RBF整定PID在永磁同步电机控制中的应用研究

电动汽车驱动电机具有非线性、时变性和耦合性等特性。为解决常规比例积分微分(PID)控制在电动汽车上下坡或负载发生变化等情况下控制效果不理想的问题,对电动汽车中永磁同步电机的驱动控制系统进行了研究。基于径向基函数(RBF)神经网络在电机控制领域的应用现状,利用RBF神经网络在线整定PID控制参数的方法,改善控制器对电动汽车驱动电机的控制效果。分析了永磁同步电机在电动汽车中的应用特性,建立了电动汽车中永磁同步电机的离散数学模型。通过Matlab仿真,验证了RBF神经网络在永磁同步电机等非线性系统中应用的可行性,并分别在RBF在线整定PID控制和常规PID控制两种情况下进行电机的调速控制仿真试验。试验结果表明,相比常规PID控制,RBF在线整定PID控制具有更好的实时性、抗干扰能力以及自适应能力,能够有效提高电动汽车行驶的稳定性。     

智能PID控制器优化仿真研究

研究PID控制器优化问题,现代工业控制过程中,由于许多被控对象受到于扰因素影响,具有高度非线性和不确定性,常规PID控制精度低,提出一种遗传算法、粒子群算法和RBF神经网络相融合的PID控制器设计方法(GA-PSO-RBF).首先采用遗传算法选择PID控制参数初始值,然后采用粒子群算法优化RBF神经网络参数,采用优后的RBF神经网络辨识控制对象的输出对输入的变化灵敏度,最后采用单神经元对PID控制器进行在线性调整,得到理想的控制效果.仿真结果表明,GA-PSO-RBF神经网络PID控制器的超调量小,响应速度快,提高了系统的控制精度.     

基于混沌粒子群的神经网络主汽温控制系统

研究火电厂锅炉主蒸汽温度控制优化问题,针对主汽温对象具有大惯性、大迟延、时变性和非线性系统,由于存在实时性和实时性差,传统的PID控制难以获得很好的控制效果,提出一种混沌粒子群优化神经网络的主汽温控制方法。采用RBF神经网络对PID参数进行在线整定,并通过混沌粒子群算法对RBF神经网络初始参数进行优化,不仅具有RBF神经网络的自适应能力,同时具有常规PID串级控制的特性,增强了系统对不确定因素的适应性。仿真结果表明,控制算法具有较好的鲁棒性和控制品质,抗干扰能力强,可为锅炉主蒸汽温度优化控制提供参考。     

RBF-PID控制在防滑刹车系统中的应用研究

为了研究飞机防滑刹车系统,在分析滑移率控制式飞机防滑刹车系统的工作原理基础上,将基于RBF神经网络算法的PID控制方法引入飞机防滑刹车系统中,实现最佳滑移率式的飞机防滑刹车控制.以某型飞机为例,针对不同的跑道(干、湿、冰)情况,将该方法和传统的PID控制方法在MATLAB环境下进行了数字仿真,仿真结果表明:基于RBF神经网络PID的控制方法较传统的PID控制方法,有更好的刹车控制效果,并具有较强的鲁棒性;采用基于滑移率式的RBF神经网络PID控制可以大大地提高飞机防滑刹车效率,为飞机防滑刹车系统的控制提供一条新的思路.     

RBF神经网络的PID控制研究与仿真

研究工业控制系统优化问题,由于工业控制领域中存在复杂非线性时变系统,很难确定精确模型.传统PID控制局限于线性系统,控制效果不理想.为了提高控制精度,提出一种RBF神经网络辨识的PID控制方法.首先利用RBF神经网络线辨识被控对象的离散模型,获得PID参数在线调整信息,然后利用单神经元对控制器参数进行在线自适应整定,从而实现系统的智能控制.通过实例进行验证,并与传统PID控制方法进行对比,结果表明控制方法具有响应速度快、控制精度高等优点,且具有较强的自适应性、鲁棒性和抗干扰能力,为控制系统设计提供了新方法.     

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。     

双闭环直流调速系统优化及仿真研究

研究双闭环直流调速系统优化问题,直流调速系统具有不确定性、时变性和非线性,难建立准确的数学模型,而常规PID控制难以自适应双闭环直流调速系统参数变化,控制精度低,稳定性差.为了提高双闭环直流调速系统控制精度,提出一种改进的RBF神经网络PID的双闭环直流调速系统.RBF神经网络不需要建立精确的数学模型,具有自适应、自学习能力,可以对PID控制器的3个参数进行在线性优化,从而对双闭环直流调速系统进行准确控制.仿真结果表明,改进RBF神经网络控制解决了常规PID控制算法存在的难题,可以获得较高的控制精度,增强了双闭环直流调速系统的抗干扰能力和鲁棒性,为系统的优化设计提供了依据.     

基于神经网络的过热汽温控制

火电厂过热汽温控制系统具有大惯性、大延迟和时变等特性,采用常规串级PID控制方法的过热汽温系统难以获得满意的控制效果。本文设计了基于RBF神经网络辨识的可在线调整PID参数的过热汽温控制系统。在仿真实验的基础上,对基于神经网络的过热汽温控制和最优常规PID控制进行了比较和分析。仿真结果表明,基于神经网络控制策略能够充分利用神经元自学习、自适应的能力使系统的控制品质提高。     

基于改进型RBF神经网络辨识的PID控制

针对工业控制领域复杂非线性时变系统．提出了基于改进型RBF神经网络的PID参数在线自整定方法。采用改进型RBF神经网络辨识器在线辨识系统模型，自动调整PID控制器参数，实现系统的智能控制。仿真结果表明，与常规RBF神经网络PID控制方法相比，该方法具有控制精度高、响应速度快的优点，并且具备较强的自适应性和鲁棒性。     

基于神经网络的带钢跑偏电液伺服系统研究

带钢跑偏电液伺服控制系统的非线性和时变性使得传统的PID控制很难达到理想的控制效果,将神经网络与普通PID控制相结合形成神经网络自适应PID控制策略,应用于该系统实现其良好控制.为提高系统的动态响应速度及性能,采用RBF神经网络对系统进行辨识预测.首先建立带钢跑偏电液伺服系统数学模型,然后利用AMESim和Simulink软件对传统PID控制和神经网络自适应PID控制进行联合仿真.结果表明,神经网络自适应PID控制系统响应速度快、超调量小、鲁棒性强,并具有良好的稳定性和控制精度.     

改进Smith控制与RBF单神经元PID的换热器控制系统

为了高效控制工质出口温度,维持换热器稳定运行,针对Smith预估控制算法及径向基函数(RBF)神经网络辨识单神经元比例-积分-微分(PID)控制算法特点,提出了Smith控制算法和RBF神经网络辨识单神经元PID相结合的控制策略,对Smith控制算法在结构上进行了改进,以提高RBF神经网络辨识单神经元PID控制的抗干扰能力,减少Smith控制算法对模型的依赖程度.仿真分析表明:应用于换热器工质出口温度控制系统,改进算法控制性能显著优于其它控制方法,抗干扰能力得到了大幅提高.     

基于RBF神经网络控制的球杆系统位置控制实验研究*

球杆系统是一种典型的高阶非线性不稳定系统,针对PID跟踪控制精度不高及BP神经网络控制训练时间较长的问题,本文提出一种带有低通滤波器的RBF神经网络控制器(RBFC)动态补偿PID控制的球杆控制方法,控制系统由RBF神经网络控制及PID控制器组成。为提高参数辨识速度和避免局部最小值,采用梯度下降法更新隐含层参数,采用带有遗忘因子的最小二乘法更新输出层权值。实验结果表明,该控制方案相比PID控制具有更高的控制精度,比BP神经网络具有更快的学习速度,低通滤波器保证了RBFC的辨识精度和稳定的控制输出,具有良好的动静态特性和控制性能。     

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。     

基于模糊RBF神经网络的PID及其应用

针对传统的PID控制器参数固定而导致在控制中效果差的问题,提出一种基于模糊RBF神经网络智能PID控制器的设计方法。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,将模糊控制与RBF神经网络相结合以在线调整PID控制器参数,整定出一组适合于控制对象的kp, ki, kd参数。将算法运用到电机控制系统的PID参数寻优中,仿真结果表明基于此算法设计的PID控制器改善了电机控制系统的动态性能和稳定性。     

Hyperchaos synchronization using PSO-optimized RBF-based controllers to improve security of communication systems

This paper studies the Lorenz hyperchaos synchronization and its application to improve the security of communication systems. Two methods are proposed to synchronize the general forms of hyperchaotic systems, and their performance in secure communication application is verified. These methods use the radial basis function (RBF)-based neural controllers for this purpose. The first method uses a standard RBF neural controller. Particle swarm optimization (PSO) algorithm is used to derive and optimize the parameters of the RBF controller. In the second method, with the aim of increasing the robustness of the RBF controller, an error integral term is added to the equations of RBF neural network. For this method, the coefficients of the error integral component and the parameters of RBF neural network are also derived and optimized via PSO algorithm. For better comparison, the proposed methods and an optimal PID controller optimized by PSO are applied to the Lorenz hyperchaotic system for secure communication. Simulation results show the effectiveness and superiority of the proposed methods in both performance and robustness in comparison with the PID controller.     

一种径向基函数神经网络预测在超临界温度控制系统中的应用研究

超临界温度控制系统具有较大的惯性、时滞和非线性,且动态特性随运行工况而改变,难以建立其精确的数学模型,本文采用GGAP算法的RBF神经网络构成神经网络预测控制器,将在线学习和预测控制相结合,以某超临界电厂主汽温度为研究对象,MATLAB仿真实验表明,该方法能对超临界温度控制系统实现有效的控制,动态性能较传统的PID控制有较大的提高。     

气动油压伺服系统的智能PID控制研究

针对经典的基于对象精确模型的PID控制方法自适应性差,难以适应具有非线性、时变不确定性的被控对象,提出了一种基于RBF神经网络的、结构简单的PID自适应控制方法。将该智能PID控制应用于气动油压伺服系统中,实验结果表明:具有自学习和自适应能力的RBF网络PID控制方法,能够适应被控对象在较大范围内的变化,具有较强的鲁棒性,其控制品质明显优于常规PID控制方法,将其应用于气动油压伺服系统是可行的。     

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。     

基于模糊神经网络的多变量解耦控制

针对焦炉集气管压力这类多变量非线性系统，提出了一种基于PID神经网络和RBF模糊神经网络的多变量解耦控制方案，RBF模糊神经网络对多变量对象解耦，PID神经网络控制器控制过程的动态特性。工程应用表明，提出的控制策略有效地解决了集气管压力这类复杂对象的过程控制问题。