基于小脑模型神经网络-比例积分微分控制的异步风力发电机组软并网控制系统建模与仿真

分析了利用晶闸管进行软并网的原理;采用改进的小脑模型神经网络与比例积分微分并行控制方法对风力发电的异步发电机并网过渡过程进行了研究;利用Matlab/Simulink平台建立了仿真控制模型。不同风速下风电机切入电网的仿真结果验证了文中所提出控制方案的正确性:采用该控制方案可将并网冲击电流控制在额定电流的2倍以内,且该软并网系统具有较好的稳定性、实时性。

非线性比例积分微分神经网络控制的康复设备(英文)

介绍一种针对脑卒中患者的运动康复训练仪,采用直线运动模式和圆周运动模式作为训练轨迹,按照预先设定的轨迹运动帮助患者达到神经康复的目的。康复训练仪采用气动人工肌肉作为运动驱动器,气动人工肌肉具有重量轻、出力大、柔性好、使用安全方便、能源方便清洁等特点,适于在康复医疗仪器中使用。由于气体的可压缩性、气动人工肌肉的非线性、以及关节内部固有滞环等原因的存在,使得气动人工肌肉驱动关节位置控制精度差及响应时间比较慢,从而直接影响整个关节的轨迹规划问题。因此采用比例积分微分神经网络控制器对气动人工肌肉进行位置控制。

基于Gronwall积分不等式的比例时滞神经网络稳定性分析

在时滞神经网络的研究中,人们通常是利用构造李亚普诺夫函数来分析系统的稳定性.该文研究了一类具有放缩时滞的神经网络,利用Gronwall积分不等式研究了该放缩时滞神经网络的稳定性问题,得出该系统全局指数稳定性的新判据,并通过实例仿真验证了结果的有效性和可行性.

基于神经网络PI的电静液作动器温度补偿控制方法研究

电静液作动器(Electro-hydrostatic Actuator,EHA)作为一种高性能集成化的动力执行器,广泛应用于航天航空、工业生产和军事领域。在不同油液温度下,液压油的体积弹性模量、黏度等性质会发生变化,从而对EHA的控制精度产生影响。针对此问题,首先建立了EHA数学模型;其次,设计了反向传播(BP)神经网络对比例积分控制器(PI)控制参数进行在线调节,补偿温度变化对跟踪精度的影响;最后,通过实验验证了传统PI控制的EHA跟踪精度与温度变化有着密切关系,并将BPPI控制器与PI控制器进行实验对比。实验结果表明,所设计的BPPI控制器在不同油液温度下平均跟踪误差之间的差值较PI控制器降低80%以上;且在相同温度下,平均跟踪误差较PI控制器降低60%以上。

基于前馈型神经网络解线性Fredholm积分-微分方程

为了研究积分微分方程的数值解,构造了一种前馈型神经网络用于求解Fredholm积分微分方程近似解。首先,运用Taylor展开式近似代替未知函数,神经网络的误差由内部误差和边界误差组成。其次,应用神经网络对Taylor展开式的系数进行学习从而得到近似解。最后,与梯形求积规则(Trapezoidal Quadrature Rule,TQR)数值方法进行比较,验证了提出方法的可行性与有效性。

基于微分器与RBF神经网络的PID控制

针对传统PID控制中抗干扰性差、控制精度不高等问题,在控制中引入微分控制与神经网络,基于微分器与RBF神经网络重新设计PID控制器,经过仿真,上述控制器可以发挥更好的控制效果,改善了PID控制中的抗噪性和精准度,使得控制器的适应性及鲁棒性获得提升.研究对PID控制的改善工作具有理论性的意义,也对我国的工业发展具有现实性的指导意义.

基于前馈型神经网络解变系数分数阶积分微分方程

为了研究变系数分数阶积分微分方程的数值解,提出了一种基于Bernstein多项式的前馈型神经网络求解变系数分数阶Fredholm积分微分方程的方法。首先,根据Caputo分数阶导数的定义,将变系数分数阶的积分微分方程转化为Bernstein多项式空间上的矩阵形式;然后,将Bernstein多项式的系数作为权重,构造前馈型神经网络,采用梯度下降法对权重进行学习,从而得到近似解;接着,从理论上证明了该前馈型神经网络的收敛性;最后,通过数值实例分析验证了提出方法的有效性。

一类具多比例时滞递归神经网络的全局指数稳定性

比例时滞是一种不同于常时滞、有界变时滞和分布时滞的时变无界时滞.具比例时滞的系统在物理学、生物学和控制理论等领域发挥着重要的作用,但目前具比例时滞神经网络的动力学行为研究相对较少.本文对一类具多比例时滞递归神经网络的全局指数稳定性进行研究.首先,利用非线性变换将一类具多比例时滞的递归神经网络等价变换成一类变系数常时滞的递归神经网络,然后利用M-矩阵理论和同胚映射定理,以及时滞微分不等式技巧,得到了该系统平衡点的存在性、唯一性及其全局指数稳定性的时滞无关的充分条件,该条件依赖于神经网络的连接权值矩阵和神经元的激励函数.最后数值实验结果验证所得结论的正确性和与以往文献相比较低的保守性.

一类具比例时滞递归神经网络的全局稳定性及仿真

针对一类具有比例时滞的递归神经网络,运用对角(半)稳定矩阵,Lyapunov稳定性理论及构造时滞微分不等式,得到该系统全局渐近稳定和全局指数稳定的充分条件.在给出的数值算例中,通过偏置性输入的变化及相应的仿真验证了所得结论的正确性和有效性.

一类具多比例时滞广义细胞神经网络的全局指数稳定性

对一类具多比例时滞广义细胞神经网络的全局指数稳定性进行研究.首先用Brouwer不动点定理证明了该系统平衡点的存在唯一性,再通过建立时滞微分不等式,获得了保证该系统平衡点全局指数稳定的时滞独立的充分条件.最后,给出了一个数值算例验证所得结果的正确性和有效性.

周期多比例时滞细胞神经网络全局渐近稳定性的平均准则

本文致力于研究带有周期系数和多比例时滞细胞神经网络的全局渐近稳定性。首先,通过研究微分不等式的渐近稳定性,我们给出一类周期泛函微分方程的渐近稳定性准则;其次,利用获得的稳定性结果和非线性测度方法,我们给出该类神经网络的全局渐近稳定性准则,我们的研究结果是现有相关结果的部分推广;最后,一个例子被提供以说明我们结果的正确性。

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。

基于BP神经网络PID参数自整定的研究

PID控制是迄今为止在过程控制中应用最为广泛的控制方法。但在实际应用中,其参数整定仍未得到较好的解决。本文把神经网络技术应用在PID控制中,充分利用神经网络具有非线性函数逼近能力,构造神经网络PID自整定控制器,并通过仿真试验,取得较好的结果。

基于RBF神经网络非线性预测模型的开关磁阻电机自适应PID控制

开关磁阻电机的非线性和变参数特性使得采用传统的PID控制很难取得较好的控制效果。人工神经网络在一定的条件下可以任意精度逼近任意非线性函数且具有较强的自学习、自适应、自组织能力。故将其与传统的PID控制相结合构成神经网络自适应PID控制策略,应用于非线性严重的开关磁阻电机,可实现对开关磁阻电机的高性能控制。同时,神经网络所具有的非线性变换特性和高度的并行运算能力使得其适合建立非线性预测模型进行参数预测。通过对被控系统参数的预测,可提高系统的动态响应性能。该文采用两个神经网络-BP神经网络和RBF神经网络来分别构成神经网络NNC和神经网络NNI。神经网络NNC进行自适应PID参数调节；神经网络NNI用来建立非线性预测模型进行参数预测。为进一步加快神经网络的学习收敛速度,该文采用变学习速率的神经网络学习算法,学习速率随收敛过程误差的大小而自适应地进行调整,这可大大加快神经网络学习训练的收敛速度,进一步提高系统动态响应速度。实验结果表明,系统的动态响应快,超调小,稳态精度高,鲁棒性强,有较强的抗扰动能力,具有较好的控制效果。

LMBP神经网络PID控制器在暖通空调系统中的应用研究

针对BP神经网络学习过程收敛速度慢及易陷入局部极小值的缺陷,研究了levenberg-marquart算法(即LM算法).为解决LM算法中学习速率的选择和逆矩阵的求解这两个严重影响训练时间和收敛精度的问题,采用LU分解法对LM算法进行改进和优化,并通过MATLAB语言编程实现,将得到的LMBP神经网络PID控制器应用于暖通空调冷冻水循环的控制回路中,将其控制效果与PID控制算法、BP神经网络PID控制算法进行仿真对比研究.研究结果表明,采用LMBP神经网络PID控制器在减少超调量、加快收敛速度、减少稳态误差等方面的性能都得到了明显的改善.

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。

BP神经网络在PID控制器参数整定中的应用

研究工业控制过程,针对控制器优化问题,PID控制是迄今为止在过程控制中应用最为广泛的控制方法。但在实际应用中,对有非线性、时变性系统,无法建立精确模型。为了解决控制参数整定,达到精确控制,改善系统性能,提出一种基于BP神经网络的PID控制器参数整定方法。通过建立三层神经网络模型,在控制过程中将神经网络的隐含层单元分别作为PID的比例(P)、积分(I)、微分(D)单元,从而构造参数自学习的PID控制器,在控制过程中动态调整PID的三个控制参数,从而进行PID控制参数的在线整定。仿真结果表明,基于BP神经网络的PID控制方法在处理非线性和时变系统时,提高了实时性能,增强系统稳定性,并获得更好的控制效果。

基于PID神经网络自动换挡过程油门调速

提出了一种在AMT换挡过程中运用PID神经网络进行油门调速的方法.通过台架实验,建立了东风康明斯EQB235-20柴油发动机的油门实验模型,同时在Matlab平台上对PID神经网络进行训练,使其输出逼近理想油门实验模型.将训练后的PID神经网络移植入ECU,进行发动机调速实验.实验表明,PID神经网络有响应速度快、鲁棒性好、收敛特性好的特点,提高了车辆的自适应能力.

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PSO-BP-PID神经网络的注塑机料筒温度预测算法研究

提出了一种基于粒子群优化(PSO)算法、BP神经网络及比例积分微分(PID)控制的复合算法的注塑机料筒温度预测模型,即PSO-BP-PID神经网络模型,并进行了仿真研究。结果表明:使用PSO算法确定该模型的输出权重,并且对混合核函数参数进行优化升级;在模型训练过程中,使用更大的容许度处理正误差,保证预测误差始终处于正值,使预测结果科学可靠;将高斯核函数与多项式核函数结合,生成一个新型混合核函数,提高核函数极限学习机性能;PSO-BP-PID神经网络模型的预测效果整体较传统PID模型好,温度总体趋势与实际预测数据相近,具有更好的拟合度。