基于测功机平台的发动机转速PID控制器的智能优化研究

摘要

发动机是动力设备的心脏,而发动机转速控制器的性能好坏会直接影响到发动机能否正常稳定运行,因此对发动机转速控制器的研究对于动力设备乃至工业生产而言很有必要和实际意义。通过对国内外发动机转速控制器的发展状况研究发现,随着自动控制理论和计算机水平的发展,智能算法越来越多地应用到发动机转速控制中,发动机转速控制器呈现出智能化的发展趋势。
　　本文首先根据目前业内大多利用发动机综合测控平台对发动机的性能参数进行测控的现状,结合实际项目背景,采用发动机—测功机系统作为研究发动机转速控制的硬件平台,并在此基础上完成对发动机转速控制系统进行控制方式分析及转速PID控制器的软硬件设计和完善。接着,针对在该平台上发动机和测功机之间存在的转速和扭矩的双输入双输出耦合问题,利用神经网络强大的非线性处理能力、自适应和自学习能力构造了一种基于PID神经元的神经网络PID控制器来对双变量进行解耦。通过实验验证,其解耦效果令人满意,但同时也发现该控制器的控制性能还不够理想,需要进一步优化改进。其次,本文提出一种基于粒子群寻优的克隆选择算法(简称为PCSA算法)来对构造的神经网络PID控制器进行优化。通过综合考虑粒子群算法和克隆选择算法的优缺点,利用粒子群算法的全局寻优公式来指导克隆变异抗体通过更新自身速度和位置来加速寻找全局最优解,从而提高算法的收敛速度和寻优能力,经过算例验证,改进后的算法寻优效果令人满意。最后,本文利用PCSA算法对发动机转速神经网络PID控制器进行优化,经过优化得到了神经网络的一组最优权值和PID控制器三个参数的最优值,通过仿真实验对比验证,实验结果表明该算法寻优能力好,经过优化后的发动机转速PID控制器的控制性能出色,取得了令人满意的效果,表明了该算法的有效性。本文解决了在发动机—测功机平台上对发动机转速PID控制器进行优化的问题,实验结果表明对发动机转速PID控制器进行优化采取的一系列方法是成功、有效且有价值的,达到了预期的目的。

目录

摘要

Abstract

目录

1 绪论

1.1 发动机转速控制历史追溯

1.2 国内外发动机转速控制器的发展概况

1.3 PID控制器基本知识

1.4 智能优化算法在发动机转速控制中的应用现状简介

1.5 本课题的研究对象

1.6 本文主要研究内容

1.7 章节内容安排

2 基于测功机平台的发动机转速控制系统研究

2.1 发动机转速控制的意义

2.2 发动机—测功机系统平台

2.2.1 测功机结构和原理

2.2.2 发动机转速和扭矩的测量

2.3 发动机—测功机系统控制方式分析

2.4 PID控制器的软硬件设计

2.4.1 PID控制器软件设计

2.4.2 PID控制器硬件设计

2.5 发动机转速控制系统模型

2.5.1 发动机数学模型

2.5.2 执行器数学模型

2.6 本章小结

3 系统双变量神经网络PID解耦控制

3.1 解耦控制的发展

3.2 发动机-测功机平台双变量耦合分析

3.2.1 耦合的基本概念

3.2.2 双变量耦合的数学分析

3.2.3 双变量耦合程度验证

3.3 双变量神经网络PID解耦控制器设计

3.3.1 解耦控制设计的一般实现方式

3.3.2 神经网络基本知识

3.3.3 双变量神经网络PID控制器结构

3.3.4 仿真实验结果分析

3.4 本章小结

4 基于粒子群寻优的克隆选择算法

4.1 引言

4.2 克隆选择算法

4.2.1 克隆选择原理

4.2.2 克隆选择算法

4.3 粒子群算法

4.3.1 算法基本思想

4.3.2 粒子群算法参数设置

4.3.3 惯性权重因子的引入

4.4 PCSA算法介绍

4.4.1 PCSA的基本思想

4.4.2 PCSA算法描述

4.4.3 参数设置分析

4.4.4 实验仿真分析

4.5 本章小结

5 PCSA算法在发动机转速神经PID控制器优化中的应用

5.1 引言

5.2 控制系统结构框图

5.3 PCSA优化发动机转速神经PID控制器的实现

5.3.1 PID控制器优化性能的评价函数

5.3.2 变量编码

5.3.3 适应度函数

5.3.4 算法流程

5.4 仿真实验及结果分析

5.4.1 参照对象选取与参数确定

5.4.2 实验及其结果分析

5.5 硬件在环仿真验证

5.5.1 实验平台搭建

5.5.2 实验及结果分析

5.6 本章小结

6 总结与展望

6.1 工作总结

6.1.1 神经网络用于多变量解耦

6.1.2 基于粒子群算法的克隆选择算法改进

6.1.3 发动机转速PID控制器的优化

6.2 研究展望

致谢

参考文献

附录