基于粒子群优化调整离散 PID 控制器研究（Matlab代码实现）

 👨‍🎓个人主页：研学社的博客   

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

---

💥1 概述

PID 控制在控制领域中是最为传统、有效的控制方法，因为其结构简单、稳定性好等广泛应用于工业过程控制。其中PID的控制性能主要取决于比例、微分、 积分系数的取值，系数的取值影响系统控制的动态性 能、系统稳定性、超调量等众多方面。因此，PID 控制 器参数选择至关重要，但是PID控制器控制参数不易 整定，应对复杂工况时效果不佳 [1] ，还需要引入智能算 法进行优化。

粒子群优化算法（PSO算法）是一种基于群体协作的随机搜索算法，该算法参数设置少、收敛速度快、实现简单，常常应用于系统辨识，取得了较好的优化结果[2] 。但是单一的粒子群算法容易陷入局部最优，导致误差较大。经过改进的粒子群算法既可以减少迭代次数，还可以提高算法精度及效率，常应用在焊接缺陷成因诊断、灰色预测模型改善等领域[3-4] ，产生了较好的影响。

针对 PID 控制算法和粒子群算法 [ 1 ] 进行详细介绍。

1 ） PID 控制器

PID 控制器是最基础的一种负反馈控制器，控制器的控制方程为：

式中： K p 为比例环节系数； T i 为积分环节常数； T d 为微分环节系数。PID 控制器的原理如 图 3 所示。

 

📚2 运行结果

主函数代码：

close all;
clear all;
clc;

%parametry symulacji
k_start     =   4;
k_stop      =   800;

%parametry modelu
alfa1 = -1.645679;
alfa2 = 0.675125;
beta1 = 0.01098;
beta2 = 0.009632;

%wartosci poczatkowe zmiennych 
u       =   zeros(1,k_stop);
y       =   zeros(1,k_stop);
x1      =   zeros(1,k_stop);
x2      =   zeros(1,k_stop);
e       =   zeros(1,k_stop);
y_zad   =   [0.5*ones(1,k_stop/4) -0.35*ones(1,k_stop/4) 0.4*ones(1,k_stop/4) -1.2*ones(1,k_stop/4)]; 

%% Regulator PID nastrojony metoda Zieglera-Nicholsa
T=1;  
Tosc = 16.8;  %(192-24)/10    <-- usrednione dla 10 okres贸w
kkr = 3.7;
k_p = 0.6*kkr;
Ti_p = 0.5*Tosc;
Td_p  = 0.125*Tosc;

% Niegasnace oscylacje:
% Ti_p = inf;
% Td_p = 0;
% k_p = kkr;

% Nastawy regulatora PID w wersji dyskretnej
r2=(k_p*Td_p)/T;
r1=k_p*((T/(2*Ti_p))-((2*Td_p)/T)-1);
r0=k_p*(1+(T/(2*Ti_p))+(Td_p/T));

E = 0;
for k = k_start:k_stop    
    %model nieliniowy
    g1      = (exp(5*u(k-3))-1)/(exp(5*u(k-3))+1); 
    x1(k)   = -alfa1*x1(k-1) + x2(k-1) + beta1*g1;
    x2(k)   = -alfa2*x1(k-1) + beta2*g1;
    g2      = 1-exp(-1.5*x1(k)); 
    y(k)    = g2;

   
    e(k)=y_zad(k) - y(k);
    u(k)=r2*e(k-2)+r1*e(k-1)+r0*e(k) + u(k-1);

    if (u(k)>1)
        u(k)=1;
    end
    if (u(k)<-1)
        u(k)=-1;
    end
   
   E = E + (y_zad(k) - y(k))^2;
end

display(sprintf('Wskaznik jakosci E = %f',E))
y1 = y;
u1 = u;

disp('Nacisnij spacje aby kontynuowac');
pause;
  
%% Regulator PID nastrojony PSO
% 
%parametry regulatora obliczone w pliku pid_pso_tun.m
r0 = 1.2230
r1 = -1.4218
r2 = 0.2628

u       =   zeros(1,k_stop);
y       =   zeros(1,k_stop);
x1      =   zeros(1,k_stop);
x2      =   zeros(1,k_stop);
e       =   zeros(1,k_stop);
E = 0;

for k = k_start:k_stop    
    %model nieliniowy
    g1      = (exp(5*u(k-3))-1)/(exp(5*u(k-3))+1); 
    x1(k)   = -alfa1*x1(k-1) + x2(k-1) + beta1*g1;
    x2(k)   = -alfa2*x1(k-1) + beta2*g1;
    g2      = 1-exp(-1.5*x1(k)); 
    y(k)    = g2;

   
    e(k)=y_zad(k) - y(k);
    u(k)=r2*e(k-2)+r1*e(k-1)+r0*e(k) + u(k-1);

    if (u(k)>1)
        u(k)=1;
    end
    if (u(k)<-1)
        u(k)=-1;
    end
   
   E = E + (y_zad(k) - y(k))^2;
end

%%

figure(1) 
clf

subplot(2,1,1)
plot(y);
title('Porownanie przebiegow sygnalow wyjsciowych i wejsciowych regulatora PID nastrojonego dwiema metodami')
hold on
plot(y1,'m')
hold on
plot(y_zad,'r--')
legend('PID PSO','PID Z-N')
ylabel('y(k)')
xlabel('k');
grid on
subplot(2,1,2)
plot(u)
hold on
plot(u1,'m')
grid on
ylabel('u(k)')
xlabel('k');

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]杨雨彬,任天宇,邓宏敬,蔡子龙,杨子墨.基于优化粒子群神经PID的双变量解耦控制[J].科技资讯,2023,21(03):1-5.DOI:10.16661/j.cnki.1672-3791.2206-5042-5807.

[2]李欢欢,刘辉,盖江涛,李训明.基于粒子群优化算法PID参数优化的双电机耦合驱动履带车辆转向控制研究[J/OL].兵工学报:1-8[2023-04-22].

[3]李春亚,杨辰飞.基于粒子群算法和PID相结合的船舶电喷柴油机自动控制[J].舰船科学技术,2023,45(01):147-150.

🌈4 Matlab代码实现