第24篇 基于SOA的PID整定.pptVIP

第二十四章 MATLAB优化算法案例分析与应用 第24章 基于SOA的PID整定 第二十四章 MATLAB优化算法案例分析与应用 24.1 SOA算法在PID控制中的运用 PID控制是典型的工业控制之一，对于PID控制，主要难点在于PID的参数整定，现用的工业控制中，PID参数整定多依赖于经验法，根据不断的调试，试得出一个较为合理的PID参数，达到系统的要求。随着智能算法的出现，一些例如SOA、PSO、GA算法等，鲁棒性较好，能够为系统PID参数整定，提供参考依据，使得系统收敛于最佳状态。 图24-1 PID控制系统框 第二十四章 MATLAB优化算法案例分析与应用 24.1 SOA算法在PID控制中的运用 PID控制器各个校正环节的作用如下： （1）比例环节：成比例的反映控制系统的偏差 ，偏差一旦产生，控制器立即产生作用，以减少偏差。 （2）积分环节：主要用于消除静差，提高系统的无差度，积分作用的强度取决于积分时间常数 ， 越大，积分作用就越弱，反之则越强。 （3）微分环节：反映偏差信号的变化趋势，并能在偏差信号变得太大之前，在系统中引入一个有效的早期修正信号，从而加快系统的动作速度，减少调节时间。 第二十四章 MATLAB优化算法案例分析与应用 24.2 基于SOA的PID参数整定 24.2.1 参数的编码 考虑到控制系统的多样性，可以由用户决定各个参数的取值范围，初始种群可以在允许的取值范围内随机产生。 24.2.2 适应度函数的选取 第二十四章 MATLAB优化算法案例分析与应用 24.2 基于SOA的PID参数整定 24.2.2 适应度函数的选取 24.2.3 算法流程 第二十四章 MATLAB优化算法案例分析与应用 24.2 基于SOA的PID参数整定 选取被控对象如式（24.7）所示： %%个体极值和群体极值 [bestf bestindex]=min(fSwarm); zbest=Swarm(bestindex,:); % 全局最佳 gbest=Swarm; % 个体最佳 fgbest=fSwarm; % 个体最佳适应值 fzbest=bestf; % 全局最佳适应值 %迭代寻优 Di=0*rand(SwarmSize,Dim); Buchang=0*rand(SwarmSize,Dim); C=0*rand(SwarmSize,Dim); Diego=0*rand(SwarmSize,Dim); Dialt=0*rand(SwarmSize,Dim); Dipro=0*rand(SwarmSize,Dim); 第二十四章 MATLAB优化算法案例分析与应用 24.2 基于SOA的PID参数整定 图24-4 SOA优化PID参数变化 第二十四章 MATLAB优化算法案例分析与应用 24.2 基于SOA的PID参数整定 图24-5 SOA优化适应度函数变化的曲线 第二十四章 MATLAB优化算法案例分析与应用 24.2 基于SOA的PID参数整定 图24-6 SOA优化阶跃响应输出曲线 第二十四章 MATLAB优化算法案例分析与应用 24.2 基于SOA的PID参数整定 图24-7 SOA优化阶跃响应误差曲线 第二十四章 MATLAB优化算法案例分析与应用 24.2 基于SOA的PID参数整定 PSO优化PID参数变化曲线 第二十四章 MATLAB优化算法案例分析与应用 24.2 基于SOA的PID参数整定 图24-9 PSO优化适应度函数变化的曲线 第二十四章 MATLAB优化算法案例分析与应用 24.2 基于SOA的PID参数整定 图24-10 PSO优化阶跃响应输出曲线 第二十四章 MATLAB优化算法案例分析与应用 24.2 基于SOA的PID参数整定 图24-11 PSO优化阶跃响应输出误差曲线 第二十四章 MATLAB优化算法案例分析与应用 24.2 基于SOA的PID参数整定 图24-12 GA优化适应度函数变化的曲线 第二十四章 MATLAB优化算法案例分析与应用 24.2 基于SOA的PID参数整定 图24-13 GA优化阶跃响应输出曲线 第二十四章 MATLAB优化算法案例分析与应用 24.2 基于SOA的PID参数整定 图24-14 GA优化阶跃响应误差曲线 第二十四章 MAT