基于ELMAN神经网络PID控制的BLDCM调速系统设计

针对无刷直流电机时变性、非线性、耦合性等特性,设计改进Elman神经网络PID控制算法。改进算法融合分层递阶思想和小生境PSO算法思想,联合优化ELMAN神经网络结构及初始化参数,解决传统控制算法收敛速度慢、易早熟、需人工设置网络结构及初始参数等问题。引入自适应灾变因子提高寻优精度。仿真结果表明,使用改进算法优化PID控制器可使BLCDM调节时间和超调量大幅减小,响应速度加快,具备较好的动态性能和较强的鲁棒性。

基于ELMAN神经网络的PID控制器设计

提出了一种将PID控制与ELMAN神经网络自适应、自学习相结合,基于计算机的新型神经网络智能PID控制(NNPID)方法.采用PID控制器和NN控制器共同调节,给出了NNPID控制器的结构、算法及二阶对象下系统的仿真结果.

基于人工智能技术的电力巡检机器人自动化控制系统

电力巡检机器人在实际工作中,存在进行目标定位时存在较大误差,灵活性较低,同时轨迹控制误差较大的问题。由此提出结合Elman神经网络进行视觉误差的校正,并通过增量PID进行运动控制的巡检机器人自动控制系统。系统在进行误差测量之后,通过Elman神经网络进行校正,以保证视觉误差最小。同时将数据信息传入中央控制模块,通过增量PID进行运动控制。经过实验验证,该系统能够保证电力巡检机器人实际运行轨迹与设定轨迹吻合度更高,同时具有准确稳定的避障能力。

基于动态递归网络的PID自适应控制器的设计与应用

本文分析了改进的ELMAN网络的结构,并讨论了神经网络的学习算法,针对BP算法的缺陷,提出了用遗传算法修正网络权值的学习算法。本文不仅将采用遗传算法进行训练的改进ELMAN网络应用于汽车磷化加热系统的建模,而且针对该系统的特点提出了一种带预测模型的神经网络PID自适应控制器,并最后将该控制器应用于磷化温度控制,取得了良好的控制效果。

基于动态递归网络PID自适应控制器设计

本文分析了改进的ELMAN网络的结构,并讨论了神经网络的学习算法,针对BP算法的缺陷,提出了用遗传算法修正网络权值的学习算法。本文不仅将采用遗传算法进行训练的改进ELMAN网络应用于电阻炉加热系统的建模,而且针对该系统的特点提出了一种带预测模型的神经网络PID自适应控制器,并最后将该控制器应用于电阻炉温度控制,取得了良好的控制效果。

微纳卫星姿态控制系统的半实物仿真

针对脉冲等离子体推进器作为执行机构的微纳卫星姿态控制系统(attitude control system,ACS)仿真的需要,采用脉冲信号控制双旋翼实验平台对微纳卫星姿态控制系统进行半实物仿真。使用Elman神经网络PID的控制策略,在线调整PID参数,适应动态系统。通过半实物仿真平台的对比试验,验证了Elman神经网络PID控制系统自适应能力强、超调量小等优点,同时也验证了双旋翼实验平台对于脉冲等离子推进器半实物仿真的有效性。

改进果蝇优化算法的磁流变发动机悬置振动控制策略研究

为了提高磁流变发动机悬置隔振性能,提出了一种基于改进果蝇优化算法(IFOA)的PID半主动控制方法。首先,通过Elman神经网络建立了磁流变发动机悬置的正向、逆向模型,采集大量动态特性实验数据进行训练;然后,提出了一种基于云模型算法改进的果蝇优化算法,用于磁流变发动机悬置系统的PID控制器设计;最后,设计了磁流变悬置减振控制实验,检验所提出的基于IFOA的PID控制策略的有效性。实验结果显示:Elman神经网络逆模型的最低辨识精度为98.10%;低速工况下,IFOA-PID算法控制的发动机悬置系统的位移均方根值和加速度均方根值分别是0.112976 mm、0.145829 g·s^(-2);高速工况下,其位移均方根值和加速度均方根值分别是0.148038 mm、0.617804 g·s^(-2)。