基于BP神经网络的盾构推进速度自适应PID控制

盾构掘进过程中地质多变,推进速度要求实现非线性控制,因此对控制方法提出较高的要求.在分析了盾构推进液压系统原理的基础上,建立了盾构推进速度仿真模型,设计了基于BP神经网络的盾构推进速度自适应PID控制器,运用MATLAB软件对常规PID推进速度控制和基于BP神经网络的自适应PID推进速度控制进行了阶跃响应仿真对比,并对基于BP神经网络的自适应PID推进速度控制的正弦跟踪特性进行了仿真.仿真结果表明基于BP神经网络整定的PID控制具有良好的跟踪能力和鲁棒性,相比于传统PID控制系统响应迅速,超调量小,具有很高的响应精度和良好的在线整定能力,对于盾构推进速度这种非线性过程,控制效果比较理想.     

具有类反斜线回滞系统的自适应控制

考虑一类具有类反斜线回滞的不确定非线性系统自适应控制问题.利用神经网络提出了变结构自适应控制方法和近似自适应控制方法,变结构自适应控制方法能保证跟踪误差趋于零,近似自适应控制方法的控制律是光滑的,能保证跟踪误差最终小于任意给定的正数.文中举例说明了结果的有效性.     

基于小波神经网络的蒸汽发生器水位辨识与控制仿真

提出一种基于小波神经网络的控制方法，对蒸汽发生器水位进行控制仿真．该方法利用小波神经网络作为控制系统的辨识器和控制器来构成控制系统．小波神经网络辨识器能更准确逼近非线性对象。小波神经网络控制器能自适应产生最佳的控制规律．仿真结果表明，该方案具有响应快、超调量小、较强抑制干扰能力等良好性能．     

神经网络控制算法应用探索

采用神经网络控制,选取应用最广泛的BP算法,与传统PID控制结合的控制策略来实现对主汽温的有效控制,仿真结果表明基于BP神经网络的自整定PID控制具有良好的自适应能力和自学习能力,对大迟延和变对象的系统可取得良好的控制效果,是采用多策略的智能控制与PID结合实现主汽温控制的一次有益的尝试与探索。     

小波神经网络的水电机组自适应逆控制

针对水电机组的非线性和结构参数易变化且具有时变和非最小相位的特点,依据神经网络的自学习特性和小波分析的逼近能力,提出了一种基于小波神经网络(WNN)的水电机组自适应逆控制方法.该方法用小波神经网络逼近被控对象的正、逆模型,通过构造控制加权的广义目标函数,推导出一种对非最小相位系统能实现有效控制的小波神经网络自适应逆控制律,理论分析和对水电机组仿真实验均表明,文中提出的控制策略比采用神经网络控制能更好地改善水电机组的动态性能,证明了该方法的有效性.     

基于参量阵系统的神经网络PID逆控制及仿真研究

针对参量阵系统这样一个强非线性声学系统的声音输出扭曲问题,提出了神经网络自适应逆控制策略。首先介绍了参量阵系统的逆模型,并由参量系统模型和它的逆模型构成一个伪线性系统。控制系统中的BP网络自适应调节PID（ProportionalIntegralDerivative）的三个控制参数,并利用PID控制参量阵系统。通过对MATLAB建立的复合逆控制模型进行仿真研究。仿真结果表明：神经网络PID控制具有较高的控制精度和适应性,可以获得良好的控制效果。     

永磁同步电动机位置伺服系统的自适应神经网络控制

针对需要考虑参数不确定和负载扰动的永磁同步电动机位置伺服系统,提出了一种新型的自适应神经网络控制方法。首先,利用神经网络建立永磁同步电动机的智能模型。其次,针对模型特点,在反步递推设计框架下,应用神经网络基函数的本质特征,并引入动态面控制技术克服控制设计中存在的“复杂性爆炸”问题,设计基于自适应神经网络动态面控制的位置跟踪算法。最后,仿真结果表明该控制方案是有效可行的,与反步递推控制方案相比,基于神经网络动态面控制的位置伺服系统的跟踪误差具有更快的收敛速度。通过设计新的神经网络自适应律,提出的自适应神经网络控制方法可以避免现有反步递推控制设计中存在的代数环问题。此外,提出的控制算法不仅能够克服不确定性因素对系统性能的影响,而且算法结构简单,易于实现。     

基于神经网络的墨量控制算法的研究

针对印刷机墨量控制的非线性特性,提出了一种基于改进BP神经网络的PID控制算法。运用神经元的自学习、自适应特点,对检测的印刷品色差缺陷进行实时墨量控制。仿真实验表明:该控制方法具有良好的动、静态性能和较强的鲁棒性与自适应性。     

基于模糊神经网络控制的混合式步进电动机伺服系统研究

在对二相混合式步进电动机实行最大转矩／电流矢量控制和IP位置控制的基础上,为克服参数时变和外界扰动对系统性能的影响,设计了一种新型高性能的参考模型自适应模糊神经网络控制器。实验结果表明所设计的位置伺服系统具有良好的性能。     

多跨转子系统多频传递力的神经网络自适应PD控制EI北大核心CSCD

针对大型旋转机械在运行过程中,由于自身不平衡量以及复杂的外部环境激励,导致转子系统振动,进而对基础和外部结构产生多频传递力的问题,提出了一种基于BP神经网络的自适应PD控制算法。采用一种电磁执行器与固定瓦滑动轴承集成的混合轴承结构,分析了该混合轴承的动力学特性;针对一个多跨转子系统,用有限元法建立了系统的动力学方程,从原理上分析了PD控制方式下传递力的主动控制;针对传统PID控制参数获取困难的问题,提出了基于BP神经网络的自适应PD控制算法;在一个四轴承双跨转子系统仿真模型上,分别对基于BP神经网络的自适应PD控制、BP神经网络控制及LMS控制的效果进行了对比分析。结果表明,基于BP神经网络的自适应PD控制对转子系统多频传递力具有更好的抑制效果。     

基于神经网络的弹性对象的动态压力控制

基于神经网络的弹性对象压力控制方法,研究出动态递归神经网络间接自适应控制器的结构和数学模型,利用实验数据离线设计了神经网络辨识器与神经网络控制器,并应用到出口自行车手闸和脚闸性能测试的静负荷实现的控制中.实用结果证明了该方法的有效性.     

一类非线性振动自适应控制的神经网络方法

针对一类非线性振动系统，本文详细阐述了非线性振动自适应控制的神经网络方法。首先提出一类非线性系统的控制模型与自适应控制策略；然后介绍了神经网络控制器的模型，进而导出了基于神经网络的振动自适应控制算法，数字仿真结果表明了这种方法的有效性。     

基于CPSO-BP神经网络-PID的热熔胶机温控系统研究

针对热熔胶机加热温度存在惯性大、滞后性强、非线性等缺点,且常规PID控制难以达到温控要求,提出了一种基于CPSO-BP神经网络的PID控制器参数自适应调整算法。该算法先用CPSO算法将BP神经网络的初始权值和阈值优化到全局极小点附近,然后用传统BP神经网络学习算法在线调整PID参数。采用MATLAB对设计的CPSO-BP神经网络-PID控制器进行了温控系统仿真分析,仿真结果显示该控制器可实现对热熔胶机温度的精确控制,具有良好的自适应性和鲁棒性;实验测得采用CPSO-BP神经网络-PID控制器的温控系统能够在3.5min内达到设定温度,温控精度为±2.5℃。CPSO-BP神经网络-PID控制器作为嵌入式系统的一个控制单元,已投入热熔胶机温控系统实际应用,使用效果表明:温控系统性能稳定,温控精度高,有效实现了热熔胶机加热温度的自动控制,具有良好的实际应用及推广价值。     

基于模糊神经网络的冷阴极潘宁离子源束流控制系统

设计了一种以TMS320LF2407A DSP器件为控制核心,以模糊神经网络控制为主要算法的智能冷阴极潘宁气体离子源束流控制系统.通过系统中嵌入的神经网络可实现对模糊控制的自适应调节,从而稳定离子源的引出束流,提高离子源的使用性能.     

汽车四轮转向自适应模糊神经网络控制研究

为了实现现实车辆运动的多自由度和非线性,在Simulink环境下建立包含车辆侧倾运动和轮胎非线性的三自由度四轮转向模型,针对大多控制方法需要依赖被控对象为精确数学模型的缺陷,提出具有联想、自学习、自识别、自适应特性的自适应模糊神经网络四轮转向控制策略;通过以前轮转角及车速作为输入,并依此确定后轮转角的输出,建立获得训练样本的仿真实验模型,用混合法训练得到自适应模糊神经网络控制器,并分别与前轮转向、比例控制和横摆角速度反馈控制下的四轮转向控制器进行仿真比较分析．结果表明自适应模糊神经网络控制使车辆在低速到中、高速时质心侧偏角趋于零,具有较强的鲁棒性;在角阶跃、移线实验中,控制效果优于前轮转向、比例控制和横摆角速度反馈控制,较大地改善了车辆的操纵性能．     

记忆径向基神经网络在冷轧液压自动位置系统的优化控制

针对冷轧液压自动位置控制系统多变量、强耦合、高阶次和时变性等特点,提出一种引入记忆因子的径向基函数神经网络在线自适应调节PID参数的系统。为提高网络精度,利用改进的混洗蛙跳算法离线全优化记忆径向基神经网络,在获得网络结构的同时得到初始参数,避免网络模型训练的繁琐,并利用测试函数证明优化后的网络具有良好的逼近能力。然后利用优化后记忆径向基神经网络的自校正功能在线细调PID参数,仿真结果表明,该控制系统跟踪快、超调小、适应性强,控制品质优于传统PID和普通径向基神经网络PID控制方法。     

神经网络自适应给水控制器设计研究

针对船用核动力装置运行的特点，研究了直流蒸汽发生器的水位控制问题．利用现代控制理论，设计神经网络自适应给水控制器的结构和算法．仿真试验分析验证了神经网络自适应控制器的控制性能和可行性．     

一种改进机器人计算力矩控制的神经网络补偿方法

提出了一种由计算力矩控制器和神经网络补偿控制器相结合的机器人控制方案,探讨了用线性神经网络补偿机器人计算力矩不确定性误差的方法.推导了网络权值的自适应调整律,并证明了系统的稳定性和跟踪误差的收敛性.所提方案结构简单,鲁棒性强,且神经网络补偿器有较好的适应性,无需事先知道机器人动力学参数和结构的精确值.对某打磨机器人轨迹跟踪的实验结果表明所提方案具有很好的鲁棒性和抗干扰能力.     

船舶发电机组转速神经网络模型参考自适应控制研究

将基于神经网络的模型参考自适应控制（NNMRAC）作为控制策略用于研究船舶发电机组的时变与非线性转速控制,以提高控制质量。研究中建立了船舶发电机组二阶传递函数模型,模型参考自适应控制的神经网络辨识器与控制器均采用多层前馈拓扑结构,网络训练采用量化共轭梯度反向传播优化学习算法。学习完成的神经网络模型参考自适应控制器与PID控制器并行作用于船舶发电机组,仿真数据表明船舶发电机组转速控制系统的调速快速性得到了提高、灵敏度得到了改善。     

非确定因素下汽车半主动悬架的智能控制

以含磁流变阻尼器的1/4 车辆非线性半主动悬架模型为研究对象,在充分考虑该非线性系统未建模动态的基础上提出了具体的神经网络与滑模变结构控制相结合的智能控制策略,有效抑制了悬架系统的振动,使车辆行驶的平顺性与舒适性得以提高.应用神经网络的在线学习能力对非线性动力学模型的不确定部分及外界未知扰动进行了神经网络估计,确定了未知函数的上确界,构造了控制系统的滑模变量并且合理设计神经网络的自适应规律使状态变量快速接近原点.通过稳定性分析证明了此种控制方法是全局渐近收敛的,并且对未建模动态具有强鲁棒性.数值仿真结果验证了该种控制方法的有效性,得到了阻尼器两端控制电压的变化规律.