基于改进神经网络的PID整定

针对常规PID控制器对于复杂的、动态的和不确定的系统控制还存在着许多不足之处,提出一种基于模糊RBF神经网络的PID自适应控制方法。首先用改进的模糊K一均值聚类算法初始化RBF神经网络的隐层节点中心和基函数宽度,再采用梯度法优化RBF神经网络自适应地整定PID的三个参数。仿真结果表明该学习算法的实用性和有效性。     

基于遗传算法的FNN-PID控制技术在溶解氧控制中的应用

构建一种基于多层神经网络结构的模糊PID参数自整定系统,将模糊规则和隶属函数的选取转化为神经网络中连接权系数和网络结构的优化问题;以氧化沟内溶解氧偏差最小为目标函数,采用改进的遗传算法作为模糊神经网络的学习算法对网络的参数和结构进行优化,实现PID参数的在线自整定;仿真实验表明此方法较好地提高了氧化沟溶解氧系统的自学习能力和鲁棒性,使控制系统的动、静态性能都有较大的改善。     

模糊自整定PID的航空发动机转速控制研究

航空发动机具有强非线性和强时变性的特点,使用定参数PID方法的转速控制系统的性能在全飞行包线内难以保证.针对上述问题,提出设计模糊自整定PID控制器,利用输入误差及变化率建立一组PID参数在线调整规则,运用模糊推理方法实时进行参数自整定.结合某型航空发动机核心机非线性实时模型,进行转速串级控制硬件在回路仿真.结果表明,提出的模糊自整定PID控制方法实现了控制器参数在线调整,参数切换扰动小,满足全包线内转速控制的指标要求.     

模糊PID控制的中频电炉温控系统设计

针对中频电炉的结构,采用参数辨识方法,通过分析中频电炉的温升曲线获得相应的数学模型。针对该模型应用MTALAB仿真工具设计模糊PID控制器,该控制器根据误差及误差的变化率现场整定PID控制的参数。比较常规PID控制与模糊PID控制的仿真效果可以发现,采用模糊PID控制器根据误差与误差的变化率现场整定PID控制的参数,可以有效地提高PID控制器的控制效果。     

改进型模糊神经网络PID控制器的设计与仿真

传统PID控制器存在控制参数无法在线调整、控制效果差等问题。为了解决这些问题,本文提出了一款基于改进型模糊神经网络的智能PID控制器。该控制器不仅融合了模糊控制的推理能力和神经网络的学习能力,还创造性地将模糊规则参数化,使模糊规则也可以在线调整,进而提高了控制的准确性。同时,通过建构新型激活函数——IThLU函数,有效地避免梯度消失及梯度爆炸现象的发生,提高了控制的响应性。最终的仿真实验结果表明：这种改进型模糊神经网络智能PID控制器可以实现控制参数的在线实时调整,提高系统的响应性、稳定性和准确性,是对PID控制算法的有效改进。     

回转窑煅烧带温度控制器的设计与仿真

针对传统的回转窑煅烧带温度PID控制系统存在温度稳定性差、无法在线调整PID参数等问题,文章提出了一种采用模糊自整定PID参数控制方式设计回转窑煅烧带温度控制器的方案,介绍了该控制器的结构、设计步骤及回转窑煅烧过程系统的建模等,并采用Matlab中的Simulink模糊工具箱对模糊自整定PID温度控制器进行了仿真。仿真结果表明,该控制方法无超调量、调节时间短,能够实现参数的在线自调整。实际应用也证明了该控制方法的优越性。     

模糊神经网络PID控制器及在DTC中的应用

本文详细介绍了常规控制和模糊PID控制在直接转矩控制系统中的应用，建立在MATLAB仿真模型的基础上．利用多层神经网络构建模糊PID控制器，通过神经网络自学习能力在线提取模糊控制规则，根据不同时刻的误差和误差变化率运用模糊推理在线自整定PID参数。仿真表明，改进的模糊PID控制器具有常规PID控制器更好的效果。本系统适用于高性能交流伺服或调速系统。     

深度确定性策略梯度与模糊PID的协同温度控制

针对现有温度控制系统控温时间长、误差大的问题, 本文提出了一种基于深度确定性策略梯度(DDPG)和模糊自整定PID的协同温度控制. 首先, 模糊PID在控制大滞后系统时, 控制器不能立刻对产生的干扰起抑制作用, 且无法保证大滞后系统的稳定性等问题, 本文建立了模糊PID和DDPG算法相结合的温度控制模型, 该模型将模糊PID作为主控制器, DDPG算法作为辅助控制, 利用双控制器模型实现温度协同控制. 接着, 利用遗传算法对模糊PID的隶属函数和模糊规则进行寻优, 获得模型参数最优解. 最后, 在仿真实验中验证所提方法的有效性. 仿真实验结果表明, 本文提出的算法可有效减少噪声干扰, 减小控制系统的响应时间、误差和超调量.     

一种PID参数整定的粒子群优化算法

提出了一种PID控制器参数整定的粒子群优化算法。该方法首先通过定义一个包含系统超调量、上升时间和稳态误差指标项的适应度函数,并根据系统的实际控制要求对各指标项适当加权。之后由带收缩因子的粒子群算法对PID进行多目标寻优,从而实现PID控制器的自动参数整定。仿真结果表明,该方法优化得到PID控制器的综合性能优于常规方法得到的PID控制器。     

基于量子遗传算法的PID控制器参数自整定

提出了一种基于量子遗传算法（QGA）的PID控制器参数整定方法。首先定义一个包含表示系统超调量、上升时间和稳态误差指标项的适应度函数,并根据实际系统的性能要求对指标项进行适当加权。之后采用具有量子比特个体表示形式和量子旋转门实现种群进化的量子遗传算法,对PID进行多目标寻优,从而实现PID参数的自动整定。仿真结果表明,该方法优化得到PID控制器的综合性能优于常规方法和一般遗传算法得到的PID控制器。     

神经网络PID在PLC系统控制中的应用研究

针对传统的PID算法由于难以给出精确的数学模型,使得系统参数设定困难,同时系统控制效果上存在一定的缺陷,造成系统安全性和可靠性降低,系统控制质量不高。为了解决传统的PID算法所带来的问题,提出了基于模糊神经网络的PID算法,将PID算法、模糊控制算法以及神经网络算法相结合,形成了一种智能控制算法。将算法应用在PLC控制系统中,实验表明算法有效的实现了PID参数的自整定,并且提高了控制质量,具有一定的实际应用推广价值。     

自适应神经模糊推理结合PID控制的并联机器人控制方法

针对6自由度液压驱动并联机器人的精确控制问题,提出一种结合自适应神经模糊推理系统(ANFIS)和比例积分微分(PID)控制的机器人控制方法。首先,利用浮动坐标系描述法(FFRF)来模拟机器人柔性组件,并构建并联机器人的拉格朗日动力学模型。然后,根据模糊推理中的模糊规则来自适应调整PID控制器参数。最后,利用神经自适应学习算法使模糊逻辑能计算隶属度函数参数,从而使模糊推理系统能追踪给定的输入和输出数据。将该控制器与传统PID控制器、模糊PID控制器进行比较,结果表明,ANFIS自整定PID控制器大大减小了末端器位移误差,能很好的控制并联机器人末端机械手的运动。     

溶解氧浓度的直接自适应动态神经网络控制方法

针对污水处理过程溶解氧浓度的控制问题,提出一种直接自适应动态神经网络控制方法(direct adaptive dynamic neural network control,DADNNC).构建的控制系统主要包括神经网络控制器和补偿控制器.神经网络控制器由自组织模糊神经网络实现系统状态与控制量之间的映射;提出一种基于规则无用率的结构修剪算法,并给出结构调整后网络收敛的理论证明.同时,为保证系统稳定,设计补偿控制器减小网络逼近误差,参数调整由Layapunov理论给出.国际基准仿真平台上的实验表明,与固定结构神经网络控制器、PID和模型预测控制等已有控制方法相比,DADNNC方法具有更高的控制精度和更强的适应能力.     

一种基于Rough Sets和模糊神经网络的规则获取的方法

该文提出了一种基于RoughSets思想获取初始规则,并通过模糊神经网络优化,最后再进行简化获取模糊规则,及模糊系统参数学习的方法。并通过实例进行了自动列车运行系统仿真。文中还基于上述实例,将这种基于模糊神经网络的学习与控制方法与标准的BP网络和基本的模糊系统方法进行了比较,并总结了这种方法的特点。结论表明,该文所提出的模糊规则生成和模糊系统学习方法是行之有效的。     

基于多种群遗传算法的水面无人艇航迹控制方法

针对水面无人艇(USV)的航迹控制问题,提出了一种由视线导向法和多种群遗传算法整定的PID航向控制器组成的航迹跟踪控制方法.该方法采用多种群遗传算法克服了传统遗传算法容易陷入局部最优的问题,增强了算法的全局寻优能力;并根据模型特点改进了适应度函数,使得对控制器性能的评价更加合理.与标准遗传算法和粒子群算法的对比仿真表明,多种群遗传算法在PID参数整定方面寻优能力更强、稳定性更高;同时,整定出的PID控制器针对不同的模型参数,均表现出收敛速度快、无超调、无稳态误差的优良特性.航迹仿真结果表明,设计的航迹控制方法能够有效跟踪给定航迹.     

Intelligent control of photovoltaic system using BPSO-GSA-optimized neural network and fuzzy-based PID for maximum power point tracking

The maximum power point tracking (MPPT) technique is applied in the photovoltaic (PV) systems to achieve the maximum power from a PV panel in different atmospheric conditions and to optimize the efficiency of a panel. A proportional-integral-derivative (PID) controller was used in this study for tracking the maximum power point (MPP). A fuzzy gain scheduling system with optimized rules by subtractive clustering algorithm was employed for tuning the PID controller parameters based on error and error-difference in an online mode. In addition, an Elman-type recurrent neural network (RNN) was used for inverse identification of the PV system and for estimating the solar radiation intensity to determine the MPP voltage. The optimum number of neurons in the single hidden-layer of the RNN was determined by binary particle swarm optimization algorithm. The weights of this RNN were also optimized by using a hybrid method based on the Levenberg-Marquardt algorithm and gravitational search algorithm (GSA). In the proposed fitness function for optimization, both the RNN size and its convergence accuracy were considered. Thus, the algorithm for RNN optimization attempts to minimize both the structural complexity and the mean square error. Simulation results revealed superior performance of GSA in comparison with particle swarm, cuckoo, and grey wolf optimization algorithms. The performance of the proposed MPPT method was evaluated under four different ambient conditions. Our experimental results show that the proposed MPPT method is more efficient than the three competitive methods presented in recent years.     

基于模糊径向基函数神经网络的PID控制算法仿真研究

在传统的PID控制算法基础上,提出了一种基于模糊RBF神经网络的PID控制算法。该算法将RBF神经网络学习能力强与模糊理论的推理能力强的特点结合起来,在线调整比例、积分、微分三个控制参数,仿真结果表明,该算法的控制品质优于常规PID控制,具有较强的自适应能力和鲁棒性。     

Design of an adaptive self-organizing fuzzy neural network controller for uncertain nonlinear chaotic systems

Though the control performances of the fuzzy neural network controller are acceptable in many previous published papers, the applications are only parameter learning in which the parameters of fuzzy rules are adjusted but the number of fuzzy rules should be determined by some trials. In this paper, a Takagi–Sugeno-Kang (TSK)-type self-organizing fuzzy neural network (TSK-SOFNN) is studied. The learning algorithm of the proposed TSK-SOFNN not only automatically generates and prunes the fuzzy rules of TSK-SOFNN but also adjusts the parameters of existing fuzzy rules in TSK-SOFNN. Then, an adaptive self-organizing fuzzy neural network controller (ASOFNNC) system composed of a neural controller and a smooth compensator is proposed. The neural controller using the TSK-SOFNN is designed to approximate an ideal controller, and the smooth compensator is designed to dispel the approximation error between the ideal controller and the neural controller. Moreover, a proportional-integral (PI) type parameter tuning mechanism is derived based on the Lyapunov stability theory, thus not only the system stability can be achieved but also the convergence of tracking error can be speeded up. Finally, the proposed ASOFNNC system is applied to a chaotic system. The simulation results verify the system stabilization, favorable tracking performance, and no chattering phenomena can be achieved using the proposed ASOFNNC system.     

水轮机调节系统的模糊神经网络控制*

将模糊神经网络与自适应控制相结合,设计出一种能对水轮机调节系统进行有效控制的基于模糊神经网络的自适应PID控制算法.对改进后的调节系统特性进行测试和仿真,并与常规的水轮机进行比较,验证了模糊神经网络控制方案的可行性.仿真结果表明,该算法实现了调节系统的在线自适应调整,更精确反映调节系统的动态变化过程.与其他方法相比,该算法具有更快的响应速度和更好的控制效果.