基于PIDNN控制的飞行模拟器人感系统

针对飞行模拟器人感系统的高度非线性和易受干扰性,提出一种基于PIDNN(Proportional Integral Differential Neural Network)的控制方案.首先对飞行模拟器人感系统的模型进行分析研究,对它所受到的外界干扰作理论分析,整理出系统的数学模型,再利用PIDNN控制器优良的在线训练、学习和调整功能对该模型进行仿真控制.与传统PID(Propor-tional Integral Differential)控制器相比,PIDNN结构简单、自适应性强、收敛速度快、不会陷入局部极小.仿真结果表明:PIDNN控制系统响应速度快、稳态精度高、具有良好的动静态特性和鲁棒性,满足实时控制的要求.

基于GA-PIDNN的液压弯辊控制系统设计

针对液压弯辊控制系统的时变性、非线性和不确定性等特点,设计利用G A(遗传算法)优化的P I D神经网络(P I D N N)液压弯辊控制系统。P I D N N控制器不仅具有不依赖被控对象数学模型的优点,而且有很好的动态性能,结构简单易于设计。利用G A代替B P算法对P I D N N权值进行优化,克服了B P算法易陷于局部极小的不足。2种优化方法的仿真结果对比表明:G A-P I D N N控制器能够使液压弯辊力快速达到目标值,并且具有较强的抗干扰能力。

三级倒立摆的GA-PIDNN系统辨识

针对典型的不稳定、多变量、非线性、强耦合的三级倒立摆系统,建立了基于GA优化的PID神经网络(GA-PIDNN)辨识结构,完成了GA与BP两种算法的简单对比,并给出了MATLAB仿真结果.结果表明,GA-PIDNN对于非线性三级倒立摆的辨识是有效的,且GA优于BP算法.

基于PIDNN的污水处理系统参数辨识研究

对污水处理系统进行参数辨识,获取合理的模型,这是污水处理系统分析、预测和控制器设计的关键。为此,文中构建了污水处理系统的神经网络模型,赋予了神经元相应的比例、积分和微分功能。并在介绍PIDNN特征及算法的基础上,提出了一种基于PIDNN的参数辨识方法。最后对污水处理系统进行了仿真,仿真结果能够拟合污水处理系统各项指标,证明了该方法切实可行。

基于PIDNN的加热炉炉温控制系统的研究

针对加热炉温度温度分布不均、数学模型的不确定性,系统工作点变化剧烈特点,设计了一种将PID控制规律融进神经网络之中构成的新型智能控制系统-PID神经网络系统(PIDNN)。该系统具有推理速度快、抗干扰能力强等优点。

四旋翼飞行器自适应PIDNN控制研究

针对传统四旋翼PID控制器参数整定困难和控制效果较难达到最优的问题,综合了传统PID控制器工程意义明确、参数整定简单以及神经网络的非线性映射和自学习的优点,构造了四旋翼飞行器神经网络PID(PIDNN)控制器。利用神经网络的非线性映射特点和自学习能力优化了传统PID控制器的控制效果,借助PID控制器的结构,解决了神经网络层数、节点数和连接权重初值选取困难的问题。同时利用自适应调整比例神经元加权系数,增加了系统的响应速度。最后,通过非线性全数值仿真验证了算法的合理性和有效性。

基于粒子群算法下的PIDNN解耦控制

对于具有非线性、大迟滞、强耦合特点的多变量系统,在解耦控制中,研究人员很难找到理想方法解决控制中的问题。基于神经网络的PID控制,在强耦合的多输入多输出系统的比例、积分和微分参数在线自整定的神经网络PID解耦控制器的基础上,提出采用粒子群算法优化PIDNN初始权值的方法,仿真结果表明优化后的系统具有更好的动态和稳态性能。

基于改进粒子群算法的PIDNN控制器在VSC-HVDC中的应用

针对海上风电场并网柔性直流输电(voltage sourceconverter based high-voltage direct-current,VSC-HVDC)系统比例–积分–微分神经网络(PID neural network,PIDNN)控制器参数寻优过程中存在的问题,提出一种基于限制竞争小生境混沌变异的改进粒子群算法(improved niche chaoticparticle swarm optimization,INCPSO)。该算法中小生境技术引入限制竞争淘汰机制,使其具有良好的全局寻优能力(探索),配合改进的帐篷映射混沌变异算法,可获得局部精细遍历性能(发现)。在解决粒子群算法早熟收敛和搜索精度低等问题的同时,最大程度地平衡了粒子群算法在解空间内的探索和发现能力。给出了VSC-HVDC系统中PIDNN控制器参数寻优INCPSO算法步骤,并进行算例分析验证。仿真结果表明,该算法寻优效率和搜索精度高,鲁棒性好,INCPSO-PIDNN控制器可用于海上风电场柔性直流输电变流器。

粒子群与PIDNN控制器在VSC-HVDC中的应用

海上风电场并网柔性直流输电系统中,双闭环PI调节器常用来控制风场侧和电网侧变流器,该方法较为成熟,但存在采用的调节器过多、且参数整定困难等不足。文中以神经网络中间层至输出层的权值作为粒子群寻优参数,采用粒子群(particle swarm optimization,PSO)算法设计PID神经网络(PID neural network,PIDNN)控制器,并将该控制器用于控制海上风电场柔性直流输电变流器。根据PIDNN的结构特点,经过简单改进,即将输入层至中间层的权值设定为定值,这时粒子群只需优化中间层至输出层权值,能够明显减少粒子维数,并提高训练速度。用训练获得的PIDNN控制器代替传统PI调节器,建立变流器控制系统的传递函数,开展仿真研究。结果表明,基于合作粒子群算法的PIDNN控制器与传统PI调节器相比,系统的瞬态和稳态性能有明显提高;与传统PIDNN和PSO方法相比,训练次数明显减少,为实施在线训练奠定了基础,同时,也为海上风电场柔性直流输电变流器提供了一种可行的控制方案。

RBF和PIDNN在伺服电机模型中的应用比较

为了更好地发挥RBF和PIDNN神经网络的优势,通过对伺服电机模型辨识和控制问题的分析,对RBF和PIDNN网络的应用效果进行了仿真实验的对比研究。结果表明,RBF神经网络结构复杂,参数难以调整,但具有最佳一致逼近能力,辨识效果优于PIDNN;PIDNN结构简单,比例元、积分元和微分元具有类似PID的控制作用,控制效果优于RBF。

Stewart运动平台关节自适应PIDNN控制研究

针对Stewart平台中各关节PID控制自适应性较差,不能实时在线进行参数整定的缺点,结合BP神经网络良好的自学习、自适应性和可以任意精度逼近任意非线性系统的优点,提出PIDNN控制算法,实现运动平台控制器参数的实时在线自整定,提高运动控制系统的控制精度和自适应性。在MATLAB/Simulink中建立Stewart运动平台PIDNN控制系统的仿真模型,对比分析PIDNN和PID运动控制系统的控制效果。仿真结果显示,PIDNN控制算法能够实现PID参数的自适应调节,杆件变化误差大幅下降。表明提出的PIDNN控制算法能够实现参数的实时在线自整定,并且系统具有良好的自适应性和鲁棒性。

舰载稳定平台PIDNN控制系统设计与仿真

为消除舰船摇摆对速率稳定与目标跟踪精度造成的扰动,以PIC24F16KL401单片机作为舰载三轴稳定平台控制系统的控制核心,给出了舰载稳定平台控制系统设计方案.采用基于神经元网络的PID算法进行了系统控制,得到了舰载稳定平台PIDNN控制系统.仿真结果表明:该控制系统最大稳态误差小于0.001rad.在加入摩擦力矩干扰与载体扰动干扰后,系统误差在-0.05^+0.05rad范围内波动,跟踪精度较经典PID稳定,外界的干扰得以有效抑制,平台保持稳定.

基于PIDNN变结构理论的电动机整流稳压补偿控制

对电动机系统进行稳定控制,在制造业领域具有重要的应用价值。利用传统的方法进行电动机稳定控制的过程中,无法完全消除电动机系统干扰信号造成的干扰,导致电动机系统稳定性降低。为此,提出一种基于PIDNN变结构理论的电动机整流稳压补偿控制方法。构建基于PIDNN变结构理论的电动机系统控制器,该模型为三层前向型的形如2×3×1的结构;提取电动机系统运行电压的特征,作为神经网络模型三层前向神经元的PID变结构的加权系数,建立PIDNN神经网络模型得到电动机系统双向逆变的整流稳压补偿模型,实现了对电动机的稳定控制。仿真实验结果表明,利用改进算法进行电动机系统控制,能够提高电动机的稳定性,取得了令人满意的效果。

基于LabVIEW和PIDNN的汽车巡航控制系统设计

提出基于Lab VIEW和PIDNN(神经网络)控制方法,以PID神经网络控制为基础,以车速传感器采集的车速信号和设定车速的差值作为输入量,使用实际车速作为输出量,结合Lab VIEW建立汽车巡航控制系统模型,进行仿真,验证了系统的可行性良好。该系统超调量小,工作稳定,鲁棒性好,可以较好地满足汽车巡航系统的控制需求。

超声波电机转速的PIDNN控制

针对行波超声波电机运行过程中的较强时变性与非线性特征,引入了一种比例—积分—微分神经元网络(PIDNN)电机速度控制器。控制器网络融合了状态转换函数,具备动态映射能力,利用PID控制律先验知识确定权值初值,通过可变学习速度反传算法(VLBP)在线学习,使训练结果快速收敛,不易陷入局部极小,从而实现对超声波电机稳定快速的控制。采用参数变化电机模型对控制器进行仿真校验,仿真结果表明:方法具有较快的响应速度和较高的鲁棒性,能通过在线学习补偿电机运行过程中的非线性。

基于自适应PIDNN的船舶航向模型辨识与控制

在研究PID神经网络控制方案的基础上,提出一种基于自适应PID神经网络的船舶航向控制方案,以对其进行辨识和控制。将自适应PID神经网络引入船舶的航向控制系统中,既具有常规PID控制结构简单、参数物理意义明确等优点,同时又具有神经网络的并行结构和学习记忆功能及非线性映射能力。仿真结果表明,该控制系统响应速度快、超调量小、稳态精度高,能够快速跟踪设定航向并进行有效控制,且具有自适应性和一定的鲁棒性,满足实时控制的要求。

基于PIDNN变结构理论的新型弹道导弹姿控系统设计

针对新型弹道导弹参数及干扰的随机变化性,研究了姿控系统的设计问题。首先,对被控对象的模型进行了描述,使模型的确定量和不确定量相分离;其次,在不确定上界已知的假设下,完成了变结构控制器的设计;再次,在不确定上界未知的假设下,将比例—积分—微分神经网络(PIDNN)理论与变结构理论相结合,利用PIDNN对模型的不确定上界进行估计,完成了PIDNN变结构控制器的设计,并通过Lyapunov稳定性理论对系统的稳定性进行了证明;最后,通过仿真分析,验证了所设计方法的有效性。

基于PIDNN的六旋翼无人机飞行控制算法研究

针对六旋翼无人机比例—积分—微分(PID)控制器参数优化困难的问题,采用了PID神经网络(PIDNN)控制方法,利用其非线性映射和自学习的特性,实现了姿态控制参数的动态调整,增加了系统的自适应性。为验证方法的有效性,通过Matlab的Simulink模块构建了六旋翼无人机数学模型;利用S函数实现了基于反向传播(BP)算法的PIDNN控制器;将仿真结果与传统PID控制效果进行对比,结果表明:在缩短姿态调整时间与减少超调量方面,PIDNN方法控制效果优于PID方法。

融合FLC和PIDNN在船舶航向控制中的应用

本文融合FLC和PIDNN两种控制方法,并将该方法应用到船舶航向控制系统中。仿真结果表明:该控制系统响应速度快、超调量小、稳态精度高,能够快速跟踪系统输出并进行有效控制,且具有一定的自适应性和鲁棒性,满足实时控制的要求。

一种基于PID神经网络的农作物土壤湿度控制算法

针对不同农作物对于土壤湿度的不同要求,提出一种基于PID神经网络的土壤湿度控制算法。该算法综合PID神经网络和改进的粒子群算法,能够满足在大块田地中的多种农作物对于土壤湿度的不同需求。仿真分析的结果表明,该算法能够有效地满足各类农作物对土壤的湿度要求,提升了系统整体控制效果,缩短了控制时间,具有良好的动态性能。