本發(fā)明涉及自動(dòng)控制領(lǐng)域，具體涉及基于pso-bp和卡爾曼濾波的pid調(diào)節(jié)方法。

背景技術(shù)：

1、pid控制算法廣泛用于線性系統(tǒng)，具有良好的魯棒性和穩(wěn)定性，設(shè)計(jì)簡(jiǎn)單。由于pid控制器的控制參數(shù)固定不變的這一特性，通常用于線性系統(tǒng)，針對(duì)一些非線性系統(tǒng)的場(chǎng)合，pid控制器的效果則會(huì)顯著降低。與此同時(shí)，pid控制器本身存在一些局限性，噪聲引起的誤差會(huì)導(dǎo)致pid控制器產(chǎn)生不穩(wěn)定的輸出。

2、針對(duì)pid控制器本身由于噪聲引起的誤差會(huì)導(dǎo)致不穩(wěn)定輸出，亟需一種基于pso-bp和卡爾曼濾波的pid調(diào)節(jié)方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明基于pso-bp和卡爾曼濾波的pid調(diào)節(jié)方法，解決現(xiàn)有技術(shù)的問題。

2、第一方面，本發(fā)明提供基于pso-bp和卡爾曼濾波的pid調(diào)節(jié)方法，包括：

3、建立bp神經(jīng)網(wǎng)絡(luò)，隨機(jī)生成未優(yōu)化的隨機(jī)初始連接權(quán)值wij(0)、wli(0)并計(jì)算控制參數(shù)kp、ki、kd和系統(tǒng)輸出值yout。

4、通過pso粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)值。

5、比較給定定值rin(k)和系統(tǒng)輸出值yout(k)，計(jì)算誤差error(k)＝rin(k)-yout(k)。

6、將誤差信號(hào)進(jìn)行向前傳遞，更新bp神經(jīng)網(wǎng)絡(luò)的權(quán)值，并輸出系統(tǒng)即時(shí)輸出值。

7、根據(jù)輸出結(jié)果重新賦值kp、ki、kd，通過增量式pid算法計(jì)算出結(jié)果，加載給負(fù)載模塊。

8、將負(fù)載模塊的輸出值y(k+1)送去卡爾曼濾波模塊進(jìn)行處理，利用卡爾曼方程估計(jì)最優(yōu)值即濾波后得到的輸出yout(k+1)并根據(jù)誤差error(k+1)判斷是否滿足要求結(jié)束循環(huán)。

9、本發(fā)明提供的基于pso-bp和卡爾曼濾波的pid調(diào)節(jié)方法，提高復(fù)雜場(chǎng)景下的非線性系統(tǒng)的性能，自適應(yīng)調(diào)節(jié)系統(tǒng)輸出的噪音干擾，從而達(dá)到在某一既定狀態(tài)下的pid控制器的最優(yōu)化。

技術(shù)特征：

1.基于pso-bp和卡爾曼濾波的pid調(diào)節(jié)方法，其特征在于，包括：pid控制非線性模型系統(tǒng)時(shí)，加入bp神經(jīng)網(wǎng)絡(luò)，通過pso粒子群算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)值，自適應(yīng)調(diào)節(jié)bp神經(jīng)網(wǎng)絡(luò)神經(jīng)元輸出層并得到參數(shù)kp、ki、kd，然后通過kalman濾波器降噪，迭代輸出非線性模型的最優(yōu)化pid控制值。

2.根據(jù)權(quán)利要求1所述的基于pso-bp和卡爾曼濾波的pid調(diào)節(jié)方法，其特征在于，所述bp神經(jīng)網(wǎng)絡(luò)用于隨機(jī)生成未優(yōu)化的隨機(jī)初始連接權(quán)值wij(0)、wli(0)，并計(jì)算控制參數(shù)kp、ki、kd和系統(tǒng)輸出值yout。

3.根據(jù)權(quán)利要求2所述的基于pso-bp和卡爾曼濾波的pid調(diào)節(jié)方法，其特征在于，比較給定定值rin(k)和系統(tǒng)輸出值yout(k)，計(jì)算誤差信號(hào)error(k)＝rin(k)-yout(k)，將誤差信號(hào)進(jìn)行向前傳遞，更新bp神經(jīng)網(wǎng)絡(luò)的權(quán)值，并輸出非線性模型系統(tǒng)即時(shí)輸出值。

4.根據(jù)權(quán)利要求3所述的基于pso-bp和卡爾曼濾波的pid調(diào)節(jié)方法，其特征在于，包括根據(jù)bp神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果重新賦值kp、ki、kd，通過增量式pid算法計(jì)算出結(jié)果，加載給負(fù)載模塊，將負(fù)載模塊的輸出值y(k+1)送去卡爾曼濾波模塊進(jìn)行處理，利用卡爾曼方程估計(jì)最優(yōu)值即濾波后得到的輸出yout(k+1)，并根據(jù)誤差error(k+1)判斷是否滿足要求結(jié)束循環(huán)。

5.根據(jù)權(quán)利要求4所述的基于pso-bp和卡爾曼濾波的pid調(diào)節(jié)方法，其特征在于，其中，bp神經(jīng)網(wǎng)絡(luò)為4-5-3三層bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，輸入層x(k)＝[x1(k),x2(k),x3(k),x4(k)]t，x1(k),x2(k),x3(k)和x4(k)分別表示k時(shí)刻時(shí)的給定輸入值rin(k)、系統(tǒng)輸出值yout(k)、系統(tǒng)誤差error(k)和定值1，wij(k)表示隱含層第i個(gè)神經(jīng)元與輸入層第j個(gè)神經(jīng)元的連接權(quán)值，wli(k)表示輸出層第l個(gè)神經(jīng)元與隱含層第i個(gè)神經(jīng)元的連接權(quán)值；

6.根據(jù)權(quán)利要求5所述的基于pso-bp和卡爾曼濾波的pid調(diào)節(jié)方法，其特征在于，其中，對(duì)于pso粒子群算法，在d維空間中隨機(jī)生成含m個(gè)粒子的初始粒子群a＝[a1,a2,...，am]，第m個(gè)粒子具有位置xm＝[xm1,xm2，...，xmd]和速度vm＝[vm1，vm2，...，vmd]兩個(gè)特征，xmd和vmd表示第m個(gè)粒子在第d維的位置和速度，在每次迭代過程中跟蹤全局極值pgbest和個(gè)體極值ppbest來(lái)更新粒子值，更新公式為：

7.根據(jù)權(quán)利要求6所述的基于pso-bp和卡爾曼濾波的pid調(diào)節(jié)方法，其特征在于，其中，所述根據(jù)bp神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果重新賦值kp、ki、kd，通過增量式pid算法計(jì)算出結(jié)果，加載給負(fù)載模塊，將負(fù)載模塊的輸出值y(k+1)送去卡爾曼濾波模塊進(jìn)行處理，利用卡爾曼方程估計(jì)最優(yōu)值即濾波后得到的輸出yout(k+1)，包括：

技術(shù)總結(jié)
本發(fā)明公開了基于PSO?BP和卡爾曼濾波的PID調(diào)節(jié)方法，涉及自動(dòng)控制領(lǐng)域，本發(fā)明包括，PID控制非線性模型系統(tǒng)時(shí)，加入BP神經(jīng)網(wǎng)絡(luò)，通過PSO粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)值，自適應(yīng)調(diào)節(jié)BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元輸出層并得到參數(shù)k<subgt;P</subgt;、k<subgt;i</subgt;、k<subgt;d</subgt;，然后通過Kalman濾波器降噪，迭代輸出非線性模型的最優(yōu)化PID控制值。本發(fā)明提高復(fù)雜場(chǎng)景下的非線性系統(tǒng)的性能，自適應(yīng)調(diào)節(jié)系統(tǒng)輸出的噪音干擾，從而達(dá)到在某一既定狀態(tài)下的PID控制器的最優(yōu)化。

技術(shù)研發(fā)人員：嚴(yán)濟(jì)鴻,茍中頤,王文濤,閆志豪,任孟旭,黃一展,孟健平,王學(xué)超,徐章松
受保護(hù)的技術(shù)使用者：電子科技大學(xué)長(zhǎng)三角研究院（衢州）
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/10