注塑机料筒多段温度PID神经网络解耦控制系统

注塑机料筒温度是一类多变量、强耦合、大惯性控制对象，本文根据注塑机料筒温度控制的要求，利用PID神经网络构成多变量解耦控制系统。文中分析了注塑机温度控制的特点，给出了网络的结构和算法，对多段温度系统进行了实时仿真，显示了PID神经网络对注塑机料筒温度控制的良好解耦性能和自学习控制特性。     

模糊自适应PID控制在注塑机料筒温度控制中的应用

针对某塑胶厂混合混色送料注塑成型组装生产线的生产要求,在注塑机料筒温度控制中采用模糊自适应PID控制替代原有的温度控制系统,使PID参数能够进行在线修正。仿真结果表明,模糊自适应PID控制更好地解决料筒温度控制中的多变量、强耦合、大滞后、时变等复杂情况,提高了注塑机料筒温度控制的稳定性和精确性。     

料筒温度RBF神经网络PID控制器设计及仿真

针对PID控制器具有参数整定不良、性能欠佳、温度控制精度较低,无法满足当今高精密挤出成型加工需要的问题,设计了一种基于RBF神经网络的PID控制器,该控制器将神经网络能无限地逼近非线性系统、运算量小、收敛快的优点和PID控制技术有机地结合起来,获得较高的温度控制精度。仿真结果表明,神经网络PID控制器能有效地缩短过渡过程时间,具有很好的稳定性和快速响应性,比普通PID控制具有更好的控制效果,可改善料筒温控系统的动、静态性能。     

自适应神经PID在挤塑机温控系统中的应用

针对塑料挤出机的多段料筒温度控制,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及系统软件开发.由于神经网络具有强大的非线性映射能力,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、积分和微分三种参数自学习的PID控制器.对锥形双螺杆塑料挤出机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、鲁棒性好.     

多变量强耦合时变系统的PID神经网络控制

介绍了一种新的神经网络———PID神经网络及其多变量强耦合时变控制系统。文中给出了网络的结构和算法,分析了时变对象的特点,对一组二变量强耦合时变系统进行了实时仿真。仿真结果显示:PID神经网络对多变量强耦合时变对象具有良好的解耦性能和自学习控制特性。     

基于PID神经网络的电加热炉温度控制

针对加热炉温度控制,提出了基于PID神经网络的控制系统的设计。PIDNN将PID控制器与具有自学习功能的神经网络相结和,综合了PID和神经网络控制两者在温度控制时各自的优点,使得对加热炉的温度控制有了更好的效果。利用MATLAB软件对温控系统进行了仿真测试,并对测试结果进行了分析。     

基于神经网络的解耦控制方法

本文介绍了BP算法的基本原理及其实现步骤,并将BP算法应用于神经网络解耦器和PID神经网络的训练中,即本文中各个神经网络的训练算法均采用BP算法,提出了一种神经网络在线解耦控制算法,即将神经网络解耦和神经网络PID控制两者结合,对系统进行解耦控制。将解耦与控制结合,既避免了单独采用自适应PID控制时控制效果不佳的问题,又避免了单独采用解耦时原有控制器不能适应变化后的对象问题。最后对一组双输入双输出耦合系统进行了仿真研究。     

一种基于PID神经网络的解耦控制方法的研究

为了消除造纸工业抄纸过程中存在的解耦问题,提出了一种基于PID神经网络的解耦方法。文章在介绍PID神经网络原理的基础上,给出了二变量PID神经元网络解耦控制系统结构图,并运用抄纸的数学模型进行仿真实验,实际运行结果表明,该方法能够有效地对抄纸过程中存在的耦合进行解耦控制。     

神经网络PID控制及在纸页水份定量控制中的应用

针对抄纸过程水份定量控制系统的特点 ,利用一种多层神经网络 ,组成神经网络PID控制器。经仿真研究及实际运行表明 ,多层神经网络PID控制器具有很强的鲁棒性、自学习功能和自适应解耦功能。     

基于单神经元PID的航空发动机解耦控制

将神经网络应用到PID控制器的参数整定过程中,提出了一种基于改进单神经元PID的航空发动机解耦控制方法,通过在航空涡扇发动机多变量控制系统中的应用,得出了实际的仿真结果及结论。仿真结果表明,该改进单神经元PID解耦控制方法与传统的PID多变量解耦相比,具有响应速度快,自适应能力强,抗干扰能力强,实现简单的优点,因而可以广泛的应用于非线性系统的解耦控制中。     

强制循环蒸发系统的非线性自适应解耦PID控制

本文结合现场的实际过程数据,首先应用能量平衡建立了强制循环蒸发过程的动态模型.针对该过程的多变量、非线性以及强耦合特性,在常规增量式PID控制器的基础上提出基于神经网络与多模型切换的非线性自适应解耦PID控制策略.该控制器是由线性自适应解耦PID控制器和基于神经网络的非线性自适应解耦PID控制器以及切换机构组成.其中线性自适应解耦PID控制器可以保证系统的稳定,而基于神经网络的非线性自适应解耦PID控制器则可以有效地提高系统的性能.上述过程的PID参数是通过广义预测的方法得到,最后通过仿真表明,上述控制方法不仅消除了回路间的耦合,在稳定生产的同时提高了蒸发的效率.     

基于BP神经网络的多变量PID解耦控制

基于神经网络的智能PID控制策略，以经典的PID控制理论为基础，并通过具有多变量解耦控制自学习功能的神经网络参数整定来实现。本文给出了网络的结构和算法，示出了一组二元变量强耦合时变系统的实时仿真结果。通过计算机仿真证明，基于神经网络的PID控制具有良好的自学习和自适应解耦控制能力。该系统融解耦器和控制器于一体，易于实现，适用于非线性多变量系统的解耦控制。它使解耦后的系统具有较好的动态和静态性能，特别是当根据BP控制规律确定了网络连接权系数的初值时，还能使系统参数快速收敛。     

多温区电加热炉的PID神经网络控制

研究温度控制对提高产品品质意义较大.多温区电加热炉具有强耦合、时变性等特点,针对多温区电加热炉要求动态品质好、控制精度高等特点,采用将PID控制融合入神经元网络的方法,比例元、积分元和微分元的存在,使得PID神经网络的控制系统响应快、超调小、无静差.采用改进的反向传播学习算法,在权值调整算法式中加入阻尼项,提高了算法收敛速度和学习速率,又不易产生振荡.在MATLAB环境下,用S函数编写算法进行仿真.仿真结果表明,PID神经网络达到较好的解耦效果,提高系统的抗干扰能力,改善了系统的动态品质,使多温区电加热炉温度控制系统的性能得到改善.     

一种多回路注塑机流体温度控制

摘 要：针对工业电动注塑机熔体温度控制系统具有大惯性、纯滞后、非线性的动态特性,温度控制误差带宽等缺点,设计了基于嵌入式STM32多回路注塑机的温度控制系统。采用STM32F103ZET6为微控制器,实现片上UCOS-II操作系统和GUI可视化界面,并用描述函数法为基础改进的PID控制策略对温度进行控制。最后以工业电动注塑机温度为被控对象,建立串级控制系统Simulink模型对自适应PID控制进行控制效果仿真,其调节时间大大缩短,稳态误差小,抗扰动能力增强。结果表明采用该控制系统显著改善了系统的自适应能力和鲁棒性。操作系统应用提高了现场人机交互智能化程度,整个系统控制效果好,性能优良。     

基于PID神经元多层网络的多变量解耦控制系统

针对多变量系统控制的特点和要求,建立了一种新的多层神经网络,其隐层神经元分别具有比例、积分和微分特性,网络同时具有PID控制规律和神经网络的优点.仿真结果表明,其构成的神经PID网络多变量控制器具有很强的自学习功能和自适应解耦能力.     

基于免疫优化PID神经网络的污水处理系统解耦控制*

针对氨氮浓度和硝态氮浓度之间相互耦合,以及常规的PID控制方法难以获得满意控制效果的特点,以溶解氧浓度和内循环流量为操作变量,采用PID神经网络对氨氮浓度和硝态氮浓度进行解耦控制;针对PID神经网络连接权值容易陷入局部最优值,应用免疫算法优化PID神经网络连接权值。仿真结果表明,该方法对污水生化处理系统具有很好的解耦能力和控制品质。     

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。     

人工鱼群算法优化的PID神经网络解耦控制

针对多变量系统解耦控制的要求和特点,传统的PID神经网络在选取初始权值难以确定,往往是随机得到,容易导致采用的BP学习算法陷入局部极值.提出了一种人工鱼群算法优化PID神经网络初始权值.通过对多变量控制对象的mat-lab仿真验证,把人工鱼群算法优化得到的最优初始权值带入PID神经网络,结果显示加快了PID神经网络的收敛速度,使控制量迅速地接近控制目标,保证了系统稳定性,取得了满意的控制效果.     

非自动化注塑机的料筒温度控制系统设计

对老式非自动化注塑机进行了以PC机为核心的控制系统改造,实现了对注塑机温度、压力和速率等参数的闭环控制,达到对整个生产过程智能化实时控制的目的。本文重点研究其中的料筒温度控制回路的控制策略以及参数整定。实际运行表明,改造后的系统性能可靠,能在自动状态下保持长期稳定运行,提高了注塑机自动化程度和生产效率;产品合格率提高,降低生产成本,满足了厂家的要求。     

可控受限多变量耦合系统的智能控制

针对可控受限多变量耦合系统,提出了一种基于对角递归神经网络(DRNN)整定的PID混合解耦控制。采用对角递归神经网络来辨识系统模型,进而对PID控制器参数进行整定,实现多变量解耦控制。通过对多变量耦合控制系统的设计和实时控制,实际控制结果达到了解耦控制的要求,并具有无超调、响应速度快、控制精度高等特点。