登高车出租， 清远登高车出租，英德登高车出租    压电式比例压力阀复合控制方法？  本文使用了三层 BP 神经网络来对 PID 参数进行自适应调整，具体结构为4-5-3。同时，为了使 BP 神经网络的初始权值为最好的效果以对 PID 参数快速调节，使用粒子群算法进行优化。为验证 PSO-BP 神经网络自适应 PID 算法对系统的有效性，使用测量的压电式比例阀的驱动电压和输出气压值数据集进行了阶跃响应的仿真实验。在实验中，比较了 B-W 前馈模型加上 PSO-BP 神经网络自适应 PID、传统 PID 控制以及 B-W 前馈模型加传统 PID 这三种控制方式的性能，并进行了对比分析。实验在 PSO 优化 BP 神经网络时，设置粒子种群规模为 20，最大迭代次数为 100，速度更新参数取为：惯性权重 =0.9，迭代过程中目标适应度函数值收敛曲线看大概在迭代次数为 20 时，算法呈收敛状态。

     复合控制方案中 PSO-BP 神经网络的输出为 PID 的三个控制参数，在阶跃响应仿真实验中可以看出，在时间为 0.2s 时，参数调整停止，这时系统会趋于稳定，当系统达到稳定时，可得 =9.9， =9.4。B-W 前馈模型加上 PSO-BP 神经网络自适应 PID、传统PID 控制以及 B-W 前馈模型加传统 PID 这三种控制方式的阶跃响应曲线可以看出，采用传统 PID 控制算法，压电式比例压力阀的输出气体压力的调节时间为 0.69s，超调量为 23%，稳态值为 1.001，稳态误差为 0.001。采用 B-W 作为前馈结合传统 PID 的复合控制中，压力阀的输出气体压力的调节时间为0.38s，超调量为 16%，稳态值为 1，稳态误差为 0。采用 B-W 作为前馈结合PSO-BP 自适应 PID 的复合控制中，调节时间为 0.2s，超调量为 9.7%，稳态值为 0，稳态误差为 0。清晰的展示了上述三种方法的控制性能。可以看出，与传统PID 相比，加入 B-W 前馈后的复合控制算法能够有效减小调节时间，而采用 B-W 前馈结合自适应 PID 的控制方法比前两者的调节时间及超调量更小，并且稳态时误差为０，对输出气体压力的控制精度最高。因此，B-W 前馈结合 PSO－BP 自适应 PID 的复合控制方法能够对输出气体压力进行精确控制。

   登高车出租， 清远登高车出租，英德登高车出租   http://www.shundeyuntichechuzu.com/

    通过使用 PSO-BP 神经网络自适应 PID 算法，成功地实现了对 PID 参数的自适应调整。与传统 PID 控制相比，PSO-BP 自适应 PID 算法具有更好的适应性和控制性能。实验表明，B-W 前馈模型加上 PSO-BP 神经网络自适应 PID 的响应速度更快，超调量更小，且稳定性更高。因此，PSO-BP 自适应 PID 算法是一种有效的控制方法，可以用于工业控制领域的实际应用。

     介绍了压电式比例压力阀复合控制方法的设计，即采用上章的 B-W 模型作为前馈补偿部分，结合由 PSO－BP 神经网络自适应 PID 的闭环控制，两者结合的复合控制方案，为验证该控制算法的控制性能，在 matlab 上进行了阶跃响应实验，并对比分析了传统 PID、前馈结合传统 PID、B-W 前馈结合 PSO-BP 自适应 PID 这三种算法的控制性能，得出本文设计的第三种复合控制方法相比前两者有更低的超调量、更小的调节时间，能精确控制输出气体压力。

      登高车出租， 清远登高车出租，英德登高车出租