✨ 长期致力于增程式电动汽车、增程器、模拟退火粒子群、动态协调控制研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）发动机平均值模型与永磁同步电机联合动态建模：
在Matlab/Simulink中建立增程器系统的非线性动态模型，发动机部分采用平均值模型，进气歧管压力动态用一阶微分方程描述，燃油量通过喷射脉宽调节，转矩输出由基于速度与节气门开度的稳态映射表加上一阶惯性环节构成，惯性时间常数取0.05秒。永磁同步发电机采用d-q坐标系下的四阶状态方程，电流环PI参数经极点配置得到，电压解耦项加入前馈补偿。将发动机输出转矩与发电机电磁转矩通过刚性轴连接，中间加入扭转刚度系数500牛米每弧度。通过台架试验数据标定模型，稳态误差小于3%，动态响应误差小于7%。启动工况分析显示传统转速控制策略需0.62秒完成启动，而所建模型能够准确预测扭矩波动峰值达28牛米。
（2）基于模拟退火粒子群算法的PID参数优化：
以转速响应的时间乘绝对误差积分作为目标函数，设计模拟退火粒子群混合优化策略。粒子群种群规模设为30，粒子维度3对应PID三个参数，惯性权重从0.9线性递减至0.4，学习因子c1=c2=1.8。每代粒子更新后，以模拟退火概率接受次优解，初始温度设1000，退火系数0.95。在发动机转速从800转每分阶跃至3000转每分的工况下，优化后PID参数Kp=2.35，Ki=0.68，Kd=0.12，超调量从传统整定的18%降至3.4%，调节时间从0.42秒减至0.21秒。相比单纯粒子群算法，混合方法迭代收敛所需代数从45代降至23代。
（3）自适应模糊PID与多工作点切换协调策略：
针对增程器在不同发电功率点切换时PID参数无法自适应的问题，提出基于综合效率最优的自适应模糊PID。模糊控制器输入为转速误差和误差变化率，输出为PID三个修正系数。模糊论域归一化到-1到1之间，隶属函数采用三角形，共设计25条模糊规则。此外，在功率点切换时，采用速率限制器平滑发动机节气门变化率，限制为每秒50%开度，同时发电机转矩指令通过一阶低通滤波器，截止频率20赫兹。在WLTC工况下，将APU从15千瓦工作点切换到35千瓦点，自适应模糊PID控制使转速最大超调仅45转每分，而基础PID超调达210转每分，功率波动幅度从2.8千瓦降至0.5千瓦。硬件在环测试使用NI-PXI平台，控制器运行周期5毫秒，稳态工况燃油消耗率比无协调策略降低6.2克每千瓦时。
import numpy as np from scipy.optimize import minimize class SAPSO_Optimizer: def __init__(self, n_particles=30, max_iter=50): self.n_particles = n_particles self.max_iter = max_iter self.w_max = 0.9 self.w_min = 0.4 self.c1 = 1.8 self.c2 = 1.8 self.T0 = 1000.0 self.alpha = 0.95 def objective(self, pid, plant_sim_func): Kp, Ki, Kd = pid # 模拟ITAE指标 t = np.linspace(0, 1, 1000) error = plant_sim_func(Kp, Ki, Kd, t) itae = np.sum(t * np.abs(error)) * (t[1]-t[0]) return itae def optimize(self, plant_sim_func): pos = np.random.rand(self.n_particles, 3) * [5, 1, 0.5] vel = np.random.randn(self.n_particles, 3) * 0.1 pbest = pos.copy() pbest_val = np.array([self.objective(p, plant_sim_func) for p in pos]) gbest = pbest[np.argmin(pbest_val)] T = self.T0 for it in range(self.max_iter): w = self.w_max - (self.w_max-self.w_min)*(it/self.max_iter) r1, r2 = np.random.rand(2) vel = w*vel + self.c1*r1*(pbest-pos) + self.c2*r2*(gbest-pos) pos = pos + vel for i, p in enumerate(pos): new_val = self.objective(p, plant_sim_func) if new_val < pbest_val[i]: pbest[i] = p pbest_val[i] = new_val else: # 模拟退火接受次优 delta = new_val - pbest_val[i] if np.exp(-delta/T) > np.random.rand(): pbest[i] = p pbest_val[i] = new_val gbest = pbest[np.argmin(pbest_val)] T *= self.alpha return gbest class AdaptiveFuzzyPID: def __init__(self, Kp0=2.35, Ki0=0.68, Kd0=0.12): self.Kp0 = Kp0 self.Ki0 = Ki0 self.Kd0 = Kd0 self.error_prev = 0.0 self.integral = 0.0 def fuzzy_rule(self, e, ec): # 简化的模糊推理输出修正因子 e_norm = np.clip(e/500.0, -1, 1) ec_norm = np.clip(ec/2000.0, -1, 1) delta_Kp = 0.5 + 0.4 * abs(e_norm) + 0.2 * abs(ec_norm) delta_Ki = 0.2 + 0.6 * (1-abs(e_norm)) delta_Kd = 0.3 + 0.5 * abs(ec_norm) return delta_Kp, delta_Ki, delta_Kd def compute(self, target, actual, dt): error = target - actual deriv = (error - self.error_prev)/dt self.integral += error * dt e_norm = error ec_norm = deriv dKp, dKi, dKd = self.fuzzy_rule(e_norm, ec_norm) Kp = self.Kp0 * dKp Ki = self.Ki0 * dKi Kd = self.Kd0 * dKd u = Kp*error + Ki*self.integral + Kd*deriv self.error_prev = error return u
