基于复合控制策略的激光光束指向控制系统研究

激光光束指向控制系统是通过对激光光束偏转执行机构的控制,实现激光光束稳定指向目标的系统.当激光光束指向控制系统被应用于恶劣环境时,应考虑环境对系统造成的不利影响,消除激光光束的指向误差.激光光束指向控制系统采用了基于比例-微分-积分(PID)控制器和滑模控制器的控制策略,用于提高其动态和静态性能.最后,将PID控制器和滑模控制器在不同状态下的优势相结合,提出了复合控制策略.通过实验对比分析,复合控制策略比单一控制策略具有更好的控制性能,可以满足不同工况下的激光光束指向作业.

基于PSO-BP神经网络的PID控制器参数优化方法

针对传统PID控制系统参数整定过程存在的在线整定困难和控制品质不理想等问题,结合BP神经网络自学习和自适应能力强等特点,提出采用BP神经网络优化PID控制器参数。其次,为了加快BP神经网络学习收敛速度,防止其陷入局部极小点,提出采用粒子群优化算法来优化BP神经网络的连接权值矩阵。最后,给出了PSO-BP算法整定优化PID控制器参数的详细步骤和流程图,并通过一个PID控制系统的仿真实例来验证本文所提算法的有效性。仿真结果证明了本文所提方法在控制品质方面优于其它三种常规整定方法。

基于复合正交神经网络的灰色PID控制

结合传统反馈控制方法和灰色预测控制的预测控制器已在控制系统中获得了成功的应用。由于复合正交神经网络具有学习算法简单、收敛速度快,有逼近线性或非线性函数的优良特性。与灰色预测方法相比,神经网络预测精度高,且误差可控,如果把神经网络作为灰色预测器,建立一种灰色预测控制,那么就会在控制系统中获得良好的控制性能。为此,提出一种结合传统的PID控制和神经网络灰色预测补偿的灰色PID控制器,可对系统进行在线灰色估计和控制,由复合正交神经网络对不确定部分建立的灰色预测模型,可根据系统的参数变化来自动调节预测补偿值,使系统响应具有适应性。仿真结果表明,与传统的PID控制方法相比,该控制器可获得更为优良的动态性能和鲁棒性。

基于卡尔曼滤波CMAC-PID的视力检查距离控制系统

为提高视力检查的精确性和灵活性,设计了视力检查距离控制系统对检查距离进行有效控制,并建立了数学模型。针对该系统的非线性、时变性和多干扰性,提出基于卡尔曼滤波器的小脑神经网络与比例—积分—微分复合控制(CMAC-PID)方法,利用卡尔曼滤波器抑制测量噪声和控制干扰的影响。仿真结果表明,此控制方法在抗干扰方面优于CMAC-PID控制,可以更好地改善距离控制系统的性能。

球磨机混合优化前向神经网络PID解耦控制系统

针对球磨机制粉系统的多变量、强耦合、非线性和时变性等特点,提出球磨机的混沌PSO与BP混合优化前向神经网络PID解耦控制系统。在这种控制器中,PID控制器的控制参数采用神经网络进行自适应整定,神经网络的权值采用混合优化算法进行调整。仿真结果表明该控制方法跟踪快、鲁棒性强、解耦好,控制品质优于传统PID解耦控制方法,较好地解决了球磨机的时变性、耦合性等问题。

三电平海上风电柔性直流输电变流器的PID神经网络滑模控制

针对传统滑模变结构控制在参数摄动时会产生颤振的不足,融合比例–积分–微分神经网络(proportional-integral-derivative neural-network,PIDNN)和滑模变结构控制的优点提出一种新的在线解决方法。建立三电平电压型柔性直流输电变流器数学模型,构造以瞬时有功、无功功率误差为滑模面的滑模变结构控制器,并用PIDNN对选定的价值函数在线训练以取得全局最优解,实时对滑模趋近律参数优化选取,结合李亚普诺夫函数对控制系统的全局稳定性进行分析。对所提控制方案采用Matlab仿真验证,结果表明该方案可使控制系统全局稳定,对参数摄动有很强的鲁棒性,最大限度地减小颤振,易于数字实现。

机载激光通信的模糊神经网络PID视轴稳定控制

机载激光通信的视轴稳定是建立激光通信链路的前提。为了有效地克服载体扰动与参量改变对粗跟踪系统视轴稳定的不利影响,设计了一种基于模糊神经网络的比例-积分-微分(PID)控制方法。该方法结合模糊理论的非线性控制能力与神经网络的自主学习能力,实现了对PID参量的实时在线调整。结果表明,与传统PID控制方法相比,模糊神经网络PID控制方法提高了系统的动态响应速度,减小了系统超调量,当载体受到扰动与参量改变时,具有较强的自适应性和鲁棒性。

基于动态RBF神经网络在线辨识的单神经元PID控制

针对工业控制领域中复杂非线性时变系统,提出了基于动态RBF神经网络辨识的单神经元PID控制方法。采用动态RBF神经网络辨识器在线辨识系统模型,获得PID参数在线调整信息,并由单神经元PID控制器完成控制器参数的在线自整定,实现系统的智能控制。仿真结果表明,与常规RBF神经网络辨识的PID控制方法相比,该方法具有控制精度高、响应速度快的优点,并且具备较强的自适应性和鲁棒性。

基于遗传算法的统一混沌系统比例-积分-微分神经网络解耦控制研究

提出了采用改进的遗传算法优化比例-积分-微分(PID)神经网络解耦控制器的连接权值,从而实现PID控制器参数的优化及非线性多变量系统的解耦控制.改进的遗传算法优于基本遗传算法,它使寻优过程中的计算量减少,计算效率提高,收敛速度加快.将优化后的PID神经网络解耦控制器应用于统一混沌系统的控制中,仿真实验收到良好的控制效果,证明了PID控制器应用于统一混沌系统控制的有效性.

基于模糊神经网络PID的开关磁阻电机控制系统研究

针对开关磁阻电机存在的转矩脉动大、噪声大、速度不稳定等问题,对开关磁阻电机的启动、运行、调速等方面进行了研究,提出了一种基于模糊神经网络PID的控制方法,将模糊控制理论与BP神经网络相结合,构成了模糊BP神经网络,根据系统误差,误差的变化,以及误差变化的变化实时调整PID控制参数,使电机在整个转速范围内获得了最优的PID参数。实验采用DSP作为控制核心,不对称逆变桥作为功率变换器,驱动一台2 k W的开关磁阻电机运行。研究结果表明,该方法大大改善了开关磁阻电机控制系统的动、静态性能,控制精度高、转矩脉动小,对干扰有较高的鲁棒性。

车辆主动悬架的BP神经网络自适应PID控制

提出了一种主动悬架的基于BP神经网络的自适应PID控制方法,并借助于1/4主动悬架物理模型,探讨了该控制技术在车身主动减振方面的控制问题。以白噪声模拟路面输入,对车辆主动悬架系统进行计算机仿真研究。将BP神经网络PID主动悬架、PID主动悬架和被动悬架的车身加速度、悬架动挠度及车轮动位移三项指标的均方根值进行了对比分析。仿真结果表明,具有BP神经网络PID控制器的主动悬架控制效果明显优于PID主动悬架和被动悬架,可大大减少路面对车身的振动冲击,能显著地提高车辆行驶平顺性和乘坐舒适性,且鲁棒性好。

基于改进BP神经网络的PID控制方法研究

针对最速下降法收敛速度慢和易陷入局部极小的缺点,提出一种新型的基于改进BP神经网络的PID控制方法,该方法将神经网络和PID控制策略相结合,既具有神经网络自学习、自适应及逼近任意函数的能力,又具有常规PID控制器结构简单的特点。该控制器的算法采用F letcher-R eeves共轭梯度法,它可以避免网络陷入局部极小点,同时加快网络的训练速度。并用这种改进的共轭梯度法对神经网络PID控制器参数实现在线修正。最后给出了在M atlab平台上的实现算法,仿真结果表明该控制方法是有效的。

开关磁阻电机模糊神经网络PID转速控制

针对开关磁阻电机调速系统难以控制的问题,提出了基于模糊FCMAC神经网络的PID控制方法,该方法的主要思想是将马丹尼直接推理法与CMAC神经网络相结合,构成模糊FCMAC神经网络,实时调整PID控制参数。仿真结果表明,与传统的PID控制方法相比较,该方法大大改善了开关磁阻电机调速系统的动、静态性能,且无需精确的数学模型,控制精度高,超调量小,对干扰有较高的鲁棒性。

卫星CMAC神经网络姿态控制器设计及仿真

为提高传统卫星姿态控制系统精度,提出了一种基于小脑模型(CMAC)神经网络的比例-积分-微分(PID)的复合控制器。给出了具在线学习功能的复合控制器结构,并证明了神经网络学习收敛条件与最终控制目标的一致性。仿真结果表明,设计的控制器具有较好的自适应性和鲁棒性。与传统控制器相比,进入稳定状态的速度更快,指向精度更高。

基于模糊PID复合控制的异步电动机软起动器的设计

针对异步电动机直接起动电流较大的问题及传统比例-积分-微分(PID)控制和模糊控制在异步电动机软起动控制中的比较,提出了1种基于模糊PID复合控制的异步电动机软起动器的设计方法。根据对电动机起动特性的分析,在异步电动机起动的不同阶段分别采用模糊控制和PID控制,以达到最佳的起动效果。仿真结果表明,这种复合控制方法解决了常规PID控制参数整定困难的问题,并克服了模糊控制存在静差及振荡现象的缺点,因此这种复合控制方案是正确的、可行的。

基于PSO-BP神经网络的游泳池式反应堆堆芯功率调节系统优化研究

基于MATLAB/Simulink平台构建49-2游泳池式反应堆堆芯功率调节系统和一回路传热系统的仿真模型,开展外界反应性扰动仿真试验验证模型的准确性。采用粒子群算法(PSO)与反向传播(BP)神经网络相结合的比例-积分-微分(PID)控制器作为主控制器,模拟堆芯反应性和堆芯进口温度扰动下调节系统的响应情况,与游泳池式反应堆原控制器和传统BP神经网络控制器的响应情况相比较。结果表明,外界存在扰动时,基于PSO-BP神经网络的PID控制器可以使堆芯迅速达到稳定状态,调节时间更短、超调量更小,具有更好的鲁棒性和稳定性。

基于改进神经网络PID算法的温度控制系统

针对温度控制难题,提出了基于共轭梯度算法改进的BP神经网络PID控制算法,并在温度控制系统中进行了仿真;结果表明,该控制器能够实现较好控制效果。

基于粒子群算法优化BP神经网络的PID控制算法

传统比例-积分-微分(Proportion Integral Derivative,PID)控制器存在参数整定困难,不能在线实时调整以及面对复杂非线性系统时应用效果不佳等问题,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)优化的反向传播(Back Propagation,BP)神经网络PID控制方法。将BP神经网络与PID控制器相结合,利用BP神经网络的自适应学习能力在线实时调整PID控制参数,提升系统稳定性,针对BP-PID自学习过程中容易陷入局部极小值问题,利用改进的PSO算法对其进行优化,确保BP-PID系统收敛于全局最优解。基于仿真数据开展实验,结果表明,所提方法能够有效提升系统的控制精度和控制稳定度。

基于RBF神经网络参数自整定的AUV深度控制

为了保证自主水下航行器(AUV)能够精确潜入固定深度海域,AUV垂平面控制技术非常重要。在基于比例-积分-微分(PID)控制设计控制器的过程中,为保证控制器能够较好地控制AUV跟踪指定轨迹,需要对PID参数进行调整,但参数设定需要反复尝试,不仅耗费大量时间,而且不能保障其最优效果。为解决这一问题,提出了一种基于径向基函数(RBF)神经网络的参数自整定PID控制方法。首先建立AUV垂平面运动模型,然后设计RBF神经网络结构,基于梯度下降方法给出了RBF参数以及PID参数的迭代公式,并设计离散式PID控制器,最后通过数值仿真验证了所提方法的有效性。仿真结果说明,AUV可以在较短时间内达到指定深度,且PID各参数均能完成自整定。

波浪滑翔器航向控制方法与实验研究

波浪滑翔器是一种典型的非线性、强耦合、欠驱动系统。传统比例-积分-微分(proportion integral derivative, PID)控制器在复杂多变的海洋环境下难以满足高精度的航向控制要求且存在参数整定困难、无法在线调整等缺点。针对此问题提出一种基于改进粒子群优化(improved particle swarm optimization, IPSO)算法的反向传播(back propagation, BP)神经网络PID控制方法,首先建立波浪滑翔器数学模型,其次利用BP神经网络的自学习能力自适应调整PID参数。同时针对BP神经网络存在对初始权值敏感、反向传播易陷入局部极值等缺点,引入IPSO算法对网络初始权值进行优化,确保BP-PID网络能够获取全局最优解。基于仿真进行海试验证,结果表明所提算法能够显著提高航向控制性能,验证了所提算法的有效性和真实性。