基于BP神经网络PID的注塑机液压控制

注塑机液压系统是一个非线性、大时滞性和强耦合的复杂系统,传统比例积分微分(PID)控制由于参数固定不变,导致超调量大、稳定性差、控制精度低,对注塑机液压控制效果不理想,现提出了一种改进型误差反向传播法(BP)神经网络PID控制方法。分析了液压注塑机工艺流程以及液压伺服系统控制原理,在此基础上将BP神经网络与PID控制方法相结合,通过神经网络的自学习、加权系数的调整,优化PID控制器参数K_i、K_p、K_d,并将粒子群算法引入到神经网络中作为其学习算法,以有效提高BP神经网络算法的收敛速度。仿真结果表明,经过粒子群优化后的BP神经网络能够快速地对PID参数进行自适应调整,同时粒子群优化后的BP神经网络控制效果明显优于传统PID控制,该控制方法对于提升注塑机液压系统响应速度以及控制精度具有重要作用。     

BP神经网络PID控制器在聚合釜温控中的应用

介绍了基于BP神经网络PID控制器的算法,在此基础上提出了多模态神经网络-PID方法。将神经网络PID与普通PID控制方法进行比较,结果表明,该方法具有自适应能力强、过渡时间短、鲁棒性好等特点,弥补了常规PID在聚合釜控制中参数难以整定等缺点。     

基于改进BP神经网络PID励磁控制器的研究

传统PID励磁控制器在现代电力系统快速发展的背景下,已经很难满足现代电力系统的各项高性能指标。在分析同步发电机励磁控制系统模型的基础上提出一种基于改进BP神经网络的PID励磁控制器,这种控制器能够克服常规BP神经网络励磁控制器收敛过程慢、网络训练时间长等问题。经过仿真研究和分析,采用改进型BP神经网络的PID励磁控制器控制效果好,收敛速度快,具有很强的动态特性以及鲁棒性,效果优于传统的PID励磁控制器。     

具有遗传算法优化BP神经网络调节的HVDC PID控制器设计

高压直流输电(HVDC)定电流控制是直流输电系统的控制方式之一,为了使HVDC PID控制器具有较好的自适应性,实现控制器参数自动调整,提出一种具有遗传算法优化BP神经网络调节的HVDC PID控制器。该控制器首先利用遗传算法对BP神经网络的初始权值进行优化,再利用BP神经网络对PID三个参数进行在线调整。仿真研究表明:具有遗传算法优化BP神经网络调节的PID控制器可以保证系统动态响应具有较好的快速性和对系统扰动的自适应性,是可行的。     

蚁群算法优化BP神经网络在主汽温控制中的应用

针对火电厂主汽温被控对象的不确定性及大延迟、大惯性及非线性等特点,设计了一种基于蚁群算法、BP神经网络的智能PID串级控制系统.采用蚁群算法对BP神经网络的初始权值进行优化,再利用BP神经网络算法对PID参数进行在线调整,从而实现了对主蒸汽温度的动态控制.仿真结果表明：该系统在控制品质、鲁棒性方面都明显优于常规PID控制系统.     

基于LabVIEW多效逆流蒸发工艺液位控制的研究

针对多效逆流蒸发工艺中液位非线性、大惯性和时滞性的特点,将BP神经网络与增量式PID算法相结合,以LabVIEW为开发平台,实现了多效逆流蒸发过程液位控制的动态仿真。基于物料衡算和热量衡算,建立三效逆流蒸发液位的数学模型,通过液位仿真证明基于LabVIEW实现BP神经网络PID控制系统在多效蒸发液位控制中具有良好的自适应性和鲁棒性。     

基于BP神经网络的连续搅拌反应釜PID自校正控制

研究了基于BP神经网络的连续搅拌反应釜PID自校正控制,采用梯度下降法调整PID参数,BP神经网络的逼近特性和自适应能力改善了控制效果。通过仿真实例对基于神经网络的PID控制器和经典PID控制器性能进行比较,结果表明:在相同的暂态响应时间下,前者的超调量更小,而且控制器具有较小的输出量。     

基于免疫遗传算法-BP神经网络的主汽温控制

针对火电厂主汽温被控对象的不确定性及大延迟、大惯性及非线性等特点,设计一种基于免疫遗传算法、BP神经网络和RBF神经网络的智能PID控制系统.利用免疫遗传算法的全局搜索寻优能力和较好的收敛性优化神经网络的权值,同时利用BP网络对PID参数进行在线调整.仿真结果表明,该系统在控制品质、鲁棒性方面都明显优于常规PID控制系...     

基于BP网络的流浆箱双变量PID解耦控制

针对造纸工业中的气垫式流浆箱总压与浆位的非线性、强耦合特性,在分析与总结BP神经网络、PID控制等优点的基础上,设计了一种基于BP神经网络的双变量PID解耦控制器。该控制器可利用神经网络所具有的任意非线性表达能力,根据系统现场的运行状态,按照人为设定的性能指标,通过自学习和权值调整来整定PID控制的比例(kp)、积分(ki)、微分(kd)三个参数,最终实现具有最佳组合的PID控制,进而实现了气垫式流浆箱总压与浆位的解耦控制。同时,还针对气垫式流浆箱的线性模型和非线性模型进行了仿真,仿真结果表明:该解耦控制器具有实现简单、动态响应快、控制精度高等特点,有较高的实用价值。     

自适应神经PID在辊筒温控系统中的应用

针对压延机辊筒三段温度控制以及常规PID控制在非线性的、时变系统中控制效果的局限性,提出了一种基于BP神经网络整定的PID控制方法,同时给出了计算机控制系统设计.由于神经网络具有强大的非线性映射能力及自学习、自适应等优势,通过对系统性能的学习来实现具有最佳组合的PID控制,建立比例、积分和微分3种参数自学习的PID控制器.对压延机辊筒的温度控制试验结果表明,用该方法整定的PID控制系统,逼近精度高、适应性好.     

基于Smith预估器的PID自适应控制及其应用

针对大时滞时变对象 ,把Smith补偿控制原理和PID参数的自适应调整方法结合起来 ,提出了基于BP神经网络整定Smith PID控制算法 ,即在Smith预估补偿控制系统中 ,利用BP神经网络在线自学习整定PID参数 ,使PID参数实现最佳的非线性组合 ,以适应对象特性的变化 ,从而克服了常规PID算法不适应大时滞系统控制和常规Smith算法过于依赖模型精度的缺陷。仿真研究和实际应用表明 ,本文算法具有很强的鲁棒性和良好的控制品质 ,工程应用控制效果令人满意。     

基于BP神经网络的PID算法研究与应用

针对实际非线性、不确定系统,文章将提出基于BP算法神经网络PID算法,阐述了三层BP网络设计方法。最后用于一个慢变性被控对象进行仿真,结果表明,此控制方法能够有效克服经典PID控制器在被控对象具有非线性、时变不确定性和难以建立精确的数学模型时出现的参数整定不良等问题。     

基于BP神经网络整定的PID控制及其仿真

PID控制是连续系统控制理论中技术成熟、应用广泛的一种控制方法。但在实际应用中,其参数的整定往往是依靠经验和现场调试。本文把BP(Back Propagation)神经网络技术应用到PID控制中,利用其非线性函数逼近能力,对PID控制器进行整定,并通过仿真试验取得较好的结果。     

基于自适应神经PID的压延机辊筒温度控制

针对压延机辊筒多段温度控制以及常规PID控制在非线性的、时变系统中控制效果的局限性,提出了一种基于BP神经网络整定的PID控制方法,给出了计算机控制系统设计,建立了比例、积分和微分三种参数自学习的PID控制器.对压延机辊筒的温度控制实验结果表明,用该方法整定的PID控制系统,逼近精度高、适应性好.     

双螺杆挤出机温度控制系统设计

双螺杆挤出机温度控制系统通常存在大扰动、非线性以及滞后性等特点,拥有固定参数的传统PID控制策略控制效果并不理想,为此提出了一种基于模糊神经网络PID控制的温度控制方法,对于现场无法充分预估的情况,该控制方法能够根据具体情况对PID参数做出适当调整。首先介绍了双螺杆挤出机温度采集与控制系统组成,将模糊控制理论、神经网络控制与传统PID控制相结合,利用模糊控制和神经网络对PID参数实现在线实时调整。最后,将模糊神经网络PID控制与常规PID和模糊PID控制进行仿真对比,模糊神经网络PID控制对螺杆机温度控制效果更佳,采用该控制方法可以大大提高产品合格率。     

神经网络PID在纯滞后系统中的应用

为了使PID参数得到在线调整,利用基于BP算法的神经网络构成PID控制器,神经元的联接权值通过自适应的学习速率在线调整,并利用Lyapunov稳定性原理证明了该算法的收敛性和学习速率变化范围.循环水温度控制实验表明该算法具有不依赖控制对象数学模型、跟踪精度高、收敛速度快等优点.     

混沌模糊神经网络算法在注塑机温度实时控制中的应用

利用混沌映射改进模糊神经网络各层参数,通过改进的模糊神经网络算法优化注塑机温控系统的PID(Proportion Integration Differentiation)比例积分微分反馈参数,混沌算法解决注塑机由于工艺型号等的不同而产生的控制差异性,模糊神经网络算法解决传统PID控制的不足之处。搭建了MATLAB矩阵实验室(Matrix Laboratory)仿真平台,通过对比实验验证了算法的优越性,减小了系统的超调量和控制时间,使注塑机的控制效果明显得到改善。     

密炼机液压上顶栓压力人工神经网络控制系统算法研究

阐述了BP神经网络控制算法原理;论证了人工神经网络相对于经典PID控制在上顶栓压力闭环控制上优越性;建立了系统的机电液耦合模型,通过MATLAB仿真实验,研究BP算法在该系统中的动态特性,为神经网络在该控制系统中的应用提供实验依据;最后仿真结果表明,引入BP算法可以使系统超调量明显下降,响应时间显著得到提高,静差得到很好的消除。     

PID神经网络控制及其在山梨醇生产线上的应用研究

针对大时滞及过程不确定的工业过程对象,提出一种PID神经网络控制方法,利用BP网络自整定学习,使PID参数实现最佳的非线性组合,克服了常规PID算法不适应大时滞及过程不确定系统的缺陷,大大提高了控制系统的鲁棒性.仿真研究和工程应用表明,本文控制方法容易实现,并且具有很强的鲁棒性和良好的控制品质.     

基于CAE和BP神经网络的塑件气孔及注塑工艺优化分析

针对除霜格栅塑件注塑后由于气孔较多而引起的开裂、凹陷等问题,对气孔产生的成因进行了分析。在排除材料、模具影响因素后,针对注塑成型工艺因素中的注塑速度和注塑压力对气孔问题产生的影响,在基于CAE仿真分析的基础上,将注塑速度和注塑压力转化成相应的螺杆转速控制因素,结合正交试验法对控制因素进行分层,通过BP神经网络构建控制因素与气孔数量的非线性控制关系,通过BP神经网络的预测作用,寻优出气孔最少的控制因素水平组合,并将之反馈于CAE仿真进行验证计算,检验结果表明,所寻优出的工艺参数水平组合能将气孔数量控制在较低的数量上。通过上述寻优,找到了改善塑件气孔的注塑工艺方案,对BP神经网络应用于注塑成型的优化具有很好的参考价值。