自整定模糊PID控制在电机控制系统中的应用

在参数自整定模糊PID控制器的基础上,利用模糊推理的方法实现了对PID参数的在线自动整定,并且将该控制器在电机调速系统中的应用进行了研究,实验结果表明,参数自适应模糊PID控制能使系统达到满意的控制效果,具有较好的应用价值。     

基于BP神经网络的PID控制器在渠道自动控制中的应用

本文提出将基于BP神经网络的PID控制器应用于渠道自动控制中，实现了渠道PID控制中参数的整定不依赖于渠道数学模型，且能在线依据渠道系统的动态信息调整PID参数，满足了实时控制的要求。应用Matlab软件的仿真结果表明，采用基于BP神经网络PID控制器比常规PID控制，渠道的运行响应加快，水位超调减小，适应性增强，闸门的性能得到较大改善。     

智能积分模糊PD控制器及其在水轮机调速器中的应用

针对常规PID调节规律在水轮机调速器中不能在线进行参数自整定的问题 ,结合模糊控制技术 ,提出了智能积分模糊PD控制器。仿真和分析表明该控制器具有良好的自适应调节能力 ,并能保证调节系统具有良好的动态品质     

智能模糊PID控制在水轮发电机组中的应用

针对水轮发电机组常规PID控制不能根据系统的动态过程自动调整控制参数的缺点，提出一种改进的智能自适应模糊PID控制系统，模糊控制器隶属函数和推理规则采用遗传算法优化，模糊推理输出在线修改PID参数，并探讨了如何整定PID参数以达到最优控制效果。仿真实验表明这是一种有效的控制策略，尤其是启停机过程及负载扰动过程比传统PID控制具有更好的鲁棒性和稳定性。     

主汽温模糊控制器的设计

电厂主汽温控制对象有大惯性、长迟延、时变性的特点。为了提高火电机组的经济性和安全性,通常对主汽温控制系统提出较高的性能指标,但使用传统PID串级控制方法并不能取得更好的性能。为了改善主汽温PID控制器调节品质,运用模糊规则设计了一种新的模糊整定方法,介绍了基于MCS89C52单片机的相应硬件电路结构与软件设计。仿真结果表明,该模式在变工况时,通过在线修正控制器参数使控制系统性能指标几乎不变,对工程应用有实际意义。     

水轮机调速器控制策略研究综述

综述水轮机调速器PID控制、智能控制和自适应控制等特点 ,指出模糊控制可解决非线性控制系统问题 ,但导致控制精度降低 ;神经元网络控制虽有在线学习能力 ,但存在着学习速度较慢、易收敛到局部最小点等不足 ,延长了网络决策时间 ;将模糊控制、神经网络控制和PID控制相结合 ,可以实现PID控制器参数在线调整 ,能够直接用于水轮机调节系统的实时控制中 ;状态反馈控制可以改进控制系统的动态性能 ;遗传算法可有效地解决参数寻优问题 .提出在调节参数最佳整定、电液随动系统、可靠性与稳定性等方面还有待深入研究     

基于单神经元PID控制器在渠道自动控制中的应用

将基于单神经元自适应PID控制器引入到渠道系统自动控制中,它实现了PID控制中参数整定不依赖于渠道数学模型,且能在线依据渠道系统的动态信息调整PID参数,以满足适时控制的要求.通过Matlab软件的仿真,结果表明:采用基于单神经元自适应PID控制器,渠道运行响应加快,水位超调变小,适应性增强,且有更好的动态和稳态性能.     

改进算法单神经元PID在飞轮储能系统中的研究

对同步旋转坐标系下的飞轮电池模型的充电控制进行了研究。针对PID控制器自适应较差特性，通过对神经网络自适应特性的研究，设计了基于直接电流控制策略的飞轮电池充电双闭环智能控制结构。其中脉宽调制采用SVPWM，并使用增益自适应单神经元PID控制器取代传统PID控制器，利用其自学习能力在线调整PID参数。通过数字仿真结果表明，所提出的控制器控制性能良好，能够满足飞轮电池实际控制要求，对各种干扰与故障都具有较快的适应性和较强的鲁棒性。     

神经网络在调水工程水力控制优化中的应用

通过研究RBF神经网络整定PID调节器的原理，并把它应用在调水工程水力控制优化中。建立了整定水位PID调节器的控制模型，优化变速泵控制前池水位变化系统的动态品质。通过实例分析比较，表明经过整定的PID调节器，能使系统调节性能得到优化。     

模糊PID在超磁致伸缩致动器中的应用

系统控制器的优劣决定了致动器对被控对象的控制效果,传统PID控制器因其良好的性能广泛用于被控对象参数固定、非线性度低的系统。而超磁致伸缩致动器受到温升等因素的影响,系统模型的各参数也相应地发生变化,为控制精确度,需要对PID控制器的参数不断进行在线调整。系统引入了模糊控制,建立了模糊PID控制器,在充分发挥PID控制器优良性能的同时,增加了模糊控制器的实时非线性调整功能,从而使致动器的控制效果达到最佳。     

遗传小波神经网络在大坝变形预测中的应用

针对传统的数学统计模型无法完全描述大坝变形量与多种荷载因素之间非线性映射关系的缺点,引入了一种基于遗传算法的小波神经网络模型,利用该模型对小波神经网络的初始权值、尺度因子进行全局优化搜索,克服了BP神经网络初始化的随机性以及网络易陷入局部极小值的不足,将该模型运用于大坝坝顶的径向、切向位移预测,结果表明,遗传算法优化的小波神经网络模型结构稳定性更好,预测精度较BP神经网络模型、小波神经网络模型有较大提高。     

基于小波神经网络的GPS高程异常拟合模型探究

利用GPS进行高程测量具有很多优越性,高精度地确定高程异常对于用GPS高程测量部分代替普通几何水准测量具有重要意义。依据BP神经网络和小波神经网络的基本原理,利用实验数据证实了小波神经网络模型比BP神经网络模型和文献[6]模型在GPS高程异常拟合中具有更高的精度,说明小波神经网络在GPS高程异常拟合中具有较强的实用性。     

混流式水轮发电机组神经网络模型预测控制

 针对混流式水轮发电机组(FTGS)复杂的非线性特性,提出了包含混流式水轮机神经网络模型(FTNNM)的FTGS的神经网络模型预测控制(NNMPC)。利用神经网络辨识模型(NNIM)预测FTGS对控制信号的反应,并采用优化算法计算来优化未来FTGS性能的控制信号。仿真结果表明NNMPC对FTGS是一个有效的工具。     

结合灰色理论的人工神经网络方法 在水质预测中的应用

针对现阶段水质监测中存在的水质变化响应滞后问题,提出了采用灰色预测法、人工神经网络(BP神经网络、径向基神经网络、广义回归神经网络)以及两者组合的方法对水质动态预测进行研究。以太湖流域嘉兴斜路港监测断面为例,并依据后验差检验比值c及小概率精度p对模型预测效果进行了分析。结果表明,对年内预测,通过广义回归神经网络的动态预测值平均相对误差为0.61%,后验差检验比值小于0.65,小误差概率大于0.7;采用灰色结合广义回归神经网络的方法对水质pH值进行预测,平均相对误差仅有0.85%,后验差检验比值小于0.65,小误差概率等于1。研究结果还表明,对年际预测,灰色结合BP神经网络和灰色结合径向基函数神经网络的动态预测值平均相对误差分别为0.57%和0.80%,其后验差比值都小于0.5,小概率误差都为0.9,大于0.8。     

基于人工神经网络的土石坝震损病害的预测研究

本文介绍了基于L-M(Levenberg-Marquardt)算法的BP神经网络模型,利用模型对土石坝进行损害预测.选取243座震损土石坝水库为研究对象,确定土石坝裂缝、渗漏、滑坡为本次预洲的指标.同时采集243座水库震损土石坝的裂缝、渗漏、滑坡等三大震损病害资料,通过专家意见划分其等级,作为实测值.经过神经网络模型反...     

小波包和模糊神经网络在离心泵故障振动信号处理中的应用

根据离心泵故障振动信号的特点,提出了利用小波包分解、重构技术进行消噪处理及频带能量特征提取,并以“能量”为元素,构造离心泵振动信号的特征向量,通过对神经网络和模糊系统的结合方式的研究,提出了一种基于小波包和模糊神经网络的离心泵轴系故障诊断方法,实验分析结果表明,该方法可以有效地对离心泵轴系振动信号进行诊断。     

小波神经网络在水文水资源应用中的研究进展

以人工神经网络为基础的小波神经网络具有较强的逼近和容错能力、较快的收敛速度和较好的预报效果。在介绍小波神经网络模型的结构、特点基础上,着重介绍了目前关于小波神经网络在水文水资源领域的研究现状,并指出了其在理论及应用中存在的问题。     

基于 C4．5决策树算法的土质边坡稳定性评价研究

采用神经网络进行土质边坡稳定性评价时，差异性较大的训练样本往往会使评价结果不太理想。针对这一问题引入 C4．5决策树算法，采用多个土质边坡工程的实测数据，运用信息增益率进行分类属性的选择，并对建立好的树体结构进行剪枝操作，建立基于决策树的土质边坡稳定性评价模型。将该模型与 BP 神经网络和 LVQ （Learning Vector Quantization，学习向量量化）神经网络进行对比分析，结果显示决策树模型分类正确率最高，达到90％，模型所用时间为2．24 s，表明把决策树用于土质边坡稳定性评价是合理的。     

改进Elman网络及其在水轮发电机组故障诊断中的应用

针对水轮发电机组故障诊断系统，分析了改进BP网络在故障诊断中的不足，提出了利用改进Elman网络进行水轮发电机组故障诊断的方法。该方法具有精度高、收敛快、可以避免局部最小的优点，从而为水轮发电机组故障诊断提供了一种更有效的方法。     

ANN、ANFIS和AR模型在日径流时间序列预测中的应用比较

水文预测是水文学为经济和社会服务的重要方面。其预报结果不仅能为水库优化调度提供决策支持,而且对水电系统的经济运行、航运以及防洪等方面具有重大意义。自回归模型(AR模型)、人工神经网络(ANN)和自适应神经模糊推理系统(ANFIS)在日径流时间序列中应用广泛。将这三种模型应用于桐子林的日径流时间序列预测中,不仅采用纳什系数(NS系数)、均方根误差(RMSE)和平均相对误差(MARE)为评价指标,对三种模型的综合性能进行了比较。而且,在对三种模型预测结果的平均相对误差的阈值统计基础上,分析了三种模型的预测误差分布。同时,通过研究模型性能指标随预见期的变化过程评价了三种模型不同预见期下的预测能力。结果表明ANFIS相对于ANN和AR模型不仅具有更好的模拟能力、泛化能力,而且在相同的预见期下具有更优的模型性能,可以作为日径流时间序列预测的推荐模型。