基于模糊控制的农产品冷冻库网络控制系统研究

介绍了农产品冷冻库网络控制系统的结构及其特点,设计了基于模糊自适应整定的PID控制器,实现了对农产品冷冻库网络控制系统的控制。基于TrueTime仿真工具箱的仿真实验表明:设计的农产品冷冻库网络控制系统具有响应速度快、稳定性强和抗干扰能力强等特点。

基于模糊神经网络PID的煤矿掘进机俯仰控制研究

目前煤矿掘进机俯仰控制主要采用PID控制方法,在掘进机俯仰控制时变性与液压系统非线性情况下的控制精度不高。掘进机俯仰控制通过控制液压缸行程实现,将传统PID算法与模糊控制、神经网络等相结合,可有效提高液压缸行程控制精度。提出了一种基于模糊神经网络PID的煤矿掘进机俯仰控制方法。通过分析掘进机支撑部运动学关系,得到俯仰角与支撑部液压缸的数学关系;介绍了掘进机俯仰控制液压系统工作原理,建立了液压系统及其传递函数模型;将模糊控制与神经网络相结合,形成模糊神经网络,利用模糊神经网络优化PID控制参数,再结合支撑机构数学模型和液压系统传递函数模型,建立掘进机俯仰角模糊神经网络PID控制模型,实现煤矿掘进机俯仰机构自动精确控制。该方法可使掘进机俯仰机构更加快速、准确到达预设位置,解决掘进机俯仰控制中的时变性与非线性难题。仿真结果表明:模糊神经网络PID控制算法相较于模糊PID和PID控制算法,跟踪误差分别降低了69.34%和74.49%。通过液压缸位移控制模拟煤矿掘进机在突变工况和跟随工况下的俯仰控制,结果表明:模糊神经网络PID控制算法相比模糊PID和PID控制算法,俯仰控制跟踪误差最小,对位置信号的平均响应时间分别缩短了27.22%和50.33%,动态控制性能更好。

采用改进BP-PID控制的机器人避障仿真研究

针对移动机器人避障过程中行驶路径长、寻路速度慢等问题,提出了一种改进反向传播-比例-积分-微分(BP-PID)控制器,并对移动机器人避障效果进行仿真验证。利用移动机器人在二维坐标系的避障简图,得出了移动机器人运动方程式。引用比例-积分-微分(PID)控制器和3层BP神经网络结构,利用BP神经网络的学习能力调整PID控制器参数。引用粒子群算法进行改进,通过改进粒子群算法在线优化BP-PID控制器,确保移动机器人BP-PID控制器收敛于全局最优值,从而使移动机器人避障效果更好。在不同环境中,采用Matlab软件对移动机器人避障效果进行仿真,比较改进前和改进后的移动机器人避障效果。结果显示:在不同环境中,改进前和改进后的BP-PID控制器均能使移动机器人安全地躲避障碍物;但是采用改进的粒子群算法优化BP-PID控制器,可以使移动机器人运动路径更短,迭代次数更少,搜索时间更短。采用改进BP-PID控制器,能够提高移动机器人避障过程中寻路速度,缩短行驶路径,效果更好。

一种饲料粉碎机自动化加工控制技术研究

针对传统锤片式饲料粉碎机存在粉碎能耗高和粉碎效果差,导致饲料生成率低的问题,提出一种基于神经网络的自适应PID粉碎机控制方法NN-PID。首先,确定神经网络结构和粉碎机相关参数;然后将神经网络算法输入至S函数中,通过MATLAB-Simulink图形化编程模块构建一个饲料粉碎机粉碎系统PID控制模型;最后通过仿真软件对构建的控制模型进行仿真验证。实验结果表明,在输入为R=1的阶跃信号时,通过该模型进行控制后,饲料粉碎机控制系统上升时间取值为0.662 s、峰值时间为0.987 s,最大超调量为0.044%,调整时间为1.447 s。相较于传统的T-PID模型和F-PID模型,该模型的控制准确性更高,稳定性和鲁棒性更强,在四个性能评价指标中的性能更为优越。由此说明,该模型可降低锤片式饲料粉碎机的粉碎能耗,提升粉碎效果和生产率,满足饲料粉碎机控制系统的自动化控制需求。

半导体晶圆键合加压精确控制方法

晶圆键合质量受键合压力控制精度显著影响。对于本身有一定翘曲度的晶圆,容易在键合过程中产生非预期位移,造成键合工艺偏差,甚至碎片。因此,提出了一种基于模糊PID(比例-积分-微分)和RBF(Radial Basis Function)径向基函数神经网络算法的半导体晶圆键合压力控制方法。由于加入了模糊PID和深度学习算法控制,使得键合工艺过程响应更迅速,控制更精准,且安全性更高。采用铝样片进行加压试验,结果表明RBF神经网络模糊PID控制算法能够满足压力精度为±1%的控制需求。

基于RBF神经网络的汽车内饰皮革智能切割系统设计

随着汽车用皮革的迅速发展,开发一套满足汽车内饰皮革生产需求的智能切割系统具有重要意义。本文简述了汽车内饰皮革切割系统的发展,构建了基于径向基函数(Radial Basis Function,RBF)神经网络的汽车内饰皮革智能切割系统,介绍了系统主要硬件配置选型和软件的设计,提出了基于RBF神经网络PID(Proportional Integral Derivative,比例-积分-微分)控制算法;通过搭建试验平台,测试汽车内饰皮革智能切割系统的可行性、切割精度与效率。结果表明,该系统能够较好地满足汽车内饰皮革切割方面的需求。

基于BP神经网络的集中供热二次网回水温度预测控制研究

针对集中供热系统二次管网存在的水力失调问题,设计了二次网水力平衡调节及回水温度预测模型,并实施智能控制策略,以实现二次网回水温度的精准控制。首先,构建BP神经网络预测模型,将此模型的输出视为二次网回水温度给定值;其次,在整个系统控制中,实施BP神经网络与PID控制器相结合的策略,进行二次网回水温度的控制。以高邑县某小区换热站数据为基础,通过阶跃响应曲线法建立二次网回水温度控制系统的数学模型,并通过BP-PID控制进行仿真实验。实验结果表明,与传统PID控制器相比,BP-PID控制器具有调节时间短、超调量小的优点,能够快速达到平稳状态。

基于改进机器学习的图书馆机器人自主避障控制研究

为控制图书馆机器人在行进过程中自动躲避障碍,达到理想工作效果,提出基于改进机器学习的图书馆机器人自主避障控制方法;采集图书馆机器人与目标障碍物距离信息,感知环境特征向量,当成卷积神经网络输入,经卷积、池化等操作,输出图书馆机器人对当前环境感知结果,该结果经输入输出变量模糊化、模糊推理以及输出变量解模糊等操作后,实现图书馆机器人自主避障无冲突运行;实验结果表明:该方法自主避障控制效果较好,避障行驶距离短,高速运行时反应更快,能够避开多个障碍物,识别分类结果与实际感知环境类型一致。

基于反向传播神经网络PID的高功率微波炉温度控制

针对现有10 kW高功率工业微波炉,采用继电器作为控制执行器,在使用传统控制方法加热时,温度存在较大超调和明显振荡,系统温度稳定性较低,为解决上述问题将反向传播神经网络PID(BPNNPID)控制引入到该装置微波加热温度控制中,并以自来水为加热对象进行仿真对比与实验验证。首先,利用现有输入输出实验数据,建立工业微波炉温度控制模型;其次,运用MATLAB/SIMULINK搭建高功率工业微波炉温度控制系统并进行仿真对比实验;最后,实验验证BPNNPID控制方法在加热5 kg自来水时工业微波炉的温度控制性能,实验结果表明,较常规PID、模糊PID控制,该方法在微波加热过程中对媒质温度控制超调更小且未发生明显温度振荡,有效改善了高功率工业微波炉工作时的系统温度稳定性,有助于提高产品质量和安全性能。

基于PSO改进BP算法的直流电子负载PID控制仿真

针对电子负载控制灵敏度低、稳定性差等问题,提出基于PSO-BP-PID的直流电子负载控制方法。分析电子负载基本结构,构建数学模型,分析电子负载在不同工作模式下的电流变化规律;建立三层BP网络模型,分别描述每层结构的输入与输出内容;为提高BP网络的学习能力,减少控制误差,将PSO算法作为学习算法,确定粒子群规模、惯性权重等重要参数,获得所有粒子适应度值,不断更新个体的位置与速度,当满足收敛条件时,输出最优解,实现控制参数的自适应调整;根据算法特征,设计控制器整体结构,利用该控制器即可实现直流电子负载控制。仿真结果表明,所提方法的控制误差小,响应速度快,且控制过程中能够有效抑制谐波。

低附着路况条件下车辆横向稳定性控制

针对在冰雪环境下车辆横向稳定控制,为解决在低附着、分布不均的路面情况下车辆对参考轨迹的稳定跟踪问题,设计了基于神经网络调节的模糊PID(Proportional-Integral-Differential)制器,以及基于线性化车辆模型的模型预测控制(MPC:Model Predictive Controll)。以路面附着系数及车辆速度作为输入构建BP(Back-Propagation)神经网络,输出调节系数优化模糊PID控制器控制性能;设计了十自由度模型表征车辆在冰雪环境下的动力学特性,使用MPC实现车辆横向稳定控制。使用CarSim/Simulink进行联合仿真实验,结果表明该控制器能显著提高车辆轨迹跟踪性能。

足式机器人腿部关节改进单神经网络PID控制算法研究

为了满足液压足式机器人在复杂环境中实现精确、快速的腿部关节控制需求,把单神经网络PID能够实时调节参数的优点运用到足式机器人液压机械腿关节的控制中,在单神经网络PID的基础上增加机械腿关节的位置和速度控制算法,形成改进单神经网络PID,实现了对神经元比例参数自调整、PID参数的自整定,能够较好地适应内、外参数的变化,增强了腿部关节的快速性、精确性。在Simulink中进行建模仿真以及在设计的以STM32为中央处理芯片的控制平台上进行实验测试,结果表明:改进单神经网络PID在足式液压机器人的腿部关节控制中具有响应速度快、超调量小、控制精度高、鲁棒性强等优点。

基于模糊BP神经网络的智能轮椅BLDCM控制

现阶段多数轮椅电机仍使用传统PID控制,该控制方式存在控制精准度较低、超调量较大以及抗扰动能力差等问题。为解决以上问题,通过对无刷直流电机进行研究,在分析了其控制方法后,提出一种基于模糊BP神经网络的BLDCM控制方法。首先,研究了BLDCM结构并搭建数学模型。其次,在模型基础上构建了模糊BP神经网络PID控制器。最后,在Matlab/Simulink中搭建整个电机控制系统进行三种不同工况下的运动控制仿真,并与传统PID控制算法进行对比。实验结果表明:模糊BP神经网络PID控制策略能获得更好的PID控制参数,具有良好的抗扰动能力,有效的改善了整个轮椅控制系统的动态性能。

基于BP神经网络的Smith-Fuzzy-PID算法在阀门定位中的应用研究

为解决气动调节阀控制过程中出现的超调大、精度低等问题,本文采用BP神经网络整定出较优的PID(Proportional Integral Derivative)控制参数,对Smith预估控制器以及模糊控制器进行设计,实现了基于BP神经网络的Smith-Fuzzy-PID控制方法。搭建了实验平台,通过阶跃响应实验来对控制方法进行验证,验证结果表明,提出的方法调节过程无超调,调节时间仅为1.9 s,定位精度在±0.5%以内,有效提高了系统的稳定性,实现了气动调节阀的快速精准定位。

基于模糊神经网络的氢液化氦气压力PID控制

为了解决氢液化装置氦气压力调节系统超调量大、响应速度慢、调节时间长、控制参数无法在线整定等问题,针对系统具有非线性和时变性的特点,设计了基于模糊神经网络的PID控制器以及基于双曲正切函数的改进型激活函数。仿真结果表明:相比传统PID控制或模糊PID控制,采用模糊神经网络PID控制的系统动态性能显著改善,使得氢液化装置的氦气压力调节更加稳定可靠。

玉米免耕播种自动调偏系统设计与试验

为适应新疆滴灌区宽窄行免耕种植模式,解决传统大型玉米免耕播种机播种过程中触碰根茬、无法精确约束路径、玉米粒距合格率低等问题,结合免耕播种农艺要求,在采用导航定位技术获取播种机当前位置与目标路径间偏差的基础上,设计一种玉米免耕播种自动调偏系统。该系统主要包括避茬装置、液压执行系统和控制系统,通过建立整机力学模型,对避茬装置和液压执行系统进行运动和受力分析,确定避茬装置和液压执行系统关键结构参数,获取避茬装置最佳挂接长度和液压执行系统最大驱动力。进一步优化控制系统,实现避茬装置自动调偏及接收反馈信息功能。对免耕播种避茬装置自动调偏系统进行性能试验,试验结果表明,神经网络PID的期望调偏角最大稳态误差为0.932°,超调量全部小于1%,平均响应稳态误差小于0.9°,满足预期。田间试验结果表明,当拖拉机作业速度不大于1.0 m/s、行间秸秆覆盖量不大于1.0 kg/m^(2)时,避茬率不小于85%,纵向调整距离不大于8.6 m,玉米粒距变异系数不大于21.63%。此时播种机调偏避茬效果最佳,满足玉米免耕播种机农艺指标要求。

基于神经网络-PID控制的水面无人艇控制系统设计

为了提高在存在外界干扰和障碍物的环境下水面无人艇(unmannedsurfacevehicle,USV)控制系统的准确性和鲁棒性,提出了神经网络-PID控制算法。首先,使用人工势场法规划路径,得到一条从起点到终点的可行路径;然后,利用神经网络的自学习能力修正控制参数,实现控制参数的实时在线调节,精确调控USV沿着规划好的路径行进。在不同环境下进行仿真测试,仿真结果表明,与常规PID控制算法和模糊PID控制算法相比,所提算法降低了超调量和稳态误差,提高了控制系统的实时响应速度与USV的定位和航行精度。所提算法的抗干扰能力和控制精度优于与常规PID控制算法和模糊PID控制算法。

干涉式闭环光纤陀螺仪的PSO-PID控制优化方法

控制系统的设计会对响应速度快且应用范围较广的数字干涉式闭环光纤陀螺(ICFOG)动态性能产生影响。通过分析ICFOG的工作原理,推导出闭环离散控制系统,并利用粒子群优化算法(Particle Swarm Optimization,PSO)对传统的PID控制器参数进行优化。基于这个优化过程,设计一种新型的PSO-PID复合控制器,以取代传统的PID控制器。通过与其他BP神经网络、模糊控制等方法进行对比凸显该控制方法的优越。通过数字仿真分析显示,跟踪速度相较于BP-PID控制方法提高了1.91倍,相对于PID控制方法提高了3.5倍,相对于F-PID控制方法提高了1.75倍。同时,控制精度相对于BP-PID控制方法提高了46.03%,相对于PID控制方法提高了66.30%,相对于F-PID控制方法提高了45.27%。结果显示,采用PSO-PID控制器能够快速达到控制目标且具有较小的超调量。

基于PSO-BP神经网络的分拣机器人视觉反馈跟踪

针对分拣机器人视觉反馈跟踪精度差、耗时较长的问题,研究基于粒子群算法-反向传播(particle swarm optimization-back propagation,PSO-BP)神经网络的分拣机器人视觉反馈跟踪方法,以提升视觉反馈跟踪效果。依据分拣机器人的视觉反馈信息,建立分拣机器人运动学模型,并求解分拣机器人机械臂输出位置和输入位置的误差函数;利用PSO算法优化BP神经网络的权值与偏置;在权值与偏置优化后的BP神经网络内,输入误差函数,预测分拣机器人视觉反馈跟踪控制量;利用预测视觉反馈跟踪控制量,在线调整增量式比例-积分-微分(proportional-integral-derivative,PID)的参数,输出高精度的分拣机器人视觉反馈跟踪控制量,实现分拣机器人视觉反馈跟踪。实验结果表明,该方法可有效视觉反馈跟踪分拣机器人机械臂的关节角;存在干扰情况下,在运行时间为10 s左右时,阶跃响应趋于稳定;有干扰情况下,视觉反馈跟踪的平均误差为0.09 cm,耗时平均值为0.10 ms;无干扰情况下,平均误差为0.03 cm,耗时平均值为0.04 ms。

永磁同步电机BP神经网络 智能PID滑模观测矢量控制算法

针对永磁同步电机(PMSM)转速超调量大、转子位置检测精度低等问题,提出一种BP神经网络智能PID滑模观测器控制策略,将BP神经网络与传统PID控制相结合,利用BP神经网络实现对PID增益的在线调节,实现对永磁同步电机启动、突加负载干扰时稳定控制。采用无位置传感器控制,在永磁同步电机数学模型α-β坐标系中建立了滑模观测器结构,并且在Matlab/Simulink仿真系统中建立了仿真模型进行了仿真分析;从PID参数、电机转速等方面对BP神经网络智能PID控制的有效性进行了评估和仿真验证。通过仿真分析,采用滑模观测器检测转子实际位置与预期位置之间的误差小于7%,在0.3 s之后转子实际位置与预期位置完全重合。采用BP神经网络智能PID控制的永磁同步电机在启动时转速超调量减少了10.6%,在突加负载干扰时减少了1.4%。相比起传统PI控制,提出的BP神经网络智能PID控制能够有效提高PMSM的自适应性及抗干扰能力,并且显著减少了电机在启动及突加负载时超调量。