改进GWO-BP算法优化PID在配药系统中的应用

针对PID控制器对配药系统控制过程中常出现不稳定和跃进等现象导致配药浓度误差过大的问题,提出改进的GWO-BP算法优化PID控制器参数在配药系统控制中的仿真应用方案。对于灰狼优化算法在全局寻优能力不足、收敛精度不高和收敛速度不够快等问题,利用改进非线性收敛因子以及改进学习因子来改变位置更新公式,进而改进灰狼优化算法收敛速率,提高寻优能力;利用改进GWO-BP算法优化PID控制器参数解决在实际工程应用中存在鲁棒性低难以得到最优的PID控制器参数等问题。仿真结果显示:IGWO-BP-PID控制器超调量从原来的23.0%降低到10.6%,调节时间从0.76 s减少到0.17 s,峰值时间从0.22 s减少到0.06 s。IGWO-BP-PID控制器的控制效果更优、稳定性更好。

BP网络的PID型二阶快速学习算法

本文利用ＰＩＤ控制的思想，提出了ＢＰ网络的一种二阶快速学习算法，给出了学习因子选择的必要条件与较佳区域，并结合一非线性正弦函数进行了仿真研究．结果表明，较之标准ＢＰ学习算法，利用此法可使学习收敛速度提高２２倍左右．

基于BP-PID算法的无线分布式温度控制系统

针对传统工业现场温度控制系统存在的复杂性、多样性、分布式特点,将具备灵活性、可移植性、可扩展性的无线网络与传统温度控制系统相结合。运用传统PID与BP神经网络相结合的算法,并结合复合数字滤波法进行软件滤波,开发了一种基于Wi-Fi的无线网络温度控制系统,实现了对分布式复杂工业电阻炉的集中管理与分散控制。其鲁棒性、控制精度和响应速度都满足工业生产现场要求,并且很好地解决了有线控制网络的布线复杂、不易扩展、维护不便等缺陷。

基于BP神经网络的速度前馈PID控制器设计

针对工业控制中常出现的模型未知且具有时变特性的复杂被控系统,为满足对被控系统快速响应的控制要求,提出一种经过遗传优化预处理的基于BP神经网络的速度前馈PID控制器。通过将PID控制器与速度前馈控制器相结合,利用遗传算法对控制器参数进行一次离线优化预处理,再通过BP神经网络实现控制器参数在优化预处理基础上的二次在线自适应整定,以达到实时最优控制的目的。在MATLAB下进行仿真验证,结果表明:与常规PID控制器相比,阶跃输入下的系统响应时间减少22%,正弦输入下的系统跟随误差减少12%,控制器参数能实时自适应调节。

基于BP神经网络的PID控制方法的研究

本文提出了一种基于BP神经网络的PID控制方法,充分利用BP神经网络算法逼近任意连续有界非线性函数的能力,这种PID控制方法能学习和适应严重不确定系统的动态特性。文中采用三层前向网络,动态BP算法,达到了在线实时控制的目的,显示了BP神经网络的PID控制方法很强的鲁棒性,同时也显示了神经网络在解决高度非线性和严重不确定系统方面的潜能。计算机仿真结果表明,基于BP神经网络的PID控制较常规的PID控制具有更好的鲁棒性和自适应性,能取得良好的控制效果。

基于BP神经网络的直流电机PID控制系统研究

以直流电动机为控制对象,建立数学模型,并在传统PID的基础上结合神经网络算法,充分利用神经网络自学习功能,实现对PID参数的实时在线自整定.克服了PID控制参数难以确定和控制过程无法随环境等变化而自适应的缺点,体现了神经网络较好的智能性与较强的鲁棒性.利用Matlab软件进行仿真研究,结果表明神经网络PID较传统PID更精准,更具适应性,控制效果优越.

BP神经网络PID控制器在工业控制系统中的研究与仿真

针对实际被控对象的时变性和非线性的特点,本文将基于BP神经网络PID的控制器应用于工业控制系统中,同时设计了三层BP神经网络并对BP神经网络PID控制器的算法进行了分析。仿真结果的分析表明:本文所设计的BP神经网络PID控制器在跟随性能、抗扰性能和鲁棒性能方面表现出了良好的控制效果。

一种基于BP神经网络算法PID控制器的研究与仿真

文中将BP神经网络的原理应用于参数辨识过程,结合传统的PID控制算法,形成一种改进型BP神经网络PID控制算法。该算法利用BP神经网络建立系统参数模型,能够跟踪被控对象的变化,取得较高的辨识精度。针对BP神经网络对权系初始值敏感的缺点,优化BP神经网络的初始权系数。通过BP算法修正BP网络自身权系数,实现PID参数的在线调整。仿真结果显示了该算法收敛速度快、精度高、鲁棒性强、稳定性好,表明了该算法的可行性与有效性。

遗传算法在BP网络PID控制中的应用仿真

为了有效地克服BP网络存在的局限性,即控制效果严重依赖于权值矩阵初始值,对空调系统模型进行了多次仿真,结果权值矩阵初始值的优化点分布与取值区间具有相关性,即在特定优化区间内,满意的权值矩阵初始值数量较多。引用遗传算法全局搜索能力和过程流程图,并引入到BP网络PID控制之中,既利用了遗传算法的全局搜索能力进行权值矩阵区间优化,同时利用BP网络的局部搜索能力与实时处理能力,有效地解决了常规BP网络控制的局限性。仿真结果表明,混合算法优于常规BP网络整定PID控制方法,并可推广到其它BP网络应用领域。

改进的BP神经网络PID控制器在气体浓度控制中的研究

针对动物缺氧实验中气体浓度控制这一时变非线性的过程,将BP神经网络与传统PID控制相结合虽然可以取得较好的控制效果,但是也存在着网络收敛速度慢、稳定性较差等问题.基于此,提出了一种基于改进的遗传算法优化的BP神经网络PID控制器.首先,该控制器对遗传算法的收敛速度和稳定性进行改进,利用改进后的遗传算法优化BP神经网络的权重初始值;然后,用优化后的BP神经网络实现PID控制参数的在线调整;最后,在MATLAB中对两种控制器进行仿真实验,结果显示,与传统的BP神经网络PID控制器相比,改进后的BP神经网络PID控制器具有更好的控制性能.

基于BP神经网络的火电厂水质调节系统的Smith-PID自适应控制

针对火电厂水质调节系统大时滞时变性的特点,提出了基于BP神经网络的Smith PID控制算法,仿真研究和实际应用表明,该控制算法具有良好的静态特性、动态品质和很强的鲁棒性;工程应用控制效果令人满意。

具有遗传算法优化BP神经网络调节的HVDC PID控制器设计

高压直流输电(HVDC)定电流控制是直流输电系统的控制方式之一,为了使HVDC PID控制器具有较好的自适应性,实现控制器参数自动调整,提出一种具有遗传算法优化BP神经网络调节的HVDC PID控制器。该控制器首先利用遗传算法对BP神经网络的初始权值进行优化,再利用BP神经网络对PID三个参数进行在线调整。仿真研究表明:具有遗传算法优化BP神经网络调节的PID控制器可以保证系统动态响应具有较好的快速性和对系统扰动的自适应性,是可行的。

采用免疫BP算法的模糊神经网络PID控制器

文章在传统PID控制器的基础上,结合模糊控制和神经网络控制理论设计出自适应模糊神经网络PID控制器,并将免疫反馈机制应用到BP学习算法中,通过自适应调整学习速率,改善算法的收敛性;通过Matlab仿真验证了引入免疫反馈机制的BP算法的优越性。仿真及实际应用结果表明,采用免疫BP算法的模糊神经网络PID控制器响应速度快,控制输出稳定,抗干扰能力强,鲁棒性好,较模糊PID和传统PID控制器具有更好的动、静态特性。

基于遗传算法-BP神经网络的PID控制器的设计

针对常规PID控制器不能对其参数进行自寻优的缺点,提出采用遗传算法优化BP神经网络PID控制器,使3个参数实现在线调整。并通过MATLAB仿真试验表明:基于遗传算法-BP神经网络的PID控制器比常规PID控制跟踪信号的能力要好,而且有较好的自适应和自学习能力。

基于PSO算法和BP神经网络的PID控制研究

针对PID控制中的参数整定的难点及基本BP算法收敛速度慢、易陷入局部极值的问题,提出利用PSO算法的全局寻优能力和较强的收敛性来改进BP网络的权值调整新方法,从而对PID控制的比例、积分、微分进行优化控制。该方法是在基本BP算法的误差反向传播的基础上,使粒子位置的更新对应BP网络的权值和阈值的调整,既充分利用了PSO算法的全局寻优性又较好地保持了BP算法本身的反向传播特点。仿真结果表明基于PSO算法的BP神经网络的PID优化控制具有较好的性能和自学习、自适应性。

基于PLC的BP神经网络PID控制算法实现

本文研究BP神经网络PID控制算法在PLC中的具体实现方法。着重介绍了BP神经网络自整定PID控制系统结构和算法;以S7-1200 PLC为控制器,采用SCL语言进行了BP神经网络自整定PID控制算法功能块的设计,给出了功能块参数的说明;试验表明,相比常规PID控制,BP神经网络自整定PID控制能获得更好的控制效果,设计的算法功能块具有一定的通用性和可移植性,为先进控制算法拓展到工程实际领域提供了应用参考。

改进BP算法优化的纺织空调智能PIDNN控制

针对纺织厂多输入多输出空调系统采用一般PID控制方法,控制精度不高,难以实现温湿度的理想控制和满足生产工艺要求的问题,提出了一种优化改进BP算法与PID神经元网络相结合的空调温湿度控制方法。分别对一般PID控制方法,未改进BP算法与PIDNN结合的控制方法,以及优化改进的BP算法结合PIDNN控制方法进行了测试对比。结果表明:优化改进的BP算法与PIDNN相结合后,解耦效果更理想,鲁棒性更强,响应速度更快,控制效果更好。认为:优化改进的BP算法结合PIDNN控制方法能实现温湿度间的理想解耦,提高系统控制精度,有效缩短控制时间,可满足纺织厂生产工艺对温湿度的要求,使纺织空调系统智能化程度提高。

基于IPSO-BPNN-PID控制的食品并联机器人抓取技术

目的:解决并联机器人在食品分拣中存在的效率低、精度差等问题。方法:在食品分拣系统结构的基础上,提出了一种改进BP神经网络与PID控制相结合的Delta机器人运动目标抓取策略。通过改进的粒子群优化算法优化BP神经网络初始权值,并利用优化的BP神经网络对PID控制参数进行实时调整。通过试验分析该方法的性能验证其优越性。结果:相比于传统控制方法,所提方法能够较为准确、高效地实现动态目标捕获,动态抓取成功率达到98%以上,能够满足食品分拣的需要。结论:通过对动目标抓取策略的优化可以有效地提高Delta机器人的抓取效率和精度。

改进的GA与BP-PID融合移动机器人轨迹跟踪研究

针对PID控制器轨迹跟踪精度差的问题,在BP网络对PID参数拟合的基础上,利用算法融合的思想,使用改进后的遗传算法对BP网络进行参数寻优,避免BP网络陷入局部最优解,再使用BP网络对PID参数进行拟合。文章给出了控制算法的整体流程,并结合移动机器人的运动学方程进行了仿真对比实验。结果显示:改进后的融合算法相比PID算法控制误差更小,即改进的GA与BP-PID融合算法在移动机器人轨迹跟踪精度上发生了明显的改善。

基于BP神经网络PID算法的风力摆控制系统的设计

随着智能控制技术的发展,将神经网络技术与传统PID控制技术相结合,并应用到控制系统中去已成为一种趋势。在对风力摆控制系统进行需求分析的基础上,针对其具有非线性和参数不确定等特点,提出了基于BP神经网络PID算法的风力摆控制系统的设计方案,将BP神经网络应用到传统PID控制中,设计出了系统的软硬件结构,实现了有效控制风力摆按指定角度画线、指定时间恢复静止和画圆的功能。研究结果表明:采用BP神经网络PID算法的控制系统具有更强的稳定性和控制精度。