基于BP神经网络PID的中子发生器离子源阳极电流控制研究

本文将BP神经网络算法与PID控制结合,优化了中子发生器控制离子源阳极电流PID调节过程,实现了控制器自适应整定,提升了控制效果。基于离子源阳极电流控制模型改进了PID算法,通过MATLAB/Simulink软件对两种算法进行仿真并对比分析。通过LabVIEW控制并采集离子源阳极电流值,使用改进后的BP神经网络PID算法控制程序进行实验。经实验表明,BP神经网络PID对离子源阳极电流控制能够实现参数的自适应整定,相比传统PID控制器超调量更小、响应速度更快,提高了中子发生器的控制稳定性。

基于BP神经网络的PID控制算法参数优化

随着控制理论快速发展,比例积分微分(Proportional Integral Derivative,PID)控制算法广泛应用于工业生产中,依托成熟的控制策略,研究人员将PID控制算法与其他学科进行有机融合,衍生了全新的控制理论,神经网络就是其中最典型的一种控制理论。得益于神经网络的强大学习能力和对非线性函数的逼近能力,神经网络可以应用于PID控制算法中。研究发现,将BP神经网络应用于PID算法存在收敛速度慢以及网络波动振荡等问题,为了进一步完善该控制理论,该文通过改进BP神经网络的学习速率和添加动量修正因子的方法来对其进行优化。

基于BP神经网络的PID参数自整定的船舶操纵控制器研究

船舶操纵的模型参数具有非线性、慢时变特性。船舶操纵的传统控制方法的操纵性能不能令人满意。本文讨论一种应用BP神经网络实现PID参数自整定的控制方法。此法能根据船舶动态特性的变化 ,自动重新整定PID参数 。

改进型PID参数神经网络自学习的船舶操纵控制器

船舶操纵的模型参数具有非线性、慢时变特性。船舶操纵的传统控制方法的操纵性能不能令人满意。本文讨论一种应用改进型BP神经网络实现PID参数自整定的控制方法。此法能根据船舶动态特性的变化，自动重新整定PID参数，从而改善了操纵性能和鲁棒性。

基于改进PSO-BP神经网络的电锭细纱机的PID控制

电锭细纱机为单锭单电机驱动,其每个驱动单元为独立运转的无刷直流电机,而传统PID调节无法满足电锭细纱机电锭单元高精度的控制要求,外部的扰动与电机的非线性性将影响细纱机锭子之间的转速,造成锭子之间转速存在较大差异,从而降低了同批纱线的质量。针对这一问题,将改进的PSO-BP神经网络应用于电锭细纱机PID参数的在线整定,减小电机之间的速度波动。引入了逻辑回归特性的惯性权重因子,采用了异步时变的学习策略并结合收敛精度从三方面对粒子群算法进行了优化,改善了网络的初始权值并提高了收敛速度,实验和仿真结果表明,改进后的PID控制器有更高的调速性能和更好的抗干扰能力,有效降低了细纱机锭子之间的转速差。

基于BP神经网络的PID参数自整定的船舶操纵控制器研究

船舶操纵的模型参数具有非线性、慢时变特性。船舶操纵的传统控制方法的操纵性能不能令人满意。本文讨论一种应用BP神经网络实现PID参数自整定的控制方法。此法能根据船舶动态特性的变化 ,自动重新整定PID参数 。

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BP神经网络辨识的预测滤波PID控制

针对复杂非线性系统采用常规PID控制性能不好的问题,通过BP神经网络构建系统输出量的辨识器,在目标函数中加入优化参数的增量约束项,提出可克服算法病态的牛顿法,并用其在线学习BP神经网络的连接权,根据增量式预测滤波PID控制,推导了PID控制参数应满足的线性不等式约束条件,将PID控制参数的优化归结为线性不等式约束的最优化问题。综上研究提出基于BP神经网络辨识的在线优化参数预测滤波PID控制。仿真研究说明,因算法具有在线优化PID控制参数和预测控制性能,故提出的智能PID控制算法与常规PID控制相比,具有更优的性能。

基于BP神经网络的PID控制器

利用神经网络和反馈控制理论,提出了一种基于神经网络PID控制器的伺服控制系统结构 在高精度仿真试验转台的应用中证实,该方法避免了PID参数的整定难以匹配的问题,减小了干摩擦对低速运动的影响 实验表明:方法自适应能力强,调节品质好,具有较高的应用价值。

BP神经网络PID控制器在聚合釜温控中的应用

介绍了基于BP神经网络PID控制器的算法,在此基础上提出了多模态神经网络-PID方法。将神经网络PID与普通PID控制方法进行比较,结果表明,该方法具有自适应能力强、过渡时间短、鲁棒性好等特点,弥补了常规PID在聚合釜控制中参数难以整定等缺点。

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控制器研究

从BP神经网络的基本原理、学习规则和学习算法出发,研究了基于BP神经网络的PID控制方法,采用3层前向网络及动态BP算法,取得了较高的控制品质。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具有很强的鲁棒性。

LQR优化的BP神经网络PID控制器设计

针对传统神经网络PID(比例-积分-微分)控制器和传统线性二次调节器(LQR)优化型PID控制器对无刷直流电机转速控制恢复时间长及抗干扰性较差等问题,提出一种LQR优化的BP神经网络PID控制器,用于无刷直流电机的转速控制.首先,利用BP神经网络对PID增益进行调节,提高控制器的动态适应性和鲁棒性;然后,采用LQR优化BP神经网络最优输出,使其更接近目标PID增益.仿真结果表明,该控制器有效提高了响应速度,减小了稳态误差并增强了抗干扰能力.

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。

BP神经网络PID控制器在温室温度控制中的研究

为了更好地实现对温室温度的控制,本文设计出了一种BP神经网络PID控制器,提出了BP神经网络PID控制算法,并对该算法进行了分析,最后以温室温度为控制对象分别对常规PID控制器和BP神经网络PID控制器进行了大量仿真研究。结果表明,基于BP神经网络整定的PID控制器具有较强的自适应能力和鲁棒性,其控制品质优于常规PID控制器。

BP神经网络PID控制器在汽温控制中的应用

通过将BP神经网络和常规PID控制器结合,提出了一种新的火电厂超临界机组过热汽温控制方案。将这种方法应用于主汽温控制,可以有效克服过热汽温对象的大滞后和大惯性,并能够克服对象在运行中参数变化的影响,获得良好的控制品质。仿真试验表明:所设计的系统在控制品质、鲁棒性方面明显优于常规PID控制系统。

基于动量因子优化学习率的BP神经网络PID参数整定算法

针对传统BP神经网络学习过程中学习率选取过大导致振荡的问题,提出一种新的BP神经网络PID(比例-积分-微分)参数自适应整定算法.采用BP神经网络对PID参数进行自适应调节和优化,并利用动量因子优化学习率和增加动量项抑制BP神经网络训练中出现的振荡现象,以加快收敛速度.实验结果表明,该算法有效缓解了振荡现象,加快了算法的收敛速度.

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。

基于S函数的BP神经网络PID控制器及Simulink仿真

BP网络在人工神经网络中应用最为广泛,文中给出基于MATLAB语言的BP神经网络PID控制器的S函数实现,在此基础上建立BP神经网络PID控制器的Simulink仿真模型,最后给出了该仿真模型应用在非线性对象中的仿真结果。

神经网络自学习PID控制器的研究

从兼顾人工神经网络控制系统自学习能力和实时性角度出发,通过构建新的人工神经网络自学习PID控制器的结构,控制系统的样本拾取,更新与优化均采用在线学习方式,使控制系统具有较强的自学习能力。在分析了目前广为应用的多层前向神经网络误差反向传播算法(BP)的局限性及原因的基础上,提高了改进的BP算法-自适应动量项BP算法。从而提高了神经网络的收敛速度和收敛精度,并通过实例验证了自学习PID控制器的可行性及改进算法的合理性。