神经网络自适应PID在吹瓶机中的应用

吹瓶工艺过程中温度控制是-个关键性环节,决定工艺的成败.传统的利用PID进行温度控制的方法需要辨识被控对象的参数,且容易导致吹瓶所不允许的超调现象.利用神经网络强大的非线性学习能力可以在被控对象未知的情况下,根据系统输出误差进行网络权值校正,从而实现较好的自适应控制效果.以工业上易于实现为出发点,探讨单神经元PID控制算法、基于BP神经网络的PID控制算法,并对其进行仿真比较分析.     

一种基于单神经元Smith预测控制的中央空调系统优化控制方法研究

对于中央空调系统,Smith预估器可以较好地解决PID控制器带有纯滞后系统的控制问题。当纯滞后较大时,用Smith难以获得满意的控制效果,本文采取对被控对象的纯滞后作用进行补偿的方法,提出将单神经元与Smith预估器组合在一起的复合控制方案,在本方案中,利用了Smith能够应对纯滞后的特性及单神经元自学习、自组织的能力,不需要对被控对象进行精确的辨识,就能够实现对大纯滞后系统的自适应控制。     

增量式自适应逆控制及在过热汽温中的应用

被控对象的迟延和惯性特性是影响控制系统品质的重要因素之一.从常规PID增量式控制算法入手,在对具有迟延和惯性被控对象的动态特性进行定性分析的基础上,给出了一种改进型增量式控制算法的表达式;分析了被控对象校正逆模型的参数向量与控制器的参数向量之间的联系,进而将控制器的荻取与被控对象校正逆模型的建立相结合,将控制器的自适应过程归结为被控对象校正逆模型的在线辨识问题,通过对校正逆模型的在线辨识直接对改进型增量式控制算法中控制器的参数进行在线修正,形成了一种增量式自适应逆控制系统.将该方法应用于锅炉过热汽温控制系统中,并通过与常规PID串级控制和直接自适应逆控制系统的控制效果对比,验证了所提方法的有效性.     

原料预热温度的模糊PID-神经元控制

针对具有不确定性、大纯滞后的催化裂化反应再生装置原料预热温度控制,提出了一种模糊PID-神经元控制方法.从介绍催化裂化反应再生装置原料预热被控对象的建模、神经元非模型控制和公式化的模糊控制方法人手,建立了模糊PID-神经元控制系统,设计了模糊神经元混合控制器,并使用神经元来在线调整模糊PID控制器的模糊规则.仿真实验结果表明所提出的模糊PID-神经元控制方法具有强鲁棒性,能有效控制具有大纯滞后和不确定性的对象.     

时滞系统的LM-Smith神经网络控制器

针对Smith控制对时滞系统抗干扰性差的弱点,提出了一种基于神经网络辨识的LM-Smith控制器。该控制器在经典Smith控制中引入神经元模型,实时辨识时变被控对象,使预估模型能准确跟踪被控对象,实现对时滞环节的完全补偿。仿真结果表明该方法构造简单、准确性好、鲁棒性较强,改善了经典Smith控制的控制效果。     

基于BP神经网络的火电厂水质调节自适应控制的仿真研究

针对火电厂锅炉水质调节过程的大时滞时变特性,常规控制算法控制效果不好的问题,本文提出了基于BP神经网络的Smith-PID鲁棒自适应控制算法,利用BP神经网络的任意非线性表达能力和很强的自学习能力,在线自学习整定PID参数,被控对象不需要精确辩识,控制器参数跟踪被控对象自适应调整,克服了常规PID算法不适用于大时滞过程控制和常规Smith预估补偿控制对模型不确定性敏感的缺陷.MATLAB仿真表明,本文控制算法的静态特性、动态品质良好,鲁棒性强.     

RBF神经网络的PID控制研究与仿真

研究工业控制系统优化问题,由于工业控制领域中存在复杂非线性时变系统,很难确定精确模型.传统PID控制局限于线性系统,控制效果不理想.为了提高控制精度,提出一种RBF神经网络辨识的PID控制方法.首先利用RBF神经网络线辨识被控对象的离散模型,获得PID参数在线调整信息,然后利用单神经元对控制器参数进行在线自适应整定,从而实现系统的智能控制.通过实例进行验证,并与传统PID控制方法进行对比,结果表明控制方法具有响应速度快、控制精度高等优点,且具有较强的自适应性、鲁棒性和抗干扰能力,为控制系统设计提供了新方法.     

时变大滞后过程的单神经元内模控制

由于常规smith预估器对被控对象参数和结构的变化十分敏感,这对时变大滞后过程的控制极为不利,为此提出了一种新的单神经元内模控制方案,将改进的智能单神经元PID作为Smith预估的主控制器,并证明了该控制系统的内模结构特性。同时,对单神经元自适应PID的学习规则进行了改进,并采用仿人智能思想对神经元的比例系数进行在线自调整。仿真结果表明,这种控制方法具有超调小、抗干扰能力好和鲁棒性强的优点,对时变大滞后过程是行之有效的。     

自适应PID控制在试验电源组中的应用

将神经元自适应的控制模型与常规PID控制算法相结合,设计了一种自适应PID控制器,并将其应用于风力发电机试验系统电源组的控制系统中。该控制器不仅结构简单、参数易于整定,且具有较好的自适应和自学习功能。结果表明,应用神经元PID控制的风力发电机试验系统的电源组控制系统能够适应被控对象在较大范围内的变化,具有较强的自适应性和优良的控制性能。     

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。