控制 自适应滤波自适应控制结课论文 篇6
针对Genesio-Tesi系统,利用耦合法和非线性控制法实现了该系统的自适应同步控制.通过选取适当的耦合参数,利用耦合法可以较快地实现该系统的自适应同步;并给出具体证明过程.利用非线性控制法通过选取适当的`非线性控制项也可以有效地实现该系统的自适应同步控制.并利用数学软件给出数值模拟,通过理论分析和数值仿真表明这2种方法都可以较快有效地实现混沌同步.
作 者：田现东 卢殿臣 TIAN Xian-dong LU Dian-chen 作者单位：田现东,TIAN Xian-dong(临沂师范学院,数学系,山东,临沂,276005)
卢殿臣,LU Dian-chen(江苏大学,非线性科学研究中心,江苏,镇江,21)
自适应控制结课论文 篇7
大型采掘机械等工程机械采用变量泵-变量马达容积调速系统,系统工作过程相当于变量泵控制定量马达或定量泵控制变量马达,即先进行变量泵-定量马达调速,待变量泵排量达到最大值时,再进行定量泵-变量马达调速,使得马达转速进一步提高,从而增大系统的调速范围[1,2]。上述调节过程中只有一个调节机构工作,存在溢流损失大、响应慢和没有发挥变量泵-变量马达系统潜能等缺点。
变量泵-变量马达是一个双输入单输出的非线性时变系统,国内外对变量泵-变量马达控制系统的研究很少,几乎没有相关研究资料。针对多输入多输出非线性系统,文献[3,4]提出自适应模糊控制算法实现系统输出跟踪期望信号,但参数收敛速度慢,效果不理想;文献[5]综合运用非线性H∞跟踪控制算法、变结构方法以及自适应控制技术构造一个混合自适应鲁棒跟踪控制器;文献[6]针对参数不确定性的多输入多输出参数反馈系统提出自适应鲁棒跟踪控制算法,但该方法没有考虑系统建模动态。
本文针对变量泵-变量马达系统特点提出变量泵-变量马达自适应控制算法。
1 问题提出
在大型采掘机械和摊铺机等工程机械中,普遍采用变量泵-变量马达系统,如图1所示。图1中ω0为马达期望转速,rad/s。
根据图1建立系统传递函数为
式中,ωm为马达转速,rad/s;qm0为变量马达初始排量,m3/rad;ωp为变量泵转速,rad/s;qp为变量泵排量,m3/rad;qm为变量马达排量,m3/rad;ωm0为变量马达初始转速,rad/s;Ct变量泵和变量马达总的泄漏系数,m5/(N·s);pp0为调节变量马达时高压侧的初始压力,Pa;βe为油路的有效体积弹性系数,N/m2;V0为回路高压侧的总容积,m3;TL为作用在变量马达轴上的外负载力矩,N·m;Bt为黏性阻尼系数,N·m·s/rad;Jt为折算到马达轴上的转动惯量,kg·m2。
由式(1)可以看出,变量泵-变量马达系统是一个双输入单输出系统,液压马达转速随着变量泵排量的增大而增大,随着变量马达排量的减小而增大。在不考虑系统泄漏情况下,液压马达转速为
由式(2)可以看出,如柴油机转速ωp保持某一恒值,液压马达期望转速ωm可以有无数(qp,qm)组合满足要求。如果考虑系统响应速度最快、效率最高等指标,变量泵控制变量马达是一个复杂系统。
2 变量泵-变量马达自适应控制算法
变量泵-变量马达自适应控制算法的原理如图2所示。
由图2可以看出,变量泵-变量马达自适应控制算法包括两个部分:一个是变量泵单神经元自适应PID控制;另一个是变量马达预测自适应控制。变量泵对变量马达转速进行主动闭环控制,是时变系统,为了克服PID控制算法不足,引入单神经元进行PID参数整定以提高系统性能,变量马达根据变量泵控制量进行预测自适应控制。变量泵-变量马达系统的泵对马达转速作主动闭环控制,马达根据泵的排量作广义随动控制。
2.1 变量泵单神经元自适应PID控制
具有自学习和自适应能力的单神经元构成的单神经元自适应智能PID控制器不但结构简单,而且能够适应环境变化、具有较强鲁棒性。
单神经元自适应控制器是通过对加权系数的调整来实现自适应、自组织功能的,权系数的调整是按照无监督的Hebb学习规则来实现,控制算法和学习算法为
式中,ηP为比例学习速率;ηI为积分学习速率;ηD为微分学习速率;w1为PID的比例系数;w2为PID的积分系数;w3为PID的微分系数;e(k)为马达转速误差;k为采样时刻。
2.2 变量马达预测自适应控制
根据式(2)可知,泵恒定转速时,根据变量泵排量和马达转速要求就可以计算出变量马达排量,根据这个原理进行变量马达预测自适应控制。变量马达预测自适应控制分为两个步骤:一是马达预测控制信号的计算;二是马达预测控制信号的修正。
2.2.1 马达预测控制信号
在变量泵-变量马达系统中,对于同一转速要求可以有无穷多组泵排量和马达排量组合。如何选取一组最优组合来满足系统要求,目前还没有一种通用的方法。马达预测自适应控制的实质是在变量泵-变量马达系统中,泵对马达转速作主动闭环控制,马达根据泵的控制信号、马达转速要求进行自适应控制,也可以广义理解为随动控制。
根据式(2)得马达预测控制信号:
式中,qms为马达预测排量,m3/rad。
2.2.2 马达自适应控制
在变量泵-变量马达自适应控制中,泵进行主动控制,马达作随动控制。对马达转速的反应马达控制比变量泵慢,为了提高系统控制性能,本文提出根据泵控制量变化率dq进行马达控制信号自适应修正。马达自适应规则如下:当dq正大时,说明马达转速远未达到目标值,马达控制量向小修正;当dq负大时,说明马达转速远超目标值,马达控制量向大修正;当dq在零附近时,说明马达转速在目标值附近,马达控制量不修正。
马达自适应控制规则借鉴模糊控制单输入单输出,输入为泵控制量变化率dq,输出为变量马达控制量修正系数δ。dq和δ的论域分别为
dq={NB,NM,Z,MP,PB}
δ={one,two,three,four,five}
控制规则如表1所示。
在得到马达预测控制信号和修正系数后,马达控制信号为
qm=qmsδ
3 仿真研究
在完成变量泵-变量马达系统建模和控制算法后进行仿真,仿真分两个部分:一是变量泵控制定量马达和定量泵控制变量马达仿真;二是变量泵-变量马达系统仿真。
3.1 变量泵控制定量马达仿真
根据图1,马达排量为60mL/r,泵采用PID控制,控制参数KP=0.0015、KI=0.0015、KD=0.0002,调节时间为0.75s,超调量为0.7%,此时系统溢流流量ΔQp=1.05×10-2m3。
3.2 定量泵控制变量马达仿真
根据图1,泵为全排量,马达采用PID控制,控制参数 KP=0.0002、KI=0.0008、KD=0.0001,调节时间为0.82s,超调量为1.9%,此时系统溢流流量为ΔQm=7.02×10-3m3。
3.3 变量泵-变量马达系统仿真
根据式(1)按照第2节控制算法,进行变量泵-变量马达系统仿真。系统主要参数为:qm0=1.67×10-5m3/rad,ωp=209.4rad/s,ωm0=104.7rad/s,βe=1.4×109N/m2,Bt=340(N·s)/m,Ct=3.5×10-5m5/(N·s)。
表1模糊控制器论域为:dp={-6,-3,0,3,6};δ={1.2,1.1,1.0,0.9,0.8}。利用MATLAB仿真,马达转速如图3所示,泵和马达排量百分比如图4所示。
由图3可以看出基于自适应控制算法变量泵-变量马达速度响应系统的超调量为2%,调节时间为0.355s,此时系统溢流流量ΔQpm=1.1×10-3m3。由图4可以看出变量泵在控制过程中自动调节,变量马达排量根据变量泵的信号进行预测自适应控制,对于马达转速要求1000r/min时,变量泵为全排量的0.68,变量马达为全排量的0.95。
通过以上仿真可以看出,采用变量泵-变量马达自适应控制算法可以提高系统的响应速度、减小系统的溢流损失。
4 实验研究
在变量泵-变量马达系统控制算法设计后进行系统实验,实验采用D6114ZG9B型柴油机,HPV75-02型变量泵和HMV105-02型变量马达。实验室柴油机设定为2000r/min,系统外部负载TL=200N·m,实验分三种情况:变量泵-定量马达、定量泵-变量马达和变量泵-变量马达,实验结果如图5所示。
由图5可以看出,变量泵-定量马达系统调节时间为0.73s;定量泵-变量马达系统调节时间为0.80s;变量泵-变量马达系统调节时间为0.39s。
由实验可以看出变量泵-变量马达自适应控制算法可以实现变量泵控制变量马达,提高系统响应速度。
5 结论
(1)提出了变量泵-变量马达自适应算法,实现变量泵-变量马达速度调节系统中泵和马达排量同时调节,提高系统响应速度。
(2)针对变量泵-变量马达系统特点,提出根据变量泵排量变化率进行变量马达排量修正算法,仿真和试验都表明该算法正确、可靠。
(3)文中提出的自适应控制算法对于双输入单输出系统控制问题具有一定借鉴意义。
摘要：目前变量泵-变量马达系统的速度调节过程相当于变量泵控制定量马达或定量泵控制变量马达,这种方式存在系统溢流损失大、调节速度慢和没有发挥系统潜能等缺点。为克服这些不足,提出变量泵-变量马达自适应控制算法。变量泵对马达转速进行主动闭环控制,变量马达根据变量泵排量作随动控制而实现变量泵和变量马达排量的同时调节。采用单神经元自适应PID控制算法进行变量泵控制,采用预测自适应控制算法进行变量马达控制。给出了变量泵-变量马达自适应控制算法基本原理和框图,仿真和实验表明该算法可以提高系统响应速度、减少溢流损失。
关键词：变量泵-变量马达,自适应控制,单神经元,预测控制
参考文献
[1]马鹏飞.全液压推土机液压行驶驱动系统动力学研究[D].西安:长安大学,2006.
[2]万丽荣,赵胜刚,沈潇,等.基于MATLAB/SI MU-LINK的变量泵变量马达调速系统动态仿真[J].煤矿机械,2007,8(2):26-28.
[3]Golea N,Golea A,Benmahammed K.Stable IndirectAdaptive Fuzzy Control[J].Fuzzy Sets and System,2003,137(3):353-366.
[4]Li Hanxiong,Tong Shaocheng.A Hybrid AdaptiveFuzzy Control for a Class of Nonlinear MI MO Sys-tems[J].IEEE Transactions Fuzzy System,2003,11(1):24-34.
[5]Chang Y C.An Adaptive Tracking Control for aClass of Non-linear Multiple-Input-Multiple-Output(MI MO)Systems[J].IEE Transactions Au-tomatic Control,2001,46(11):1432-1437.
自适应控制结课论文 篇8
【关键词】无人飞行器 自适应控制 设计 实验
无人飞行器是目前较为先进的无人侦查设备之一，具有较好的机动性，体重较轻，能够高速飞行，适合未来战场上的侦查工作。目前世界上的飞行器主要以无人旋翼飞行器为主，其根据螺旋桨的个数或螺旋桨轴的个数进行分类，可以实现高难度的空中动作，如翻滚、直停、侧飞、垂直升降等，在继承直升机等机型优点的基础上，加入了一些更加先进的技术。
一、自适应飞行控制律的设计
（一）模型逆
自适应控制系统最早是被应用在航天航空领域，提出这一理念是因为当飞行设备在外部环境下进行飞行的过程中会遇到各类外界因素的影响。这些因素都会影响飞行装置的稳定性，对飞行器的飞行高度和速度造成一定的影响。目前想要获得无人旋翼飞行器的精确公式还有一定困难，通常情况下均是采用经验对相关数据进行估计，或实验中所得出的平均参数，因此这类计算方法存在一定的误差性。其误差可以用：来进行表示。其代表飞行器系统的实际动态情况和预估动态情况之间的差异，这种误差可以通过控制器逆误差来进行补偿。
（二）模型逆误差动态特性
以三轴无人飞行器为例，其控制回路的设计模型一般上是用二阶稳定模型来进行表示，其指令向量的公式为：。而飞行器在飞行过程中所收到的角加速度影响向量的公式则为：，用来表示神经网络中计算数据所需要的输出量，以此来对模型的逆差进行补偿。
由上图中可以看出，在对控制无人飞行器姿态的系统进行设计时，其模型逆控制器输出值的伪控制量一般利用：来表示，其中来表示，是模型的跟踪误差。代表无人飞行器控制器的输出，可以用来抵消模型所产生的误差。当无人飞行器控制器的输出量能够完全抵消掉误差，则上述公式即转化为无固定控制量的方程，其动态误差呈现收敛性，并且矩阵A对其起到了决定性的影响作用。如果可以有效保证、的正确性，则就会使无人飞行器整体系统趋于稳定，其所产生的误差就会缩小，并且误差趋势也会有所收敛。
（三）模型逆误差神经网络补償
神经网络是自适应系统中比较重要的组成部分，其使得自适应系统具备了自学习和自适应属性，因此，这一组成部分可以有效帮助整个系统对模型带来的误差进行补偿。以但隐层神经网络为例，以具体构成图如下：
在这一系统中，其隐含的层节点激活函数一般是以S型函数进行表达的，其具体可列为：。而输出层节点则与隐含层节点存在不同的表达方式，其主要是以线性函数进行表单，具体可以列为：
。其中代表输入层的节点数，代表隐含层的节点数，而则代表输出层的节点数，代表输入层的偏置量，而则表示隐含层的偏置量，表示隐含层的阈值，而则表示输出层的阈值。其中和均不能是负数。
为了保证系统在实际操作阶段不出现较大波动的变化，稳定操作量的输出，可以对神经网络输出值进行有效地计算，其是以增加高增益鲁棒项为标准的，具体为：，其中，。
（四）神经网络权系数自主学习的算法
神经网络的在线学习能力也是整个系统自适应的一种表现，其主要是由于非线性函数使得该系统能够无限接近自主学习特性。所有的参考模型信号有界，而神经网络的权系数计算公式则可以表示为：
二、无人旋翼飞行器控制系统实验
在控制系统设计并安装完毕后，需要对整个系统进行实际操作测试，如果条件允许的情况下可以先制作出样机进行测试；而如果条件不允许的情况下则可以利用Simulink工具对其进行仿真模拟测试。主要测试的项目包括无人旋翼飞行器的水平垂直升降的稳定性和控制器对其的操作性能，还要验证飞行器在飞行过程中悬停、侧飞、翻滚、复位等动作的稳定性和控制性的可操作性。利用计算机程序对飞行器飞行轨迹进行计算，分析其飞行姿态和动作轨迹是否能够与控制器保持一致。
无人旋翼飞行器是目前较为先进的飞行技术，其打破了传统飞行器设计理念，结合目前最为先进的科学技术，对未来飞行设备的发展有着巨大的影响。
参考文献：
【1】夏青元，徐锦法.变转速共轴旋翼载荷建模及实验验证[J].实验力学，2012.
自适应控制结课论文 篇9
讨论了飞行器纵向攻角控制方法.攻角的状态方程中存在时变参数和外部扰动不确定性.基于自适应反演控制技术的.迭代设计方法可以保证闭环系统一致最终有界.仿真结果证明了此方法的良好效果.
作 者：郭法涛 王晓予 关成启 Guo Fatao Wang Xiaoyu Guan Chengqi 作者单位：郭法涛,关成启,Guo Fatao,Guan Chengqi(中国航天科工集团公司第三研究院,北京,100074)
王晓予,Wang Xiaoyu(第二炮兵装备部,北京,100085)
微型计算机控制技术结课论文 篇10
论 文
学 院 ： 信息科学与工程学院 专业班级 ： 自动化1206 学 号 : 0909122921 姓 名 ： 丁志成 指导老师 ： 贺建军
完成日期 ： 2015年5月20日
计算机控制技术的应用与发展
摘要：计算机控制系统综合了计算机、自动控制理论和自动化仪表等技术，并将这些先进技术集成应用于工农业生产。其利用工业计算机来实现生产过程的自动控制，由控制计算机本体和受控对象两部分组成。在其基础上发展起来的网络化和现场总线技术又进一步促进了其发展。计算机控制系统提高了设备的工作效率和处理能力，有效的利用了能源，满足了环保、经济、安全等要求，是满足我国自动化改造与创新发展的一个强大的动力。
关键字：计算机控制技术、农业、工业、应用现状、存在问题、发展方向
一、计算机控制技术在工、农业生产中的应用 1.工业生产
对工业生产过程进行计算机控制是提高产品质量、降低成本、减少环境污染的必由之路, 计算机控制系统已成为生产设备及过程控制等重要的组成部分,它代替人的思维成为工业设备及工艺过程控制、产品质量控制的指挥和监督中心。工业生产过程的计算机控制系统, 随着计算机的进步、工业生产工艺过程控制要求的提高和生产管理的完善而不断发展。
工业控制计算机是工业自动化设备和信息产业基础设备的核心。传统意义上，将用于工业生产过程的测量、控制和管理的计算机统称为工业控制计算机，包括计算机和过程输入、输出通道两部分。但今天的工业控制计算机的内涵已经远不止这些，其应用范围也已经远远超出工业过程控制。因此，工业控制计算机是“应用在国民经济发展和国防建设的各个领域、具有恶劣环境适应能力、能长期稳定工作的加固计算机”，简称“工控机”。改革开放20多年来，工控机为工业自动化、信息产业和国防建设的发展提供了一条低成本的自动化技术方案，促进了国民经济的发展。同时，工控机技术自身也得到了迅速发展。实践证明：可靠而廉价的工控机适合中国国情。
正在迅速发展的智能交通系统、纺织工业、制造业、食品加工、石油化工行业、车载信息系统、海军舰载测控设备、陆军车载武器控制系统、指挥系统、新型的飞行模拟教练系统、航空和航天器地面测控设备、雷达识别跟踪系统、电子对抗系统、核电站的核聚变低杂波数据采集与控制系统、大专院校的虚拟仪器教学实验系统、汽车功能测试性能测试系统、防洪数字化大坝在线监测系统、下一代的网络设备、电信核心、边缘设备、数据通信设备、计算机电话集成（CTI）系统、增值服务业务等需要新一代工控机技术。2.农业生产
计算机自动控制技术广泛应用于大型温室、农场的畜禽生产管理、农田灌溉、农机管理、农产品加工、农业科研等方面,大大节省了劳力,提高了产品质量和生产效率。
计算机控制应用于试验室、人工气候厢、温室、试验农场以及试验区的试验监测、环境管理等。环境变化的数据, 如温度、湿度、光照时间和强度、风向风速等各项要素, 均自动监测和纪录。
智能温室大棚中利用计算机进行远程监控和操作，还可设计自动控制无人管理温室大棚。根据远程传感器搜集来的温度、湿度、光照等模拟信息，经输入通道进行AD转换，传入计算机，计算机既可以利用这些数据进行监控，同时又可以利用这些数据对大棚进行控制，进行加湿、加温、增加光照等控制，从而实现温室大棚的自动化智能控制。在农业生产中, 装有遥感地理定位系统的大型农业机械, 可以在室内计算机自动控制下完成各项农田作业。
二、计算机技术应用于农业生产存在的问题
尽管我国农业在信息技术上的某些科研成果已经具有较高水平，但仍存在许多问题：
1、计算机配置率较低
计算机在农村的配置率不高，不能够充分发挥其作用，促进农业生产。计算机配置率不高主要受以下几个因素的影响：一是计算机及其配套设备的价格较高。虽然近年来计算机的价格有所下降，但对于农民而言，价格仍然相对较高。二是网络及通讯等实施不配套。我国农村地区面积广大、居住分散、经济发展不均衡，网络费用较高。在一些地区尚未普及网络，计算机技术的应用受到限制。
2、计算机操作人员
将计算机技术应用于农业生产，其使用的主要群体是农民。一部分农民配备了计算机，但利用率较低，没有充分发挥计算机技术在农业生产中的作用。调查显示，我国农民中文盲和半文盲的比例高达70%，缺乏使用计算机的相关知识，而且相关培训较少，导致农民不能熟练使用计算机。而由于由于农业技术推广工作待遇低、工作环境差、生产周期长，导致优秀的人才不愿意从事农、工业技术工作。农业推广人才队伍得不到补充，原有农业科技推广人员知识老化、技术落后，不能熟练掌握计算机使用技术。缺乏专业的计算
机使用人员，制约了计算机在农业生产中发挥其应有的作用。
3、数据资源科的建立
由于农业信息地区差别很大，各地区的特定数据资源库没有很好建立，很多省、市、县尚未建立起本地农业信息的资源库，因而信息资源的建设远不能满足农业的需要。
三、计算机控制系统在农、工业方面的发展方向
目前工业计算机控制系统按结构层次基本上划分为: 直接数字控制(DDC)系统、监督控制(SCC)系统、集散型控制系统(DCS)、递阶控制系统(HCS)和现场总线控制系统(FCS)等几种,其中DCS是融DDC系统、SCC系统及整个工厂的生产管理为一体的高级控制系统,该系统克服了其他控制系统中存在的“危险集中”问题,具有较高的可靠性和实用性。DCS和工业控制计算机技术正在相互渗透发展，并扩大各自的应用领域。原来一般流程工业的控制多选用集散型控制系统（DCS），离散型制造业的控制多采用可编程控制器（PLC）。随着DCS和PLC相互渗透发展继而扩大自己的应用领域，将出现DCS和PLC融合于一体的集成过程控制系统。工业控制网络将向有线和无线相结合的方向发展。但是,为了进一步适合现场的需要,DCS也在不断更新换代,近年来,集计算机、通信、控制三种技术为一体的第5代过程控制体系结构, 即现场总线控制系统, 成为国内外计算机过程控制系统一个重要的发展方向。
就信息时代的现代农业而言，它正向着“精确农业”的方向发展，基于计算机信息技术的发展与应用，通过传感器收集土壤、植物数据，利用遥感技术提供农田作物生长环境、生长状况信息，结合地理信息系统的地理数据管理功能，运用全球定位技术精确定位导向，通过专家系统优化决策和指令，自动监控的智能农机如自动控制播种机、施肥机、喷药机、收获机及智能机器人进行精确操作。可依据作物生长状况、土壤肥力、作物病虫害的细块分布进行农事活动，从而达到减少施肥量、用种量、施药量，提高产量和品质。加强对农业信息资源开发利用的统一规划和指导，逐步建立并完善各级信息资源，建立标准和数据更新体系，加强数据更新技术的研究与应用。同时加强信息市场的管理和立法，避免信息数据库的重复建设，提高数据库的网络化水平，增强数据的共享性。大力开发和利用农业数据库，促进地方农业信息化建设进程，建立区域网与国内主干网、互联网接轨，实现农业技术人员、管理人员、农户全部入网。培养高级农业信息技术专门人才，以提高我国农业信息技术研究、开发力量，使农业信息技术走上实际应用——试验——推广的良性发展道路。
总之，计算机控制系统在工农业上向着网络化、集成化、智能化、标准化的方向发展。
四、结语
计算机控制就是用计算机对一个动态对象或过程进行控制。在计算机控制系统中，用计算机代替自动控制系统中的常规控制设备，对动态系统进行调节和控制，这是对自动控制系统所使用的技术装备的一种革新。这一革新，改变了自动控制系统的结构，也导致对这类系统的分析和设计发生较多的变化。计算机控制在工农业系统中的应用已取得了可喜的进展，而且随着计算机技术的继续发展，系统和控制理论与实践的不断深化，将得到进一步完善和发展，并为提高生产设备性能、产品质量，稀有资源的有效利用发挥更大的作用 参考文献
[1]周萍，计算机自动控制技术在工业生产现场的应用 [2]崔婷，计算机技术在农业生产中的应用
自适应控制结课论文 篇11
(中交疏浚技术装备国家工程研究中心有限公司， 上海 201208)
0 引 言
封水泵通过向泥泵轴端和吸入端注水，防止泥泵工作过程中泥沙进入泵轴损坏泥泵.在实际施工过程中，随着泥泵转速及串并联工况的变化泥泵内部压力不断变化.为保证封水流量恒定，往往需要操作人员不停地调节封水泵转速，这使操作人员工作强度较大而且调节滞后性严重.目前控制封水泵的方法主要有高低两档调速和泥泵转速曲线拟合两种.高低两档调速虽然能满足封水流量的要求，但封水泵长时间工作在高功率输出模式下不利于节能减排，也会增加设备磨损.曲线拟合方法因不能区分泥泵串并联模式，在实际应用中受到很大限制.
为使封水泵控制更加自动化和智能化，即能根据封水流量的反馈值自动调整封水泵转速，进而调节封水流量至设定值，无须人为干预，本文引入模糊免疫自适应比例积分微分(Proportion Integration Differentiation, PID)控制方法对封水泵进行自动控制，通过模糊推理对PID参数进行自适应整定，达到灵活准确的控制目的[1].
1 封水泵工作及控制原理
泥泵是挖泥船的核心疏浚设备之一.在工作过程中,泥泵壳内会产生很大的压力，泵壳内的泥沙可能会在高压作用下冲破泥泵轴端和吸入端的水封，进而损坏泵轴.
1.1 封水泵工作原理
图1 封水泵工作示意
封水泵安装在泥泵旁边，通过管路将清水注入泥泵轴端和吸入端，防止泥沙损坏泵轴，见图1.泥泵运转前需要先启动封水泵，在运转过程中需要不断调整封水泵转速使封水流量不低于设定值.
1.2 封水泵控制数学模型
为保证泥泵正常工作,通常需要设定一个封水流量F′，封水流量与封水泵转速成正比例关系，通过调节封水泵转速可以调节封水流量.系统根据实际封水流量的反馈值F，通过PID整定，依据转速与流量的正比例关系控制封水泵的速度，进而达到控制封水流量的目的.封水泵控制模型见图2.
图2 封水泵控制模型
2 模糊免疫自适应PID控制
2.1 控制器概述
PID控制作为一种高效稳定的控制方法广泛应用于工业控制中.常用的PID控制器有：常规PID控制器、模糊PID控制器、模糊免疫PID控制器.常规PID控制器仅静态控制参数，不适用于非线性和大时滞系统控制.模糊PID控制器运用模糊控制原理，可在线动态整定控制参数，在非线性和大时滞控制系统中得到良好应用.模糊免疫PID控制器引入生物免疫学原理，结合模糊控制方法在线自适应整定控制参数，在实际应用过程中其性能比模糊PID控制器更加优越.
2.2 免疫反馈原理
根据文献[1-4]中对免疫系统的描述，生物免疫系统由T细胞和B细胞组成[2].T细胞可以根据外来抗原的数量分泌TH细胞和TS细胞，TH细胞用于刺激B细胞生成，TS细胞用于抑制B细胞产生.[3]当外来抗原较多时分泌的TH细胞量增加，TS细胞量减少；当外来抗原较少时，分泌的TH细胞量减少，TS细胞量增加.B细胞可以分泌抗体，抑制外来抗原的数量.[4]生物免疫系统机理[5]见图3.
图3 生物免疫系统机理
2.3 模糊免疫自适应PID控制器设计
模糊免疫PID控制器是根据生物免疫系统机理设计出的一个非线性控制器.根据文献[5-6]中对免疫PID控制器的推导可知增量式免疫PID控制器的输出[6]
U(k)=U(k-1)+KP1(e(k)-e(k-1))+KIe(k)+
KD(e(k)-2e(k-1)+e(k-2))
(1)
式中：KP1=K(1-ηf(U(k)，ΔU(k)))为比例调节系数(K=K1为控制反应速度(K1为激励因子)；η=K2/K1为控制稳定效果(K2为抑制因子);f(*)为选定的非线性函数，表示细胞抑制刺激能力的大小，取值限定为[0，1))；KI为积分系数；KD为微分系数[7]；e为封水泵实际流量与设计流量的差值.
在实际施工过程中封水流量随泥泵内压实时变化，为保护泥泵，要求在封水流量小于设定值时系统能快速将流量增大到设定值，但对绝对精度要求不高.根据封水泵控制特点，本系统PID控制模式为：采用模糊免疫PID控制方法在线整定控制器的比例系数KP，采用模糊PID控制方法在线整定KI和KD.
模糊免疫自适应PID控制器的结构见图4，系统输入为封水流量设定值F′，反馈值为封水泵的实际流量F.PID控制器输入为e及其变化率Δe.模糊免疫调节实时计算出KP1，模糊推理系统实时计算出积分整定系数ΔKI和微分整定系数ΔKD.PID控制器的参数KP，KI，KD计算式为
(2)
图4 模糊免疫自适应PID控制器结构
2.3.1 模糊免疫自适应PID控制器比例参数模糊免疫自调整
由式(1)可知，免疫PID控制的重点是比例参数中非线性函数f(*)的选取.[8]逼近非线性函数的方法很多，常用且最简单的方法是采用模糊控制器逼近非线性函数.本文采用一个二维模糊控制器逼近非线性函数f(*)[9-12],输入、输出变量模糊化参数见表1.
表1 输入、输出变量模糊化参数
为求出变量在模糊子集内的隶属度，作出输入、输出变量的隶属度函数曲线[13]，见图5.
图5输入、输出变量隶属度函数曲线
根据李亚普诺夫稳定性定理，逼近非线性函数f(U(k),ΔU(k))的模糊控制规则[14]见表2.
表2 模糊控制规则
2.3.2 模糊免疫自适应PID控制器积分和微分参数模糊自调整
系统积分和微分参数采用模糊控制进行整定，将e和Δe作为模糊控制器输入，输出为ΔKI和ΔKD.输入、输出变量模糊化参数见表3.
表3 输入、输出变量模糊化参数
图6 三角隶属度函数曲线
考虑到设计简便及实用性要求，采用三角隶属度函数，见图6.根据实际操作经验和PID参数整定规则，得到对ΔKI和ΔKD整定的模糊控制规则，见表4和5.
表4 ΔKI模糊控制规则
表5 ΔKD模糊控制规则
3 仿真分析
由图7可知，模糊免疫自适应PID控制器较常规PID控制器控制响应时间短、超调量小、动态稳定效果好.
4 应用实例
为直观地分析模糊免疫自适应PID控制器的动态控制效果，将实船检测的模糊免疫自适应PID控制数据与常规高低两档控制数据进行对比，见表6.
表6 实船控制数据对照
由表6可知：PID控制模式可以控制封水泵以最低的转速输出安全封水流量；高低两档控制模式虽然能保障安全封水流量，但是封水泵转速一直较大，封水流量超出安全设定值较多，造成不必要的能源消耗且使设备磨损加快.由此可见，模糊免疫自适应PID控制器可以很好地对封水泵流量进行控制.
5 结论
基于西门子PLC的模糊免疫自适应PID控制器可以根据泥泵工况自动动态调整封水泵转速，从而保持设定的封水流量.其自动动态调整的特性使其在解放人的劳动力的基础上，最大限度地减少封水泵的能源消耗和设备磨损.本控制器在上海航道局新海虎8号10 000 m3耙吸挖泥船上得到很好的应用.
参考文献：
[1]王培胜, 胡知斌. 模糊自适应PID控制在耙吸式挖泥船主动耙头的应用[J]. 中国港湾建设, 2012(4): 107-110.
[2]付冬梅, 郑德玲, 位耀光, 等. 人工免疫控制器的设计及其控制效果的仿真[J]. 北京科技大学学报, 2004, 24(4): 442-445.
[3]谈英姿, 沈炯, 吕震中. 免疫PID控制器在气温控制系统中的应用研究[J]. 中国电机工程学报, 2002, 22(10): 148-152.
[4]王东风, 韩璞. 基于免疫遗传算法优化的气温系统变参数PID控制[J]. 中国电机工程学报, 2003, 23(9): 212-217.
[5]刘金琨. 先进PID控制MATLAB仿真[M]. 北京:电子工业出版社, 2005.
[6]丁永生, 任立红. 一种新颖的模糊自调整免疫反馈控制系统[J]. 控制与决策, 2000, 15(4): 443-446.
[7]孙涛. 基于模糊免疫自适应PID的智能控制算法的研究[D]. 大连: 大连海事大学, 2009.
[8]王斌, 李士勇. 模糊免疫非线性PID控制的仿真研究[J]. 哈尔滨商业大学学报, 2006, 22(6): 72-75.
[9]季本山. 基于PLC的模糊PID船舶自动舵[J]. 上海海事大学学报, 2009, 30(4): 57-62.
[10]郑天府, 肖健梅, 王锡淮, 等. 同步发电机线性多变量与PID结合的励磁控制[J]. 上海海事大学学报, 2006, 27(2):37-41.
[11]王洋, 林叶春, 梁森, 等. 轨道龙门吊行走大车的啃轨问题及纠偏控制[J]. 上海海事大学学报, 2008, 29(3): 65-70.
[12]王正林, 王胜开, 陈国顺. MATLAB/SIMULINK与控制系统仿真[M]. 北京: 电子工业出版社, 2005.
[13]王斌, 李爱平. 模糊免疫非线性PID控制的优化设计[J]. 控制工程, 2007,14(S1): 81-83.
[14]王焱. 模糊免疫PID控制器的设计与研究[J]. 计算机仿真, 2002, 19(2): 67-69.
[15]辛菁, 刘丁, 杜金华, 等. 基于遗传整定的模糊免疫PID控制器在液位控制系统中的应用研究[J]. 信息与控制, 2004, 33(4): 481-485.
扫一扫微信支付