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。     

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。     

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.     

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.     

基于神经网络和弹性积分的控制器设计及应用

提出一种新型的智能PID控制器。将前馈神经网络BP网络作用在弹性积分控制器上,在线调整控制器的参数,采用RBF神经网络作为辨识器在线辨识控制输出对控制输入对象变化的灵敏度信息,提高系统的控制精度。该智能控制器实现了整体性能优化和个别参数优化相结合的思想。通过MATLAB仿真,该新型控制器具有超调量低、鲁棒性好等控制效果。     

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。     

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。     

神经网络在细纱机中的应用

介绍了一种基于PLC和DSP的细纱杌控制系统.该系统针对细纱机控制系统的非线性与传统PID控制方法的不足,提出了一种改进型基于RBF神经网络在线辨识的单神经元PID自适应控制方法.该方法构造了一个RBF网络对系统进行在线辨识,建立起在线参考模型,由单神经元控制器完成控制器参数的学习,从而实现控制器参数的在线调整.仿真试验结果表明.该控制器控制精度高,动态性能好,其控制效果优于传统的PID控制器.     

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。     

基于变结构径向基函数网络的船舶运动预测PID控制

针对船舶在海上运动的大时滞和动态时变等特点,提出基于一种变结构径向基函数(RBF)神经网络的预测PID控制器.通过建立反映系统动态变化的滑动数据窗口,在线序贯学习窗口内的数据,动态调整隐层节点与隐层至输出层的连接权值,得到结构可自适应变化的RBF网络.将该变结构RBF网络用于预测PID控制器中系统状态的在线多步预测,通过得到的预测模型灵敏度信息在线调整PID控制器参数以控制系统的输出.将该控制器用于船舶航向跟踪控制的仿真实验,结果表明该控制器具有良好的的适应性和鲁棒性.     

基于RBF神经网络的智能PID控制算法

针对工业中的纯滞后现象提出一种智能控制方法,在常规的PID控制器中引入Smith预估器,对纯滞后时间τ所产生的特性进行预估补偿,同时利用RBF神经网络对PID的参数进行自整定,在一定程度上增强了系统的鲁棒性和稳定性。实验证明,此控制方法对纯滞后工业对象进行控制可以得到良好的效果。     

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。     

三自由度飞行器模型的神经网络PID控制

对于具有非线性、时变和强耦合特性的三自由度飞行器模型系统,采用常规PID控制方法难以获得满意的控制效果,因此,设计一种基于免疫遗传算法优化的RBF网络PID控制器来实现该系统的稳态控制.在控制系统中,RBF网络实现对被控对象的Jacobian矩阵信息辨识,并通过在线学习自适应地调整PID参数;免疫遗传算法用于RBF网络的初值参数优化,以确保获得理想的控制效果.仿真实验表明,这种方法的控制品质优于LQR控制,具有较好的适应能力、鲁棒性和较快的响应速度.     

基于RBF神经网络整定的高速公路匝道PID控制器

研究RBF神经网络整定PID控制器的参数,并应用到高速公路入口匝道控制中。首先阐述了入口匝道控制原理,然后建立了高速公路交通流模型,并设计了RBF神经网络整定的高速公路匝道PID控制器,RBF神经网络通过对被控对象Jacobian信息的辨识来动态调节PID控制器的参数,最后用MATLAB软件进行系统仿真。仿真结果表明,该控制器具有优越的动态和稳态性能,用于高速公路入口匝道控制中效果良好。     

航空发动机分数阶PID控制器的参数自整定方法

控制器作为航空发动机的大脑,是保障发动机正常运行的核心部件,随着对发动机控制器精度和时效性的要求越来越高,传统PID控制器的性能亟需进一步提升.本文提出了改进的分数阶PID离线和在线参数整定方法,应用于涡扇发动机推力的控制中.首先,利用Caputo分数阶微积分定义建立分数阶PID模型,实现时域上的数值计算; 其次,基于对数正态分布提出了改进的布谷鸟算法,实现了分数阶PID离线参数整定; 然后,结合RBF网络设计参数线上整定方法,解决了参数在线整定问题; 最后将相关理论应用于发动机推力的控制中,结果表明,相比其他几种优化算法,改进的布谷鸟优化算法对分数阶PID控制参数整定效果最好; 利用RBF神经网络对分数阶PID进行在线整定时控制效果稳定,且分数阶PID的控制效果优于传统的PID控制,能提高对推力的控制能力.     

永磁交流伺服系统的神经网络监督控制

针对经典比例积分微分(Proportional Integral Derivative,PID)算法需要准确的数学模型,抗参数摄动和外界干扰能力差,在高度跟踪过程中控制精度低的缺点,设计了基于径向基函数(Radial Basis Function,RBF)神经网络和传统PID复合的控制器,应用于交流伺服位置系统。利用PID控制器实现系统的闭环动力学性能,利用RBF控制器来提高系统的动、静态控制品质,完成了火箭炮位置伺服系统三闭环模型的建立与神经网络离线训练样本的选择,通过仿真表明了此算法可以有效地提高系统的动静态特性。