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。

基于RBF神经网络PID算法的锅炉水温控制与研究

针对过程控制实验中水温控制的PID算法参数难以整定的问题,提出了一种基于径向基函数(Radial Basis Function,RBF)神经网络整定PID的算法,并以仿真与实验相结合的方式应用于水温控制实验中。通过使用阶跃响应曲线法辨识锅炉水温数学模型;设计用RBF神经网络整定PID参数的方法,针对对象模型进行仿真;最后将整定的PID参数应用于水温控制实验验证,并与常规PID方法进行实验比较。结果表明,RBF神经网络整定PID控制器的控制方法具有更好的鲁棒性和自适应性,能取得良好的控制效果。

基于APID-RBF神经网络的光伏MPPT方法

针对光照强度急速变化和局部阴影时光伏发电系统最大功率点追踪响应速度慢、多峰值等问题,提出一种基于RBF神经网络与自适应PID控制相结合的控制方法。首先,采用RBF神经网络对环境的实时变化直接跟踪光伏最大功率点。然后,利用自适应PID的辅助修正,抑制光伏电池输出功率的波动。神经网络能提升在复杂环境下的跟踪速度,自适应PID能增强对神经网络误差的消除能力,提升跟踪精度。仿真结果表明,APIDRBF双控策略具有稳态性能高和控制精度高等优点,能有效提高光伏发电效率和稳定性。

基于CDKF-RBFPID的激光器恒流源控制器

激光器的稳定工作需要一个输出电流精度高和稳定的恒流源控制系统。针对激光器恒流源系统在噪声环境下输出精度差且使用PID算法参数难整定的问题,提出一种基于中心差分卡尔曼滤波(Center Differential Kalman Filter,CDKF)与改进的径向基函数(Radial Basis Function,RBF)神经网络自适应PID控制相结合的算法CDKF-RBFPID。通过CDKF更新恒流源系统的状态、协方差,从而滤除系统中的状态噪声和测量噪声。利用强化学习Actor-Critic框架调整RBF-PID参数,实现自适应参数调整。对恒流源系统输出电流和激光器输出功率进行对比实验,结果表明:CDKF RBFPID算法能够有效降低噪声对系统的影响,恒流源输出电流精度以及激光器输出功率稳定性进一步提升,其中响应时间缩短了58.3%,稳态误差降低了71.4%,输出电流控制精度达到1%。

定量称重包装系统RBF神经网络PID控制研究

针对定量称重包装系统具有惯性、滞后、非线性时变且无法建立精确模型等特点,分析物料动态称量响应过程的动态特性及影响定量称重包装精度的相关因素和误差来源,提出1种基于RBF神经网络PID的定量称重包装控制策略。利用具有任意非线性表达能力及较强自学习能力的RBF神经网络寻求最佳的PID参数,并通过Matlab仿真验证控制策略的有效性。结果表明,与传统的PID控制相比,RBF神经网络PID控制策略具有较强的抗干扰能力,可显著改善定量称重包装系统的控制效果。

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。

基于模糊RBF神经网络的PID及其应用

针对传统的PID控制器参数固定而导致在控制中效果差的问题,提出一种基于模糊RBF神经网络智能PID控制器的设计方法。该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,将模糊控制与RBF神经网络相结合以在线调整PID控制器参数,整定出一组适合于控制对象的kp,ki,kd参数。将算法运用到电机控制系统的PID参数寻优中,仿真结果表明基于此算法设计的PID控制器改善了电机控制系统的动态性能和稳定性。

基于黑箱模型和RBF-PID的HCCI发动机燃烧正时控制

由于均质充气压缩点燃(HCCI)发动机缺少直接控制其燃烧的手段,导致HCCI发动机的燃烧正时控制成为HCCI发动机的研究热点。以HCCI发动机进气歧管的温度和压力、燃油当量比、转速以及进气门关闭正时为输入,利用BP神经网络建立用于估计HCCI发动机燃烧正时的黑箱模型。在此模型基础上,以进气门关闭正时为控制量设计了PID控制器,并利用径向基神经网络对其参数进行整定,以实现对燃烧正时的反馈控制。实验结果表明,BP神经网络估计模型对HCCI发动机燃烧正时的估计误差小于0.4(CAD),能实现准确的估计;此外,与传统的PID控制器相比,设计的RBF-PID控制器在超调量、调节时间以及抗干扰性等性能方面均有改善。

基于RBF神经网络整定PID的PMLSM控制研究

介绍了直线永磁同步电机(permanent magnet linear synchronous motor,PMLSM)的数学模型。由于直线永磁同步电机具有非线性、耦合性和负载扰动等特性,常规PID控制器不能达到理想的控制效果,而径向基函数(radial basis function,RBF)神经网络具有学习速度快、无局部极小和良好的逼近能力,提出了将RBF网络与增量式PID控制结合在一起应用的方法。matlab仿真结果表明:该控制系统具有良好的逼近能力、较强的适应性和抗干扰能力。

四旋翼ESO的RBF神经网络PID控制器研究

四旋翼飞行器因存在参数不确定性和环境干扰,会出现姿态不稳定的问题,而传统的PID控制对四旋翼的姿态稳定及机动性达不到控制需求。为此,提出了一种扩张状态观测器(ESO)的RBF神经网络PID控制器。首先,利用ESO的扩张特性和非线性函数对扰动进行估计和补偿,减少系统的误差;其次,将ESO对系统输出的估计值作为RBF神经网络的输入,使梯度信息更加精确,能够更好地优化增量PID的参数;最后,该神经网络的激励函数取高斯基函数,利用RBF神经网络的自适应性、自学习能力对模型控制参数进行调整。Matlab仿真实验表明,在未知干扰环境下,ESO的RBF神经网络PID控制器能够明显提高系统的抗干扰能力,且具有较小的超调量及较好的鲁棒性。

变速恒频双馈风力发电系统RBF网络整定PID控制器设计

针对双馈风力发电系统基于近似线性化模型的PID控制系统动态性能较差、抗干扰能力较弱的缺点,该文给出基于非线性逆系统伪线性化模型的具有RBF网络整定的PID控制策略。首先使用非线性控制系统的逆系统理论对双馈风力发电系统的完整数学模型进行解耦,然后利用RBF神经网络在线调整PID控制器参数,处理系统参数不确定性和外部干扰对控制性能的影响。理论分析和仿真研究结果表明:该控制器能保证系统在风速变化情况下最大程度地获取风能,且达到电网恒频恒压的要求,实现安全稳定地并网运行。

基于RBF神经网络整定的高速公路匝道PID控制器

研究RBF神经网络整定PID控制器的参数,并应用到高速公路入口匝道控制中。首先阐述了入口匝道控制原理,然后建立了高速公路交通流模型,并设计了RBF神经网络整定的高速公路匝道PID控制器,RBF神经网络通过对被控对象Jacobian信息的辨识来动态调节PID控制器的参数,最后用MATLAB软件进行系统仿真。仿真结果表明,该控制器具有优越的动态和稳态性能,用于高速公路入口匝道控制中效果良好。

模糊RBF自整定PID控制器在过热汽温控制中应用

过热汽温控制是电厂锅炉控制系统的一个重要环节。针对电厂过热汽温对象具有较大的惯性、时滞、非线性和动态特性随运行工况变化的特点,提出一种模糊径向基函数(RBF)神经网络的自整定PID控制器应用于过热汽温控制中,它结合了传统PID及神经网络和模糊控制的优点,可在线调整得到一组最优的PID控制参数。介绍了所提控制器在超临界机组过热汽温控制中的应用。对负荷为100%、88%、62%、44%的仿真结果表明,所提控制器能获得满意结果,优于PID控制器。

改进的RBF神经网络PID算法在电液伺服系统中应用

为克服传统PID控制电液伺服系统时存在参数整定不良,动态响应特性欠佳的问题,采用RBF神经网络PID对系统进行控制,并针对控制中存在的问题对控制算法进行改进,仿真和实验研究表明,改进的RBF-PID控制算法较RBFPID和传统PID具有较快的响应速度和较好的鲁棒性。

永磁同步直线电机RBF神经网络的PID控制

针对永磁同步直线电机的初级磁链近似为常数这一特点,在d-q轴下建立了直线电机的数学模型。直线电机具有非线性、耦合性、负载扰动、时变不确定性等特点。常规PID控制虽然结构简单、输出稳定、易实现,但在高速高精度应用场合却不能达到理想的控制效果。提出了一种基于RBF神经网络与传统PID控制相结合的新策略,形成RBF神经网络整定PID控制,在一定程度上改进了PID控制的性能。仿真结果表明,RBF神经网络PID控制具有更好的动态响应性和更加稳定的跟踪性能。

基于RBF神经网络和重复控制PID的电动负载模拟器复合控制

针对电动负载模拟器运行过程中存在的多余力矩问题,提出RBF神经网络和重复控制PID与前馈补偿控制器相结合的电动负载模拟器复合控制方法。该方法充分利用重复控制PID的优点,加入RBF神经网络控制,形成一种具有较强的抗干扰能力、较好的跟踪性能和自适应能力的控制算法;结合舵机速度的前馈补偿,实现多余力矩的抑制;引入弹簧杆,降低系统有害力矩,提高系统稳定性。仿真分析验证了所提复合控制方法的有效性和可行性。

基于RBF网络的大滞后系统自适应预测PID控制器

针对大滞后系统滞后时间长,难以控制的特点,提出一种基于RBF网络的自适应预测P ID控制器。该控制器利用超前预测克服时滞,并采用基于RBF网络的P ID控制器在线调整控制器参数,从而控制系统的输出。应用该控制方法对大滞后一阶和二阶环节进行了仿真研究,结果表明该方法具有较快的系统响应,较强的自适应性和鲁棒性,控制设计简单等特点。

超磁致伸缩致动器的基于RBF神经网络整定PID控制

超磁致伸缩致动器的外加磁场与输出位移存在着显著的磁滞现象,导致致动器的输出位移存在滞回性强、非线性严重等缺点,这严重限制了致动器的应用。针对超磁致伸缩致动器的磁滞,论文采用Jiles-Atherton磁滞模型并结合致动器结构动力学原理,建立了磁滞非线性动态模型;设计了基于RBF神经网络整定的PID控制器,以削弱致动器的磁滞,使整个系统的输出无偏差的地跟踪参考输入。仿真结果表明,所提出的控制方法可以在一定程度上削弱致动器的磁滞,能够兼顾跟踪能力和抑制干扰能力。

模糊RBF神经网络PID算法在DVD光学头控制中的应用研究

为了使三维光存储技术的应用水平得到提高,以DVD伺服技术、双光子吸收技术为基础组建了一套信息存储系统。在DVD光学读取头传递函数基础上,引入一种新的算法即模糊RBF神经网络PID控制算法,创设此控制系统的仿真模型,并依据模糊控制的逻辑推理、RBF神经网络的自学习,对PID控制器的三个参数进行在线的调整,最后使用MATLAB进行计算机仿真。仿真结果表明:模糊RBF神经网络PID控制算法极大提升了系统的响应速度,并使控制系统的超调量降低了很多。

基于改进RBF神经网络PID控制的液压起重机节能仿真

液压起重机在驱动小负载时,导致液压泵输出功率较大,造成能源浪费。对此,提出了改进径向基函数(RBF)神经网络PID控制方法,并对液压泵输出功率进行仿真。创建液压起重机平面简图,设计了负载敏感平衡阀,推导液压起重机驱动动力学方程式。对传统RBF神经网络结构进行改进,设计了动态自适应RBF神经网络PID控制器,采用Matlab软件对液压起重机改进RBF神经网络控制效果进行仿真。结果表明:在空载或轻载工况下,悬臂在上升过程中,采用RBF神经网络PID控制与改进RBF神经网络PID控制方法,液压泵输出功率几乎一样;悬臂在下降过程中,采用改进RBF神经网络PID控制方法,液压泵输出功率较小。在空载或轻载工况下,液压起重机采用改进RBF神经网络PID控制方法,能够降低液压泵能耗损失,节约资源。