支持向量机在PID控制器参数整定中的仿真研究

PID控制是应用最为广泛的控制方法,由于系统中存在非线性和时变性,影响建立精确的模型,系统性能.为了解决控制参数整定,改善系统性能,提出一种基于支持向量机的PID控制器参数整定方法.通过将支持向量机和PID控制器相结合建立支持向量机的参数整定模型,在控制过程中将PID控制的参数作为支持向量机的输入,构造参数自适应学习的PID控制器,在控制过程中动态调整PID的三个控制参数,进行仿真的在线整定.仿真结果表明,支持向量机的PID控制方法在处理非线性和时变系统时,提高了实时性能,增强系统稳定性,并获得更好的控制效果,为通用非线性PID控制器设计提供了依据.     

基于差分进化算法的PID参数整定

研究了PID控制器的参数整定问题.常用的工程整定法没有考虑系统的任何要求,只能提供给系统一个稳定的状态,无法使系统运行最佳.理论设计法只能保证满足系统的某一特性要求.针对这两种方法存在的缺陷,将差分进化算法应用于PID参数整定,提出了基于差分进化算法的PID参数整定方法.新方法根据系统性能指标,设计适应度函数,充分利用差分进化算法优秀的寻优能力,寻找出较优的PID参数.最后,通过实例对三种参数整定方法的控制效果进行了仿真和比较,仿真结果证明了基于差分进化算法的PID参数整定方法明显优于工程整定法和理论设计法.     

基于BP神经网络的参数自整定PID控制器仿真研究

PID控制是迄今为止在过程控制中应用最为广泛的控制方法,但在实际应用中,其参数整定仍未得到较好的解决。把神经网络技术应用在PID控制中,充分利用神经网络具有非线性函数逼近能力,构造神经网络PID自整定控制器,并通过MATLAB仿真试验,取得较好的效果。     

BP神经网络在导弹控制系统参数整定中的应用研究

PID控制是目前广泛应用的导弹姿态控制方法,对其相应的Kp、K,、KD三个控制参数的整定多采用经验方法完成,而常规PID控制器难以实现在线实时自适应参数整定;而将神经网络技术与常规PID控制相结合,则可以在一定程度上解决常规PID控制器不易进行实时自适应参数调整等方面的缺陷,充分发挥PID控制的优点;论文以某型导弹的纵向通道姿态控制系统为例,采用BP神经网络实现了控制系统参数的自适应整定.     

基于BP神经网络的PID参数自整定的船舶操纵控制器研究

船舶操纵的模型参数具有非线性、慢时变特性。船舶操纵的传统控制方法的操纵性能不能令人满意。本文讨论一种应用ＢＰ神经网络实现ＰＩＤ参数自整定的控制方法。此法能根据船舶动态特性的变化,自动重新整定ＰＩＤ参数,从而改善了操纵性能和鲁棒性。     

基于BP神经网络的PID参数自整定的船舶操纵控制器研究

船舶操纵的模型参数具有非线性、慢性变特性。船舶操纵的传统控制方法的操纵性能不能令人满意。本文讨论一种应用BP神经网络实现PID参数自整定的控制方法。此法能根据船舶动态特性的变化,自动重新整定PID参数,从而改善了操纵性能和鲁棒性。     

基于BP神经网络整定的PID控制

为了改善传统PID控制器的控制效果，采用BP神经网络对PID参数进行自整定，并对该系统进行了仿真分析。仿真结果表明，采用BP神经网络整定的PID控制器具有良好的控制品质。     

基于BP神经网络的PID参数自整定的船舶操纵控制器研究

船舶操纵的模型参数具有非线性、慢时变特性。船舶操纵的传统控制方法的操纵性能不能令人满意。本文讨论一种应用BP神经网络实现PID参数自整定的控制方法。此法能根据船舶动态特性的变化 ,自动重新整定PID参数 ,从而改善了操纵性能和鲁棒性     

模糊自适应PID控制器参数整定的研究

主要研究了模糊自适应PID控制器参数整定方法,给出了预估计PID参数值的经验公式和方法。用MATLAB软件对PID控制、模糊自适应PID控制的控制性能分别进行了仿真研究,结果表明参数模糊自整定PID控制具有良好的稳态精度和自适应能力。     

ZigBee技术在PID控制器参数整定中的应用研究

针对传统PID参数整定方式存在的电缆安装和布线繁琐、操作缺乏灵活性等问题,提出将ZigBee技术应用于PID控制器参数整定中,通过ZigBee无线组网方式实现PID参数整定控制器主机与现场测试设备之间的通信,从而达到使PID参数整定设备微型化、网络化、智能化的目的。仿真结果表明,运用ZigBee技术进行PID控制器参数整定可有效减少参数整定试验工作量,并提高控制器的灵活性和控制质量,扩展其适用范围。     

神经网络在PID控制器参数优化中的研究

研究PID控制器参数优化问题.工业过程控制要求稳定性,跟踪特性均应实时快速.由于PID控制效果取决于比例、积分和微分3个参数取值,传统PID参数采用试凑方式进行优化,往往费时且难以满足实时控制效果,导致控制精度不高.为了提高PID控制精度,改善系统性能,提出一种神经网络的PID参数优化方法.方法将PID控制器输入作为神经网络输入,最优PID控制性能作为神经网络的输出,通过神经网络的联想记忆能力和自学习适应能力,在控制过程中动态调整PID参数(比例、积分、微分),从而实现PID控制器参数实时优化,获得最佳PID控制效果.仿真结果表明,应用神经网络的PID参数优化方法提高了PID控制精度和系统响应速度,具有较强的自适应性和鲁棒性.     

基于BP神经网络的PID控制研究

PID控制算法是工业控制领域中应用广泛的控制算法,但在实际应用中其参数整定问题一直是一个尚未很好解决的难点.为了解决控制参数整定,改善系统性能,利用BP神经网络技术应用到PID控制器中.通过建立三层神经网络模型,在控制过程中按照梯度下降法修正神经网络的权系数,实现PID神经网络的自学习和逼近任意函数的功能,在控制过程中根据变化实时调整PID的三个控制参数,从而进行PID控制参数的在线整定.仿真结果表明,引入了BP神经网络的PID控制系统,提高了动态性能,增强系统稳定性和快速性,并获得更好的控制效果.     

基于RBF网络自整定PID控制的改进算法

针对工业过程控制中存在的非线性,时变性以及各种不确定性,在已有的RBF网络整定PID控制的基础上,提出了一种改进的整定控制算法。先用RBF神经网络在线辨识被控对象离散模型,得到对象关于控制器输出的Jacobian信息,然后用Levenberg-Marquardt算法代替传统的梯度法对PID参数进行整定,得到改进的整定控制算法。通过对锅炉汽包水位控制系统的仿真研究,验证了算法的有效性和优越性。该控制算法提高了控制系统的快速性、鲁棒性,有一定的实用推广价值。     

基于优化BP神经网络的PID控制器研究

提出了一种新型的基于优化BP神经网络结构的PID控制器（PID－NNC），该控制器将神经网络和PID控制规律融为一体，既具有神经网络自学习，自适应及逼近任意函数的能力，又具有常规PID控制器结构简单，可靠性高的特点，且控制器的算法采用的是优化的BP算法，可以避免网络陷入局部极小点，也可以加快网络的训练速度，所以该控制器可以对具有非线性，时变性和不确定性等复杂系统实行控制。利用MATLAB软件对非线性系统进行了仿真研究，其仿真结果表明该控制器具有很好的控制效果。     

基于蚁群神经网络的工业自动化PID参数优化

针对常规方法无法获得最优PID控制器参数的缺点,提出一种基于蚁群神经网络的PID控制器参数优化方法（ACO-RBFNN）。ACO-RBFNN将PID控制器的3个参数作为RBF神经网络的输入,系统输出为RBF神经网络期望输出,通过蚁群算法对RBF神经网络的参数进行优化,并通过RBF神经网络构造参数自学习的PID控制器,从而实现PID控制器参数在线优化。仿真实验结果表明,基于ACO-RBFNN的PID控制器可以得到令人满意的控制效果,可以应用于工业自动化控制系统的PID控制器参数优化。     

基于改进微粒群优化的PID控制器参数整定

针对微粒群优化用于PID参数整定时易陷入局部收敛、效率不高的缺点,提出一种基于动态邻域和自适应惯性权重的微粒群优化算法。首先,通过定义动态邻域及其最优维值,提出种群个体的动态邻域最优维值学习策略,使微粒跟踪个体极值和邻域的最优维值进行搜索,避免局部收敛;其次,提出一种基于个体适应度的惯性权重动态调整方法,提高算法的寻优效率。优化典型测试函数验证了本文所提方法的有效性。最后,将该方法应用于典型工业过程控制的PID参数整定,获得了满意的控制效果。     

基于神经网络PID控制的自动化测试系统的开发与设计

针对汽车交流发电机性能自动化测试系统中测试对象特性的多样性及测试环境的多变性,在进行测试条件参数调节的过程中,采用改进型BP神经网络PID控制器,实现PID参数的在线自整定,改善自动化测试系统的动态品质,从而有效提高发电机生产线的生产效率.     

基于改进粒子群算法的PID控制器参数整定

粒子群算法是一种新的基于群体智能的全局优化算法,算法简单并且容易实现,已经被广泛应用在各个领域.本文为改善传统PID控制器的参数整定问题,提出了一种改进的粒子群算法.并用它来优化PID控制器的三个参数,得到的控制器结构简单,易于实现,仿真结果证明这种控制器具有良好的性能.     

一种基于离线优化参数的自校正PID控制器

本文针对典型工业过程，通过在线辨识对象脉冲响应间接获取对象等效参数，利用按偏差积分准则离线优化整出的ＰＩＤ参数与对象参数的关系，实现ＰＩＤ控制器的自校正，为抑制输出超调，提出了一种超前控制方法。仿真表明，该控制器对于变参数对象可获得满意的控制效果。     

基于BP神经网络的PID控制器在伺服系统中的应用研究

针对经典PID控制的参数不能在线调整的缺陷,提出了一种基于BP神经网络的PID控制算法,利用BP神经网络比较强的学习能力实现了PID控制参数的在线调整和优化,并对其在伺服系统中的应用进行了仿真。仿真结果表明该算法优良,加快了系统响应速度,减少了超调量,适应于非线性系统。