基于RBF-PID的掘进机截齿动载荷平稳性控制方法研究

依据实际情况,运用有限元仿真对掘进机截割头水平截割、垂直截割与纵向钻进工况进行仿真。通过对仿真结果进行统计,得到了各截齿在截割过程中截割阻力的大小,并运用仿真结果对截割阻力计算公式进行了修正。通过建立多目标优化模型,运用NSGA-Ⅱ算法进行求解,得到了不同煤岩硬度下的最优截割参数。以上述研究为基础,提出了基于RBF-PID的掘进机截齿动载荷平稳性控制方法。采用MATLAB与AMESim联合仿真,搭建了截割头转速与摆速控制模型,通过仿真并分析仿真结果,验证了所提出方法的可靠性。

基于改进MPC与RBF-PID的智能车轨迹跟踪控制

为提升智能汽车轨迹跟踪控制的稳定性和精度,提出一种基于时域参数自适应MPC与RBF-PID的轨迹跟踪控制方法.首先搭建车辆横纵向动力学模型;其次分析控制时域与预测时域对跟踪精度的影响,设计时域参数自适应MPC横向控制器并进行仿真验证;然后基于径向基函数(RBF)神经网络整定PID控制参数,设计分层式纵向控制器,并设计折线速度曲线与PID算法进行对比;最后以车速为耦合点构建智能汽车横纵向综合控制系统,并在蛇形工况下对横纵向综合控制系统进行仿真实验.结果表明,所设计的横向控制器能保证低速时的跟踪精度和高速时的车辆稳定性,纵向控制器可有效提高速度跟踪精度,横纵向综合控制系统能实现车辆在变车速工况下对轨迹的精准跟踪,同时保证良好的行驶稳定性与舒适性.

基于CDKF-RBFPID的激光器恒流源控制器

激光器的稳定工作需要一个输出电流精度高和稳定的恒流源控制系统。针对激光器恒流源系统在噪声环境下输出精度差且使用PID算法参数难整定的问题,提出一种基于中心差分卡尔曼滤波(Center Differential Kalman Filter,CDKF)与改进的径向基函数(Radial Basis Function,RBF)神经网络自适应PID控制相结合的算法CDKF-RBFPID。通过CDKF更新恒流源系统的状态、协方差,从而滤除系统中的状态噪声和测量噪声。利用强化学习Actor-Critic框架调整RBF-PID参数,实现自适应参数调整。对恒流源系统输出电流和激光器输出功率进行对比实验,结果表明:CDKF RBFPID算法能够有效降低噪声对系统的影响,恒流源输出电流精度以及激光器输出功率稳定性进一步提升,其中响应时间缩短了58.3%,稳态误差降低了71.4%,输出电流控制精度达到1%。

基于APID-RBF神经网络的光伏MPPT方法

针对光照强度急速变化和局部阴影时光伏发电系统最大功率点追踪响应速度慢、多峰值等问题,提出一种基于RBF神经网络与自适应PID控制相结合的控制方法。首先,采用RBF神经网络对环境的实时变化直接跟踪光伏最大功率点。然后,利用自适应PID的辅助修正,抑制光伏电池输出功率的波动。神经网络能提升在复杂环境下的跟踪速度,自适应PID能增强对神经网络误差的消除能力,提升跟踪精度。仿真结果表明,APIDRBF双控策略具有稳态性能高和控制精度高等优点,能有效提高光伏发电效率和稳定性。

基于RBF神经网络整定PID的电液比例系统位置控制研究

针对凿岩机械臂的电液比例系统位置控制精度问题,提出了一种基于径向基函数(RBF)神经网络整定PID的电液比例系统位置控制方法。首先,在AMESim中搭建了阀控非对称液压缸的电液比例系统简化模型,设置了各个模块的参数;然后,利用MATLAB/Simulink搭建了系统闭环控制模型,通过不断更新RBF网络模型并修正PID参数,实现了基于RBF神经网络整定PID的电液比例系统位置控制目的;结合AMESim搭建的电液比例系统模型和Simulink下搭建的控制器进行了联合仿真;最后,基于凿岩台车机械臂实验平台,进行了电液比例系统位置控制实验。仿真结果表明:在受到外部干扰的情况下,RBF神经网络整定PID控制系统能够在0.3 s内控制活塞杆重新运行至目标位置,平均响应时间为1.5 s,位置精度误差不超过5 mm。实验结果表明:与常规PID控制方法相比,RBF神经网络整定PID控制活塞杆位置精度误差降低了75%,位置精度误差在工程实际要求的10 mm范围以内,因此,RBF神经网络整定PID算法可以有效提高电液比例系统的位置控制精度,满足凿岩机械臂实际工作中对电液比例系统位置精度的控制要求。

基于改进RBF/模糊PID的锻压机双缸闭环同步信号控制

为了提高连杆驱动锻压机双缸同步控制精度,设计了一种推进过程改进RBF/模糊PID控制方案,采用闭环同步控制。构建了改进RBF/模糊PID控制器,并通过Simulink完成仿真测试,验证了推进过程的同步控制性能。研究结果表明:无论是高速还是低速,改进RBF/模糊PID相对模糊PID控制方式表现出来更低的双缸同步误差,可以获得更高的系统控制精度。

基于AAFDE-RBF算法的PID参数整定

针对工业过程中PID(proportional integral derivative,比例积分微分)参数整定难的问题,提出一种自适应调整因子的差分进化算法(adaptive adjustment factor differential evolution algorithm,AAFDE)的神经网络(radial basis function,RBF)方法整定PID控制器的参数。先在差分进化算法中引入自适应调整变异因子,通过定义个体优劣系数引入自适应调整交叉概率因子;再采用AAFDE算法优化RBF的初始参数,建立RBF模型,接着由RBF在线辨识得到梯度信息;最后根据梯度信息对PID的3个参数在线调整。直流电机系统的仿真实验表明,与RBF-PID和DE-RBF-PID相比,AAFDE-RBF-PID控制器动态性能更好、抗干扰性能更强,控制精度更高。

基于RBF神经网络PID算法的锅炉水温控制与研究

针对过程控制实验中水温控制的PID算法参数难以整定的问题,提出了一种基于径向基函数(Radial Basis Function,RBF)神经网络整定PID的算法,并以仿真与实验相结合的方式应用于水温控制实验中。通过使用阶跃响应曲线法辨识锅炉水温数学模型;设计用RBF神经网络整定PID参数的方法,针对对象模型进行仿真;最后将整定的PID参数应用于水温控制实验验证,并与常规PID方法进行实验比较。结果表明,RBF神经网络整定PID控制器的控制方法具有更好的鲁棒性和自适应性,能取得良好的控制效果。

基于RBF-PID的燃料电池空气压力控制

空气压力是影响车用质子交换膜燃料电池输出功率的关键参数之一。为使空气压力快速适应燃料电池输出功率的变化,采用基于RBF神经网络整定的PID控制,提高了控制系统的动态性能。仿真结果表明,相对经典PID控制而言,采用RBF-PID控制的空气压力响应时间短,响应速度快。

基于RBF-PID的啤酒灌装机贮液缸内液位控制

目的提高啤酒灌装质量和效率,对贮液罐液位进行精确控制。方法在传统PID控制的基础上,提出一种RBF神经网络与PID相结合的啤酒灌装机贮液缸内液位自适应控制方法。利用RBF神经网络的快速自学习能力调整PID控制的比例、积分、微分系数。结果与传统PID控制相比,RBF-PID控制响应速度快,超调量较小,系统达到稳定的时间得到大大缩短。结论文中方法提高了啤酒灌装机贮液罐内液位的控制精度,有效提高了啤酒的质量和产量。

基于黑箱模型和RBF-PID的HCCI发动机燃烧正时控制

由于均质充气压缩点燃(HCCI)发动机缺少直接控制其燃烧的手段,导致HCCI发动机的燃烧正时控制成为HCCI发动机的研究热点。以HCCI发动机进气歧管的温度和压力、燃油当量比、转速以及进气门关闭正时为输入,利用BP神经网络建立用于估计HCCI发动机燃烧正时的黑箱模型。在此模型基础上,以进气门关闭正时为控制量设计了PID控制器,并利用径向基神经网络对其参数进行整定,以实现对燃烧正时的反馈控制。实验结果表明,BP神经网络估计模型对HCCI发动机燃烧正时的估计误差小于0.4(CAD),能实现准确的估计;此外,与传统的PID控制器相比,设计的RBF-PID控制器在超调量、调节时间以及抗干扰性等性能方面均有改善。

基于RBF-PID控制器的带式输送机自适应调速系统

带式输送机是煤矿开采过程中重要的运输设备,运输距离长,耗能大。提出基于RBFPID控制器的带式输送机自适应调速系统,实现带式输送机自适应调速从而降低其能耗。通过对带式输送机的能耗与煤量、带速之间的关系进行分析,建立带式输送机的能耗模型。为实现功率平衡,采用RBF-PID控制器调节电动机输出电压。阐述了RBF-PID控制器的工作过程,完成了基于RBF-PID控制器的带式输送机自适应调速系统的硬件设计和软件设计。该系统能耗低,节能效果良好。

硅锭电火花线切割RBF-PID恒张力控制研究

针对硅锭电火花线切割电极丝存在张力不稳定、幅度变化大等问题,设计一种双边张力伺服控制系统。建立张力伺服系统数学模型,根据该模型设计一种基于RBF神经网络的PID控制算法并与传统PID控制算法进行仿真对比。仿真结果表明:优化后的RBF-PID可在15 ms内完成PID参数整定,实现了超调量<5%、调整时间<25 ms的控制性能,克服了普通PID系统参数改变后需再次整定、自适应性差的缺点。硅锭电火花切割实验表明:RBF-PID控制算法的张力波动率比普通PID算法降低了40%,显著抑制了走丝速度、预紧力变化等因素对电极丝张力稳定性的影响。

RBF-PID串级控制在加热炉温度系统中的应用研究

针对工业生产中加热炉物料出口温度的非线性、时变性、大滞后性等特点,无法建立精确的数学模型,并且为提高该系统控制的可靠性和安全性,达到精确控制。提出一种基于RBF(Radial Basis Function)神经网络的PID串级控制器,即先用建立的三层RBF神经网络在线辨识得到梯度信息,再用梯度信息在线整定PID控制的三个参数,最后将整定的PID控制物料出口温度-炉膛温度串级系统的主回路。仿真结果表明,RBF-PID串级控制较传统P I D串级控制有较强的鲁棒性,提高了控制品质,获得了更好的控制效果。

Smith-RBF-PID控制算法在工业平缝机脚踏板调速模块中的应用

针对工业缝纫机调速模块的伺服系统普遍存在耦合、大滞后的现象,提出了一种将Smith预估补偿和RBF神经网络算法与PID控制器相结合的Smith-RBF-PID控制算法。该方法利用了Smith预估补偿能克服纯滞后和RBF能处理非线性问题、在线自学习整定PID参数的优点,在调速模块的伺服控制系统中更加有效。

基于模糊-RBF神经网络优化的PID控制

采用模糊控制和RBF神经网络训练相融合的方法,应用于对PID控制器参数的调整中,对非线性系统的控制仿真试验结果表明,该方法的控制性能优于单独采用RBF神经网络的控制。

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。

基于同步控制的行李电机ACA-RBF-PID控制

针对机场行李准确地从传送带导入分拣机的问题,提出将基于同步控制的ACA-RBF-PID算法应用于机场行李导入电机。该方法利用蚁群算法优化RBF神经网络避免了传统RBF网络方法带来的局部优化问题,实现了全局最优,并且电机同步控制系统保证了从导入电机与导入电机速度始终保持一致,避免了同时将两件行李送上同一个行李托盘。仿真结果表明,该策略大大地提高了行李导入效率,为行李的后续分拣带来保证。

基于DNA-GA-RBF的PID参数优化

PID控制器因为结构简单,容易实现,并且具有较强的鲁棒性,因而被广泛应用于各种工业过程控制中。控制器参数直接影响控制器的性能,因此控制器的设计主要体现在控制器参数的调整上。参数自整定技术的发展一方面减轻了控制工程师现场调试的工作量,节省了大量的时间,另一方面也使整定的结果更加理想。利用DNA遗传算法的全局搜索的功能特性,对整个RBF神经网络参数进行优化,将RBF网络不同的中心矢量和其对应的基宽向量及各个调节权重统一编码,使得整个网络模型达到全局最优。然后利用该混合算法对PID参数进行整定,仿真证明该算法能有效地实现PID参数最优整定,其性能优于常规的RBF算法,为解决PID控制器参数最优设计提供了一种有效的方法。

基于视觉检测板球系统的RBF-PID控制研究

板球系统是一个典型的多变量、不确定、强耦合的非线性系统,一直被国内外许多学者作为研究非线性控制系统的实验平台。文中通过动力学分析得到板球系统的数学模型和相应的简化模型,针对系统震荡较严重的问题,在RBF神经网络参数调整中加入动量因子,减小系统震荡;对系统响应速度慢的问题,采用LM算法代替梯度下降法对PID参数进行在线优化。实验结果表明,该控制算法可使控制误差缩小在2 mm以内,控制时间减少了3 s且具有较好的鲁棒性。