为解决无人驾驶车辆轨迹跟踪精度和控制稳定性问题,提出了一种考虑前馈控制和动态调整速度比例、积分、微分(Proportional Integral Derivative,PID)控制器参数的方法。采用七次多项式进行变道轨迹规划,改进纵向位置和速度双PID控制器,...为解决无人驾驶车辆轨迹跟踪精度和控制稳定性问题,提出了一种考虑前馈控制和动态调整速度比例、积分、微分(Proportional Integral Derivative,PID)控制器参数的方法。采用七次多项式进行变道轨迹规划,改进纵向位置和速度双PID控制器,动态调整纵向位移误差,并采用模糊控制对PID控制器参数进行实时整定;同时,结合基于“前馈+反馈”的线性二次型调节器(Linear Quadratic Regulator,LQR)控制算法求解横向位移误差和车身横摆角速度误差,使跟踪误差收敛,最终通过电机模型将控制量转化为期望前轮转角,解决了模型失配导致的横向位移误差较大的问题。进行仿真验证,当车辆以60 km/h的速度在城市道路场景下变道行驶时,横向位移误差控制在0.015 m范围内,纵向位移误差控制在毫米级别,误差范围控制在[0.002,0.006]m,车身横摆角速度变化平稳且横摆角速度误差不超过0.83 rad/s。在此基础上,进一步完成了实车实验,仿真与实车实验结果均表明,所设计的控制器可以达到轨迹跟踪中对高精度的要求,能够保证无人驾驶车辆在变道工况平稳行驶。展开更多
为提升船用汽轮发电机组大幅变工况时的控制精度和鲁棒性,以船用汽轮机调节系统各部件的模块化数学模型为基础,建立汽轮机组数字电液(digital electric hydraulic,DEH)闭环模糊比例、积分、微分(proportion integration derivative,PID...为提升船用汽轮发电机组大幅变工况时的控制精度和鲁棒性,以船用汽轮机调节系统各部件的模块化数学模型为基础,建立汽轮机组数字电液(digital electric hydraulic,DEH)闭环模糊比例、积分、微分(proportion integration derivative,PID)控制模型;融合遗传算法的选择、交叉、变异和自适应递减权重法,提出遗传粒子群智能优化算法,并结合标准测试函数验证提出算法具有较高的收敛速度和精度;基于遗传粒子群智能优化算法建立汽轮机变工况自适应智能模糊PID控制模型,实现模糊PID的量化因子与比例因子最优化设计,进而开展船用汽轮发电机组大幅变工况动态特性及扰动因素影响分析,结果表明本文建立的自适应智能模糊PID控制模型具有更好的控制稳态性能与鲁棒性,为船用汽轮机组大幅度变工况智能控制优化设计提供了有力的技术支撑。展开更多
文摘为提升船用汽轮发电机组大幅变工况时的控制精度和鲁棒性,以船用汽轮机调节系统各部件的模块化数学模型为基础,建立汽轮机组数字电液(digital electric hydraulic,DEH)闭环模糊比例、积分、微分(proportion integration derivative,PID)控制模型;融合遗传算法的选择、交叉、变异和自适应递减权重法,提出遗传粒子群智能优化算法,并结合标准测试函数验证提出算法具有较高的收敛速度和精度;基于遗传粒子群智能优化算法建立汽轮机变工况自适应智能模糊PID控制模型,实现模糊PID的量化因子与比例因子最优化设计,进而开展船用汽轮发电机组大幅变工况动态特性及扰动因素影响分析,结果表明本文建立的自适应智能模糊PID控制模型具有更好的控制稳态性能与鲁棒性,为船用汽轮机组大幅度变工况智能控制优化设计提供了有力的技术支撑。
