笔记-先进PID控制MATLAB仿真

先进PID控制MATLAB仿真(第3版)

第八章《模糊PID控制和专家PID控制》

模糊规则在PID控制中的作用：一是利用模糊规则调节实现PID的整定；二是利用模糊系统的万能逼近理论逼近被控对象的未知项，实现控制补偿，提升PID控制的性能；三是把控制律模糊化，当成未知项直接利用模糊规则进行逼近。（二与三都是基于模糊规则的万能逼近特性）

基于自适应模糊补偿的PD控制： 在利用模糊规则对被控对象的未知项进行逼近时，需要适当选取模糊规则参数，使逼近误差尽可能的小，才能保证控制系统的稳定性。（对应二）

基于模糊规则表的PD控制： 将跟踪误差和误差变化量作为模糊规则的输入，控制输入作为规则的输出，根据经验构造模糊规则表，可实现无需模型信息的控制。（对应三，这个勉强算得上是PD控制吧）

模糊自适应整定PID控制（专家PID控制器）： 以误差$e$和误差变化$\dot{e}$作为输入，利用模糊规则对PID控制器的3个参数进行在线修改，来满足系统对PID参数自整定的要求。首先将专家长期实践积累的经验知识用控制规则模型化，然后运用推理便可以对PID参数实现最佳调整。（对应一）

专家PID控制： 基于受控对象和控制规律的各种知识，无需知道被控对象的精确模型，利用专家经验来设计PID参数。（和“一”相似）

第九章《神经网络PID控制》

与上一章类似，神经网络和模糊规则原理都具有万能逼近特性，因此神经网络在PID控制中的作用：一是利用神经网络调节实现PID的整定；二是利用神经网络逼近被控对象的未知项，实现控制补偿，提高PID控制的性能；三是直接把控制律当成未知项，利用神经网络直接进行逼近。（“三”就不能算作PID控制器了）

基于RBF神经网络整定的PID控制： 设定神经网络整定指标，基于梯度下降法，调整PID控制器的三参数，使神经网络整定指标最小。（对应“一”）

此处神经网络参数或控制参数都是按经验选取或试凑的，只能保证闭环系统在局部得到优化，不能保证闭环系统的稳定性。如果参数选择不当，闭环系统控制很容易发散。

基于单神经元网络的PID智能控制： 通过对加权系数的调整来实现自适应、自组织功能，权系数的调整是按某种学习规则实现的。也就是说该控制算法由控制算法和学习算法组成。常见的学习算法（学习规则）有：无监督Hebb学习规则、有监督的Delta学习规则、有监督的Hebb学习规则。（对应“一”的变形）

基于自适应神经网络补偿的PD控制： 基于RBF神经网络的万能逼近特性，实现对被控对象未知项的自适应逼近。（对应“二”）

第十二章《迭代学习PID控制》

可以先通过迭代学习的仿真来确定PID控制器的初始参数，再通过模糊规则、神经网络或遗传算法进行参数整定。

PID参数整定方法

第八章的基于模糊规则的PID参数整定

第九章的基于神经网络的PID参数整定

第十章的基于遗传算法的PID参数整定

第十二章的迭代学习PID控制也是一种参数整定方法

先进PID整定方法：设定优化性能指标，将控制问题转换为优化问题，利用优化算法进行PID的参数整定。优化算法包括不限于粒子群算法、遗传算法、蚁群算法等等。

常规PID整定方法：基于响应曲线法的PID整定、基于Ziegler-Nichols的频域响应PID整定、基于频域分析的PD整定、基于相位裕度整定的PI控制、基于极点配置的稳定PD控制、基于临界比例度法的PID整定、基于优化函数的PID整定、基于NCD（Nonlinear Control Design）优化的PID整定、基于NCD与优化函数结合的PID整定。

PID控制方法优缺点

优点：算法简单、无需建模

缺点：参数难以整定、不能保证稳定性

自适应控制（Adaptive Control）：能修正自己特性以适应对象和扰动动态特性变化的控制方法。

鲁棒控制（Robust Control）：控制系统能在一定的参数摄动下，维持某些性能的特性。

参考文献

1. 刘金琨. 先进PID控制MATLAB仿真(第3版)[M]. 电子工业出版社, 2011.