基于继电器反馈的建模与自整定PID控制方法探讨

需积分: 19 4 下载量 87 浏览量 更新于2024-09-06 收藏 178KB PDF 举报
该篇论文主要探讨了一种基于继电器反馈的建模方法,由刘远高教授在河海大学计算机及信息工程学院完成。论文的核心内容是针对传统的PID参数整定方法,特别是人工整定存在的缺陷,如精度不高和适用范围有限。Astrom和Hagglund在1984年提出的继电型自整定PID控制策略为研究提供了新的思路,这种方法强调算法简单和易于在线实施。 作者的研究着重于在一阶惯性加纯滞后对象的基础上,利用继电器的开关特性,设计了一种建模方法。这种方法的关键在于通过继电器反馈来动态调整PID控制器的参数,以实现对控制范围的精确控制。当被控对象的输出超出预设的上下限(ε±r)时,继电器的切换动作会驱动系统调整,从而实现自动适应控制。 论文的核心建模步骤包括对继电器反馈系统的工作原理进行分析,通过系统响应的模拟实验来验证所提出的建模方法的有效性和准确性。这种方法避免了传统切线法中可能存在的误差,简化了计算机实现的复杂性,对于实际工业过程控制中的模型辨识具有实用价值。 文中指出,建模是理解系统行为的基础,尤其在控制理论中,模型的精确度直接影响到控制策略的效果。因此,选择恰当的模型结构并利用继电器反馈特性进行参数辨识,对于提高控制系统的性能至关重要。 这篇论文为PID控制的自整定提供了一种创新的解决方案,利用继电器的非线性特性实现了模型的动态更新和参数优化,为实际工业过程控制中的对象建模和参数调整提供了一种实用且高效的途径。

1. ARIMA 2. SARIMA 3. VAR 4. Auto-ARIMA 5. Auto-SARIMA 6. LSTM 7. GRU 8. RNN 9. CNN 10. MLP 11. DNN 12. MLP-LSTM 13. MLP-GRU 14. MLP-RNN 15. MLP-CNN 16. LSTM-ARIMA 17. LSTM-MLP 18. LSTM-CNN 19. GRU-ARIMA 20. GRU-MLP 21. GRU-CNN 22. RNN-ARIMA 23. RNN-MLP 24. RNN-CNN 25. CNN-ARIMA 26. CNN-MLP 27. CNN-LSTM 28. CNN-GRU 29. ARIMA-SVM 30. SARIMA-SVM 31. VAR-SVM 32. Auto-ARIMA-SVM 33. Auto-SARIMA-SVM 34. LSTM-SVM 35. GRU-SVM 36. RNN-SVM 37. CNN-SVM 38. MLP-SVM 39. LSTM-ARIMA-SVM 40. LSTM-MLP-SVM 41. LSTM-CNN-SVM 42. GRU-ARIMA-SVM 43. GRU-MLP-SVM 44. GRU-CNN-SVM 45. RNN-ARIMA-SVM 46. RNN-MLP-SVM 47. RNN-CNN-SVM 48. CNN-ARIMA-SVM 49. CNN-MLP-SVM 50. CNN-LSTM-SVM 51. CNN-GRU-SVM 52. ARIMA-RF 53. SARIMA-RF 54. VAR-RF 55. Auto-ARIMA-RF 56. Auto-SARIMA-RF 57. LSTM-RF 58. GRU-RF 59. RNN-RF 60. CNN-RF 61. MLP-RF 62. LSTM-ARIMA-RF 63. LSTM-MLP-RF 64. LSTM-CNN-RF 65. GRU-ARIMA-RF 66. GRU-MLP-RF 67. GRU-CNN-RF 68. RNN-ARIMA-RF 69. RNN-MLP-RF 70. RNN-CNN-RF 71. CNN-ARIMA-RF 72. CNN-MLP-RF 73. CNN-LSTM-RF 74. CNN-GRU-RF 75. ARIMA-XGBoost 76. SARIMA-XGBoost 77. VAR-XGBoost 78. Auto-ARIMA-XGBoost 79. Auto-SARIMA-XGBoost 80. LSTM-XGBoost 81. GRU-XGBoost 82. RNN-XGBoost 83. CNN-XGBoost 84. MLP-XGBoost 85. LSTM-ARIMA-XGBoost 86. LSTM-MLP-XGBoost 87. LSTM-CNN-XGBoost 88. GRU-ARIMA-XGBoost 89. GRU-MLP-XGBoost 90. GRU-CNN-XGBoost 91. RNN-ARIMA-XGBoost 92. RNN-MLP-XGBoost 93. RNN-CNN-XGBoost 94. CNN-ARIMA-XGBoost 95. CNN-MLP-XGBoost 96. CNN-LSTM-XGBoost 97. CNN-GRU-XGBoost 98. ARIMA-ANN 99. SARIMA-ANN 100. VAR-ANN 上面这些缩写模型的全称及相关用途功能详细解释

2023-07-15 上传