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。

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。

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。

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。

基于神经元网络的智能PID控制及应用

本文提出了一种神经网络的智能ＰＩＤ控制系统，给出了有效的基于共轭梯度的神经网络学习算法。经过仿真实验和应用结果表明，这类智能控制器可用于难以建立数学模型的控制系统。

PID神经元网络多变量控制系统分析

ＰＩＤ神经元网络是一种新的多层前向神经元网络，其隐含层单元分别为比例（Ｐ）、积分（Ｉ）、微分（Ｄ）单元，各层神经元个数、连接方式、连接权初值是按ＰＩＤ控制规律的基本原则确定的，它可以用于多变量系统的解耦控制．给出了ＰＩＤ神经元网络的结构形式和计算方法，从理论上证明了ＰＩＤ神经元网络多变量控制系统的收敛件和稳定性，通过计算机仿真证明了ＰＩＤ神经元网络具有良好的自学习和自适应解耦控制性能．

单神经元网络PID控制及其在全液压矫直机中的仿真应用

提出将单神经元网络PID控制应用于全液压矫直机的模型仿真,采用Ziegler-Nichols参数整定,并通过多次仿真实验,得出单神经元网络PID控制器的初始化权重值。通过仿真可以看到,此方法不仅解决了单神经元网络PID的权重值初始化问题,还将单神经元网络PID控制应用到液压伺服控制领域,为全液压矫直机的伺服控制提供了新的、行之有效的方法。

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。

球磨机多模型PID型神经元网络控制系统

针对球磨机制粉系统的多变量、强耦合、非线性、时变性等特点,提出了采用基于PID型神经元网络的多模型控制方法,在不同工况下系统的时变特性采用多个模型进行描述,而每个模型的控制器则采用PID型神经元网络进行解耦控制。通过在线计算模型匹配程度,选择相应的模型和控制器,组成闭环系统,切换算法实现多模型间无扰切换,同一工况慢时变采用控制器参数自调整来提高鲁棒性。PID型神经元网络是一种特殊的3层前向神经网络,其隐层单元分别为比例(P)、积分(I)和微分单元(D),各层神经元个数、连接方式、连接权值的初值按PID控制规律确定。仿真结果表明,文中提出的控制方法相比传统控制方法有更好的控制品质,跟踪快、鲁棒性强、解耦好,较好地解决了球磨机系统的时变性、耦合性等问题。

一种基于过程神经元网络辨识的PID控制模型及方法

针对非线性动态系统PID过程控制问题,提出了一种基于过程神经元网络辨识的PID参数自适应整定的控制模型和方法。利用过程神经元网络对于动态系统时变输入/输出信号的学习机制,在某种最优控制律下通过对被控对象进行辨识来追踪被控对象的输出对控制输入变化的灵敏度信息,实现参数自适应匹配的PID控制。给出了基于过程神经元网络辨识的PID控制系统结构以及相应的实现机制,实验结果验证了模型和算法的有效性。

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。

基于神经元网络与模糊PID的光伏系统MPPT复合控制

将神经元网络与模糊PID复合控制技术应用在光伏系统MPPT控制器中,解决光伏系统传统MPPT控制算法的局限性以及无法自适应外部复杂情况等诸多问题。利用离线训练后的前馈神经网络预测最大功率点电压与实际电压进行比较,作为模糊控制器的输入,通过模糊推理对PID相关参数实现最佳调整。仿真结果表明:该控制算法能增强消除系统误差能力,可获得更高的控制精度。

基于PID神经元网络的双闭环比值控制系统

提出一种基于PID神经元网络的双闭环比值控制系统,给出了系统的结构和计算公式,列举了一个算例的MATLAB仿真结果.由多个算例的仿真结果推知:这种控制系统不需要用人工整定控制器的参数,不需要辨识被控对象,误差的收敛速度快,结构简单,便于实现.它有希望改进现有的过程控制的比值控制系统.

多变量PID型神经元网络控制系统及在除氧器水位解耦控制中的仿真研究

介绍了多变量PID型神经元网络控制系统.给出了网络的结构和学习算法,说明了系统参数选取方法,分析了除氧器水位控制的特点.仿真结果表明,该控制系统对多变量强耦合的除氧器水位控制对象具有良好的解耦性能和自学习控制特性.

PID神经元网络对强耦合带时延多变量系统的解耦控制

提出了一种新的神经元网络——PID神经元网络，它是由比例元、积分元和微分元构成的多层神经元网络，它可以用于控制强耦合带时延多变量系统，并使系统具有良好的动态和静态性能。

改进单神经元网络PID算法下的车用轮毂电机控制系统仿真

针对采用传统PID控制下轮毂电机控制系统中存在转速超调量大、转矩突变严重等问题,在单神经元网络PID的基础上,引入最优控制理论中的误差二次型性能指标对单神经元网络PID算法的学习规则进行改进,将改进后单神经元网络PID算法运用到轮毂电机矢量控制系统的速度环中。仿真结果表明:改进后单神经元网络PID控制的轮毂电机矢量控制系统速度环响应速度快、转矩突变小以及运行状态更加稳定。

多变量PID型神经元网络控制系统在再热蒸汽温度控制上的仿真

融合解耦控制理论与神经元网络控制原理,给出了一种多变量的PID型神经网络控制方法。应用所给出的控制算法,对火电厂再热蒸汽温度、低温过热器出口蒸汽温度控制进行了仿真。仿真结果表明,控制算法对再热蒸汽温度控制具有良好的解耦性能和自学习控制特性,当被控对象参数变化时系统具有较强的鲁棒性。

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PSO算法的多变量PID型神经元网络在球磨机控制上应用

为提高多变量、非线性和强耦合系统的动态特性和解耦能力,基于PID控制的简单结构和良好性能优势以及神经元网络的自调节和自适应的特长,设计了具有PID结构的多变量自适应的PID型神经元网络控制器。给出了这种控制系统的结构和算式,其为一种3层前向神经网络,其隐层单元分别为比例(P)、积分(I)和微分单元(D),各层神经元个数、连接方式、连接权值的初值是按PID控制规律确定的。神经元网络参数采用了粒子群优化(PSO)学习算法,并给出了相关算式。分析了球磨机制粉控制系统的特点,并应用提出的控制方法对其进行了仿真研究,比较了文中控制方法与传统的PID控制方法的控制效果。仿真结果表明了所提方法具有较好的控制品质、良好的自适应解耦能力和自学习功能。

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。