模糊PID参数自整定在炉温控制系统中的应用

炉温控制系统是一个复杂系统,针对一次性整定的PID参数难以保证系统控制效果始终处于优化状态,提出采用参数自整定方法,实时改变PID参数,以保证控制系统的优良品质.借助PID参数的在线模糊自整定后,自动切换到正常工作状态,在系统性能发生改变时自动启动PID参数的整定过程,重新整定的PID参数可以使系统达到更好的控制品质.     

模糊自适应PID控制器在退火窑温度控制系统上的应用

本文简述了模糊自适应PID控制器的结构和原理。介绍了其在压延玻璃退火窑温度控制系统中的运用。模糊自适应PID控制器运用模糊控制原理来对PID参数进行在线最佳调整,使被控对象具有良好的动静态性能。仿真和工程实践证明其控制性能优于常规PID控制器。     

基于BP神经网络的PID控制及仿真

本文讨论基于BP神经网络的PID控制，利用神经网络的自学习能力进行PID控制参数的在线整定、并使用Matlab软件进行了仿真研究。BP神经网络是一种前向神经元网络，具有学习速率快、振荡小、精度高的优点。仿真结果表明，神经网络PID控制器参数调整简单，具有很高的精度和很强的适应性，可以获得满意的控制效果。     

基于神经元自适应PID的超声波电机速度位置控制

超声波电机是强非线性时变系统,用常规的PID难以取得满意的效果.针对超声波电机的速度和位置控制,提出了神经元自适应PID算法.由于神经元自适应PID可以在线调整其参数值,因此当电机运行情况发生变化时可以通过改变控制参数来实现速度和位置的快速跟踪.实验表明,使用神经元自适应PID算法对超声波电机进行速度和位置控制,可以达到快速响应和高精度的控制效果.     

基于改进BP神经网络PID的无刷直流电动机速度控制的研究

引进模糊归一化控制策略，在线实时地调整与收敛速度密切相关的学习速率和动量系数，克服了BP网络收敛慢和容易陷入局部最小的缺点,并将改进的BP神经网络PID算法成功应用于无刷直流电动机速度控制中。仿真结果表明,改进BP神经网络PID使收敛变得更快，而且系统具有较强的鲁棒性和自适应能力。     

基于神经网络的自适应PID控制器及其应用

介绍一种基于神经网络的自适应PID控制器,运用神经网络和BP算法在线调整PID参数,PID参数的初值采用继电器自整定法整定。仿真分析和实际应用结果表明,与传统的数字PID控制器相比,该控制器具有更好的控制效果和更好的鲁捧性。     

基于RBF在线辨识的PID整定

针对非线性系统,提出一种新型的径向基函数(RBF)辨识网络的控制算法,根据RBF网络在线辨识被控对象的离散模型,得到被控对象Jacobian信息,利用BP网络在线自适应整定PID参数.通过RBF网络对系统在线辨识,克服不确定性对系统性能的不利影响,从而解决传统PID控制鲁棒性差及受精确数学模型限制的问题.通过实际算例验证,并与常规PID控制作对比,仿真结果表明,该控制算法有较强的自适应性和鲁棒性,其抗干扰和适应参数变化的能力都优于常规PID控制.     

基于BP神经网络PID自适应控制的无刷直流电动机控制方法

提出了利用变步长法和引入动量项来改进BP神经网络学习算法,有效减小了学习过程的振荡趋势,改善了收敛性,避免了学习过程陷入某些局部最小值,并将其用于在线调整无刷直流电动机控制系统的PID参数,实现具有最佳组合的PID控制。     

新型智能PID控制的PMLSM调速系统研究

为进一步提高永磁直线电机调速系统的动静态性能,提出将BP神经网络与传统PID控制器相结合,以实现PID参数的最优化自整定。在研究常规BP神经网络的控制算法的基础上,对常规BP算法的学习速率和动量因子不能动态调整带来的缺陷进行分析,提出基于误差变化率的动态调整算法,实现对PID控制器参数的自寻优,并将算法应用于永磁直线电机矢量控制系统速度调节器中。仿真实验结果表明,改进后的基于BP神经网络PID控制算法与传统PI控制器相比,控制系统的动静态性能更优,稳定性更好,解决了由于参数整定困难而导致PID控制器性能不能达到最优化的问题。     

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。     

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.     

基于神经网络的水轮机调节系统的自适应PID控制

基于有功功率反馈参与控制的水轮机调节系统,以几个典型工况下的最优ＰＩＤ系数作为训练样本,训练了一个三层ＢＰ神经网络,设计了一个用ＢＰ神经网络实现变参数的ＰＩＤ控制器;并构造了一个目标函数,设计了一个自适应神经元,利用神经元的自学习功能,在线优化控制器的输出,以期达到最优控制的目的。对简单电力系统的仿真结果表明,这种控制器可以达到较常规的变参数ＰＩＤ较好的控制效果,是实现水轮机调节系统自适应控制的一种可行的方法。     

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。     

模糊神经网络实现的PID参数自调整控制及应用研究

模糊控制学习功能差,神经网络推理功能差,把二者结合可以起到互补作用,保证推理和学习功能的实现。本文用多层ＢＰ神经网络实现了一类模糊推理过程,该网络通过学习记忆ＰＩＤ参数调整的基本规则,实现了ＰＩＤ控制器参数的在线调整。通过对考虑非线性因素的伺服系统控制对象的仿真,说明了该方法的有效性。     

基于BP神经网络的光伏并网逆变器控制方法研究

以光伏并网逆变器为研究对象,为解决非线性可变负载并网时动态响应慢、电压波动大等问题,基于BP神经网络提出了一种逆变器控制方法。详细论述了光伏并网逆变器主电路结构以及数学模型。针对并网电流内环控制,设计了一种BP神经网络的控制器。在保证输出误差最小的前提下,采用梯度下降法寻找PID参数最优值,实现PID参数的实时调整。通过调整网络权值和学习率消除负载变化造成的不利影响,加快系统响应。仿真结果表明:在BP-PID控制策略下,并网电流跟踪速度更快、效果更好,可基本确保电流误差稳定在零附近,较好地完成了并网电流跟踪,验证了该控制策略的可靠性。     

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神经网络的无刷直流电机控制器优化设计

无刷直流电机是一个多变量、强耦合的非线性系统,用常规的线性控制方法很难达到理想的控制效果。为了克服常规PID控制方法的不足,应用了BP神经网络对速度控制器的PID参数进行了优化设计。使用MATLAB仿真结果表明,采用BP神经网络这种控制方式的无刷直流电机调速系统具有良好的动态性能和稳态精度,能达到进一步优化控制系统性能的目的。     

模糊神经网络实现的参数自校正控制

将模糊控制和神经网络技术相结合,借助神经网络的学习能力和信息存储能力来实现模糊推理过程,并记忆参数调整规则,从而构成了ＰＩＤ参数调整机构,经过离线训练后,可使ＰＩＤ参数按模糊规则规定的基本原则在线调整。仿真结果表明,对非线性系统的控制,这种方法比常规的ＰＩＤ控制具有更好的动静态性能。