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。

基于模糊径向基函数神经网络的PID算法球磨机控制系统研究

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,提出应用于球磨机对象控制的基于模糊径向基函数神经网络的PID控制算法。在这种控制系统中,PID控制器的控制参数采用模糊径向基函数神经网络进行自适应整定,系统控制参数采用混合优化算法,即首先采用混沌粒子群优化(particle swarm optimization,PSO)算法进行离线粗调,再采用BP算法进行在线细调,从而快速全局收敛得到最佳的PID控制参数。Matlab仿真结果表明,该控制系统有效地解决了球磨机这种复杂对象的控制问题,该系统控制参数的优化算法收敛快、不易陷入局部极小点,系统控制跟踪快、超调小、解耦好、鲁棒性和适应性强,控制品质优于传统PID解耦控制方法。

基于线性二次型最优控制和径向基神经网络PID的ESC控制策略

为提高电子稳定控制(ESC)的鲁棒性和自适应能力,采用联合扩展卡尔曼滤波方法估算轮胎侧偏刚度,改进了2自由度模型,在此基础上提出了线性二次型最优控制和径向基神经网络PID联合的控制算法,设计了双层控制器,其上层控制器通过线性二次型最优控制算法获取主动横摆力矩,下层控制器通过径向基神经网络PID进行车轮分配和变滑移率的控制。采用15自由度车辆模型进行了仿真验证,结果表明设计的控制策略较好地满足ESC的控制要求,并具备良好的自学习功能和瞬态控制能力。

基于RBF神经网络的新型AUV自抗扰控制方法

近海底复杂环境中精细观测作业与精确位置控制等技术对自主水下航行器(AUV)提出了更高的要求。为此本文提出一种基于径向基函数神经网络(RBFNN)的新型自抗扰控制方法。利用自适应RBF神经网络的自学习能力,对扩张状态观测器进行优化,使其对模型不确定部分和环境干扰能够自适应估计,并实现将总扰动在线补偿到控制输入中,实现更佳的扰动估计及控制性能。通过仿真实验发现,与传统自抗扰控制(ADRC)相比,不同阶跃输入下,改进方法具有更小的观测误差,控制稳定性更好,且在较低采样频率下依然可以取得理想的控制效果。仿真结果表明,本文方法能够优化扩张状态观测器的性能,提高AUV在不同阶跃输入及采样频率下的稳定性,简化了控制器调参过程,为实际工程应用提供借鉴。

基于径向基神经网络PID控制的交流伺服系统

将神经网络和PID控制相结合,提出了一种神经网络整定的PID控制策略,并将其应用于交流伺服系统的控制。利用一个两层神经网络在线自适应调整PID控制器的参数,从而使系统的静态和动态性能指标较为理想。径向基函数神经网络用来辨识交流伺服系统的Jacobian信息,用正交最小二乘算法得到径向基函数神经网络的结构;然后用BP算法对该网络的权值进行训练使它逼近给定的函数。实验结果表明,这种系统具有响应速度快、稳态精度高和鲁棒性强等特点。

球磨机对象控制中模糊径向基函数神经网络的PID控制分析

结合球磨机制粉系统的特点,提出球磨机对象控制中模糊径向基函数神经网络PID控制算法,结合混合优化算法,在混沌粒子群优化的同时实现粗线调,并应用BP算法做好在线细调,进而得到PID控制的最佳参数。通过Matla对算法进行仿真,结果表明,系统不仅有效解决了球磨机复杂对象的控制问题,同时也实现了算法的快速收敛,并有较快的跟踪速度以及较小的超调,解耦较好,适应性较强。

基于RBF神经网络在线辨识的永磁无刷直流电机单神经元PID模型参考自适应控制

永磁无刷直流电机控制系统是多变量和非线性的。针对传统PID控制方法的不足,提出一种基于径向基函数神经网络在线辨识的单神经元PID模型参考自适应控制方法,并用于永磁无刷直流电机的控制中。该方法构造了一个径向基函数神经网络对系统进行在线辨识,建立其在线参考模型,由单神经元控制器完成控制器参数的自学习,并在数字信号处理器中实现控制参数的在线调节。系统较好地实现了给定速度参考模型的自适应跟踪,结构简单,能适应环境变化,具有较强的鲁棒性。

一种径向基函数神经网络在线训练算法及其在非线性控制中的应用

针对现有径向基函数 (RBF)神经网络训练算法存在的问题 ,给出了 RBF神经网络的一种在线训练算法 ,对这种在线训练算法所涉及到的各个方面进行了全面的分析 .仿真表明所提出的算法是非常有效的 ,它克服了以往算法的不足并具有很大的实用性 .进一步将 RBF神经网络用于非线性控制 ,取得了良好的结果 .

PWM整流器的径向基函数神经网络控制新方法

提出了一种用于PWM单位功率因数整流器的神经网络(neural network,NN)控制方法.运用预测电流对电压型PWM整流器的有功、无功电流实现解耦,电压环采用基于径向基函数(rad ial basis function,RBF)神经网络自适应调整参数的PI控制器.仿真结果表明,这种PI控制器可以在线调整PI参数,快速跟踪整流器的变化过程,使PWM整流器获得较好的动、静态特性,并对电网负载扰动有较强的适应能力.*

嵌入式神经网络PID控制器的研究与设计

设计了一种基于嵌入式系统的神经网络PID控制器,以ARM芯片为控制器核心,实现对难以建立精确数学模型的非线性系统的自适应控制;控制器采用RBF神经网络对被控对象进行在线辨识,并根据辨识结果对控制器的参数进行在线修正,实现PID控制器的自适应;该控制器体积小、适应能力强且省电;实验结果表明,该控制器可靠性高,响应快,可以在无法确定被控系统数学模型的情况下达到理想的控制效果。

基于改进型RBF神经网络辨识的PID控制

针对工业控制领域复杂非线性时变系统,提出了基于改进型RBF神经网络的PID参数在线自整定方法。采用改进型RBF神经网络辨识器在线辨识系统模型,自动调整PID控制器参数,实现系统的智能控制。仿真结果表明,与常规RBF神经网络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。

记忆径向基神经网络在冷轧液压自动位置系统的优化控制

针对冷轧液压自动位置控制系统多变量、强耦合、高阶次和时变性等特点，提出一种引入记忆因子的径向基函数神经网络在线自适应调节PID参数的系统。为提高网络精度，利用改进的混洗蛙跳算法离线全优化记忆径向基神经网络，在获得网络结构的同时得到初始参数，避免网络模型训练的繁琐，并利用测试函数证明优化后的网络具有良好的逼近能力。然后利用优化后记忆径向基神经网络的自校正功能在线细调PID参数，仿真结果表明，该控制系统跟踪快、超调小、适应性强，控制品质优于传统PID和普通径向基神经网络PID控制方法。

基于RBF神经网络的直接自适应飞行控制器

设计了一种径向基神经网络(RBF NN)飞行控制器结构,并给出了相应的控制律和参数调节律。由于调节了RBF NN的全部参数(连接权、高斯函数的中心和宽度),得到了很好的控制性能。以F8战斗机为控制对象进行了仿真分析,仿真表明,在存在70%的模型误差的情况下,该控制器仍然能实现较好的跟踪控制,表现出很好的鲁棒性,远远优于传统的只调节连接权值的算法。

基于全调节RBF神经网络的自适应飞行控制器

设计了一种基于径向基函数神经网络(RBF NN)的飞行控制器结构,运用李雅普诺夫综合法导出稳定的RBF NN参数调节律,以保证整个系统的稳定性。由于能在线地调节RBF NN的全部参数(连接权、高斯函数的中心和宽度),避免了因人为地估计中心和宽度参数而带来的性能损失,因而提高了控制性能。以F8战斗机为控制对象进行了仿真分析,仿真表明,在存在70%的模型误差的情况下,该控制器仍然能实现较好的跟踪控制,表现出很好的鲁棒性,远远优于传统的只调节连接权值的算法。

基于U模型的神经网络PID控制系统设计

研究一类非线性对象的建模,提出通用的非线性U模型表达式。在非线性U模型基础之上,提出径向基神经网络PID控制算法,采用梯度下降法与PID位置增量算法相结合,根据径向基神经网络在线辨识非线性被控对象,得出Jacobian信息去修正PID控制器参数,最终完成非线性系统的精确控制。仿真结果证实,采用高精度的非线性U模型及神经网络PID控制算法提高了非线性控制系统的精度。

基于RBF神经网络的自抗扰控制器在光电稳定平台上的应用

针对光电稳定平台受到多源干扰而影响平台视轴稳定精度的问题,提出一种基于RBF神经网络的自抗扰控制策略,简化了自抗扰控制器复杂的参数整定问题,并对这种结合RBF神经网络的自抗扰控制器通过Matlab进行仿真分析。结果表明,RBF-ADRC相比常规ADRC具有更优的抗干扰能力和位置跟踪性能,具有较快的响应速度,对提高光电稳定平台的视轴稳定精度具有重要意义。

基于RBF神经网络PID控制的交流伺服系统

将神经网络和PID控制相结合,提出了一种神经网络整定的PID控制策略,并将其应用于交流伺服系统的控制。利用一个两层神经网络在线自适应调整PID控制器的参数,从而使系统的静态和动态性能指标较为理想。径向基函数神经网络用来辨识交流伺服系统的Jacobian信息,其学习算法采用正交最小二乘算法,首先得到径向基函数神经网络的结构,然后用BP算法对该网络的权值进行训练使它逼近给定的函数。实验结果表明,该交流伺服系统具有响应速度快、稳态精度高和鲁棒性强等特点。

基于径向基神经网络的精馏塔产品质量自适应控制

对精馏塔全阶模型进行了分析 ,设计了基于RBF神经网络的直接自适应控制器。采用双端控制 ,克服了单端控制的不足。网络权值的调整算法基于所选择的Lyapunov函数 ,这样可保证闭环系统的稳定性和权值参数的收敛性。仿真结果表明所设计闭环系统具有良好的跟踪性和鲁棒性。

基于RBF神经网络的电力系统自适应励磁控制器的设计

采用后推设计算法设计了SISO严格反馈系统的RBF神经网络自适应控制器。权值的调整算法基于所选择的积分型的Lyapunov函数 ,能保证整个闭环系统是最终一致有界的。把所设计的控制方案用于电力系统的励磁控制中。仿真结果表明 。