粒子群算法PID参数的半主动悬架控制软件版本：matlab 粒子群算法PID参数的半主动悬架控制 软件版本：matlab2018a

粒子群算法PID参数的半主动悬架控制软件版本matlab粒子群算法PID参数的半主动悬架控制软件版本matlab2018a资料包括1/4半主动悬架Simulink模型状态空间方程表示作为对比的被动悬架Simulin模型粒子群算法主程序及适应度函数路面模型系统逻辑分析根据图中的模块连接系统的控制流程如下输入端设定值Setpoint图中左上角的常数模块值为 1。反馈信号来自系统输出。控制器PID包含比例P、积分I、微分D三个环节。图中可以看到三个增益模块Gain分别对应 K_p、K_i、K_d。这三个信号通过加法器Sum合并成控制量 u。执行机构与延时控制量经过一个饱和模块Saturation限制输出范围。经过一个传输延时模块Transport Delay。被控对象Plant图中右侧的传递函数模块形式为 frac{As B}{Cs^2 Ds E}二阶系统。输出与显示系统输出被反馈回输入端同时连接到示波器Scope进行观测。Python 仿真代码这段代码构建了一个闭环控制系统对应图中的各个模块。import numpy as npimport matplotlib.pyplot as pltimport control as ctrl定义被控对象 (Plant)对应图中右侧的传递函数模块: (As B) / (Cs^2 Ds E)假设参数 (根据图中模糊的数字推测):分子: [A, B] - [1, 0.5] (示例值)分母: [C, D, E] - [1, 2, 1] (示例二阶系统)numerator [1, 0.5]denominator [1, 2, 1]plant ctrl.tf(numerator, denominator)定义 PID 控制器对应图中左侧的三个 Gain 模块和 Sum 模块Kp 1.0 # 比例增益Ki 0.5 # 积分增益Kd 0.1 # 微分增益构建 PID 传递函数: Kp Ki/s Kd*spid_controller Kp Ki * ctrl.tf([1], [1, 0]) Kd * ctrl.tf([1, 0], [1])构建闭环系统对应图中的反馈回路注意实际仿真中需要考虑 Saturation (饱和) 和 Delay (延时)这里为了简化演示先构建线性闭环系统closed_loop_sys ctrl.feedback(pid_controller * plant, 1)仿真运行对应图中的仿真时间设置 (0 到 50秒)T np.linspace(0, 50, 1000)t, y ctrl.step_response(closed_loop_sys, T)绘图 (对应图中的 Scope)plt.figure(figsize(10, 6))plt.plot(t, y, label‘System Output’, color‘blue’, linewidth2)plt.title(‘PID Control System Simulation’, fontsize14)plt.xlabel(‘Time (s)’, fontsize12)plt.ylabel(‘Amplitude’, fontsize12)plt.grid(True, linestyle‘–’, alpha0.7)plt.legend()plt.ylim(0, 1.5) # 限制Y轴范围模拟示波器视窗plt.show()代码关键点说明传递函数Transfer Function代码中的 ctrl.tf 对应图中的传递函数模块你需要根据图中具体的数字如果看得清替换 numerator 和 denominator 的系数。PID 参数代码中的 Kp、Ki、Kd 对应图中的三个增益模块你可以调整这些数值来观察系统响应如超调量、调节时间的变化。反馈回路ctrl.feedback 函数自动处理了图中的负反馈连接将输出信号反馈回输入端与设定值比较。代码逻辑分析数据模拟蓝色曲线模拟了一个阻尼较小的系统振荡幅度较大收敛较慢。黄色曲线模拟了一个阻尼较大的系统或优化后的控制策略振荡幅度较小收敛较快。使用了衰减的正弦波A e^{-zeta omega t} sin(omega t)来模拟这种物理震动特性。绘图样式背景设为黑色网格为灰色符合 Simulink Scope 的经典配色。添加了中文标签“车身垂向加速度”。Python 绘图代码import numpy as npimport matplotlib.pyplot as plt设置中文字体plt.rcParams[‘font.sans-serif’] [‘SimHei’]plt.rcParams[‘axes.unicode_minus’] False生成模拟数据t np.linspace(0, 20, 2000) # 仿真时间 0-20s模拟蓝色曲线欠阻尼震动幅度大公式幅度 * 衰减因子 * 正弦波y_blue 0.008 * np.exp(-0.15 * t) * np.sin(2 * t 0.5) 0.004 * np.exp(-0.1 * t) * np.sin(3.5 * t)模拟黄色曲线阻尼较大或控制效果好幅度小y_yellow 0.005 * np.exp(-0.2 * t) * np.sin(2 * t 0.4) 0.002 * np.exp(-0.15 * t) * np.sin(3.6 * t)添加一些随机噪声以模拟真实信号noise_blue np.random.normal(0, 0.0005, t.shape)noise_yellow np.random.normal(0, 0.0003, t.shape)y_blue noise_bluey_yellow noise_yellow绘图设置 (复现 Simulink Scope 风格)fig, ax plt.subplots(figsize(12, 6))设置黑色背景ax.set_facecolor(‘black’)fig.patch.set_facecolor(‘black’)绘制曲线ax.plot(t, y_blue, color‘#00BFFF’, linewidth1.5, label‘Case 1 (Uncontrolled)’) # 深天蓝ax.plot(t, y_yellow, color‘#FFD700’, linewidth1.5, label‘Case 2 (Controlled)’) # 金黄色设置网格ax.grid(True, which‘both’, linestyle‘–’, linewidth0.5, color‘gray’, alpha0.6)设置坐标轴颜色ax.tick_params(axis‘x’, colors‘white’)ax.tick_params(axis‘y’, colors‘white’)for spine in ax.spines.values():spine.set_edgecolor(‘white’)添加图中文本plt.text(12, 0.006, ‘车身垂向加速度’, color‘white’, fontsize12)显示图例ax.legend(loc‘upper right’, facecolor‘black’, edgecolor‘white’, labelcolor‘white’)plt.title(“Simulink Scope Simulation Result”, color‘white’)plt.xlabel(“Time (s)”, color‘white’)plt.ylabel(“Acceleration (m/s^2)”, color‘white’)plt.tight_layout()plt.show()结果说明蓝色线波动剧烈代表较差的减震效果。黄色线波动平缓代表较好的减震效果。文字右上角标注了“车身垂向加速度”。