采用系统辨识工具箱辨识结果

《采用系统辨识工具箱辨识结果》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于PSO的液压系统PID参数优化报告人：蔡钟山时间：2011年5月目录1、基于系统辨识工具箱的参数估计2、采用工程整定方法进行参数预估计3、基于PSO的PID参数优化4、下一步工作1、基于系统辨识工具箱的参数估计采用matlab的系统辨识工具箱，只需要输入需要辨识的输入数据和输出数据，选择一定的系统模型，经过一定的数据预处理，最终得到所需要模型的参数估计值，从而实现系统的辨识。在matlab输入ident，即可以出现如图1所示的界面，在importdata里导入数据，在estimate里选择需要的模型。图1辨

2、识工具箱界面图2模型选择界面图4辨识模型输出与实际输出比较相似度达到96%，辨识出来的模型表示为三阶系统：图3输入数据和输出数据2.1使用工程整定的目的PID工程整定方法：临界比例法、衰减曲线法、ziegler-Nichols整定。本次预估计采用ziegler-Nichols整定，对PID三个参数Kp、Ki、Kd进行预估计，作为后面采用PSO（ParticleSwarmOptimization）粒子群优化算法参数优化的一个初始值，并设定参数范围做好铺垫。2.2Ziegler-Nichols整定先使系统在开环时候

3、输入单位阶跃信号，观察阶跃响应曲线。记录稳态值，延时时间和时间常数，是指上升这段时间内的拟合直线的两个时间点之差。根据曲线利用公式计算Kp、Ki、Kd。2、采用工程整定方法进行参数预估计控制器类型比例度δ/%积分时间Ti微分时间τPT/(K*L)∞0PI0.9T/(K*L)L/0.30PID1.2T/(K*L)2.2L0.2L表1Ziegler-Nichols法整定控制器参数图5开环阶跃响应曲线TLK延时时间L、放大系数K和时间系统T如图5所示。得到K=2.8236,L=0.5T=1.3。根据表1计算得到三个参

4、数kp=1.1,ki=1/Ti=1.38,kd=0.0663、基于PSO的PID参数优化3.1PSO粒子群优化算法(PSO)是一种进化计算技术,它是一种模拟鸟类觅食的优化算法。PSO算法主要有以下几个定义：1）适应度函数：fitness（），也就是我们拟解决问题的目标函数，PSO主要通过搜索未知参数（参数的个数也称为粒子的维数）使适应度函数达到最优解。适应度函数达到最优时的参数也就是我们所需要的最优参数。2）个体极值和全局极值个体极值指在粒子自身所找到的最优解，而全局极值则是在群体中找到的最优值。3）PSO主要

5、公式：①②式中，代表的是第k代的第i个粒子第d维的速度代表的是第k代的第i个粒子d第维的位置:为惯性因子；为速度比约束因子；为粒子个体位置最优值；为群体位置最优值;是加速因子,是在[0,1]之间的随机数。3.2适应度函数选择fitness（）结合PID控制根据误差性能指标进行选取。误差性能指标主要有以下三种：(1)绝对误差积分(IAE)性能指标(2)平方误差积分(ISE)性能指标(3)时间与误差平方乘积积分(ISTE)性能指标按照不同的误差性能指标进行PID控制器参数整定，所得到的系统闭环控制效果也会不同。IA

6、E性能指标对小偏差的抑制能力比较强；ISE性能指标着重于抑制过渡过程中大偏差的出现；ISTE性能指标在缩短调节时间的同时还可控制大偏差。、、开始初始化参数，包括维数、粒子数，加速因子等给个体随机赋值根据PSO进行迭代，进行速度和位置更新对个体速度和位置进行限幅处理根据适应度函数求取个体极值和全局极值迭代次数<个体数结束YNkp=0.3981,ki=0.3981,kd=0.1000