神经元自适应PID算法SCL，VAR_INPUT SV:REAL;//设定值 PV:REAL;// 测量值 siteP:REAL:=0.4;//学习速率 P siteI:REAL:=0.35;//学习速率 I siteD:REAL:=0.4;//学习速率 D wkp_1:REAL:=0.1;//比例系数（加权系数随机值） wki_1:REAL:=0.1;//积分系数 wkd_1:REAL:=0.1;//微分系数 K:REAL:=0.12;//神经元的比例系数 LimitHigh:REAL:=100.0;//输出最大值 LimitLow:REAL:=0;//输出最小值 END_VAR VAR_OUTPUT u:REAL;//输出操作值 END_VAR VAR //定义中间变量 e_i:REAL;u_i:REAL;//e_k为基本偏差量 e_1:REAL;//e(k-1) e_2:REAL;//e(k-2) x_1:REAL;//神经元输入信号，初值设为0 x_2:REAL;//神经元输入信号 x_3:REAL;//神经元输入信号 u_1:REAL;// u_2:REAL;// u_3:REAL;// x:REAL; i:INT:=0;//integer i实际为整形 wkp_i:REAL;wki_i:REAL;wkd_i:REAL;//加权系数（第i次） wadd_i:REAL;//权值和 w11_i:REAL;w22_i:REAL;w33_i:REAL;//归一化各权值

改进的单神经元自适应PID控制算法在智能车速度控制系统中的研究与应用.pdf

本资源为参加西门子流程行业挑战赛的资料，包括scl的学习文档，scl源程序

模糊自适应PID单级旋转倒立摆稳定控制simulink

自20世纪70年代被提出以来，预测控制相对传统PID控制的很多优势令其在工业过程应用中产生了重要和广泛的影响。预测控制的方法有很多种，例如：动态矩阵控制(DMC)、扩展的预测自适应控制(EPSAC)、模型算法控制(MAC)、预测函数控制(PFC)、二次动态矩阵控制(QDMC)、序贯开环最优控制(S0L0)，以及广义预测控制(GPC)等，统称为"模型预测控制"(modelDredictive Control，MPC)。

传统PID在对象变化时，控制器的参数难以自动调整。将模糊控制与PID控制结合，利用模糊推理方法实现对PID参数的在线自整定。使控制器具有较好的自适应性。使用MATLAB对系统进行仿真，结果表明系统的动态性能得到了提高。

为获得更贴近实际情况的滑移率变化,在车辆动力学模型加入空气阻力和滚动阻力,应用Matlab2012b/Simulink环境内建立更加接近实际的车辆ABS动力学仿真模型.结合模糊控制与PID控制的优点设计出一种模糊自适应PID控制器.结果表明:模糊自适应PID控制策略来解决汽车ABS的控制优化问题可行,提高了系统的动态性能和安全性能;能适应不同路面的变化;控制过程平稳且可以达到很好的制动效果.

基于模糊自适应PID的智能车控制与仿真.pdf

基于模糊自适应PID的列车智能驾驶算法

首先，详细介绍了本论文的研究现状、研究意义以及智能车主动避撞技术的发展现 状，详细介绍了当前智能车辆路径规划和轨迹跟踪控制技术的相关方法以及各种方法的长处与不足。本文结合 PID 控制和模糊控制两种控制算法的优势，确定了用模糊自适应PID 轨迹跟踪控制器作为避撞模型的轨迹跟踪层，以克服单一的 PID 控制器参数不能在线调节的弊端。为避免出现极限情况下跟踪不好的问题，确定了 MPC 控制算法在轨迹跟踪层的应用。为解决智能车辆在动态环境下轨迹规划问题，论文选用了模型预测轨迹重规划算法作为轨迹规划层。 其次，以前轮转向的智能车为研究对象，建立了车辆坐标系，建立了二自由度的智 能车辆动力学方程。在研究轨迹跟踪问题的过程中，详细介绍了模糊 PID 轨迹跟踪控制器和 MPC 轨迹跟踪控制器的建立过程，并在 Matlab/Simulink 环境中分别对其跟踪效果进行仿真。结果显示在车速为 18km/h、36km/h 和 72km/h 时，对于不同的跟踪轨迹（直线和双移线），两者都有较理想的跟踪效果。然后，论文详细介绍了模型预测理论在动态环境中轨迹重规划的应用，并据此建立了智能车主动避撞模型的轨迹规划器。为满足实时性和鲁棒性的需要，论文轨迹规划层采用了计算量较少的点质量车辆模型。 最后，论文利用前面建立的模糊 PID 和 MPC 控制器分别作为轨迹跟踪层，利用模型预测动态轨迹规划器作为轨迹规划层，搭建了轨迹规划+轨迹跟踪的双层控制器作为智能车主动转向避撞模型。最后在 Matlab/Simulink 环境中分别对其避撞效果进行仿真，结果显示，当车速为 18km/h、36km/h 时，该模型有较好的避撞效果，并在避撞之后能够及时跟踪原来的轨迹行驶；但当车速为 72km/h 时，由于车速较高，障碍物信息过早的加入会导致智能车较早进行轨迹重规划并偏离原来轨迹，但整体上来说该避撞模型都实现了避撞的设计目标。论文选用的轨迹规划和跟踪算法都能满足智能车主动避撞技术的要求。