基于Hebb规则的积分保持型PID神经网络多变量控制器

提出了一个积分保持型PID神经网络多变量控制器 ,网络的学习算法采用一种简单的类似Hebb规则的算法 .当将该控制器应用于多变量耦合的非线性系统的控制时 ,计算机仿真结果表明 ,网络的训练速度快 ,对权的初值的依赖性小 ,控制系统的动态和静态性能较好 .

多变量系统神经网络辨识的无模型自校正控制器研究

针对多变量NARMA模型,将其转化为具有耦合的子系统,采用具有辅助变量的多变量紧格式动态线性化方法逼近多变量NARMA模型,利用BP神经网络辨识其参数,基于多变量广义目标函数提出多变量NARMA模型的神经网络辨识的无模型自校正控制器,算法为关于控制输入的非线性方程组,通过非线性数值分析的牛顿法对其进行求解,根据非线性递推最小二乘法对BP神经网络的连接权重值进行在线学习。仿真研究表明系统的响应具有优良的性能。

基于BP神经网络的PID炉温控制系统设计方法研究

经典PID控制器在工炉温控制系统中得到了广泛应用,但是PID控制器难于对复杂对象如大滞后、慢时变、非线性系统进行有效控制。提出了一种基于BP神经网络的PID炉温控制系统设计,利用BP神经网络的自学习能力,根据系统的输入和输出数据,自动调整PID控制参数,将BP神经网络和PID控制相结合,形成一种BP神经网络PID控制系统。通过分析传统PID控制和BP-PID控制的系统响应曲线,对比两者的控制效果。结果表明,与传统PID控制相比,BP-PID控制具有超调量小、调节时间短、抗干扰能力强等优点,能满足工业炉温精确控制的要求,并降低能源消耗。

改进粒子群优化掘进机摆动截割系统BP神经网络PID控制

为提升掘进机摆动截割破岩时BP神经网络PID控制的自适应性,提出了改进粒子群优化BP神经网络PID控制方法。分析了悬臂式掘进机水平摆动截割系统的工作原理,构建其系统的传递函数,设计了BP神经网络PID控制器,确定了BP神经网络的结构和参数,推导出了BP神经网络权值和输出层阈值梯度,引入Tent混沌映射来改进粒子群算法,优化了BP神经网络的权值,以阶跃函数作为输入信号,仿真研究该算法的性能。结果表明,与未优化的BP神经网络PID控制器相比,优化后的BP神经网络PID控制器,能够快速准确地跟踪阶跃响应。

基于模糊RBF神经网络PID的AUV姿态控制研究

针对自主水下航行器(AUV)高精度、强鲁棒性的运动姿态控制需求,提出了一种径向基函数(RBF)神经网络结合模糊PID控制的水下机器人运动控制器;采用RBF神经网络对模糊PID控制器参数进行优化,有效解决了模糊PID控制过度依赖经验,难以应对水下复杂工况的问题。仿真结果表明:模糊RBF神经网络PID控制器在AUV姿态调节中表现出较传统模糊PID控制器更好的响应速度和抗干扰能力,有效改善了AUV姿态控制性能;经实际应用验证,控制器在复杂工况下可以快速收敛至期望姿态并维持稳定。

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。

多变量自适应PID型神经网络控制器及其设计方法

提出一种PID型神经网络控制器(PID-like Neural Network Controller,PIDNNC)及其设计方法.基于PID的简单结构和良好性能优势以及神经网络的自调节和自适应的特长,创建一种具有PID结构的多变量自适应的PID型神经网络控制器.该网络控制器的隐含层由带有输出反馈和激活反馈的混合局部连接递归网络组成.通过定义误差函数作为设计目标,采用弹性BP算法,并用变化率以及弹性BP算法中的符号法来处理某些求导关系,获得适于实时在线调整网络权值的修正公式.根据李亚普诺夫稳定性定理推导出确保控制系统稳定的学习速率的取值范围.最后通过实例进一步说明所提出网络控制器的优越性.*

基于RBF神经网络的双馈风电机组最大功率追踪控制方法

双馈风电机组通过转子回路进行功率调节控制,当系统在最大功率点附近工作时,回路电流会出现高频振荡的问题。这种振荡会影响系统稳定性,最大功率追踪控制是解决该问题的核心手段。提出基于径向基函数(Radial Basis Function,RBF)神经网络的双馈风电机组最大功率追踪控制方法。分析双馈风电机组基本结构与运行原理,获取风电机组输出功率,并将其输入RBF神经网络输入层中,通过网络隐含层对其展开优化训练,再通过输出层输出最大功率。采用二阶滑模控制策略与比例-积分-微分(Proportion Integration Differentiation,PID)控制器相结合的方法对发电机转矩展开追踪控制,实现对双馈风电机组最大功率的追踪控制,使风电机组保持最大功率运行。实验结果表明,所提方法追踪效果好、追踪精度高、控制精度高。

基于神经网络的多变量模糊自整定 PID 控制器

针对脉冲ＴＩＧ焊动态过程控制提出了一种基于ＢＰ神经网络的多变量模糊自整定ＰＩＤ控制器。该控制器利用神经网络在线学习具有多变量耦合、非线性及不确定性的复杂的焊接动态过程的控制规则，实现ＰＩＤ参数的自动整定。仿真实验结果表明该控制器不仅具有模糊控制的简单、有效的非线性控制作用，还具备了神经网络的学习与适应能力，以及ＰＩＤ控制的普遍适用性。

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。

基于神经网络整定的PID控制变量施药系统设计与试验

针对常规的大田喷雾装备的定量施药方式,在机具行进方向上农药雾滴分布不均导致农药有效利用率低的问题,设计了一种基于神经网络整定的PID控制变量施药系统。该系统采用多传感器实时监测车速、流量、压力等信息,并以此作为控制依据,运用神经网络自学习能力修正PID参数,精准调控药液回流量,解决了现有变量施药控制算法存在的超调量较大、稳态误差较大、响应时间较长等问题,实现了大田单位面积内施药量恒定的目标。为验证本系统算法对精准变量施药的优越性,在Simulink平台下对常规PID、模糊PID和神经网络PID控制方式进行建模仿真,结果表明,神经网络PID控制在上升时间、超调量和稳态误差方面均优于其他两种控制方式。田间试验表明,在不同车速下,液滴沉积数量标准差均小于1.4个/cm^2;在不同施药量、车速随意变化的情况下,机具纵向均匀度变异系数均小于6%;车速在4~11 km/h范围内随机变化时,系统平均调节时间为0.72 s,平均超调量为2.1%,实际施药量与理论值相差1.3%。

基于RBF神经网络的多变量系统PID解耦控制

针对工业生产过程中的多变量耦合系统采用传统控制方法不能达到满意的效果,提出了一种基于神经网络的PID解耦控制方案。在实验研究中,采用改进型动态BRF神经网络辨识器,在线辨识多变量系统的非线性时变模型,同时自动调整PID控制器各项参数,最终实现对系统的智能化解耦控制。给出了BRF神经网络的拓扑结构和算法,并对一组二变量强耦合时变系统的控制过程进行了计算机仿真,结果表明:基于BRF神经网络的PID控制不仅超调量小、响应速度快、控制精度高,而且具有很强的鲁棒性和自适应能力。该设计方案使得解耦后的多变量系统具备了良好的动、静态特性。

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。

基于改进粒子群算法的模糊神经网络PID控制器设计

针对模糊神经网络PID控制器中参数初始值的设置对控制器性能影响大的问题,提出一种改进的PSO算法优化模糊神经网络PID控制器参数的设计方法。该方法采用实数编码的方式对控制器参数进行优化,并以ITAT指标作为改进的PS0优化算法的适应度函数。实验仿真表明:经过改进的PSO算法优化的模糊神经网络PID控制器具有良好的动静态性能,响应速度更快,超调量更小,控制精度更高。

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。

仪用模糊神经网络PID控制器的研究

针对仪用控制器的特点，本文提出了一种实用的仪用模糊神经网络ＰＩＤ控制器闭环设计方法，研制了模糊神经网络控制器设计开发软件，进行了大量的不同工业背景的计算机仿真，得出的控制器参数（网络权值，网络阀值）由单片机控制系统实现。实验表明：该方法在被控对象输出特性和Ｄ／Ａ输出给执行器的动作特性上都具有令人满意的曲线效果。同时亦证明这是一种实现仪器仪表智能化的有效方法。

基于改进PSO算法的多变量PID型神经网络控制

充分利用PID结构简单、稳定性强的良好性能以及神经网络的自学习和自适应的特长,引入粒子群优化(PSO)学习算法,设计一种多变量自适应PID型神经网络控制器。神经网络的隐含层由带有输出反馈和激活反馈的混合局部连接递归网络组成,采用PSO学习算法优化神经网络参数。在深入研究分析PSO算法的基础上,引入变异因子和惯性权重自适应策略对该算法进行改进,既发挥了PSO算法随机优化收敛速度快的优点,又克服了该算法易陷入局部最优点的缺点,显著提高了控制系统的性能指标。最后,通过对二级倒立摆控制的仿真分析,证明该算法具有较强的鲁棒性。

一种基于神经网络算法的非线性PID控制器

针对非线性、不确定时滞对象,提出一种基于神经网络算法的非线性PID控制器。该控制器将传统PID的比例、积分和微分参数分别构造成关于误差信号的非线性函数,并将非线性比例运算单元、非线性积分运算单元和非线性微分运算单元分别作为隐层神经元的激励函数,从而构造将PID控制与神经网络控制融为一体的智能控制器。研究结果表明:采用此智能控制器有效解决了传统PID难以控制非线性对象的问题以及传统神经网络控制器隐层神经元节点数难以确定的问题,仿真结果验证了该智能控制器的有效性。