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。     

动态定量称重系统神经网络预测PID控制器研究

采用神经网络预测与PID控制理论相结合,为动态定量称重系统设计了一种神经网络预测PID控制器。该控制器算法简单,通过自学习、记忆功能在线调整PID控制参数KP、Kl、KD。建立了动态定量称重系统的仿真模型,将神经网络预测的PID控制与常规PID进行对比分析,神经网络预测PID控制器具有很好的控制效果。     

神经网络PID共轨压力控制方法的研究

采用神经网络实现在复杂工况下柴油共轨压力调节器PID控制系统的参数整定,建立了YN4100QB柴油机共轨压力调节器AMESim仿真模型,利用MATLAB/Simulink设计了柴油机共轨压力调节器控制系统BP神经网络PID仿真模块,在AMESim环境下对共轨压力调节器进行了动态仿真。仿真试验表明,神经网络PID制器具有良好的动态性能和较强的鲁棒性,与传统PID控制相比,大大改善了共轨压力调节器在复杂工况下压力调节的性能。     

神经网络PID工业温度控制系统研究

本文介绍了一种神经网络PID控制器,并将它与传统PID控制器、模糊控制器和神经网络控制器进行比较。神经网络PID控制器综合了PID控制器和神经网络控制器的优点并弥补了它们各自的不足之处。通过上述各种控制器在工业温度控制系统的仿真研究表明,神经网络PID控制器具有超调小,过度时间短,控制精度高的优点,对大滞后的温度控制系统有很好的控制效果。     

基于BP神经网络的贴片机运动精度控制

将BP神经网络PID控制方法应用于贴片机运动精度控制器设计;针对传统PID控制器参数难以整定等问题,提出了BP神经网络和PID控制器相结合的方法,该方法既有常规PID控制器结构简单的特点,又有BP神经网络自适应、自学习以及逼近任意函数的能力;首先根据伺服电动机的工作原理建立了电枢控制伺服电动机模型传递函数,在此基础上建立了贴片机单关节轴位置控制器模型传递函数;其次描述了BP神经网络和PID控制器相结合的控制模型,并对具体的控制算法进行了定义;最后利用MATLAB仿真工具对贴片机单关节位置控制进行了仿真;仿真结果表明,结合BP神经网络的PID控制系统提高了系统的稳定性、快速性和动态性能并获得很好的控制效果。     

基于Davidon最小二乘法的神经网络PID自校正控制器

介绍将PID控制与神经网络相结合,利用Davidon最小二乘法训练用于辨识和控制的神经网络,由此推导出对非线性对象仍有效的神经网络PID自校正控制器,还进行了仿真研究,并将其与常规的PID控制作了比较.     

基于PID神经网络的电加热炉Smith预估温度控制

本文提出了基于PID神经网络和Smith预估器的电热炉温度控制器。PID神经网络将PID控制器与具有自学习功能的神经网络相结合,综合了PID和神经网络控制各自的优点,改善参数时变对系统性能的影响。PIDNN-Smith控制器加入Smith预估器解决了加热炉的滞后影响,使控制器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Lbest PSO和NNs的电液伺服系统输出力PID控制研究

为了实现电液伺服系统输出力的稳定控制,结合局部最优粒子群优化算法和神经网络模型,提出一种PID控制器设计方法。该方法将神经网络模型(NNS)与PID控制器耦合,得到基于神经网络的PID控制器参数整定结构;再采用局部最优粒子群优化算法(Lbest PSO)确定神经网络的权重,从而得到基于局部最优粒子群优化算法和神经网络的PID控制算法;最后将提出的PID控制算法用于控制虚拟的电液伺服加载系统,以进行仿真实验。仿真结果表明,由该PID控制器控制的电液伺服系统的输出力平稳地收敛于给定力,从而提高了系统的稳定性。     

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。     

神经网络PID控制算法在WinCC中的实现

将应用最广泛的PID控制器与具有自学习功能的神经网络相结合,提出了基于BP神经网络的PID控制算法.并利用WinCC的全局脚本编辑器,将用户自行开发的神经网络控制算法嵌入WinCC中,通过WinCC与PLC之间的通讯,实现对被控对像的神经网络控制.     

改进粒子群算法的PID神经网络解耦控制

综合减摇控制系统存在非线性、多变量、强耦合等因素,会导致减摇系统达不到最佳控制状态。利用粒子群算法具有对整个空间进行高效搜索以及PID神经网络的自适应特点,提出一种改进粒子群算法,以解决粒子群算法中存在算法精度不高、粒子易陷入局部极小值等问题,并提高PID神经网络训练速度和训练精度,便于参数寻优。仿真结果表明,改进的粒子群算法具有一定优越性,将其运用到综合减摇控制系统解耦控制器设计中,能够有效地减小船舶横摇,达到较好的控制效果。     

神经元PID控制器及改进算法的仿真研究

针对常规PID控制器有着对过程的数学模型过于依赖的局限性,导致许多过程控制效果不理想的问题,根据人工神经元的自学习功能构造了基于神经元的PID控制器,对其学习算法加以改进。选取二阶惯性环节加纯滞后为控制对象,建立了数学模型,并进行计算机仿真及对这几种控制方法的控制效果加以比较。仿真结果表明,该控制器将神经网络和PID控制规律融为一体,既具有常规肿控制器结构简单、参数物理意义明确的优点,又具有神经网络自学习、自适应的能力,取得比常规PID控制器更好的控制品质。     

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。     

人工气候室照度神经网络控制系统的研究

人工气候室光照系统具有复杂的非线性，不确定性，滞后性，常规控制难以达到较好的效果。针对这一问题，采用神经网络的PID控制，可实现对系统的在线辨识和控制；为克服局部最小问题。采用遗传算法时神经网络权阈值进行优化。仿真结果表明，该系统控制效果好，稳态精度高，响应较快，动态性能好，超调量较小，完全满足控制要求。     

PID神经网络控制器在发动机油门控制中的应用

BP网络与PID控制器相结合,可以实现对PID控制器参数的优化调整。但是BP网络的隐含层层数和神经元节点数的选取尚无定则,需要反复的计算论证才能确定;并且网络连接权重初值选取为随机值,难以保证系统初始运行的稳定。本文提出一种将BP神经网络与PID控制规律融合的新方法--PID神经网络,该方法控制结构简单、系统参数物理意义明确,同时又克服了上述网络的诸多缺点。将该方法应用于对发动机油门开度的仿真控制,仿真结果表明该控制器大大改善了发动机油门控制系统的性能,仿真效果良好。     

工业锅炉燃烧过程智能控制系统

针对典型的大时滞，非线形的工业锅炉燃烧控制系统．本文提出了一种基于PID神经元网络的工业锅炉燃烧控制系统．在仿真实验的基础上。对PID神经元网络控制与传统的PID控制进行比较和分析，仿真结果表明．PID神经元网络控制方法具有良好的鲁棒性和抗干扰性。其控制效果优于传统的PID解耦控制。     

挠性结构非线性PID控制研究

对于挠性结构系统,其模型很难精确建立,传统PID控制已不能满足控制要求。为此,采用非线性PID控制对挠性结构的弹性振动进行抑制,并引入RBF神经网络对系统进行辨识,从而能够实时地对非线性PID的参数进行在线调整,克服了传统PID控制的不足,增强控制系统的抗干扰能力,仿真证明了本方法的有效性。     

基于PID神经元网络的智能车控制系统研究

研究了基于PID神经元网络的智能车多变量控制系统。智能车的转向控制与速度控制相互关联、相互影响、且都具有时变性,针对智能车在行驶时要求电机的动态响应速度要快、舵机的动态响应时间要短的特点,提出了将PID神经元网络（PIDNN）控制器及其算法应用到智能车的控制系统中来对传统PID控制进行改进。PIDNN控制系统不依赖智能车电机与舵机的数学模型,能够根据控制效果在线训练和学习,调整网络连接权重值,最终使系统的目标函数达到最小来实现智能车的精确控制。Matlab仿真测试表明,PIDNN控制系统的响应快,超调小、无静差,与传统PID控制算法相比,大大提高了智能车控制系统的性能。