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。     

智能PID参数自整定技术在伺服系统中的应用

针对常规PID控制参数整定困难,且受时变、非线性等因素影响而不能达到预期控制效果的实际情况,提出了RBF网络动态辨识的BP神经网络PID参数自整定算法.此算法可实现PID控制参数的在线自整定和优化;同时,将算法应用于伺服控制系统中,以VC++6.0和Matlab为开发和仿真工具,对动态辨识神经网络智能PID参数自整定方法进行仿真研究.仿真结果表明,控制算法鲁棒性强、响应速度快,可用于控制参数时变的非线性系统.     

基于改进模糊神经网络的PID参数自整定

针对传统PID整定控制效果差且单纯神经网络整定存在参数学习和调整困难等问题,提出了一种基于改进模糊神经网络的PID参数整定方法。在该方法中,PID控制器的控制参数采用基于Mamdani模型的模糊神经网络进行自适应整定,模糊神经网络参数采用混沌遗传算法离线粗调和BP算法在线细调的方式进行学习和调整,仿真结果表明该整定策略动态响应快、误差控制精度高且网络中各节点及参数物理意义明确。最后分别从模糊规则数的变化及适应度函数的选取两方面提出两种优化方案,仿真结果表明增加模糊规则数或采用不同的适应度函数都有利于进一步减小控制误差。     

基于BP算法PID控制器的研究

文中主要研究了基于BP算法的PID控制器在非线性系统中的控制效果以及对权值整定初始化的优化。在介绍BP网络基本原理的基础上以非线性控制系统Simulink仿真为例,使用基于BP算法的PID控制器对该系统进行优化和整定,并结合Nguyen-Widrow初始化算法为层产生初始权重和偏置值,使得每层神经元的活动区域能大致平坦地分布在输入空间,实现了对PID参数的实时调节,并且使神经网络的学习和收敛速度加快,大大改善系统的初始运行的稳定性。仿真结果表明,基于BP算法的PID控制器在非线性控制系统中对其参数优化整定具有良好的效果。     

基于BP算法PID控制器的研究

文中主要研究了基于BP算法的PID控制器在非线性系统中的控制效果以及对权值整定初始化的优化.在介绍BP网络基本原理的基础上以非线性控制系统Simulink仿真为例,使用基于BP算法的PID控制器对该系统进行优化和整定,并结合Nguyen-Widrow初始化算法为层产生初始权重和偏置值,使得每层神经元的活动区域能大致平坦地分布在输入空间,实现了对PID参数的实时调节,并且使神经网络的学习和收敛速度加快,大大改善系统的初始运行的稳定性.仿真结果表明,基于BP算法的PID控制器在非线性控制系统中对其参数优化整定具有良好的效果.     

神经网络PID控制器在山梨醇生产中的应用研究

在山梨醇化工生产过程中,针对结晶过程温控系统存在大滞后和模型不确定的特性,利用BP神经网络所具有的自学习和任意非线性表达能力,提出了用BP神经网络自整定PID参数的控制策略,对结晶过程温控系统进行控制,并用MATLAB软件进行仿真研究。仿真结果表明：基于BP神经网络的PID控制器具有很强的适应性,可获得满意的控制效果。     

BP神经网络在PID控制器参数整定中的应用

研究工业控制过程,针对控制器优化问题,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,对有非线性、时变性系统,无法建立精确模型.为了解决控制参数整定,达到精确控制,改善系统性能,提出一种基于BP神经网络的PID控制器参数整定方法.通过建立三层神经网络模型,在控制过程中将神经网络的隐含层单元分别作为PID的比例(P)、积分(I)、微分(D)单元,从而构造参数自学习的PID控制器,在控制过程中动态调整PID的三个控制参数,从而进行PID控制参数的在线整定.仿真结果表明,基于BP神经网络的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.     

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.     

两轴数控转台的控制算法研究

研究电力系统的优化控制问题,针对提高系统的品质特性的要求,在两轴数控转台中采用传统的PID控制参数难以整定跟踪性能。将神经网络引入到转台控制PID参数的寻优过程中,设计了基于BP网络的PlD控制算法器,建立了转台控制系统的数学模型,将基于BP网络的PID算法的控制进行仿真。仿真结果表明所设计基于BP网络的PID算法器跟踪精度高、性能稳定、鲁棒性强,证明提高了控制系统的精度和跟踪性能。     

数控机床进给伺服系统神经网络自整定PID控制

在介绍BP神经网络结构和学习算法的基础上,给出了一种数控机床进给伺服系统基于BP神经网络的自整定PID控制算法,并设计了基于BP神经网络自整定PID控制器的结构.在Matlab仿真中证实,该算法减小了系统的调节时间,提高了系统的响应速度、抗干扰能力和对被控对象参数变化的适应能力.     

基于BP神经网络的矿井提升机自校正容错PID控制

针对矿井提升机系统故障时动态性能难以用传统的解析方法获得的问题,提出了一种基于BP神经网络的矿井提升机自校正容错PID控制方法。该方法通过BP神经网络在线学习跟踪提升机系统的动态特性来预测系统输出值,并应用自适应控制中的自校正PID构建容错控制器,实现提升机系统故障下的稳定容错控制。仿真结果表明,该方法在提升机系统故障情况下能迅速跟踪系统故障状态,在线调整PID参数,快速恢复系统性能。     

基于可变学习率BP算法的空调控制系统的研究

通过分析控制器参数学习率和控制器性能之间的关系,设计一种基于可变学习速率反向传播算法VLRBP和模糊神经元网络的变频空调控制系统.该系统不仅可以通过反传误差信号训练控制器参数,而且可以根据网络的当前状态朝最优化方向调整控制器参数的学习率.实验结果表明,该控制系统不仅比传统的空调PID控制器和模糊控制器具有更好的控制性能,而且相比基于标准BP算法和动量BP算法的模糊神经网络控制系统,也具有更快的收敛速度和更好的控制精确度.     

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MyPSO-BP的黄酒发酵温控系统

在 Labview组态软件、西门子PLC300和温度传感器构成的温度控制系统基础上,提出一种新的黄酒发酵温度控制系统,将带交叉因子的粒子群优化(PSO)算法应用到BP神经网络(MyPSO-BP)比例积分微分(PID)控制中。改进的PSO算法初始化神经网络的权重和阈 值,可以更好地在线整定PID参数,增强系统的稳定性和鲁棒性,减小误差。对系统进行Matlab仿真实验,结果表明,该系统相较于传统的神经网络PID控制器具有更好的温度控制性能。     

BP神经网络PID控制器在工业控制系统中的研究与仿真

针对实际被控对象的时变性和非线性的特点,本文将基于BP神经网络PID的控制器应用于工业控制系统中,同时设计了三层BP神经网络并对BP神经网络PID控制器的算法进行了分析。仿真结果的分析表明：本文所设计的BP神经网络PID控制器在跟随性能、抗扰性能和鲁棒性能方面表现出了良好的控制效果。     

神经网络PID在温度控制系统中的研究与仿真

本文提出一种基于BP神经网络的新型智能PID控制方法和一些BP神经网络的基本概念。同传统的PID控制相比较．神经网络智能PID控制有许多优点。把BP神经网络的PID控制方法应用到工业领域的温度控制系统中，仿真结果表明：这种控制方法具有较高控制精度和较强的适应性以及良好的控制效果。     

基于粒子群算法–反向传播神经网络自适应的氧调器控制系统

氧气面罩中的核心部件是氧气调节器(氧调器).针对当前氧气调节器的大流量、低吸气阻力、快速响应的性能需求,本文在分析了电子氧气调节器工作原理的基础上,介绍了氧气调节器的数学模型,采用了反向传播(BP)神经网络自适应控制算法,并使用粒子群算法(PSO)对BP神经网络自适应控制算法的初值进行筛选.最后,对算法的性能进行了仿真.仿真结果表明,系统具有鲁棒性,且与传统的比例–积分–微分(PID)控制方法和自抗扰控制(ADRC)方法相比, PSO–BP神经网络自适应控制方法实现了更精确的吸气阻力调节、更快的响应速度.此外,当呼吸频率变化或者外界干扰变化时,相比于常规PID算法和ADRC算法则需要人工调整控制参数, PSO–BP神经网络自适应算法则可以自动在线学习训练并调整控制参数,应用前景广阔.     

参数自整定PID控制器设计与仿真

对于工业控制领域中的系统普遍存在非线性、时变的特点,采用传统PID作为控制器很难获得满意的控制效果,而神经网络具有任意非线性逼近能力,可以通过对系统性能的学习来实现具有最佳组合的PID控制。设计了基于BP网络整定PID参数的控制器,该控制算法只需粗略给出PID参数便可以根据系统性能自动寻优调整。利用MATLAB软件得到的仿真结果表明,该控制策略可以达到满意的控制效果,且具有很强的鲁棒性和自适应能力。     

一种神经网络PID控制在燃料电池测试系统中的应用研究

对燃料电池测试系统中露点加湿器的温度控制进行研究,提出了一种用BP神经网络进行参数整定、积分分离的PID控制算法.利用神经网络的任意非线性表达能力,通过对系统的学习来调整PID参数,实现最优的PID控制.通过在实际燃料电池测试系统中的实验表明,这一算法实现的PID控制系统控制稳态好、过冲小、收敛快.     

基于神经网络PID的嵌入式电源控制系统

针对传统PID控制器对非线性时变系统实时性差、抗干扰能力弱,且控制参数人工整定较为困难的问题,研究利用神经网络自学习、抗干扰能力强的特性以及任意逼近非线性函数的能力,在硬件层面实现神经网络控制。利用高性能嵌入式系统芯片作为神经网络计算核心,设计搭建了自整定PID逆变电源控制系统和电路。通过实验验证了该神经网络优化的PID控制系统在两种误差指标上分别降低了15.2%和67.8%,并实现了对期望输出更好的跟踪效果,提高了控制系统的自适应能力,实现了智能算法和功能。