网站关键词公司,找做网站公司需要注意什么条件,qq推广官网,深圳自助网站建设代码已上传#xff1a;计算机控制系统PID参数整定法资源-CSDN文库 1背景
为了模拟PID参数整定#xff0c;把教材上的案例进行分析。 1题目
单位闭环传递函数#xff0c;开环传函G(s)1/((s1)(s2)), Ts0.1s, PID调整器输出后#xff0c;接零阶保持器ZOH。
2 代码
PID含积…代码已上传计算机控制系统PID参数整定法资源-CSDN文库 1背景
为了模拟PID参数整定把教材上的案例进行分析。 1题目
单位闭环传递函数开环传函G(s)1/((s1)(s2)), Ts0.1s, PID调整器输出后接零阶保持器ZOH。
2 代码
PID含积分环节TI/s
PID控制器 C(s)KpsKiKd⋅s 是一个非因果模型因为它的分子Kd⋅s的阶数高于分母1的阶数。因此不能直接使用 zoh、foh 或 impulse 方法来转换PID控制器。
具体编码
注意PID的参数可以逐步添加。
% 定义闭环传递函数 G(s)
s tf(s); % 定义传递函数变量s
G 1 / ((s 1) * (s 2)); % 给定的闭环传递函数% 定义PID控制器
% PID控制器的传递函数为C(s) Kp Ki/s Kd*s
%----这里可调整从进行PID参数整定-------------
Kp 5; % 比例增益
% Ki 0.1; % 积分增益
% Kd 0.01; % 微分增益
C Kp Ki / s Kd * s; % PID控制器传递函数% 将连续时间系统转换为离散时间系统
Ts 0.1; % 采样时间
% PID 不能用c2d函数可用 双线性变换.PID控制器 C(s)Kp
%s Ki Kd⋅s 是一个非因果模型因为它的分子Kd⋅s的阶数高于分母1的阶数。
Gz c2d(G, Ts, zoh); % 使用零阶保持(ZOH)方法进行转换
% Cz c2d(C, Ts, zoh); % 使用零阶保持(ZOH)方法进行转换Cz c2d(C, Ts, tustin);% 双线性离散% 闭环系统
Tz feedback(Cz * Gz, 1); % 闭环传递函数单位反馈
% 仿真时间
t 0:Ts:10; % 仿真时间从0到10秒步长为采样时间Ts% 仿真阶跃响应
figure;
step(Tz, t); % 绘制离散时间系统的阶跃响应
title(阶跃响应);
xlabel(时间/秒);
ylabel(响应);
grid on;3临界比例整定过程未达到最优
3.1 KIKD0,逐步增大P KP32 基本等副振荡。Tr1.1s 3.2 查表
控制度1.2 进行PI查表
T0.05*Tr0.05*1.10.055s.
KP0.49*3216
KI0.91*1.11s 代入PI参数 效果并不好 稳态误差太大说明积分效果不好。加大ki 稳态误差没有了。增加D
3.2 查表加入D
KD0.47s 没有达到最好的效果。 4 用AI来寻优
以下是基于Ziegler-Nichols方法调整PID参数的步骤
1. 确定临界增益Ku和临界周期Pu 将积分增益Ki和微分增益Kd设置为0仅使用比例增益Kp。 逐步增加Kp直到系统的输出开始出现持续振荡。 记录此时的比例增益值称为临界增益Ku以及振荡的周期称为临界周期Pu。
2. 根据Ziegler-Nichols公式计算PID参数
根据Ziegler-Nichols方法PID参数可以通过以下公式计算 比例增益KpKp0.6×Ku 积分增益KiKi2×Kp/Pu 微分增益KdKdKp×Pu/8
示例
假设通过实验你发现系统的临界增益Ku为2.5临界周期Pu为1.5秒。测试应该为KU32PU1.1我无法在推荐的参数获得结果 根据上述公式可以计算出PID参数 Kp0.6×2.51.5 Ki2×1.5/1.52.0 Kd1.5×1.5/80.28125 他们没有使用ZOH。。
% 定义闭环传递函数 G(s)
s tf(s); % 定义传递函数变量s
G 1 / ((s 1) * (s 2)); % 给定的闭环传递函数% 定义PID控制器
Kp 1.5; % 比例增益
Ki 2.0; % 积分增益
Kd 0.28125; % 微分增益
C Kp Ki / s Kd * s; % PID控制器传递函数% 闭环系统
T feedback(C * G, 1); % 闭环传递函数假设单位反馈% 仿真时间
t 0:0.01:10; % 仿真时间从0到10秒步长为0.01秒% 仿真阶跃响应
figure;
step(T, t); % 绘制闭环系统的阶跃响应
title(strcat(阶跃响应 KP, num2str(Kp),,Ki,num2str(Ki),Kd,num2str(Kd) ));
xlabel(时间 (秒));
ylabel(响应);
grid on;
5 上pidtune工具包
pidtune 是 MATLAB 中用于自动调整 PID 控制器参数的工具其工作原理基于系统模型的分析通过优化算法平衡控制系统的性能和鲁棒性。以下是 pidtune 的工作原理及使用方法的详细说明
pidtune 的工作原理 系统模型分析 pidtune 首先需要一个线性时不变LTI模型如传递函数tf或状态空间ss模型。 它通过分析系统的开环特性如增益、相位、零点和极点来确定合适的 PID 参数。 性能与鲁棒性平衡 pidtune 通过优化算法自动调整 PID 参数以实现快速响应性能和足够的稳定裕度鲁棒性。 用户可以通过指定目标带宽wc或相位裕度等参数进一步调整控制系统的性能。 控制器类型选择 pidtune 支持多种控制器类型包括 PI、PD、PID、PIDF带微分滤波器以及两自由度2-DOFPID 控制器。 用户可以根据系统需求选择合适的控制器类型。 交互式调整 在 MATLAB 的 Live Editor 中pidtune 提供了交互式调参功能用户可以实时调整控制器性能并生成相应的 MATLAB 代码
使用 pidtune 的基本步骤 定义系统模型 使用 tf 或 ss 创建系统的传递函数或状态空间模型。 matlab复制 sys tf([1], [1, 3, 2]); % 示例传递函数 调用 pidtune 指定控制器类型如 PI、PID 等pidtune 将返回优化后的 PID 参数。 matlab复制 [C, info] pidtune(sys, PID); % 自动调整 PID 参数 分析结果 返回的 C 是优化后的 PID 控制器对象info 包含闭环稳定性、带宽和相位裕度等信息。 matlab复制 disp(C); % 显示 PID 参数
disp(info); % 显示性能和鲁棒性信息 高级选项 用户可以通过 pidtuneOptions 设置更多选项如目标带宽、相位裕度等。 matlab复制 opts pidtuneOptions(CrossoverFrequency, 1.5, PhaseMargin, 60);
C pidtune(sys, PID, opts); 验证性能 使用 step 或 bode 函数验证闭环系统的阶跃响应或频率响应。 step(feedback(C * sys, 1));
代码
% 定义系统传递函数
s tf(s);
G 1 / ((s 1) * (s 2));% 使用pidtune自动整定PID参数
[pid, info] pidtune(G, PID);% 查看整定后的PID参数
disp(整定后的PID参数:);
disp(pid);% 绘制闭环阶跃响应
T feedback(pid * G, 1);
step(T);
title(自动整定后的闭环阶跃响应); 6 GA算法 6.1. 遗传算法GA的基本原理
遗传算法是一种模拟生物进化过程的优化算法通过选择、交叉和变异等操作逐步逼近问题的最优解。其基本流程包括以下几个步骤 初始化种群随机生成一组初始解每个解称为一个“个体”或“染色体”通常用一组参数表示。 计算适应度对每个个体计算其适应度fitness适应度函数通常根据问题的目标来评估个体的优劣。 选择操作根据适应度选择优秀的个体适应度高的个体有更大的概率被选中用于生成下一代。 交叉操作随机选择两个个体通过某种方式交换部分基因生成新的个体。 变异操作对新生成的个体进行随机的小幅度变异以增加种群的多样性防止算法陷入局部最优。 终止条件判断如果满足终止条件如达到最大迭代次数或适应度达到预设阈值则停止迭代否则返回步骤2。
6.2. 遗传算法在PID参数优化中的应用
PID控制器的性能依赖于其三个参数比例增益Kp、积分增益Ki和微分增益Kd。遗传算法可以通过优化这些参数来提高PID控制器的性能。
具体步骤如下 初始化种群随机生成一组PID参数Kp、Ki、Kd作为初始种群。 计算适应度对每个个体一组PID参数构建PID控制器并计算闭环系统的性能指标如超调量、调节时间、稳态误差等。通常使用积分平方误差ISE或积分绝对误差IAE作为适应度函数。 选择操作根据适应度选择优秀的个体适应度高的个体有更大的概率被选中。 交叉操作随机选择两个个体交换部分参数值生成新的个体。 变异操作对新生成的个体进行随机的小幅度变异例如随机调整Kp、Ki或Kd的值。 终止条件判断如果满足终止条件如达到最大迭代次数或适应度达到预设阈值则停止迭代输出最优的PID参数。 6.3 实现代码
% 清除变量和关闭所有图形窗口
clear; close all;% 定义被控对象 G(s)
s tf(s);
G 1 / ((s 1) * (s 2)); % 给定的被控对象传递函数% 定义目标函数适应度函数
objective (pid) optimizePID(pid, G);% 遗传算法优化PID参数
nvars 3; % PID参数数量Kp, Ki, Kd
lb [0, 0, 0]; % 参数下界
ub [10, 10, 10]; % 参数上界
options optimoptions(ga, Display, iter, PopulationSize, 100, MaxGenerations, 100);% 运行遗传算法
[x, fval] ga(objective, nvars, [], [], [], [], lb, ub, [], options);% 输出优化后的PID参数
Kp x(1);
Ki x(2);
Kd x(3);
disp([优化后的PID参数Kp , num2str(Kp), , Ki , num2str(Ki), , Kd , num2str(Kd)]);% 构建PID控制器并验证闭环性能
C pid(Kp, Ki, Kd); % 使用MATLAB的pid函数构建PID控制器
T feedback(C * G, 1); % 闭环传递函数% 绘制阶跃响应
figure;
step(T);
title(优化后的闭环阶跃响应);
grid on;% 目标函数优化PID参数
function cost optimizePID(pid, G)% 在函数中重新定义传递函数变量ss tf(s);Kp pid(1);Ki pid(2);Kd pid(3);C Kp Ki / s Kd * s; % 构建PID控制器传递函数T feedback(C * G, 1); % 闭环传递函数% 获取阶跃响应的性能指标info stepinfo(T);steadyStateValue dcgain(T); % 计算稳态值cost info.Overshoot info.SettlingTime abs(1 - steadyStateValue); % 最小化超调、调节时间和稳态误差
end 遗传算法通过模拟生物进化过程能够有效地优化PID控制器的参数。通过合理设计适应度函数和遗传操作遗传算法可以在复杂的参数空间中找到最优解从而显著提高PID控制器的性能
