基于RBF神经网络整定PID的电液比例系统位置控制研究

针对凿岩机械臂的电液比例系统位置控制精度问题,提出了一种基于径向基函数(RBF)神经网络整定PID的电液比例系统位置控制方法。首先,在AMESim中搭建了阀控非对称液压缸的电液比例系统简化模型,设置了各个模块的参数;然后,利用MATLAB/Simulink搭建了系统闭环控制模型,通过不断更新RBF网络模型并修正PID参数,实现了基于RBF神经网络整定PID的电液比例系统位置控制目的;结合AMESim搭建的电液比例系统模型和Simulink下搭建的控制器进行了联合仿真;最后,基于凿岩台车机械臂实验平台,进行了电液比例系统位置控制实验。仿真结果表明:在受到外部干扰的情况下,RBF神经网络整定PID控制系统能够在0.3 s内控制活塞杆重新运行至目标位置,平均响应时间为1.5 s,位置精度误差不超过5 mm。实验结果表明:与常规PID控制方法相比,RBF神经网络整定PID控制活塞杆位置精度误差降低了75%,位置精度误差在工程实际要求的10 mm范围以内,因此,RBF神经网络整定PID算法可以有效提高电液比例系统的位置控制精度,满足凿岩机械臂实际工作中对电液比例系统位置精度的控制要求。

足式机器人腿部关节改进单神经网络PID控制算法研究

为了满足液压足式机器人在复杂环境中实现精确、快速的腿部关节控制需求,把单神经网络PID能够实时调节参数的优点运用到足式机器人液压机械腿关节的控制中,在单神经网络PID的基础上增加机械腿关节的位置和速度控制算法,形成改进单神经网络PID,实现了对神经元比例参数自调整、PID参数的自整定,能够较好地适应内、外参数的变化,增强了腿部关节的快速性、精确性。在Simulink中进行建模仿真以及在设计的以STM32为中央处理芯片的控制平台上进行实验测试,结果表明:改进单神经网络PID在足式液压机器人的腿部关节控制中具有响应速度快、超调量小、控制精度高、鲁棒性强等优点。

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BP神经网络整定的PID控制

传统PID控制在控制系统中有广泛的应用,但是由于其在参数整定过程中对于对象模型过分依赖,并且参数一旦整定计算好后,在整个控制过程中都是固定不变的,而在实际系统中,由于系统状态和参数等发生变化时,过程中会出现状态和参数的不确定性,系统很难达到最佳的控制效果.为了改善传统PID控制的效果,又充分利用现有PID控制的研究成果,采用BP神经网络对PID参数进行整定,并对该系统进行了仿真分析.仿真结果表明,采用BP神经网络整定的PID控制较传统PID算法及BP网络算法都有较大程度的提高.

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.

基于改进BP神经网络PID自整定的研究

随着数控技术的发展,传统的PID整定方式已经不能满足伺服系统的控制要求.利用改进共轭梯度法对BP神经网络算法进行优化.将改进BP神经网络算法应用到PID的整定中,构建改进BP神经网络自整定PID控制器.将设计好的BP神经网路PID控制器应用到伺服系统的控制结构图中.与BP神经网络自整定PID控制器,在Matalab的simulink里面进行建模仿真比较.仿真结果表明改进BP神经网络自整定PID控制器具有较好的快速响应能力、系统稳定性和抗干扰能力.

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 。

基于BP神经网络的参数在线整定的PID实时控制

要对系统进行准确、及时的控制，就必须精心设计有效的控制方法。在控制领域，最常用的是PID控制方法。这种控制方法能够有效地提高被控系统的稳定性，加快系统时输入的响应，以及能减小静态误差。但是，P、I、D三个环节相互影响和制约，它们之间的关系很复杂，并不是简单的线性关系，再加上实际系统的非线性和时变不确定性，三个参数的人工整定比较困难。BP（back propagation）神经网络理论上可以逼近任何非线性函数．将它与传统的PID控制方法相结合可以达到良好的控制效果。通过采用BP神经网络，以闭环反馈系统的误差作为神经网络的学习误差，可以实现PID控制器参数的自适应整定。

基于BP神经网络整定的PID控制及其仿真研究

讨论BP神经网络PID控制,利用BP神经网络的自学习能力实现PID控制参数的在线整定,并使用Matlab软件进行仿真研究.仿真结果表明:基于BP神经网络的PID控制器参数调整简单,具有很高的精度和很强的适应性,可以获得满意的控制效果.

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 。

基于BP神经网络PID参数整定的空燃比控制策略研究

采用BP神经网络实现在过渡工况下发动机空燃比的PID控制系统的参数整定,建立了发动机燃烧及燃油供给系AMESim仿真模型,利用MATLAB/Simulink设计了改进空燃比BP神经网络PID控制仿真模型,在AMESim环境下进行了动态仿真.仿真试验表明:基于BP神经网络PID参数整定的空燃比控制策略具有良好的自适应性能,与经典PID控制相比,改善了过渡工况下燃油的供给,实现了空燃比的精确控制.

基于BP神经网络整定的PID控制及其仿真

PID控制是连续系统控制理论中技术成熟、应用广泛的一种控制方法。但在实际应用中,其参数的整定往往是依靠经验和现场调试。本文把BP(Back Propagation)神经网络技术应用到PID控制中,利用其非线性函数逼近能力,对PID控制器进行整定,并通过仿真试验取得较好的结果。

基于BP神经网络的PID控制参数整定

针对传统PID控制器的缺陷,本文提出了一种基于BP算法的PID控制器,利用BP算法局部计算简单、非线性映射能力强的特点,实现对PID控制器参数的寻优整定,并利用MATLAB软件对系统进行仿真。仿真结果表明此方法对PID控制器的参数有很好的控制效果。

基于神经网络的PID参数自整定与实时控制

将Bang Bang控制与神经网络自适应控制相结合 ,利用神经元的学习功能构成了一种自适应PID控制器 .控制器在Bang Bang控制阶段进行系统辨识 ,利用系统参数整定PID控制参数 ,作为神经网络权系数的初值 ,其结构简单 ,工作稳定、鲁棒性强 .实时控制结果表明 ,这类神经网络自适应控制器可有效地用于一类电加热炉系统的温度控制 ,使得系统具有快速响应性和良好的抗干扰性 .

基于神经网络的自整定PID控制器设计

针对非线性时变系统,设计了一种基于神经网络的参数在线自整定PID控制器。该控制器采用基于最近邻聚类方法的RBF神经网络快速学习算法,通过实时在线辨识,建立被控系统的精确模型并得到准确的Jacobian信息;同时将此信息提供给BP神经网络,从而实现PID控制器参数的自动在线整定。仿真结果表明,该方法提高了算法的精度和速度并具有较快的系统响应和良好的跟踪特性。

基于BP神经网络的参数自整定PID控制器仿真研究

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。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MATLAB仿真试验,取得较好的效果。

基于频分神经网络和预测控制的PID参数整定研究

为了得到精确的泛化性较高的缓变非线性对象的可离线在线模型,提出了频分时滞回归径向基神经网络(FTRR)算法。此算法基于频谱分析,先把信号分解出数个频带,再构建神经网络模型。该模型用于改进的单步模型预测控制中离线求得控制输出,由此,再依据有约束线性最小二乘优化算法对PID参数进行离线整定,使其PID输出与单步模型预测控制输出相似。仿真结果表明,FTRR模型精度高且泛化性好,PID整定后的系统调节品质较高,适用于缓变控制系统。

基于混合PSO神经网络的自整定分数阶PID控制器

提出了一种基于混合PSO和RBF神经网络的自整定分数阶PID控制器的设计方法.该控制器主要由三个部分组成:(1)分数阶PID控制器直接控制被控对象;(2)利用细菌觅食算法和粒子群算法混合优化分数阶PID参数值,作为初始值;(3)利用RBF神经网络具有以任意精度逼近非线性函数及训练速度快的优点,在线整定分数阶PID值,并完成对被控对象的Jacobian信息辨识.实验仿真结果表明:该控制器具有响应速度快、收敛精度高、鲁棒性强等特点,可适用于不同的对象和过程,特别是复杂的、无确定数学模型的控制系统.

基于神经网络的PID自整定控制系统

文章介绍了一种应用神经网络技术建立的PID自整定控制系统,给出了系统结构,详细分析了BP神经网络和RBF神经网络的结构和学习算法。该系统采用3层BP神经网络,其输出为PID控制器的参数;通过变结构的RBF神经网络辨识控制对象,将得到的输出对输入的梯度信息提供给BP神经网络,BP神经网络根据该信息优化PID控制器参数。仿真结果表明,该系统对于参数扰动较大的非线性系统,其收敛速度快、动态响应能力强、稳定性好,且具有较强的鲁棒性和适应性。

基于小波神经网络的PID整定与应用

提出了一种基于小波神经网络整定的PID控制方法。由于小波变换具有良好的时频局部特性,神经网络具有强大的非线性映射能力,自学习、自适应等优势,采用规范正交的小波函数作为神经网络的基函数构成小波神经网络,该网络兼有小波函数的紧支性、波动性以及神经网络的非线性映射能力,自学习、自适应能力等优点,渗碳炉控制实验结果表明,用该方法整定的PID控制系统收敛速度快,逼近精度高,鲁棒性好。