pid控制（精编3篇）

【引言】阿拉题库漂亮网友为您分享整理的“pid控制（精编3篇）”范文资料，以供参考学习，希望这篇文档资料对您有所帮助，喜欢就下载分享给朋友吧！

pid控制范文1

关键词网络控制系统 压缩映射遗传算法 神经网络 参数优化

1 引言

PID控制器要想得到理想的控制效果，就需要取得PID控制中比例、积分和微分三个参数的最优值。传统的PID控制器已经不能满足现代的需求，因而将智能控制技术引入了PID控制器中。

2 基于神经网络PID控制器原理

（1）PID控制器。在控制系统中常常用到PID控制，PID即对输入偏差进行比例积分微分运算。PID控制器是由比例、积分和微分三个环节组成，PID控制器能否取得好的控制性能就要调节好比例、积分、微分的三者的关系。基于遗传神经网络PID控制器采用经典的增量式数字PID控制器，可以直接对被控对象进行闭环控制且对三个参数进行在线整定。

（2）基于神经网络PID控制器。BP神经网络是现在应用最为广泛和成功的神经网络之一，BP神经网络具有学习能力强、可逼近任意非线性的优势，它是一种单向传播多层前向网络，采用最小均方差和梯度算法，由输入层、隐含层和输出层三层组成，其中输入层与隐含层、隐含层和输出层通过相应的权值连接起来的。

3 压缩映射遗传算法优化BP网络的初始值

压缩映射遗传算法

传统的遗传算法并不可能保证全局的最优收敛，因此对传统的遗传算法进行改进，把Banach定理用于遗传算法即压缩映射遗传算法。遗传算法能够被定义为群体之间的变形，构造的度量空间X使得其成员为群体P，那么任何的压缩映射f都有唯一地不动点，不动点是f应用于任意一个初始群体P（0）迭代得到的。根据Banach定理可以得到合适的度量空间，在此空间中的遗传算法是收缩的，就可以在不动点上获得算法的收敛性，与初始群体的选择无关。

压缩映射遗传算法对BP网络的优化

BP算法使用的是梯度算法，训练是从某一点开始沿着误差函数的斜面达到误差的最小值，不同的始点会导致不同的最小值产生，得到不同的最优解，因此BP神经网络的PID在网络优化训练时有收敛速度慢、易陷入局部极小和全局搜索能力差的缺点。而压缩映射遗传算法具有收敛性，能够在BP神经网络搜索时保证全局最优收敛，从而能得到最优解或准最优解。采用压缩映射遗传算法来对BP神经网络的权值和阈值进行学习和优化，然后用BP网络进行在线整定PID参数，从而达到良好的控制效果。

编码方式

BP神经网络的权值和阈值的学习是复杂的连续参数优化，如果采用二进制编码就会使得编码串过长，影响网络学习的精度。使用实数编码比较直观并且不会出现精度不足，BP神经网络的各个权值和阈值组按照顺序联成一个长串，串上的每一个位置对应着网络中的一个权值或者阈值。

适应度函数

遗传算法中的适应度函数来评价染色体优劣，将染色体上表示的各个权值分配到给定的网络结构中，网络以训练集样本为输入输出，运行后返回E（pi）来评价函数达到最优目标：Eval（pi）=E（pi），其中误差越小， Eval（pi）的值就会越小。群体的适应度函数为：

Eval（p） = Eval（pi）

初始群体的选择

本文采用实数编码的方式，初始群体表示为：Si（p）={V1，V2，…Vm}，其中i=1，2，…，M；j=1，2，…，m；M为群体中潜在解的个数，其取值在20-100之间，考虑所处理的求解时间。在初始染色体集时网络中各个权值都是以e-|r|的概率分布来随机确定，遗传算法的这种随机分布方法使得当网络收敛后，权值的绝对值都很小，能够搜索所有的可行解范围。

遗传算子

遗传算子采用了选择、交叉和变异算子。选择算子目的是从群体中选择适应度大的优胜个体，适应度越大的个体被选择的机会就越大。在选择算子中采用最优保存策略，即当前群体中的适应度最高的与上一代群体中最高适应度相比较，如果当代比上一代高就保留当前的个体，相反则淘汰新一代中的一个个体，将上一代最高适应度的个体加入新一代中。 本文使用自适应变异算子，适应值大的个体在较小的范围中搜索，而适应值较小则在较大的范围中搜索，可以根据解的质量自适应地调整搜索区域来提高搜索能力。

算法终止准则

在满足适应函数最大值时终止遗传算法迭代，由于网络中适应度的最大值不清楚，本身就是搜索的对象，因此在发现在群体中一定比例的个体已经为一个个体时终止迭代，本文设定最大遗传代数，即使最大遗传代数没有找到最优解也终止算法。

4 仿真研究

在matlab中构建遗传神经网络PID控制器，利用Truetime构建NCS仿真模型，被控对象选为直流电机。BP神经网络算法的PID控制器在经过100秒才达到稳定状态，而压缩映射遗传神经算法PID控制器只要56秒就达到稳定状态，可知压缩映射遗传神经算法PID控制器比BP神经网络算法的PID控制器振荡时间短、振幅小，控制系统性能更好。

5 结论

对于BP神经网络优化训练时有收敛速度慢、易陷入局部极小和全局搜索能力差的缺点。采用压缩映射遗传算法对BP神经网络PID控制器的权值和阈值进行学习和参数优化，加快了全局收敛性，而且振荡时间短、振幅小，能够很快的达到控制系统稳定。通过仿真可以看到压缩映射遗传神经网络PID对网络控制系统在延时和扰动等干扰因素下仍可以进行实时控制，达到较好的控制效果，并具有鲁棒性强和抗干扰的特点。

参考文献

[1]涂川川，朱凤武，李铁。BP神经网络PID控制器在温室温度控制中的研究[J].中国农机化，：151-154.

[2]韩力群。人工神经网络教程[M].北京：北京邮电大学出版社，2006.

[3]周海，恒庆海，刘茵。基于truetime的网络控制系统时延分析与仿真[J].工业控制计算机，2012，25（2）：29-30.

pid控制范文2

关键词：温度控制；模糊控制；控制算法；MATLAB仿真

DOI：//

1 PID控制

（1）PID的理论可行性。常规的PID控制系统原理框图如图1所示。

通常情况下，一个完整的PID控制器是由比例环节、积分环节和微分环节三个环节构成。比例调节实时地对系统中的实际值与给定值之间的偏差e（t）作出反应，可有针对性减小偏差；积分调节主要用于消除静态误差；微分调节用于反应系统偏差的瞬时变化趋势，可以有效改善系统的动态性能。

2 模糊PID控制

（1）模糊控制的基本原理。模糊控制是一种基于模糊逻辑的算法，其原理是，在控制过程中，对被控对象的状态进行模糊化，变为用人类语言描述的模糊量，之后根据实际控制经验制定的语言控制规则，再通过模糊推理，得到输出控制量的模糊值，最后在解模糊化模块中将控制量的模糊值转换为执行器能够执行的精确控制量，在控制中发挥作用。

模糊控制器由模糊化模块、知识库、模糊推理模块、解模糊化模块4个部分组成。

（2）模糊自整定PID控制。模糊控制具有2个极明显的优点：首先模糊控制可以依靠人们在生产实践中的控制经验，这种情况下完成控制任务就不用去建立被控对象的精确模型；其次，模糊控制的稳定性强，响应速度快、超调量小，适用于控制具有滞后性的系统。其缺点也是显而易见的，总结模糊控制规则比较困难，一旦规则建立不能在线更改，另外由于模糊控制器没有积分环节，因此稳态精度不高。

因此，采用模糊控制和传统的PID控制相结合，运用模糊自整定PID参数的方法进行优势互补，从而快速、精确地完成控制任务。模糊控制器根据输入量e和ec进行模糊推理，输出精确的PID控制参数KP、KI和KD，再由PID控制器对温室温度进行控制。

3 模糊PID控制在温控中的效果

试验中分别采取常规PID控制和模糊自整定PID控制两种方法，并分别记录下了最终的控制效果。统计温度计显示的数据，每30秒记录一次，并根据这一数据绘制出了控制效果图。

图2的（a）和（b）分别是设定温度为30℃时的常规PID和模糊自整定PID控制的温控效果图，通过分析发现，模糊自整定PID控制可以有效改善了常规PID控制的超调过大的问题，最终趋于稳定的时间也有所缩短，并且最终结果满足误差在±2℃范围以内的要求。

图3的（a）和（b）分别是设定温度为80℃时的PID和模糊自整定PID控制的温控效果图。通过比较图（a）和（b）可以看出，后者比常规PID控制的曲线显得圆滑，不那么突兀，超调量比PID控制要小，动态特性也相对较好。同时由于绝缘油与室温的温差较大，散热效果较好，降温所需时间明显减少。

4 结论

通过仿真分析，利用模糊自整定的PID控制进行温度控制与常规的PID控制相比，具有更好的鲁棒性和可靠性。它可以有效地实现在农业生产、生物发酵过程中对温度的精准控制，具有非常重要作用。

参考文献：

[1]李科。温控系统的智能PID控制算法研究[D].武汉：华中科技大学，2006.

[2]文科星。智能PID算法的研究及其在温度控制中的应用[D].上海：东华大学，2009.

[3]孟祥泉。PID参数自整定方法研究与控制器研制[D].大连：大连理工大学，2010.

[4]毛义敏，罗海福，张晶。一种PID参数模糊自整定控制器的设计与仿真[J].自动化与仪表，2001（03）：37-39.

pid控制范文3

Abstract： This paper analyzed the dynamical model of the inverted pendulum based on the study of system structure of the pendulum. And the linear model around the balance point was derived via linearization. Based on the analysis of the factors impacting the balance of the inverted pendulum， a fuzzy PID control strategy is proposed. The control strategy consists of three loops. Through theoretical analysis and experimental adjustment， optimized parameters of the three-loop controllers were gained in this paper. Finally， the performance of the fuzzy PID controllers were evaluated through Matlab simulation and hardware-in-the-loop experiments.

关键词： 倒立摆；模糊PID；硬件在环；

Key words： inverted pendulum；fuzzy PID；hardware-in-the-loop

中图分类号：TP39 文献标识码：A 文章编号：1006-4311（2012）32-0202-03

0 引言

倒立摆是一个典型的不稳定系统，同时又具有多变量、非线性、强耦合的特性，是自动控制理论中的典型被控对象。它深刻揭示了自然界一种基本规律，即一个自然不稳定的被控对象，运用控制手段可使之具有一定的稳定性和良好的性能。许多抽象的控制概念如控制系统的稳定性、可控性、系统收敛速度和系统抗干扰能力等，都可以通过倒立摆系统直观的表现出来。

倒立摆的研究始于二十世纪50年代，麻省理工学院（MIT）的控制论专家根据火箭发射助推器原理设计出一级倒立摆实验设备。随后，倒立摆又发展出多种形式：二级、多级、旋转等。关于倒立摆的研究内容可以归结为两个问题：一是如何使得倒立摆从初始位置快速地达到工作位置的起摆控制；二是在工作平衡点的稳定控制问题。所谓起摆控制是指对倒立摆施加周期性的扰动，使摆杆从处于自然垂的稳定状态迅速过渡到处于垂直向上一定偏角范围内的倒立状态。当前，倒立摆的起摆控制规律主要是基于能量的控制。文献[1]采用能量反馈的方法来完成倒立摆的起摆控制，成功地实现了真实直线一级倒立摆的起摆控制。在工作平衡点的稳定控制规律主要集中在最优控制、智能控制以及与经典控制相结合等方面。最优控制时现代控制中发展较早的重要组成部分，而利用变分法建立起来的无约束最优控制原理，对于寻求二次型性能指标线性系统的最优控制是很适用的，因此很多学者将线性二次型最优调节器（LQR）应用于倒立摆系统的平衡稳定控制[2]。由于倒立摆的非线性，很多学者尝试着将新兴的智能控制算法应用到倒立摆的稳定控制中[3，4]。

然而作为经典控制算法的PID却没有在学者们的倒立摆研究中得到广泛的应用。这是由于倒立摆并不是一个单输入单输出系统，使用经典控制算法很难做到角度和位置的双重控制。事实上，由于PID易于实现、反应快、可靠且鲁棒性好，在实际工程应用中，它仍然占有极大比重。因此，PID在倒立摆系统稳定控制中的应用研究有着重大意义。

本文在以往文献的基础上，将模糊控制与PID相结合，利用模糊PID实现倒立摆的多变量控制，拓宽了PID的应用领域，并通过Matlab仿真和硬件在环实验验证了其有效性。

1 倒立摆系统结构及硬件组成

倒立摆系统硬件部分由倒立摆本体、计算机（含运动控制卡）、电控箱（包括交流伺服电机驱动器、运动控制卡的接口板、直流电源等）三大部分构成。倒立摆系统的本体由被控对象（小车和摆杆）、传感器（角度传感器）和执行机构（松下伺服电机及其传动装置）组成（如图1所示）。

倒立摆系统中的计算机、运动控制卡、伺服驱动器、倒立摆本体（包括摆杆、小车、伺服电机、光电码盘）几大部分组成了图2所示的一个闭环系统。

光电码盘1将小车的位移、速度信号反馈给伺服驱动器和运动控制卡，而光电码盘2将摆杆的位置、速度信号反馈回控制卡。计算机从运动控制卡中读取实时数据，确定控制决策（小车向哪个方向移动、移动速度、加速度等），并由运动控制卡来实现该控制决策，产生相应的控制量，使电机转动，带动小车运动，保持摆杆平衡。

2 倒立摆的数学建模

倒立摆的动力学方程 在忽略了空气流动和各种摩擦之后，可将倒立摆系统抽象成导轨、小车和匀质杆组成的系统（如图3所示）。