基于启发式学习算法的空间柔性机械臂神经网络控制

针对非线性强耦合的空间漂浮基柔性机器人,提出了一种启发式学习算法的神经网络的前馈控制策略。首先通过拉格朗日法和假设模态方法建立了漂浮基柔性空间机器人的动力学模型,然后采用两个神经网络及一个PID控制器来构建前馈在线学习控制系统,其中一个神经网络充当前馈控制器,另一个神经网络通过学习逆动态模型来为前馈控制器提供在线学习参数,而PID控制器主要作为辅助补偿控制器。该控制策略不是在PID控制器的指导下进行学习,且无需预先的离线学习,因而学习精度更高,且减少了对学习样本选择不当的影响,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整的算法来实现快速学习能力,具有较好的实时性。仿真结果证明了所提方案的有效性。     

锅炉汽包水位模糊RBF自适应控制

针对汽包水位常规的PID控制方式,采用了一种模糊神经网络智能控制器,该控制器结合了模糊控制与神经网络学习能力强的特点,将2种智能控制相结合,在线调整控制器参数,整定出一组优化的控制器参数。仿真结果表明此控制器显著地改善了汽包水位的动态性能和稳定性能。     

基于模糊RBF神经网络的永磁同步电机位置控制

针对比例-积分-微分(PID)控制器参数固定而引起永磁同步电机位置伺服系统控制效果不佳问题,设计了基于平滑切换的模糊PI控制和径向基函数(RBF)神经网络PID控制的位置控制器。暂态时,采用模糊PI控制;稳态时,采用RBF神经网络PID控制,两者中间采用模糊PI-RBF神经网络PID复合控制。该位置控制器既结合了模糊PI控制和RBF神经网络PID控制的优点又克服了各自的缺点。仿真结果表明,当永磁同步电机受到外部扰动时,采用模糊RBF神经网络控制器的永磁同步电机位置系统具有良好的动态性能,能够实现快速响应,做到精确定位,而且当负载变化时具有很强的抗干扰性。     

在线学习自适应模糊控制器在水轮机调节中的应用

针对水轮发电机组系统具有时变非线性,传统的控制方法很难达到最优控制的特性,提出采用基于RBF神经网络和遗传算法的自适应模糊控制器来控制水轮发电机组运行.模糊控制器的比例因子、模糊推理规则和隶属函数由遗传算法在线寻优.由RBF神经网络进行被控对象的动态特性模型辨识,以评价模糊控制器控制性能.仿真实验表明,控制效果良好,特别在变工况和扰动情况下优于最优PID控制.     

基于RBF神经网络二级倒立摆系统的PID控制

针对二级倒立摆系统,提出一种基于RBF神经网络的PID控制方法。该方法采用RBF神经网络对PID控制器的参数进行优化修正,从而使控制器处于最优状态,实现二级倒立摆的稳定控制。仿真结果表明,该方法的控制精度较高,响应迅速,超调量较小。对于多变量、非线性、不稳定的快速系统,具有较好的控制效果。     

基于RBF网络的模型参考自适应控制

针对一类非线性动态系统给出了一种基于RBF(径向基函数)神经网络的模型参考自适应控制算法,控制器的结构中使用RBF网络来动态的补偿系统的非线性性。基于Lyapnuov稳定性理论,给出了控制器参数的调整机制——σ-modification-type修正律,并根据神经网络的逼近误差给出了控制误差的估计,控制误差渐近收敛于0附近的一个紧集。仿真实例说明了所给出的算法切实可行。     

基于RBF神经网络二级倒立摆系统的PID控制

针对二级倒立摆系统,提出一种基于RBF神经网络的PID控制方法。该方法采用RBF神经网络对 PID控制器的参数进行优化修正,从而使控制器处于最优状态,实现二级倒立摆的稳定控制。仿真结果表明,该方法 的控制精度较高,响应迅速,超调量较小。对于多变量、非线性、不稳定的快速系统,具有较好的控制效果。     

直线电梯单电磁导向装置悬浮气隙高度控制

针对单电磁导向系统参数变化及外部扰动对悬浮气隙高度产生的影响,提出了RBF神经网络自适应滑模控制方法.采用RBF神经网络并利用其学习功能,对直线电梯单电磁悬装置不确定参数进行自适应补偿,取代了常规滑模控制切换部分,并且消除了系统高频抖振现象.通过比例微分并行控制提高了RBF神经网络参数的收敛性,改善了局部极小现象的发生,增强了系统的鲁棒性,并采用Lyapunov稳定性理论证明了系统的稳定性.Matlab仿真显示该方法具有良好的跟踪性和鲁棒性.     

混合网络在慢时变系统中的应用

针对工业慢时变系统非线性、调节时间长、参数难以用常规PID控制方法整定等的特点,提出了一种混合神经网络参数自整定复合控制方案。将BP网络和PID结合起来充当系统的控制器,实现PID参数的自整定,RBF网络充当辨识器,实现对受控对象模型的辨识。仿真结果表明,该系统具有较好的性能。     

基于二次型单神经元PID的HVDC整流控制器设计

针对传统PID控制器存在自适应性差、调节时间长的问题,设计了一种基于二次型性能指标学习算法单神经元自适应PID的HVDC系统定电流整流控制器,控制器算法通过S函数-M语言编程实现,采用12脉冲桥结构的HVDC系统整流侧定电流控制模型在MArrLAB／simulink环境下仿真,仿真结果表明,所设计的整流控制器超调量小、调节时间短、自适应能力好、控制效果良好．     

混沌粒子群优化的模糊神经PID控制器设计

针对常规PID控制的线性局限性及传统模糊控制和模糊PID控制中积分误差规则难以获取,系统存在稳态误差的问题,提出一类以模糊神经网络和PID神经网络组成的模糊神经PID控制器．以整个神经网络的权值为优化参数,利用基于混沌策略的粒子群全局优化算法离线优化和误差反传算法在线调整相结合的方法获得控制器参数,并设计了混沌优化与粒子群结合的两步方案．仿真结果表明:与传统PID、模糊、模糊PID控制相比,系统的瞬态和稳态性能有了明显提高,且保持了一定的鲁棒性及高跟踪精度．该方法有效地拓展了PID控制的使用范围,并为智能方法与PID控制的结合提供了一种新的参考方案．     

基于改进递推预测误差神经网络算法的极点配置PID控制方法

针对工业控制中系统模型参数通常未知的特点,利用改进递推预测误差算法为基础的神经网络系统参数辨识方法,设计了极点配置自校正数字PID控制器.相比于基于梯度学习算法的神经网络辨识方法和通常的PID控制器,该方法具有参数辨识结构简单、神经元权值调整可持续且计算速度快、所采用的数字PID控制器鲁棒性强等优点.最后的数值仿真结果验证了本文算法及控制方法的有效性.     

基于RBF网络上界自适应学习的预警卫星滑模控制

分析了RBF(径向基函数)神经网络的基本结构和数学特性,对于预警卫星动力学系统的不确定性上界值无法测量和未知的情况,采用RBF神经网络可以对较强干扰上界进行自适应学习,并可降低控制和动力学带来的抖振。针对带有摆镜的预警卫星姿态控制问题,提出了一种基于神经网络扰动补偿的姿态滑模控制方法。针对RBF网络正交最小二乘(OLS)学习算法,采用RBF神经网络来学习不确定因素的上界值,并设计了预警卫星的姿态控制规律,解决了预警卫星动力学扰动补偿问题。利用数值仿真估算了基于RBF网络上界自适应学习滑模控制的预警卫星姿态控制系统的性能指标。     

静止无功补偿器的神经元生物智能电压控制仿真

为改善静止无功补偿器传统PID电压调节器的动态调节效果．增强其自适应能力,提出了一种基于神经元控制双层结构生物智能控制器的设计方法,其一级控制单元采用神经元控制,二级控制单元采用传统PID控制,神经元控制器根据实时误差动态调节PID控制器输人的给定值以提高控制效果．采用MATIAB中S—function模块并结合S一函数编程方法建立了控制器的仿真模型。然后用其替代静止无功补偿器控制系统中的P1D电压调节器．仿真结果表明：基于神经元的生物智能控制电压调节器能快速、灵活地调节电压,维持系统电压稳定．     

神经网络参数自整定PID控制在供热过程控制中的应用

目的 使供热控制技术适应大滞后、大惯性、时变对象的控制要求,提高供热控制性能以及抗干扰性.方法 采用神经网络理论与增量式PID控制相结合的智能控制方法 ,利用神经网络的自学习能力,在线整定PID三个控制参数,使系统具有更好的鲁棒性和自适应性.结果 仿真实验表明,与常规增量式PID控制效果相比,提出的控制方案使热力站二次网回水温度控制过程很快进入稳态,超调量减小3.57%,通过在线学习及自动更新Kp,Ki,Kd参数,控制系统响应速度加快,且能有效抑制扰动.结论 神经网络参数自整定PID控制算法优于常规的控制方法 ,提高了供热过程的动态和稳态性能,抗干扰能力增强,取得了良好的控制效果.     

船用舵机电液伺服单元单神经元自适应PID控制的研究

在分析了船用舵机电液伺服单元的基本原理和数学模型的基础上,设计了单神经元自适应PID控制器。用单神经元PID替代常规PID控制,通过神经元的学习来调整PID参数,利用神经网络良好的自适应和抗干扰能力．使控制系统对参数变化表现出良好的控制性能和鲁棒性。通过仿真证明了该系统有较好的控制效果。     

模糊RBF神经网络在麻醉深度控制系统中的应用

麻醉深度通常用病人的平均动脉压（MAP）值来直接反应和度量。针对平均动脉压的时变、非线性特点,提出了基于模糊RBF神经网络的麻醉深度PID控制系统。通过采用模糊RBF神经网络对检测到的平均动脉压值进行模糊化处理及神经网络辨识,从而在线整定PID控制器各个参数,以获得更好的控制效果。MATLAB仿真结果表明模糊RBF神经网络用于麻醉深度控制具有良好的动态响应性能。     

一种基于神经网络的学习控制方法

提出一种新的基于神经网络的增强式学习控制方法．学习控制器包括系统性能的评估部分及由性能评估提供的增强信号引导下进行学习的神经网络部分．模拟及物理实验结果表明，此方法具有学习速度快，适应性强，通用性好等特点．     

基于神经网络的LCL型并网逆变器控制策略

针对光伏并网逆变器系统动态响应缓慢、传统PID控制并网电流跟踪效果差的问题,提出BP神经网络结合PID的控制方法.取单相LCL型并网逆变器为研究对象,分析单相LCL型并网逆变器电路结构以及BP神经网络模型,通过采用具有动量更新的反向传播BP学习算法加快误差性能函数收敛,实时快速地输出合适的PID参数,以提高系统响应速度...     

基于模糊RBF神经网络的双电机驱动伺服系统研究

双电机驱动伺服系统中存在齿隙和摩擦等非线性,常规PID控制不能满足其控制要求.针对常规PID控制器参数固定而导致在控制中效果差的缺陷,提出一种基于模糊RBF神经网络整定的PID控制方法.该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,可以在线调整得到一组适合于控制对象的PID控制参数.最后在双电机驱动伺服系统中进行仿真试验结果表明所提出的控制策略是有效的.