周 洲，陈宇轩，程 鑫

（长安大学信息工程学院，陕西 西安 710064）

1 引言

汽车底盘测功机是一种检测汽车动力性、输出功率和尾气排放等性能的机械设备，它通过PID 控制影响飞轮惯性的转动惯量，以此对汽车驾驶时的转动惯量进行仿真，从而对汽车的运行状况进行动态检测[1-2]。PID 算法的系数整定是一个复杂的问题，而当其应用于汽车底盘测功机这种复杂的时变非线性、具有强惯性的大型设备时，系数的整定会更加困难[3-4]。

文献[5]在PID 算法参数整定过程中结合模糊推理机制，首先根据输入误差确定模糊论域与隶属度函数，接着采用Mamdani算法作为模糊推理的方法，最后确定出一个符合当前情况的模糊矩阵表，根据该表整定对应的PID 参数。这种方法的特点是能够对PID 算法参数进行实时矫正，提高精确度。但由于需要预先通过一系列流程建立模糊矩阵表，且该表不具备普遍性，因此费时费力，不适用于需要经常改变条件的实际应用中。文献[6]利用神经网络具有自主学习的功能，且善于处理多输入、非线性对象的特点，成功将BP 神经网络与增量式PID 算法相结合，并引入相应的工业运用当中。通过实验证明了BP 神经网络与PID 算法的结合使控制响应速度变快，是实现提高PID 算法效果的有效方法。文献[7]进一步将PID 算法中的神经网络改为RBF 径向基神经网络，凭借径向基神经网络能够降低网络复杂度，减少输出层部分神经元与网络权值的数量，使得网络收敛速度变快、参数自整定能力变强。……