遗传算法和小波神经网络PID在电机控制系统中的应用

提出了一种基于遗传算法和小波神经网络的PID参数整定方法。首先,利用具有自然进化的遗传算法对小波神经网络的初始权值进行优化训练,解决了控制器网络初始权系数对控制效果产生的影响;其次,利用小波神经网络对PID参数进行在线调节;最后,将此算法运用到电机控制系统的PID参数寻优中。仿真结果表明:基于此算法设计的PID控制器可以极大地提高寻优速度,鲁棒性强,改善了电机控制系统的动态性能和稳定性。

基于小波神经网络的PID整定与应用

提出了一种基于小波神经网络整定的PID控制方法。由于小波变换具有良好的时频局部特性,神经网络具有强大的非线性映射能力,自学习、自适应等优势,采用规范正交的小波函数作为神经网络的基函数构成小波神经网络,该网络兼有小波函数的紧支性、波动性以及神经网络的非线性映射能力,自学习、自适应能力等优点,渗碳炉控制实验结果表明,用该方法整定的PID控制系统收敛速度快,逼近精度高,鲁棒性好。

小波神经网络与PID相结合的负荷频率控制

针对跨区域互联电力系统负荷频率控制的严重非线性,及传统PID控制稳定性差、超调严重、响应速度慢,提出了将小波神经网络与传统PID控制相结合的控制模型。PID完成区域电网内的二级负荷频率控制,区域控制偏差作为有2个小波神经元的神经网络输入,输出用于共同控制负荷频率稳定。网络还采用了负反馈提高学习收敛速度,网络参数采用梯度法结合遗传算法寻优确定。仿真实验结果表明,该方案具有较好的控制效果和鲁棒性。

超声电机驱动多关节机器人的类PID小波神经网络控制

针对超声电机驱动多关节机器人的运行特性,提出一种新颖的速度—位置双闭环PID控制模式,有效地抑制了超声电机响应极快所导致的速度变化剧烈的现象,从而提高了机器人的运动平稳性。为了进一步提高超声电机驱动多关节机器人的控制性能,使其能根据超声电机的变化特性对PID控制参数进行实时调节,提出类PID小波神经网络控制器。通过对传统离散型增量式PID表达式各项的合理划分,将速度—位置双闭环PID控制、实践经验、当前的轨迹误差及其变化情况都融入进了类PID小波神经网络控制器中。该控制器参数的在线学习机制采用了δ自适应律并结合了BP算法和梯度下降法,算法简单,计算量大大减少。试验结果证明,所设计的类PID小波神经网络控制器不仅明显优于PID和PID神经网络控制器,而且具有很好的抗干扰能力。

基于小波神经网络PID控制的主动夹具铣削颤振研究

为了抑制铣削过程中产生的颤振,提高铣削加工过程中零部件表面质量。设计了小波神经网络PID控制方法,并对控制效果进行仿真。采用时域数值法对动态铣削过程中离散时间进行求解,利用小波神经网络PID控制方法对铣削过程进行控制。通过仿真和实验对铣削金属表面粗糙度进行测量,并且与增量式PID控制系统进行比较和分析。结果显示,采用增量式PID控制方法,铣削力和铣削深度实际值与理论值存在较大误差;采用小波神经网络PID控制方法,铣削力和铣削深度实际值与理论值存在较小误差。采用小波神经网络PID控制方法,可以提高铣削参数控制精度,减少铣削过程中对颤振的影响,提高铣削零部件表面质量。

基于WNN-PID的直流电机位置跟踪控制

提出了一种新颖的小波基神经网络的网络拓朴结构。通过该网络对对象进行在线辨识,得到其Jacobian信息,使用神经网络与模糊算法共同在线调整PID参数的方法,实现直流力矩电机位置的准确跟踪,仿真和实验表明:使用该方法能够实现电机位置的准确跟踪;基本克服了一般神经网络控制对初始权值的依赖,大大提高了对象的辨识精度,增强了系统的动态响应品质,并具有很强的鲁棒性。

基于改进PID控制的电液伺服系统执行器运动轨迹仿真

电液伺服系统执行器运动轨迹跟踪容易受到外界干扰,导致控制系统不稳定。为解决此问题,设计小波神经网络PID控制系统,并对控制效果进行仿真验证。建立电液伺服阀简图模型,创建阀芯运动的动力学模型,分别推导出控制阀、液压执行器和比例溢流阀动力学方程式。采用小波神经网络对传统增量式PID控制器进行改进,利用MATLAB软件对改进后的控制系统进行仿真;对比分析改进前、改进后系统液压执行器的跟踪轨迹。结果表明:液压执行器在没有受到外界波形突然干扰情况下,2种控制方法都能较好地实现轨迹跟踪;在受到外界波形突然干扰情况下,采用增量式PID控制的液压执行器运动轨迹与期望轨迹存在较大误差,采用小波神经网络PID控制的液压执行器运动轨迹与期望轨迹存在较小误差。所设计的控制系统响应速度较快,能够自适应在线调整控制参数,有效地抑制外界环境对控制系统的干扰,从而提高液压执行器运动轨迹跟踪精度。

基于小波基神经网络PID的直流电机伺服控制

通过一种新颖的小波基神经网络对未知数学模型的对象进行在线辨识,得到对象的数学模型———Jacob ian信息,并提出了神经网络与模糊控制算法共同在线调整PID参数的方法,从而实现电机位置的准确、快速、实时地跟踪.通过仿真和实验表明:使用该自适应控制方法,能够对位置准确跟踪,基本克服了一般神经网络控制对初始权值的依赖,大大提高了对未知模型的辨识精度,改善了系统的动态响应品质,增强了系统的鲁棒性.

造纸过程定量水分的小波神经网络PID控制

抄纸过程定量水分控制系统存在时变、时滞、非线性、不确定等特点,使得定量、水分两个指标波动幅度较大,严重地影响了成纸合格率,断纸次数多。为解决上述问题,设计了定量水分的串级控制方案,采用小波神经网络PID控制方法对定量水分控制,并建立了三层神经网络模型,输出层单元分别表示PID控制器的三个参数,用非线性小波基函数取代隐层神经元的Sigmoid函数,根据定量、水分的实际输出与期望输出之间的偏差可实时在线调整PID参数。在MATLAB上进行仿真。仿真结果表明,控制系统能较好地克服时滞、时变、非线性等干扰对定量水分的影响,实现控制精度高,能很快达到稳定,并可有效地减少断纸次数,提高造纸效率。

PEMFC电气输出特性的自适应模糊PID控制

讨论了在功率需求快速变化下质子交换膜燃料电池的动态响应性能。采用小波神经网络辨识特性曲线来模拟实际电压值。提出了电压和功率两级的系统控制方案,并分别对相应的控制器进行研究。采用MATLAB/SIMULINK对整个控制系统进行模拟。结果表明,控制方案可以达到预期效果。此外还进行了相应的抗干扰和鲁棒性能仿真实验。仿真结果表明,采用的控制算法具有较好的鲁棒性能和自适应性。

一种基于混沌优化的免疫PID控制器

针对目前智能PID控制器普遍存在的诸如计算量大、收敛速度慢以及控制精度相对较差等问题,提出一种基于混沌优化的免疫PID控制器。与传统的免疫PID控制器相比主要做了两个方面的改进,一个是利用小波神经网络对免疫PID控制器的非线性函数部分进行逼近,另一个是利用混沌优化算法对免疫PID控制器的三个控制参数进行优化。仿真结果表明该控制器的控制性能优于其它类型的智能PID控制器以及常规PID控制器。

基于小波神经网络辨识的PID神经MRAC研究

提出了一种基于小波神经网络辨识的PID神经网络模型参考自适应控制方法。该方法采用小波神经网络作为辨识器,PID神经网络作为控制器在线调节。由于小波变换具有良好的时频局部特性,神经网络具有强大的非线性映射能力,自学习、自适应等优势,采用规范正交的小波函数作为神经网络的基函数构成小波神经网络,该网络兼有小波函数的紧支性、波动性以及神经网络的非线性映射能力,自学习、自适应能力等优点,仿真结果表明用该方法构成的控制系统收敛速度快,逼近精度高,鲁棒性好,优于一般的BP网络控制。

小波神经网络PID在风电系统最大功率点跟踪中的应用研究

针对风电系统处于欠功率阶段时,风能利用系数必须保持在最大值处的问题,提出了一种基于小波神经网络PID控制器的最大功率点跟踪控制策略。该策略采用小波神经网络对风能利用系数进行在线辨识,1个辨识周期结束后返回此时的灵敏度信息,PID控制器根据该灵敏度信息调整PID参数。仿真结果表明,与常规PID控制器相比,小波神经网络PID控制器提高了风电系统的叶尖速比、风能利用系数和输出功率,缩短了响应时间,实现了风力发电机组的优化运行。

基于小波神经网络PID的战车自适应巡航算法

提出了一种由小波神经网络PID控制的自适应战车巡航算法,通过分析传统的神经网络PID算法在结构设计上的盲目性和误差过大,将小波变换融入神经网络,具有良好的函数逼近能力,有效避免局部最小值。实验结果表明,小波神经网络的输出平均误差控制在5°以内,平均误差和收敛速度明显优于传统的算法。

拖拉机液压机械式变速器小波神经网络PID控制

为提高装有液压机械式变速器(hydraulic-mechanical transmission,HMT)拖拉机的行驶平稳性,使拖拉机能以目标车速稳定行驶从而提高拖拉机的作业质量,文章对装备HMT拖拉机的小波神经网络PID控制进行了研究。通过Matlab/Simulink建立液压机械传动系统模型、拖拉机动力学模型及小波神经网络PID控制模型,根据拖拉机目标车速、实际车速及其误差,通过小波神经网络对PID控制参数进行在线整定,使实际车速有效追踪目标车速。将小波神经网络PID控制与常规PID控制进行比较,验证了小波神经网络PID控制方法可以使拖拉机始终稳定在目标车速进行作业,避免了因车速变化对作业质量的影响,提高了拖拉机的行驶平顺性和作业质量。

基于小波神经网络免疫PID控制器的研究

针对PID控制器,本文介绍了一种基于小波神经网络的免疫PID控制器。由于小波变换具有较好的时频局部性,神经网络拥有较强大的非线性映射的能力、自适应、自学习等优势,将规范正交的小波函数与神经网络的基函数相结合构成小波神经网络,该网络同时具有小波和神经网络的优点,本文用小波神经网络来逼近免疫PID的函数,试验以及仿真结果表明,本文介绍的控制器性能优于其它类型免疫PID控制器。

基于小波神经网络PID的永磁同步电机转速控制

提出了基于小波神经网络PID的永磁同步电机(PMSM)转速控制策略。根据系统运行参数的变化,采用三层前馈式人工神经网络,基于梯度下降纠正误差法在线训练实时更新PID参数值。采用小波神经网络和增量式PID共同构成转速环控制器。建立PMSM数学模型,设计PMSM速度环控制器,构建S函数,对控制算法进行仿真试验,验证了该控制算法的先进性。试验结果表明,所提控制策略比传统PID转速控制具有更好的动态性能和抗干扰能力。

时间序列预测小波神经网络在线整定控制（英文）

为提升现有的BP与RBF神经网络控制参数在线整定系统的自适应能力、动态与稳态性能,该研究提出了,提升BPNN-PID和RBFNN-PID算法和系统的智能特性,提出并改进了WNN-PID方法;提升上述算法的响应速度并降低稳态误差,提出并改进了VARMA-WNN-PID方法这两项改进工作。通过理论分析和计算机方针对比研究,证实了提出和改进的方法具有一些特性提升。

碱回收炉炉膛负压的小波神经网络控制

为了保持炉膛负压的稳定,将小波神经网络PID控制运用到炉膛负压的控制中,建立了三层神经网络模型。将引起炉膛负压变化的干扰因素:送风量、炉膛负荷和炉膛负压的实际值、期望值作为网络的输入量,网络的输出层单元分别表示PID控制器的3个参数。根据炉膛负压实际输出与期望输出之间的偏差以及干扰量来实时在线调整PID参数。用MATLAB对该控制系统进行了仿真研究,结果表明本控制系统能较好地克服时变、时滞、非线性、参数不确定及干扰等对炉膛负压的影响,保持了炉膛负压的稳定,提高了炉膛负压的控制速度和控制精度。

规则推理与神经计算智能控制系统改进及比较

针对生产生活实践中的智能系统在实施控制过程中关键参数的实时在线智能整定与优化问题与需求,实现将不同类型人工智能方法与经典的控制方法对接从而构成多种复合控制(AI-CC)方法,提出改进算法并进行理论分析与仿真对比研究。首先实现了基于规则与模糊推理机制的AI-CC方法,提出了增量式改进算法,进而提出基于小波神经网络的AI-CC方法,进一步对两类智能系统的稳定性进行理论分析,提出稳定性保证算法,最后对比研究不同类型的智能系统在智能程度与性能特征方面的差异。研究成果为该领域研究者提供了多种改进的智能控制算法及其对比参照和理论分析,为该方法在工程实践中低成本地升级并稳定可靠地应用提供可操作方案。