球磨机混合优化前向神经网络PID解耦控制系统

针对球磨机制粉系统的多变量、强耦合、非线性和时变性等特点,提出球磨机的混沌PSO与BP混合优化前向神经网络PID解耦控制系统.在这种控制器中,PID控制器的控制参数采用神经网络进行自适应整定,神经网络的权值采用混合优化算法进行调整.仿真结果表明该控制方法跟踪快、鲁棒性强、解耦好,控制品质优于传统PID解耦控制方法,较好地解决了球磨机的时变性、耦合性等问题.     

基于PID神经网络控制器的汽车起动电机测试系统

汽车起动电机测试系统具有复杂的非线性和强干扰等特点,测试精度高、测试速度快,对控制器要求很高。传统的PID算法对非线性系统效果不佳,容易出现较大的电流和力矩冲击;复杂的智能算法过程繁琐,参数整定困难,在工程实际中实现困难。设计了PID神经网络控制器,结合PID算法和智能算法两者的优点,既利用PID简单的结构,又借助神经网络的非线性映射特点和自学习能力来优化PID参数。仿真表明系统具有较高的测试精度和测试效率。该方法使用简单,很适合在工程实际中推广应用。     

一种柔性直流输电系统PID-ANFIS优化控制方法

针对柔性直流输电系统(Voltage Source Converter based High-Voltage Direct-Current,VSC-HVDC)双闭环控制中PI控制存在参数整定困难及控制器数量过多等问题,提出一种具有PID功能的自适应神经元模糊推理系统(Adaptive Neuro-Fuzzy Inference System with PID function,PID-ANFIS)控制器用于该系统控制。其中,PID-ANFIS控制器兼有神经网络控制、二阶模糊控制及PID功能;同时提出的基于三重合作粒子群算法(Treble Cooperative Particle Swarm Optimization,TCPSO)用于优化该控制器中神经网络参数。TCPSO采用由降维合作、分组合作与记忆合作组成的三重合作策略,极大程度上提升了神经网络参数优化的精度。深入研究了TCPSO优化PID-ANFIS控制器参数的步骤。基于TCPSO优化的PID-ANFIS控制器能够实现VSC-HVDC系统的直接功率控制效果。仿真结果表明该控制器具有控制速度快、超调量小、抗干扰能力强等优点,是VSC-HVDC控制系统的一个可行方案。     

基于遗传算法-BP神经网络优化的PID控制

利用遗传算法全局随机搜索能力,设计一种基于遗传算法的神经网络学习算法。对于非线性复杂系统,常规PID控制器不能获得理想的控制效果,针对复杂非线性对象的神经网络PID控制不失为一种有效的控制策略。该文提出了基于遗传算法优化参数的神经网络PID控制器,实现了基于实数编码的GA参数优化。仿真结果证明了该算法的有效性。     

基于自适应粒子群优化的静止变频电源控制研究

为了提高静止变频电源输出的电压波形质量,增强控制系统的鲁棒性,提出了基于自适应粒子群优化算法(APSO)优化模糊神经PID控制策略。利用改进的自适应粒子群优化算法优化模糊神经网络的前件、后件参数和单神经元优化PID参数,实现了控制器参数的自动调整。在MATLAB/SIMULINK环境下,对该策略控制下的静止变频电源控制电路进行了仿真。结果表明,与普通的模糊神经网络PID控制对比,引入改进的粒子群优化算法可以实现参数的全局快速寻优。优化后的模糊神经PID控制器具有良好的控制性能和自适应能力,很好地满足了系统的鲁棒性、快速性的要求。     

基于混合粒子群算法的线性预测PID控制

针对传统PID控制对大时滞过程控制效果不佳的问题,提出了一种基于线性预测的PID控制算法,用系统过去的几个输出值预测系统未来的输出值,用此预测值与期望设定值所得的偏差作为PID控制输入,再依PID控制律来设定控制器的输出,从而使被延迟了的被控量超前反映到控制器,使控制器提前动作,实现事先调节,从而减少超调量和调节时间,消除时滞对系统稳定性影响。利用混合粒子群算法对模型系数和系统参数进行了优化和在线调整。实例仿真结果表明,将线性预测与传统PID控制相结合并经混合粒子群算法优化的控制方法远好于单一的PID控制方法,而且具有操作简单、容易程序实现等特点,有效地提高了系统的控制品质。     

基于混沌优化的再热汽温预测PID控制器参数优化

将预测控制和PID控制器结合运用于再热汽温系统的控制中.采用神经网络作为预测模型,并将混沌优化算法运用于该系统的PID参数在线优化.通过计算机仿真,验证了该算法的有效性.     

改进的混沌算法在PID参数整定中的应用

PID控制由于鲁棒性好和易于实现等优点，在工业上广泛应用；但是PID参数整定繁琐、难以达到最优状态、控制结果出现较强的振荡和大超调等问题。在传统的混沌算法的基础上，引入微粒群算法的寻优思想，形成了一种新的混沌算法，并应用在PID控制器的参数优化上。仿真证明了该算法能有效地实现PID参数最优整定，控制结果具有稳定、超调小、响应快的优点。该算法寻优速度快，效率高，容易实现，其性能优于常规遗传算法，为解决PID控制器参数全局最优设计提供了一种有效的方法。     

神经网络辨识及控制研究

研究了前向多层神经网络及其BP算法，并利用此网络设计了辨识器和控制器，进行离线辨识、在线辨识和控制等。研究结果表明，这种控制结构能对复杂的非线性系统进行有效的控制，并且具有收敛速度快、抗干扰性好、鲁棒性强等特点，效果明显优于一般的PID控制方法。     

蚁群算法在永磁同步电机起动过程中的应用

永磁同步电机(PMSM)在起动过程中具有非线性、时变的特点,其多变量、强耦合的特点使得采用PID控制器很难满足系统非线性及参数摄动要求。在传统神经网络算法整定PID控制结构复杂,训练速度慢等原因基础上,提出了采用蚁群神经网络(ACANN)算法整定PID控制,用蚁群算法来学习多层前馈(BP)神经网络的权系,并建立基于该算法的网络训练模型,使其同时具有蚁群算法的快速全局收敛和神经网络的广泛映射能力等优点。仿真和实验结果证明该方法可以补偿系统因非线性和外界扰动等对控制性能的不利影响,达到电机平稳快速起动的目的。     

PID神经网络解耦控制注塑机料筒多段温度系统

本文根据注塑机料筒温度控制的要求，利用PID神经网络构成多变量解耦控制系统。注塑机料筒温度是一类多变量、强耦合、大惯性控制对象，文中分析了注塑机温度控制的特点，给出了PID神经网络的结构和算法，对多段温度系统进行了实时仿真，显示了PID神经网络对注塑机料筒温度控制的良好解耦性能和自学习控制特性。     

基于模糊神经解耦控制的双馈水轮发电机系统仿真

双馈水轮发电机系统是一个涉及水力、水轮机和发电机的综合复杂系统。针对系统具有多变量、非线性、强耦合和参数不确定性的特点，本文提出了一种两级串联结构的自适应模糊神经网络解耦控制策略，前级为基于智能权函数规则的自调整模糊控制器，后级为基于动态耦合特性的自适应神经网络解耦控制器，并从理论上证明了学习算法的收敛性。为了验证所提出控制策略的有效性和正确性，本文对双馈水轮发电机系统在水力、水轮机和发电机参数变化时的鲁棒性分别进行了仿真研究。与常规PID控制的仿真结果比较表明，提出的解耦控制策略能较好地克服参数变化和对象模型结构变化对运行性能的影响，具有鲁棒性好，解耦能力强的优点。     

交流稳压电源的改进神经网络PID控制

建立了交流稳压电源主电路数学模型并分析其闭环稳压控制原理。由于装置具有较强的非线性和变结构、变参数特性,采用经典PID控制器很难获得理想的控制效果。将人工神经网络与传统PID控制器相结合,构成一种不依赖于被控对象精确数学模型的神经网络PID控制器。为了提高神经网络的收敛速度,采用Levenberg-Marquardt算法计算连接权值更新量,并对当前解施加一个以一定概率保留的随机扰动,加快迭代过程跳出局部极小点。对装置主电路和改进神经网络PID控制器进行仿真,结果表明:系统动态响应快,鲁棒性强,调节平滑,具有较好的控制效果。最后,制造并测试了额定电压660 V、容量400 k VA的实验样机,对理论研究进行了实验验证。     

BP神经网络PID控制器在热油锅炉温控中的应用

介绍了基于BP神经网络PID控制算法,结合多模态控制理论,提出将BP神经网络PID控制器应用于热油锅炉温控中,并将其与普通PID控制进行比较。结果表明,该方法具有超调量小、过渡时间短、鲁棒性好等特点,弥补了常规PID在锅炉控温中参数难以整定等缺点。将此控制策略应用于热油锅炉温控中,构建了锅炉的自控系统,使锅炉处于最佳的燃烧状态,保证锅炉的安全经济运行。     

BP-PID Control Applied in Evaporator of Organic Rankine Cycle System

According to the problem that the selection of traditional PID control parameters is too complicated in evaporator of Organic Rankine Cycle system (ORC), an evaporator PID controller based on BP neural network optimization is designed. Based on the control theory, the model of ORC evaporator is set up. The BP algorithm is used to control the , and parameters of the evaporator PID controller, so that the evaporator temperature can reach the optimal state quickly and steadily. The MATLAB software is used to simulate the traditional PID controller and the BP neural network PID controller. The experimental results show that the , and parameters of the BP neural network PID controller are 0.5677, 0.2970, and 0.1353, respectively. Therefore, the evaporator PID controller based on BP neural network optimization not only satisfies the requirements of the system performance, but also has better control parameters than the traditional PID controller.     

基于神经元网络的球磨机解耦控制

针对球磨机这类多变量系统的特点,提出了一种基于神经元网络的解耦控制算法.详细分析了该算法在多变量系统中的工作机理,给出了控制回路参数整定方法.结果表明该算法且有较好的解耦控制效果.     

前馈神经网络的模糊 PID 算法及其在电力系统负荷预测中的应用

提出了多层前馈神经网络的模糊ＰＩＤ学习算法（ＦＰＢＰ）。这种算法是把多层前馈神经网络的学习过程当作一个动态控制系统来处理,确定出动态控制系统达到稳态时的ＰＩＤ控制器参数,然后再基于模糊控制的思想,对确定出的ＰＩＤ控制器参数进行模糊调整。文中给出了这种算法在电力系统负荷预测中的实际应用,并与标准ＢＰ算法作了比较。结果表明,该算法提高了网络的学习速度和预测的精度。     

改进的BP神经网络PID控制器在温室环境控制中的研究

为了更好的实现对温室环境系统的智能控制,针对温室环境系统存在非线性、强耦合、大滞后、强时变等问题,在分析BP神经网络技术的基础上,提出并设计出一种基于遗传粒子群优化的BP神经网络PID控制器,该控制器结合遗传算法强全局搜索能力以及粒子群算法强局部搜索能力和收敛速度快的特点,对神经网络的权值进行优化,对温室环境系统起到了有效的控制。最后对常规和改进后的BP神经网络PID控制器进行仿真对比研究。仿真结果表明,经过改进后的BP神经网络PID控制有更好的稳定性和鲁棒性。     

基于BP神经网络算法的粉碎机自适应控制系统设计

针对饲料加工行业中锤片式粉碎机控制系统存在启动时间长、响应速度慢及负载变化时出现的稳定性差等问题,提出了一种基于BP神经网络算法PID控制方法。首先,建立变频器和饲料粉碎机驱动电机组合系统传递函数的参考模型,并对其进行稳定性分析。然后在分析常规PID和模糊PID控制算法的基础上,将自适应神经网络算法PID应用到饲料粉碎机驱动系统的控制过程当中。通过搭建饲料粉碎机控制电机的仿真模型,利用MATLAB软件中的Simulink图形化编程功能对其进行仿真分析,并基于LABVIEW软件搭建了粉碎机测控系统试验平台进行实验测试分析。结果表明：对于饲料粉碎系统所给定的速度参考模型,设计的BP神经网络PID控制器能够实现较好的自适应追踪,对阶跃信号的响应更加迅速、超调更小,抗干扰能力更强。设计的自适应控制器能够根据工况变化自动调节PID参数,吨料电耗平均降低5.16%、生产率平均提高2.08%,对粉碎机主轴转速的控制更加精确,误差更小,兼具了较高的控制精度和较强的鲁棒性,满足饲料粉碎机驱动系统的自适应控制要求。     

基于BP网络PID算法的恒压供水系统研究

采用神经网络控制理论与PID（比例、积分、微分）控制算法,设计一个基于SIMATIC CPU226 PLC的BP神经网络PID控制器。恒压控制系统由BP神经网络PID控制器、丹佛斯VLT2900变频器和水泵机组组成。解决了传统PID控制算法难以保证系统在任何工况条件下始终具有最佳控制性能的难题。试验结果表明：系统可以在线自整定PID参数,具有较好的自适应能力,控制效果比较理想。