神经网络自适应PID技术在球墨铸铁管生产上的应用

通过采用西门子S7-400系列模块组成的新型神经网络自适应PID技术在球墨铸铁管生产上的应用,实现了离心机主机闭环自动控制,使铸管生产的产品数量和质量有了一个大的飞跃,从而保证了生产薄壁球墨铸铁管C级产品质量的要求,提高了企业在市场上的竞争力。

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。

BP神经网络优化参数的螺杆点胶阀无模型自适应控制技术

螺杆点胶阀因点胶效率高、精度高、胶点均匀性高等优点,广泛应用于微电子封装等领域,而电机转速的控制性能是决定螺杆点胶阀点胶质量的重要因素。针对点胶阀在外部干扰和负载扰动情况下,PID速度控制效果不理想,参数难以整定的问题,采用BP神经网络-无模型自适应控制(BP-MFAC)算法,通过BP神经网络在线整定无模型自适应控制器参数来实现对电机速度的自适应控制,无需人工整定参数。仿真和实验对比结果表明,该算法相较于PID控制算法,在电机速度控制上具有更小的超调量和稳态误差,更短的调节时间;在外部干扰和负载扰动的情况下,具有更好的抗扰动能力。

基于自适应神经网络模糊PID物料卷绕张力控制系统的研究与设计

物料卷绕控制系统中张力的控制是决定生产工序、产品质量和生产效率的关键因素。因张力控制具有多变量、非线性、时变性且难以建立精确模型等问题,使得卷绕系统张力的稳定控制尤为困难。为了有效提高卷绕系统的稳定性和控制精度,在研究传统PID控制器和模糊PID基础上,设计了基于自适应神经网络模糊PID的物料卷绕恒张力控制系统。在模糊控制的基础上,加入BP神经网络,实现对张力的精准控制。最后,采用Simulink搭建控制器进行仿真验证和在运动控制设备中进行实验验证,并利用触摸屏实时监控运行状态。实验结果表明,采用自适应神经网络模糊PID的卷绕系统张力控制精度高,响应快,自适应调节能力强,且在高张高速的工况下,依旧保持响应速度快、稳定性高的运行效果。

基于PSO-BP神经网络的临时支架支撑力自适应控制

为了使临时支架的支撑力更好地与矿压相适应,提高支架的支护能力,以双联自移式临时支架为研究对象,提出了基于粒子群优化(PSO)-BP神经网络的临时支架支撑力自适应控制方法。利用PSO算法的全局搜索能力及快速收敛特性对BP神经网络的初始权值进行优化,提高BP神经网络的收敛速度;再通过优化后的BP神经网络实现PID参数在线自调整,构建PSO-BP神经网络优化PID控制器,使临时支架的支撑力更快速、准确地达到预定值,实现临时支架支撑力自适应控制,避免因支护力和顶板压力不匹配而对顶板造成破坏。用单位阶跃信号模拟临时支护支架的期望初撑力进行实验验证,结果表明,与BP神经网络优化PID控制器及传统PID控制器相比,PSO-BP神经网络优化PID控制器可以更快、更准确地达到预期的初撑力,调整时间仅为0.5 s且基本不存在超调。根据实际地质条件仿真模拟开挖支护过程中支架受到的顶板压力,研究3种控制器的支撑力自适应控制效果,结果表明,在PSO-BP神经网络优化PID控制器的控制下,系统误差仅为0.02 MPa,误差最小,控制效果最好。

基于多重模糊神经网络的PID温度控制算法

传统PID算法在控制具有大滞后、非线性、时变性等动态特性复杂的温度对象时,存在超调量大、参数无法自调节、模型自适应能力差、系统稳定性低等问题。为此,文章提出一种多重T-S型模糊神经网络PID温度控制算法。该算法根据PID算法的结构特点,利用T-S型模糊神经网络的单输出特性,建立能分别输出PID 3个参数的3重网络模型。MATLAB仿真实验结果表明,该算法与传统PID、BP神经网络PID,以及常规模糊神经网络PID等相比,超调量低,稳定性好,模型自适应性强,抗干扰能力强,综合性能指标好。

基于神经网络自适应稳定PID控制方法的研究

经典的基于对象精确数学模型的PID控制方法的自适应性较差 ,难以适应具有非线性、时变不确定性的被控对象 .神经网络控制算法的稳定性又受到迭代初值的影响 ,且算法复杂 .为此提出了一种基于RBF神经网络的、结构简单的、稳定的PID直接自适应控制方法 .讨论了控制器参数迭代初值选取的基本原则 ,并给出了在保证系统稳定性前提下参数的迭代算法 .仿真研究结果表明 ,该方法的鲁棒性和跟踪性能均优于经典PID方法 .

基于神经网络PID综掘巷道超前支架支撑力自适应控制

掘进扰动下,煤炭深部开采高地应力会导致深部围岩大范围塑性破坏和强烈动力失稳,且持续时间较长,存在安全隐患,严重威胁着掘进工作面煤矿工人的人身安全。近年来,国内外学者在深部围岩压力变化规律、围岩控制理论和超前支护等方面开展了许多研究,但仍存在许多亟待解决的问题。超前支架的支撑力自适应围岩压力变化可充分利用巷道围岩的自承载能力,避免巷道围岩出现破裂、碎裂等现象。介绍了一种自移式超前支架的结构,分析了该支架支撑力液压控制系统,建立了该控制系统的数学模型,研究了该系统在无控制算法、传统PID控制和神经网络PID控制等情况下的系统性能;根据旗山矿的地质条件建立了围岩-超前支架力学耦合模型,利用FLAC3D软件仿真拟合得到了巷道围岩压力变化曲线;并以此曲线为输入,模拟研究了在传统PID控制和神经网络PID控制两种算法时超前支架支撑力对巷道围岩压力变化的自适应变化规律。研究结果表明,与传统PID控制相比,采用神经网络PID控制算法后,支架支撑力控制系统调节时间约为2 s,缩短了16倍,超调量约为6%,动态性能得到了改善;自适应围岩压力跟踪误差为0.005 5,改善了6.8倍,证明了神经网络PID控制策略能够对支架支撑力进行控制且其控制效果比传统PID控制效果有较大优势。

主动磁轴承的神经网络自适应PID控制

针对主动磁轴承系统的本质不稳定性、非线性和参数不确定性,提出基于BP神经网络的自适应PID控制器.该控制器输出含有P、I、D信号的非线性组合,补偿了磁轴承系统的非线性,使系统控制效果良好;同时控制器可根据磁轴承的运行状况进行在线自学习和自校正,避免了传统PID控制器参数整定困难的缺点.最后基于某磁轴承系统的仿真研究表明了该控制器的有效性.

基于神经网络的模糊自适应PID控制方法

提出一种基于ＢＰ神经网络的模糊自适应ＰＩＤ控制器。该控制器综合模糊控制、神经网络与ＰＩＤ调节各自的优点，既具有模糊控制的简单和有效的非线性控制作用，又具有神经网络的学习和适应能力．同时具备ＰＩＤ控制的广泛适应性，仿真实验表明该控制器对模型、环境具有较好的适应能力和较强的鲁棒性。

基于神经网络自适应PID控制的船舶操纵研究

本文针对船舶操纵这种非线性、时变参数控制对象，提出了一种采用神经网络自适应PID控制方案。该控制结构有两个子神经网络组成，一个三层BP神经网络用于对被控对象进行在线辨识，另一个两层线性网络构成具有PID结构的控制器。文中给出了神经网络的在线训练学习方法，并进行了船舶操纵控制仿真研究。

神经网络自适应PID控制在柴油机齿条位置控制中的应用

提出了基于BP神经网络的PID控制算法在柴油机齿条位置控制系统中的应用,把传统的PID控制和BP(误差反向传播)神经网络控制相结合,采用"先离线学习,后在线控制"的思想实现了齿条位置闭环的自适应控制。初步实验结果表明,该控制算法能满足齿条位移控制的性能指标,且其稳态特性较好,克服静摩擦的效果令人满意。

基于神经网络的自适应PID控制器及其应用

介绍一种基于神经网络的自适应PID控制器,运用神经网络和BP算法在线调整PID参数,PID参数的初值采用继电器自整定法整定。仿真分析和实际应用结果表明,与传统的数字PID控制器相比,该控制器具有更好的控制效果和更好的鲁捧性。

多变量自适应PID型神经网络控制器及其设计方法

提出一种PID型神经网络控制器(PID-like Neural Network Controller,PIDNNC)及其设计方法.基于PID的简单结构和良好性能优势以及神经网络的自调节和自适应的特长,创建一种具有PID结构的多变量自适应的PID型神经网络控制器.该网络控制器的隐含层由带有输出反馈和激活反馈的混合局部连接递归网络组成.通过定义误差函数作为设计目标,采用弹性BP算法,并用变化率以及弹性BP算法中的符号法来处理某些求导关系,获得适于实时在线调整网络权值的修正公式.根据李亚普诺夫稳定性定理推导出确保控制系统稳定的学习速率的取值范围.最后通过实例进一步说明所提出网络控制器的优越性.*

基于神经网络和多模型的非线性自适应PID控制及应用

针对一类未知的单输入单输出离散非线性系统,提出了基于神经网络和多模型的非线性自适应PID控制方法。该方法由线性自适应PID控制器、神经网络非线性自适应PID控制器以及切换机构组成。采用线性自适应PID控制器可保证闭环系统所有信号有界;采用神经网络非线性自适应PID控制器可改善系统性能;通过引入合理的切换机制,能够在保证闭环系统稳定的同时,提高系统性能。理论分析表明,该方法能够保证闭环系统所有信号有界,如果适当地选择神经网络的结构和参数,系统的跟踪误差将收敛于任意给定的紧集。将所提出的方法应用于连续搅拌反应釜,仿真结果验证了所提出方法的有效性。由于该方法基于增量式数字PID控制器,在工业过程中有着广阔的应用前景。

基于GA与CSA-RBF神经网络辨识的自适应PID控制器

提出了一种基于遗传算法(GA)、克隆选择算法(CSA)和神经网络的自适应PID控制器的设计方法。该控制器主要由四部分组成:一是利用遗传算法优化PID参数初始值;二是用克隆选择算法对径向基函数(RBF)神经网络参数初始值优化;三是RBF神经网络完成对被控对象Jacobian信息辨识;四是单神经元PID控制器,学习并在线调整PID参数,以确保系统的响应具有最优的动态和稳态性能。仿真结果表明,该控制器具有响应速度快,稳态精度高等特点,可用于控制不同的对象和过程。

PID神经网络解耦控制技术在VAV中的应用

通过采用 PID神经元网络解耦控制技术 ,对耦合强烈的具有变风量空调系统传递函数矩阵形式的 4维传递函数矩阵系统进行解耦控制 ,通过解耦控制系统仿真研究 ,可以看出取得了很好的解耦效果 ,为变风量空调系统 (4个回路 )的解耦控制提供了有效的方法。

带神经网络转矩观测器的PMSM自适应前馈PID控制器设计

推导了永磁同步电机(PMSM)的ARMA模型,由递归神经网络构成综合转矩观测器,从而把综合负载转矩视为可测干扰;结合极点配置自校正控制、PID控制和前馈控制思想,设计了PMSM的自适应前馈PID控制器。有效地解决了PMSM系统中参数变化和负载扰动等不确定性问题。仿真实验结果表明,该方法具有较强的鲁棒性。

基于PID型神经网络的自适应控制

本文提出了一种新的基于 PID型神经网络的自适应控制系统 ,给出了神经网络控制器的学习算法和控制系统的稳定性分析。仿真结果对该控制方案进行了验证。

神经网络与PID结合的机器人自适应控制

提出一种基于神经网络与ＰＩＤ控制相结合的机器人自适应控制系统．为加快神经网络的学习过程，研究了有效的启发式学习算法．以二关节机器人为对象仿真表明，该控制系统能使机器人跟踪希望轨迹，其系统响应、跟踪精度及鲁棒性优于常规的控制策略．