基于神经网络的PID自整定控制系统

文章介绍了一种应用神经网络技术建立的PID自整定控制系统,给出了系统结构,详细分析了BP神经网络和RBF神经网络的结构和学习算法。该系统采用3层BP神经网络,其输出为PID控制器的参数;通过变结构的RBF神经网络辨识控制对象,将得到的输出对输入的梯度信息提供给BP神经网络,BP神经网络根据该信息优化PID控制器参数。仿真结果表明,该系统对于参数扰动较大的非线性系统,其收敛速度快、动态响应能力强、稳定性好,且具有较强的鲁棒性和适应性。     

基于自适应权值神经网络的PID参数优化

针对常规RBF神经网络训练速度慢、控制精度不高的问题,文章提出一种基于自适应遗传优化的RBF神经网络方法,并把优化后的方法用于PID控制器的参数整定中。仿真实验表明,改进后的方法具有更快的响应速度和控制精度,有效提高了PID控制器的性能。     

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.     

一种RBF神经网络自适应PID控制器在超临界温度系统的应用研究

将传统PID控制器参数优化和径向基函数（RBF）神经网络结合,提出了基于RBF神经网络的PID控制器。将该控制器用于某超临界电厂温度系统中,由RBF网络对温度控制系统进行在线辨识,建立其在线参考模型并为PID控制器提供信息,控制器通过在线的自学习不断进行适应性控制,从而实现参数在线自调整,优化误差性能指标。MATLAB仿真结果表明,控制器对超临界温度系统有较好的控制效果,不仅跟踪性能良好,而且抗干扰性较强,鲁棒性较好。     

基于遗传神经网络的自适应PID控制器的设计

提出了一种基于遗传算法和神经网络的自适应PID控制器的设计方法。该控制器主要由三个部分组成:利用遗传算法优化PID参数,和RBF神经网络结合,对被控对象逼近,搜索出一组准优的初始参数;RBF神经网络完成对被控对象Jacobian信息辨识;基于单神经元的自适应PID控制器,在线调整PID参数,以确保系统的响应具有最优的动态和稳态性能。仿真结果表明,控制器具有响应速度快,稳态精度高等特点,可用于控制不同的对象和过程。     

粒子群优化算法在神经网络控制中的应用

考虑粒子群优化算法在不确定系统的自适应控制中的应用。神经网络在不确定系统的自适应控制中起着重要作用。但传统的梯度下降法训练神经网络时收敛速度慢,容易陷入局部极小,且对网络的初始权值等参数极为敏感。为了克服这些缺点,提出了一种基于粒子群算法优化的RBF神经网络整定PID的控制策略。首先,根据粒子群算法的基本原理提出了优化得到RBF神经网络输出权、节点中心和节点基宽参数的初值的算法。其次,再利用梯度下降法对控制器参数进一步调节。将传统的神经网络控制与基于粒子群优化的神经网络控制进行了对比,结果表明,后者有更好逼近精度。以PID控制器参数整定为例,对一类非线性控制系统进行了仿真。仿真结果表明基于粒子群优化的神经网络控制具有较强的鲁棒性和自适应能力。     

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。     

小潜艇供电系统全桥DC-DC开关电源智能优化设计

小型潜艇水下潜行采用蓄电池供电,通过全电力供电系统推进.以蓄电池为直流电源,在推进系统正常运转的状况下,开关电源电压输出值保持恒定;传统的PID控制器很难对全桥DC-DC开关电源进行精确控制,因此,将粒子群算法(PSO)、BP神经网络与径向基函数(RBF)神经网络与传统PID控制相结合,提出带有RBF神经网络辨识的PSO BP-PID控制方法;通过神经网络在线自学习对PID3个参数在线调整,最终实现系统恒电压输出控制;仿真结果得出:带有RBF神经网络辨识的PSO-BP PID控制算法可以很大的改善系统控制效果,同时使系统具有更好的在线调整能力.     

PID控制器参数优化算法的仿真研究

研究PID控制器参数优化问题,现代控制对象具有复杂非线性、时变性特点,引起系统的输出品质特性差,超调大稳定性时间长,控制精度差等.传统PID控制是针对线性控制系统提出的,控制精度比较低.为了提高PID控制精度,基于神经网络提出PID控制器参数自适应优化方法.通过将系统控制偏差和PID控制器的3个参数作为神经网络的输入,最优控制性能作为优化目标,通过神经网络自身学习和加权系数调整,获得最优控制性能的PID控制器参数.仿真结果表明,神经网络的PID控制方法提高了系统控制精度,系统响应速度更快,具有很强的自适应性和鲁棒性,为优化控制系统提供了参考.     

一种神经网络分数阶PID控制器的实现

为解决分数阶PID控制器参数难于整定的问题,设计了一种基于神经网络的分数阶PID控制器。通过采用反向传播（ BP）神经网络的参数调节策略,可以实现一种五维参数自学习的PID控制器。将分数阶PID控制器数字化,通过BP算法调节神经网络突触权值,经过调整的神经网络输出作为分数阶PID控制器的参数。经过仿真验证,神经网络分数阶PID控制器比传统PID控制器精度提高6倍且控制更加稳定。