四旋翼飞行器分散PID神经元网络控制

针对四旋翼飞行器的非线性控制问题,提出了一种分散PID神经元网络(PIDNN)控制方法。首先通过牛顿—欧拉方程建立了四旋翼飞行器的动力学模型。其次,提出了一种嵌套控制器,内环基于分散PIDNN方法以实现姿态控制,外环采用经典的PID控制方法,PIDNN控制器的在线学习通过误差反向传播法实现。搭建了自主研制的四旋翼飞行器系统,并通过实验的方式研究了控制器的控制性能。实验结果表明控制器具有较强的控制稳定性、机动性和鲁棒性。

基于PID神经元多层网络的多变量解耦控制系统

针对多变量系统控制的特点和要求,建立了一种新的多层神经网络,其隐层神经元分别具有比例、积分和微分特性,网络同时具有PID控制规律和神经网络的优点.仿真结果表明,其构成的神经PID网络多变量控制器具有很强的自学习功能和自适应解耦能力.

PID神经元网络之权值直接确定法研究

网络权值如何确定,是人工神经网络研究中的一个重要课题。传统PID神经元网络在该问题的研究上,大多数采用误差回传(BP)的思想,通过迭代训练而估算出该网络的连接权值。针对PID神经元网络,对其进行简单巧妙的转化,可提出一种基于矩阵伪逆表述的直接计算权值的方法,从而避免了冗长的迭代训练过程。计算机仿真结果表明,该权值直接确定方法不仅有更快的学习/计算速度,而且能达到更高的计算精度。

PID神经元网络在水稻秧棚控制系统中的应用研究

育秧对水稻的生产起着至关重要的作用,为水稻秧苗提供适宜生长的环境条件就成为水稻生产中极为重要的一环。水稻育秧棚控制系统具有多变量、大惯性、非线性、强耦合及时滞等特点,采用传统PID控制不能获得满意的控制效果。为此,本文将常规的PID控制和BP神经元网络控制相结合,设计了水稻育秧棚温、湿度解耦自动控制系统,并利用仿真软件(MatLab/SIMULINK)对秧棚内PID神经元网络控制系统进行了仿真及分析。结果表明:基于PID神经元网络控制与传统PID控制相比,响应速度快、超调量小、无静差,大大提高了秧棚内控制系统的性能,达到了预期的控制效果。

基于PID神经元网络和内模控制的拥塞控制算法

针对网络系统的大时滞和非线性特性,设计了一种新的拥塞控制算法,将PID神经元网络与内模控制相结合应用于主动队列管理中,并使用Lyapunov理论证明了此算法的稳定性。NS仿真结果表明,这种算法的稳态和瞬态性能都优于PID算法,并且在参数变化和负载扰动时具有很强的鲁棒性。

带跟踪微分器的永磁直线同步电机的PID神经元网络控制

针对以永磁直线同步电机为执行机构的驱动系统易受到推力波动等周期性扰动影响的问题,采用了基于PID神经元网络的跟踪微分器控制方法。该方法通过定义具有比例、积分、微分功能的神经元,将PID控制规律融合进神经元网络中,有效抑制端部效应、纹波推力、齿槽力以及摩擦力对系统的干扰,同时具有快速的跟踪性能。仿真试验表明,与传统的PID控制相比,该控制方法提高了系统的鲁棒性和跟踪性,更加实用有效。

基于FPGA的PID神经元网络控制器设计

本文介绍了一种将PID控制规律与神经元网络相结合的方法,即PID神经元网络,之后采用硬件语言进行描述的方法将其在FPGA中实现。采用modelsim 6.0对其进行仿真验证并在Quartus II 6.0平台上进行综合,最终形成一个被灵活调用的IP核。同时,基于FPGA所实现的IP核具有很好的可移植性和复用性,适合应用到各种智能控制系统中,从而提高控制系统的实时性,具有广泛的推广应用价值。

倒立摆的PID神经元网络的间接控制系统的研究

摆系统是一个典型的强耦合、非线性、高阶次的不稳定系统。由于摆系统的数学模型是在忽略了次要因素的基础上得出来的,而实际上是一个非线性的系统,当系统受到外部的干扰时,这些次要因素的影响比较突出。实验采用PID神经元,设计一个神经网络间接自适应控制系统,首先用一个神经网络对摆系统模型进行辨识,辨识完成后,辨识模型的权值与隐层积分元的数值传递给具有同样结构的PID神经元的神经网络控制器,对倒立摆进行自适应控制。最后根据以上算法,采用6.0编写控制程序,实现对平面一级摆系统的实时控制。

基于PID神经元网络的智能车控制系统研究

研究了基于PID神经元网络的智能车多变量控制系统。智能车的转向控制与速度控制相互关联、相互影响、且都具有时变性,针对智能车在行驶时要求电机的动态响应速度要快、舵机的动态响应时间要短的特点,提出了将PID神经元网络(PIDNN)控制器及其算法应用到智能车的控制系统中来对传统PID控制进行改进。PIDNN控制系统不依赖智能车电机与舵机的数学模型,能够根据控制效果在线训练和学习,调整网络连接权重值,最终使系统的目标函数达到最小来实现智能车的精确控制。Matlab仿真测试表明,PIDNN控制系统的响应快,超调小、无静差,与传统PID控制算法相比,大大提高了智能车控制系统的性能。

基于粒子群算法的抄纸过程PID神经元网络优化控制

抄纸过程中定量和水分的控制是一个大纯滞后、强耦合和非线性的系统,本文提出使用粒子群算法优化的PID神经元网络来解决这些控制问题。设计的双PID神经元网络闭环控制系统中,网络结构简单,使用增加动量项的误差反向传播算法,提高了学习速度,减少了系统的反应时间,并采用粒子群算法优化网络的初始权值,克服PID神经网络学习过程中由于权值易陷入局部最优值的缺点,提高了系统的控制精度。仿真结果表明:初始权值优化后的PID神经网络控制系统具有更高的控制精度和更快的响应时间,能更好地实现抄纸过程的解耦控制。这为抄纸过程定量水分的自动控制提供了一种新的方法。

四旋翼飞行仿真器的PID神经元网络控制器设计

针对四旋翼飞行仿真器系统具有多输入、多输出及多变量等特点,设计了一套基于四旋翼飞行仿真器的PID神经元网络控制器。首先建立四旋翼飞行仿真器系统模型,然后以四旋翼飞行仿真器为控制平台,并以MATLAB/Simulink软件为实验平台,搭建PID控制器和PID神经元网络控制器模型,并分别使用两种控制方法进行实时飞行仿真实验。最后实验结果表明,相比PID控制,PID神经元网络控制方法对四旋翼飞行仿真器的调节时间更短、超调量更小,具有更优的控制性能。

基于PID神经元网络的单抽汽轮机解耦分析

汽轮机在工作过程中,机组功率与热网抽汽压力存在着强烈的耦合关系,使得系统控制性能大大降低,一般的控制方法难以得到满意的控制效果.为了解决上述问题.将多变量串级解耦技术应用到控制系统中,提出一种PID神经元网络与串联前馈补偿相结合的双变量解耦控制方案,前馈补偿实现系统动静态解耦,设计PID神经元网络控制器可以使系统很好地适应机组负荷的变化,从而提高系统的控制效果和自适应能力.MATLAB仿真结果表明,该解耦控制方案使负荷之间的扰动大大降级,使得汽轮机控制中的热电耦合问题得到了有效的解决,具有很好地应用前景.

蚁群PID神经元网络在电厂球磨机控制中的应用

钢球磨制粉系统是一个多变量强耦合、时滞、非线性系统,对这一系统的控制一直未能取得很好的效果。将蚁群算法和PID神经元网络结合起来,组成基于蚁群算法的PID神经元网络控制系统。仿真研究表明,此控制系统具有良好的控制品质。

PID神经元网络在单晶硅提拉速度控制系统中的应用研究

在单晶硅晶体生长中,提拉速度的控制直接影响单晶硅的质量,如何提高速度控制系统的动态响应速度和抗干扰性能,对提高晶体生长质量具有重要意义。本文通过分析晶体结晶过程的热量运输,得出了单晶硅提拉过程中影响其质量问题的主要因素,提出了将PID神经元网络应用于单晶硅提拉速度控制系统中的方法,形成PID神经元网络提拉系统,建立了基于MATLAB/SIMULINK下的PID神经元网络控制系统模型,通过仿真结果表明,该系统对改善单晶硅的质量具有一定的实际意义。

多变量PID神经元网络控制系统在集气管压力系统中的应用

针对某焦化厂焦炉集气管压力系统具有强干扰、强耦合、非线性的特点,采用一种多变量PID神经元网络控制算法,更好地实现了解耦控制。这种多变量PID神经元网络与常规的PID控制算法比较不仅具有较好的动态性能和稳态性能,而且还具有很强的自学习功能和自适应解耦能力,适用于对非线性多变量系统的解耦控制。

基于PID神经元网络的稳定平台伺服控制系统设计

介绍了稳定平台传统PID三环控制原理及结构框图。针对传统PID控制器的不足之处,设计了基于PID神经元网络的稳定平台伺服控制系统。仿真结果表明PID神经元网络控制系统具有较高的响应速度、较高的稳定精度和较强的抗负载扰动能力,具有很强的鲁棒性和自适应能力。

基于PID神经元网络的四旋翼飞行器姿态控制系统

针对PID控制对于四旋翼飞行器这类强耦合系统参数整定困难和控制稳定性不足的问题,提出了基于PID神经元网络(PIDNN)的新型控制算法,并设计了基于STM32微处理器的微飞行器。MATLAB系统仿真和飞行测试结果表明,相比于传统PID控制,PID神经元网络控制具有较快的稳定时间和较小的超调量,提高了系统的稳定性和自适应能力,同时实现了广义解耦。

基于PID神经元网络的印刷品质量控制研究

针对印刷品质量控制系统这种多输入多输出的复杂动态系统,选用具有较强解耦功能的多控制量PID神经元网络对金属薄板印刷机的墨键开度进行调节。从标准模板上获取4种颜色油墨的网点面积率作为目标值,在线检测到的网点面积率作为反馈值,一同作为控制系统的输入,系统输出为墨键开度的调整值,从而构成闭环控制,保证印刷品质量的稳定性。仿真结果表明,该控制方法具有较高的控制精度和较快的响应速度,能够满足印刷品质量控制的要求。

基于FPGA的PID神经元网络控器的研究及应用

声纳收放系统工作环境极其恶劣并复杂多变,但工作中对缆阵的收放精度要求非常严格。为提高收放系统工作的稳定性、控高精度以及应对复杂环境的能力,改变传统控制策略引进人工智能是十分必要的。本文在控制器的设计过程中引入PID神经元网络智能控制算法,并对算法MATLAB软件仿真和控制器实验测试,通过实验结果分析证明智能算法的引入对提高控制系统在复杂环境下稳定完成收放控制的能力效果明显。

基于改进PID神经元网络的刮板取料解耦控制

刮板堆取料机是煤场取煤过程中的重要设备,堆取料机的无人值守及自动控制成为当前研究的热点。刮板堆取料机自动取料过程中的料流稳定是自动控制的关键点之一,针对不同煤种的不同特性,自动控制参数应有所不同。刮板堆取料机取料过程实际是刮板运动、取料臂俯仰、回转机构协调并行工作的结果,是一个耦合的工作系统。为了精准地控制取料流量以及刮板的运动轨迹,需实现以取料刮板、取料臂俯仰机构、回转机构这三个机构的解耦控制。提出一种基于改进的PID神经元网络解耦控制方案来自动调整刮板取料过程参数,使系统能够在不同煤种的取料情况下更精确、快速地控制取料流量。