用于飞轮储能单元的神经元自适应比例-积分-微分控制算法

提出了种应用于飞轮储能系统的神经元自适应比例?积分?微分(proportional integral differential,PID)控制算法。该算法基于传统的双闭环调速系统与神经网络理论,实现对飞轮驱动电机的控制,使飞轮驱动电机能够根据系统要求,驱动飞轮储能单元储存或释放能量。运用李亚普诺夫稳定性理论证明了该控制算法的稳定性和有效性,并给出了其稳定性条件。经过仿真验证,该算法可以有效地实现对飞轮储能单元的充放电控制,其控制参数可以随着系统的运行自适应调节,飞轮储能单元的控制精度和鲁棒性也有所提高。

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。

数控压机伺服控制系统复合控制器I-ABC与PID优化

为了提高数控压机伺服控制系统的控制精度,针对伺服控制系统运行控制过程构建数学模型,在人工蜂群算法基础上融入了云分析模型,之后采用改进人工蜂群算法(Improved Artificial Bee Colony,I-ABC)调节比例-积分-微分(Proportional Integral Differential,PID)参数,建立了一种复合控制方法。研究结果表明:以I-ABC进行PID控制时,可以使幅度差降低到0.4%,相位差基本在-0.54°之内,系统加载精度也获得了明显提升,表现出了更优的跟踪性能。以I-ABC进行PID控制时,能够对多余力起到明显抑制作用,响应速度也获得明显提升,可以有效满足系统的准确控制要求。在系统内加入干扰信号,引入I-ABC实施PID调节可以减小系统超调量,还可以获得更短调节时间,使系统获得更强抗干扰性能。

基于自适应模糊神经网络控制器的网络控制系统

网络控制系统中存在着时延、丢包、网络干扰等问题。针对网络控制系统中存在恶化系统的控制性能,甚至导致系统不稳定的因素,提出了一种基于自适应模糊神经网络控制器的网络控制系统,它能根据系统的实际输出与期望输出误差,利用自适应模糊控制和神经网络自学习的原理进行控制参数的自行调整,以符合控制系统的实际要求,同时,分析了网络延时,丢包率及网络干扰因素对系统性能的影响。利用True Time工具箱建立了包含自适应模糊神经网络控制器的网络控制系统的仿真模型,并将其分别与基于常规PID控制器的网络控制系统和基于模糊参数PID控制器的网络控制系统进行了比较。实验结果表明,在相同的网络环境下,基于自适应模糊神经网络控制器的网络控制系统的控制效果比基于常规的PID控制器和基于模糊参数PID控制器的要好,且具有较好的抗干扰能力和鲁棒性能。

基于神经网络的磁悬浮球自适应控制器

建立了磁悬浮球系统的数学模型,讨论了系统的刚度阻尼和控制系统之间的关系,利用神经网络的学习功能在传统比例积分微分(PID)控制器的基础上构建了一种自适应PID控制器,用于磁悬浮球控制系统。实验结果表明,控制器结构简单,易于工程实现,可以实现磁悬浮球的稳定悬浮,并且系统具有快速响应性和良好的抗干扰性。

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。

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。

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。

大型电力系统励磁比例-积分-微分调节器的闭环优化方法

采用传统频域方法进行发电机比例–积分–微分(proportional integral differential,PID)励磁调节器的参数设计时只考虑本机组的运行,而忽视了电网的整体运行情况,且性能好坏取决于设计人员的经验。针对这种情况,提出了基于大型电力系统时域仿真曲线的励磁PID调节器闭环优化方法,既能综合考虑机组和电网的运行情况,又能克服传统设计过于依赖经验的不足。该方法使用时域积分性能指标来评价含有PID调节器的闭环电力系统的综合性能,运用Nelder-Mead单纯形方法来有效搜索最优的PID参数。在实际大型电网中的应用结果表明,该优化方法可有效提高大电网电压的动态调节能力,有很好的实际应用前景。

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。

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。

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。

基于神经网络的永磁直线同步电机位置控制

针对永磁直线同步电机(PMLSM)伺服系统中的诸多不确定性问题,提出了采用神经网络来实现实时积分-比例IP位置控制器的设计。本文所提出的神经网络结构合理、简单,权值具有明确物理意义和可以在线快速调整的特点,以便进行实时控制。用由模型参考自适应参数辨识器和负载扰动力观测器构成的估计器来估计动子质量和负载扰动力。将观测的负载扰动力前馈,进一步增强系统的鲁棒性。仿真结果表明,系统具有很强的鲁棒性,同时提高了稳态精度。

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。

基于BP神经网络的生化分析仪的温度控制

对生化分析仪的硬件和软件进行了研究,针对常规PID控制参数在温度控制中难以达到最优,利用BP神经网络对PID控制参数进行学习调整以达到最优。实验结果表明BP神经网络自学习PID参数具有较好的性能。

基于自适应权值神经网络的PID参数优化

针对常规RBF神经网络训练速度慢、控制精度不高的问题,文章提出一种基于自适应遗传优化的RBF神经网络方法,并把优化后的方法用于PID控制器的参数整定中。仿真实验表明,改进后的方法具有更快的响应速度和控制精度,有效提高了PID控制器的性能。