基于kalmanpid控制.pptVIP

第二十一章 MATLAB优化算法案例分析与应用 21.1 PID控制原理 在模拟控制系统中，控制器最常用的控制规律是PID控制。模拟PID控制系统原理框图如图21-1所示。系统由模拟PID控制器和被控对象组成。 图21-1 模拟PID控制系统原理框图 第1页/共21页 第二十一章 MATLAB优化算法案例分析与应用 21.1 PID控制原理 简单来说，PID控制器各校正环节的作用如下： ①比例环节：成比例地反映控制系统的偏差信号 ，偏差一旦产生，控制器立即产生控制作用，以减少偏差。Kp 越大，系统的响应速度越快，调节精度越高，但是容易产生超调，超过一定范围会导致系统振荡加剧甚至不稳定。 ②积分环节：主要用于消除静差，提高系统的无差度，可使系统稳定性下降，动态响应变慢。积分作用的强弱取决于积分时间常数 T1，T1 越大，积分作用越弱，系统的静态误差消除越快，但是容易在初期产生积分饱和现象，从而引起响应过程的较大超调。 ③微分环节：反映偏差信号的变化趋势（变化速率），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。微分环节的作用是在回应过程中抑制偏差向任何方向的变化，对偏差变化进行提前预测。但是会使响应过程提前制动，从而延长调节时间。 第2页/共21页 第二十一章 MATLAB优化算法案例分析与应用 21.2 基于卡尔曼滤波器的PID控制 在现代随机最优控制和随机信号处理技术中，信号和噪声往往是多维非平稳随机过程。因其时变性，功率谱不固定。在1961年初提出了卡尔曼滤波理论，该理论采用时域上的递推算法在数字计算机上进行数据滤波处理。 离散卡尔曼滤波器递推算法为 第3页/共21页 第二十一章 MATLAB优化算法案例分析与应用 21.2 基于卡尔曼滤波器的PID控制 卡尔曼滤波器结构如图21-2所示。 图21-2 卡尔曼滤波器结构图 第4页/共21页 第二十一章 MATLAB优化算法案例分析与应用 21.2 基于卡尔曼滤波器的PID控制 21.2.1 含噪音信号的滤波常见处理方法 典型模拟滤波器有： 巴特沃斯（Butterworth）滤波器具有单调下降的幅频特性； 切比雪夫（Chebyshev）滤波器：幅频特性在通带或阻带有波动，提高选择性； 贝塞尔（Bessel）滤波器：通带内较好的线性相位； 椭圆（ElliPse）滤波器：较好的线性相位。 不同的滤波器设计针对不同的信号分析处理，以期达到实时处理的效果，提高系统效率。 （1）LMS 滤波器 权向量更新： 期望信号的估计： 估计误差： 第5页/共21页 第二十一章 MATLAB优化算法案例分析与应用 21.2 基于卡尔曼滤波器的PID控制 21.2.1 含噪音信号的滤波常见处理方法 （1）LMS 滤波器 第6页/共21页 第二十一章 MATLAB优化算法案例分析与应用 21.2 基于卡尔曼滤波器的PID控制 21.2.1 含噪音信号的滤波常见处理方法 （1）LMS 滤波器 滤波器进行100次独立实验 第7页/共21页 第二十一章 MATLAB优化算法案例分析与应用 21.2 基于卡尔曼滤波器的PID控制 21.2.1 含噪音信号的滤波常见处理方法 （1）LMS 滤波器 图21-8 误差曲线 图21-7参数逼近 第8页/共21页 第二十一章 MATLAB优化算法案例分析与应用 21.2 基于卡尔曼滤波器的PID控制 21.2.1 含噪音信号的滤波常见处理方法 （1）FIR 滤波器 重复100次，产生样本经由 FIR 滤波器，用 RLS 算法实现 u(n) 的线性预测，采用 RLS 算法迭代运算如下： 第9页/共21页 第二十一章 MATLAB优化算法案例分析与应用 21.2 基于卡尔曼滤波器的PID控制 21.2.1 含噪音信号的滤波常见处理方法 （1）FIR 滤波器 重复100次， 第10页/共21页 第二十一章 MATLAB优化算法案例分析与应用 21.2 基于卡尔曼滤波器的PID控制 21.2.1 含噪音信号的滤波常见处理方法 卡尔曼滤波理论，该理论采用时域上的递推算法在数字计算机上进行数据滤波处理。通过不断的更新和矫正协方差值，通过不断的获取系统测量值，不断的把covariance递归，从而估算出最优估计值。Kalman滤波具有实时性，通过测量跟踪实现信号的分析处理，较 LMS 滤波器和 FIR 滤波器，具有误差