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。     

基于模糊RBF神经网络的PID控制方法及应用

针对常规PID控制参数固定难于满足时变不确定非线性系统的控制要求,利用模糊控制的良好收敛性和对模糊量的运算优势,以及神经网络自学习、自适应的特性,将常规PID控制与模糊控制、神经网络结合起来,提出一种基于模糊RBF神经网络的PID控制方法,实现了对PID参数的实时在线整定。将算法运用到柴油发电机调速系统的PID参数寻优中,MATLAB仿真试验结果表明,模糊RBF神经网络的PID控制具有更好的动静态特性和抗干扰性能,提高了对非线性时变被控对象的控制效果。     

神经网络分数阶PI~μD~λ在压电叠堆控制中的应用

为了克服压电叠堆的迟滞特性,实现压电叠堆的精确控制,建立了压电叠堆控制系统,研究了该系统所用到的神经网络、分数阶微积分等算法。首先,搭建了采集压电叠堆位移数据的硬件系统,并对含有噪声的位移数据进行了滤波处理;利用径向基函数(RBF)神经网络对压电叠堆建模,得到了模型参数。然后,利用RBF神经网络建模得到的Jacobain信息来整定分数阶PI~μD~λ控制器中的参数对压电叠堆进行控制。最后,与RBF整数阶PID对压电叠堆的控制效果进行了对比。结果显示:RBF建模误差仅为位移实测数据的0.22%,RBF神经网络分数阶PIμDλ控制系统输出稳定,很好地跟随了给定。得到的结果表明RBF神经网络分数阶PI~μD~λ控制器控制性能良好,在压电叠堆的控制中比RBF整数阶PID控制器表现得更加稳定、精确。     

不确定性X-Y定位平台自学习控制研究

针对带不确定性的X-Y定位平台系统位置控制问题,提出了径向基函数神经网络的自学习控制策略。首先建立X-Y定位平台轴系统的动力学模型,然后利用增广变量法设计了基于神经网络PID控制器,利用RBF神经网络良好的逼近能力来进行自学习控制,设计了改进随机梯度算法来实现网络权值的自适应调整,并加快其学习速度。针对神经网络动态特性欠缺的问题,设计了PID控制器来保证控制阶段初期的跟踪精度。最后通过仿真详细分析了其控制机理,并证明了该方案的有效性,具有较高工程应用价值。     

改进RBF网络PID算法及在气动力伺服系统中的应用

针对气动力伺服系统的非线性、时变性和不确定性,在已有RBF神经网络PID控制算法的基础上,提出了一种改进的控制算法。在RBF网络参数调整中引入动量因子,考虑参数变化的经验积累,减小系统振荡;同时,采用LM(Levenberg-Marquardt)算法代替梯度下降法对算法中PID参数进行实时在线调整,加快其响应速度。最终通过MATLAB仿真和基于LabVIEW的实物验证实验,测试了改进算法在气动力伺服系统中的控制效果。实验结果表明,改进算法的快速性和鲁棒性明显提高,在气动力伺服系统中具有良好的控制效果,且在工业现场具有实用性。     

关于最近邻聚类的RBF网络自整定PID控制算法的研究

针对采用传统PID控制一类非线性滞后系统难以获得满意的控制效果,提出基于RBF神经网络的PID控制参数自整定的方法.利用具有在线能力的最近邻聚类学习算法,训练RBF神经网络.并引入优化策略对聚类半径进行自动调整,以保证聚类的合理性,从而自适应调整系统的控制参数.仿真结果证明了该控制策略不仅能使非线性滞后系统具有良好的动态跟踪性能,而且具有很好的抗干扰能力和鲁棒性.     

基于模糊RBF神经网络的智能PID控制

针对常规PID控制参数变化系统效果不佳的缺点,设计一种利用智能控制理论RBF神经网络与模糊控制技术相融合的新型智能PID控制方法[1]。该控制方法将系统的输入误差及其变化率进行模糊化后,再利用RBF神经网络算法对PID控制参数进行在线学习、运算和整定[2]。MATLAB仿真结果表明,基于上述的PID控制方法能够克服传统PID控制器的局限性,具有较高的控制精度,较好的动态品质及较强的鲁棒性。     

基于改进型RBF神经网络算法的PMSM电流源变频调速器研究

大功率PMSM电流源变频调速器应用于高铁动力牵引,可达到绿色节能低噪音的效果。但是由于行驶中环境等不确定因素对PMSM性能参数的影响,不能自适应调整控制参数的传统PID速度控制器存在安全风险。RBF神经网络具有学习速度快、实时性高的特点,可在线调整PID控制参数。现使用RAN算法结合梯度下降法改进RBF神经网络训练,实现复杂环境下PMSM高稳定性速度控制,并使用PSIM软件,对该系统性能进行仿真评估。     

基于改进PSO算法的液压调高系统神经网络预测控制

针对采煤机液压调高控制问题,提出一种基于模拟退火粒子群算法的RBF预测控制方法。综合模拟退火算法和粒子群算法的优点,用模拟退火思想来解决粒子群算法易陷于局部最优的问题。用模拟退火粒子群算法优化RBF神经网络,增强学习能力和算法稳定性。利用改进的RBF神经网络对采煤机液压调高系统进行预测控制,仿真结果表明,改进后的方法比传统控制方法辨识精度提高,响应速度更快,证明了该方法的改进效果较好。     

基于改进粒子群算法的神经网络PID控制研究

BP神经网络PID控制是利用BP神经网络的自学习和逼近任意非线性函数功能,对PID控制器的三个参数进行在线整定,但网络初始权值的选取困难.采用改进的PSO算法优化BP神经网络的初始权值,并对基于PAO算法的BP神经网络PID控制进行仿真实验.仿真结果表明,PSO算法使得网络初始权值的选取比较快速,系统的性能有所提高.