改进型BP网络PID在电动舵机控制中的应用

针对应用中对无刷直流电机位置控制的高精度要求,设计了一种改进的误差反向传播网络PID控制器,实现了对无刷直流电机位置的精确控制。系统融合了神经网络和PID控制算法的优点,适用于直流无刷电机这样的非线性、时变的复杂系统。仿真结果表明,改进后的BP神经网络PID控制器优于常规BP神经网络PID控制器和传统PID控制器,证明了该方法的可行性。     

遗传算法优化BP神经网络在转速PID控制中的应用

提出一种基于遗传算法优化的BP神经网络PID控制算法，并将其应用于永磁无刷直流电动机的转速控制系统而设计出优化的转速PID控制器。该算法首先利用遗传算法对BP神经网络的初始权值进行优化，再利用BP神经网络算法对PID参数进行在线调节，解决网络的初始权值对控制效果的不利影响，仿真证明该算法可行。     

人工神经网络在运动控制中的应用

介绍了人工神经元模型与神经网络基本结构。阐述了多层前向网络的工作原理及误差反转（BP）算法,探讨了用于运动控制的单神经元PID控制器的结构与基于BP网络的模糊自适应PID控制,给出了由传统PID控制器,模糊量化处理,系统辨识神经网络NNM和系统控制网络NNC组成的基于BP网络的模糊自适应PID控制器结构,并讨论了人工神经网络在运动控制领域中应用的发展趋势。     

航向角BP神经网络自整定PID控制算法仿真

设计了基于BP神经网络的自整定PID控制算法,此控制算法不需要被控对象的数学模型,先由BP神经网络对被控对象进行辨识,给出PID控制所需要的3个参数,再由PID控制算法进行有效的控制,最后用MATLAB对某水下机器人的航向角模型进行了仿真验证。     

基于模糊神经网络PID的串级温度控制系统研究

为解决传统PID 控制存在控制效果不够理想、性能欠佳和很难满足系统精度要求的问题,提出基于模糊 神经网络的自适应PID 控制算法对系统进行控制。采用Labview 构建模糊神经PID 控制器,对环控引气系统温度进 行动态控制,进行仿真研究,并将此控制策略与经典PID 控制进行仿真比较。结果表明：基于模糊神经网络的PID 控制算法在系统的超调量和调节时间上都小于经典PID,能提高系统的快速性和准确性,改善系统特性。     

航空发动机全包线最优PID控制器设计

研究了一种基于神经网络的航空发动机全包线PID控制器设计方法。首先在全包线内选定若干典型工况点,并通过遗传算法离线优化PID控制器参数。然后通过BP神经网络训练建立飞行高度和马赫数与PID参数的非线性映射关系,亦即建立起基于神经网络的航空发动机全包线最优PID控制器。最后,将该控制器应用于某型涡扇发动机稳态控制和飞行过程控制仿真,与原控制器比较,控制效果获得有效改善。     

基于RBF网络的微分先行PID控制器

将微分先行PID控制算法和径向基函数(RBF)神经网络结合,提出基于RBF神经网络的微分先行PID控制器.其微分先行PID控制器直接对被控对象进行闭环控制,实现参数在线自调整.RBF结构神经网络则根据系统的运行状态,利用神经网络的自学习自适应能力调节PID控制器参数的在线自整定,达到误差性能指标最优化.Matlab仿真表明,该控制方案不仅跟踪性能良好,而且抗干扰性较强,鲁棒性较好.     

航空发动机的CMAC与PID并行控制

提出了一种基于CMAC神经网络与PID并行控制方法，利用传统的PID控制器实现反馈控制．保证系统的稳定性．并抑制扰动；利用CMAC神经网络控制器实现前馈控制．保证系统的控制精度和响应速度。将该算法应用到航空发动机控制中．结果表明．与单纯PID控制算法相比，该算法增强了系统的控制精度，提高了系统的响应速度．并具有较好的抗干扰能力。     

参数自学习PID 算法在电动负载模拟器中的应用

针对电动负载模拟器的舵机主动运动引起的多余力矩会严重影响系统的载荷谱跟踪精度的问题,利用前馈控制对多余力矩进行补偿和抑制,提出并使用一种基于BP神经网络的PID参数自学习控制算法来实现高精度跟踪载荷谱的方法。阐释了电动负载模拟器在被动式加载中多余力矩的产生和影响,基于结构不变性原理,使用前馈控制对舵机速度干扰进行补偿,以抑制多余力矩;在前馈控制抑制多余力矩的基础上,分析传统PID算法和静态BP神经网络在非线性和参数时变条件下存在的局限性,并在舵机干扰的情况下,分别对常值和正弦载荷谱进行仿真测试。仿真结果表明:控制算法使得电动负载模拟器可以准确、快速地跟踪载荷谱,提高了电动负载模拟器的自适应性和鲁棒性。     

永磁交流伺服系统的神经网络自适应控制研究

针对永磁交流伺服系统,提出了一种自适应PID控制器学习算法——带预测模型的神经网络PID控制方法。该方法采用一个三层RBF网络辨识交流伺服系统的特性,用另一个BP神经网络作为自适应控制器。仿真结果表明,在系统参数发生变化和存在负载转矩扰动的情况下,该方法具有较好的自适应能力和良好的动态性能。     

基于BP网络的PID整定控制

基于三层BP网络的PID的整定控制器,将输出层神经元输出状态对应于PID控制器的比例、积分、微分参数.先确定输入层和隐含层节点数、给出各层权值初值、选定学习速率和动量因子、学习参数等,再计算采样时刻误差、各层神经元的输入输出、PID控制器输出.通过神经网络的自学习、实现PID控制参数的自适应调整.仿真表明该神经PID控制器在三参数自调整、控制量变化、减小误差等方面具有优势.     

机动再入飞行器神经网络闭路初制导研究

解决有限推力模型的再入飞行器初制导问题,利用传统开环控制的关机方程达不到要求的精度.提出了一种前馈反馈神经网络闭路初制导律.利用遗传算法生成能量最省轨迹,作为神经网络训练样本,利用遗传算法离线训练前馈三层BP网络,构成前馈神经网络控制器.状态反馈控制器采用在线神经PID控制器.仿真结果表明,该闭路初制导能够完成有限推力情况下的再入初制导任务,对初始位置误差、推力方向偏差和测量误差不敏感,具有一定的鲁棒性和适应性.     

基于 RBF 神经网络的滚仰式导引头控制系统设计

为保证滚仰式捷联导引头的稳定控制,提出了一种基于 RBF 神经网络整定的 PID 控制策略,用于导引头稳定回路校正环节。根据滚仰式捷联导引头的运动学与动力学关系,结合导引头稳定回路校正环节采用的 RBF 神经网络 PID 控制算法,建立了滚仰式捷联导引头稳定与跟踪一体化仿真模型;仿真结果表明：滚仰式捷联导引头稳定回路采用 RBF 神经网络整定的 PID 控制器后,其动态性能优于传统 PID 控制器,建立的仿真模型能够对机动目标实现快速稳定跟踪,在工程应用中可提供有益参考。     

一种基于GA-BP 算法的PIDNN 控制策略

为改善常规PID控制器对非线性对象的控制性能,提出一种基于GA-BP算法的PID神经网络（PID NeuralNetwork,PIDNN）控制策略。将PID控制规律融入神经网络,构成一种PIDNN控制器,并利用GA-BP算法来对其进行参数优化。采用所设计的PIDNN控制器对一种非线性系统进行仿真研究,仿真结果表明：GA-BP算法收敛速度快,所设计的PIDNN控制器与常规PID控制器相比,其控制稳定性和快速性等性能都得到了很大改善。     

某定深电液伺服系统的粒子群优化神经网络PID 控制

为解决定深电液伺服系统的系统参数难以确定、运行过程中内部参数具有时变性和外部负载扰动较大等 问题,设计一种将PID 控制器与神经网络相结合的控制策略。分析定深电液伺服系统的数学模型和控制器的结构与 工作原理,用径向基函数神经网络来动态修正PID 控制器中控制参数的策略,采用粒子群算法离线选取最优的神经 网络权值,用Matlab 将控制器应用于定深电液伺服系统中,并与经典的PID 控制器和RBF-PID 控制器进行对比。 仿真结果表明,该控制器具有较好的快速响应能力与鲁棒性。     

基于模糊神经网络的非线性系统辨识

基于神经网络的预测控制器由神经单元自适应PID控制器和基于神经网络的Smith预估器组成.预估器对输出进行多步预测,使控制器超前动作以消除时滞对系统的影响.自适应PID控制器通过有监督的Hebb学习算法实现其权值的调节,同时通过权系数的在线调整实现自适应控制,提高自适应能力.