置换蒸煮锅温差控制策略研究

为提高制浆过程中置换蒸煮系统在扰动和模型失配条件下的控制精度与鲁棒性,本课题基于置换蒸煮锅温差控制系统仿真模型,提出了一种基于模糊控制算法与粒子群优化算法（Particle Swarm Optimization,PSO）的置换蒸煮系统温差自适应PID控制方法。首先基于粒子群优化算法设置PID控制器参数的初始值,再利用模糊算法实现PID参数自整定,最后将控制效果与传统PID控制器以及模糊PID控制器进行对比。结果表明,在单一工况下,PSO-模糊PID控制器的综合性能最好,调节时间最短,超调量最低,有效保持蒸煮立锅内药液温度的一致性;针对压力阶跃扰动和模型失配,PSO-模糊PID控制器抗干扰性能更强,总体超调量更低,调节时间更短,具有良好的鲁棒性和自适应性。     

置换蒸煮锅温度测量方法的改进及锅内温差控制

针对置换蒸煮锅温差难以消除这一难题,在传统蒸煮锅温度测量的基础上,提出一种新的温度测量方法,并将神经网络控制、PID串级控制和解耦控制有机地结合起来,提出一种神经网络PID串级解耦控制系统。解决了蒸煮锅温度控制时滞性、时变性和非线性等问题,应用Matlab仿真比较表明,该控制系统具有更好的动态性能和鲁棒性,其控制效果明显优于常规PID串级控制系统。     

基于PSO算法的PID控制器参数优化及其在置换蒸煮立锅温差控制中的应用

在介绍置换蒸煮工艺流程的基础上,对置换蒸煮控制系统的控制要点和难点进行了分析。针对蒸煮过程中蒸煮立锅顶部药液温度和底部药液温度的差值的控制问题,设计了一种基于PSO(粒子群优化)算法优化PID控制器参数的温度-流量串级控制策略。MATLAB/Simulink仿真结果表明,该控制方案具有算法简单、搜索能力快、效率高等优点,能够有效地解决PID参数优化问题;实际应用结果表明,该方案非常有效。     

基于BP神经网络算法的食品烘干机温度控制

以自动链板式茶叶烘干机为研究对象,为降低燃煤热风炉能耗、提高热效率、提高烘干机温度控制精度,提升茶叶品质,提出了一种基于改进BP神经网络的控制策略。分析了烘干机的结构和控制原理,在此基础上将BP神经网络与PID控制方法相结合,通过神经网络的自学习、加权系数的调整,优化PID控制器参数K_i、K_p、K_d,并将粒子群算法引入到神经网络中作为其学习算法,以有效提高BP神经网络算法的收敛速度。仿真结果表明,该控制方法响应速度快,超调量小,从而实现对热风温度的恒温控制。     

基于模糊自整定PID的置换蒸煮锅温差控制系统的设计

置换蒸煮过程中蒸煮锅内温度控制是一个具有严重时滞性、时变性和非线性系统,且药液在蒸煮锅内循环时易产生温度梯度,为保证锅顶部和底部药液温度均匀一致,采用常规的温差-流量串级PID控制器难以取得满意的控制效果。通过对蒸煮药液循环加热后回流至蒸煮锅顶部和底部过程机理的分析,依据串级控制、模糊控制和PID控制的特点,将三者有机地结合起来提出一种模糊自整定PID串级控制系统,应用Matlab仿真比较表明,模糊自整定PID串级控制的动态响应曲线更好,超调量小,抗干扰能力强。     

基于模糊分数阶PID的蒸煮药液温度控制

鉴于蒸煮锅温度变化具有大时滞、耦合强、干扰多等特点,本课题根据蒸煮锅药液温度变化的内部规律,分析了影响药液温度的因素。针对蒸煮药液耦合强的问题,提出分数阶PID串级前馈解耦控制方案,结合模糊控制规则构建模糊分数阶PID串级解耦控制,可同时解决蒸煮药液温度变化等问题。实践证明该方法可以实现蒸煮温度的实时控制。     

木塑挤出机温度的BP神经网络PID控制算法

针对木塑复合材料挤出过程中挤出温度采用传统PID控制的不足,设计研究了木塑挤出机温度的BP神经网络PID控制系统。针对挤出温度控制过程中的高非线性和分段温度的特点,提出BP神经网络PID控制算法以改善温度系统性能,实现对温度模型的高效控制。木塑挤出机温度的传统PID控制与木塑挤出机温度的BP神经网络PID控制进行仿真对比,结果表明木塑挤出机温度的BP神经网络PID控制在系统升温的速度、超调量、调节时间、抗干扰能力方面具有明显优势,在控制精度方面更符合木塑挤出机温度控制要求。     

神经网络PID控制器在纸浆浓度调节中的应用

在造纸过程中,针对纸浆浓度控制系统的大滞后和模型不确定的特性,利用BP神经网络所具有的自学习能力和任意非线性表达能力,提出了用BP神经网络自整定PID参数的控制策略,对纸浆浓度的调节进行控制,并使用MATLAB软件进行仿真研究。仿真结果表明:基于BP神经网络的PID控制器具有很强的适应性,可以获得满意的控制效果。     

基于神经网络控制的双色凹印机套准系统设计

针对目前双色凹印机套准控制器数字化、自动化及智能化不足的问题,建立双色凹印机套准误差数学模型,结合BP神经网络PID控制器的特点,设计了一种基于BP神经网络的凹印机套准控制器。根据凹印机套准误差模型中两个印组的速度与张力对套准误差的影响关系,设计神经网络模型。在单个控制周期中,神经网络通过在线学习印组速度与张力的干扰参量调整PID参数以适应当前工作环境。仿真结果证明了该系统的可行性与优越性。     

纱线卷绕系统恒张力先进控制策略

针对纱线卷绕系统内外部扰动较多，系统具有时变性和不确定性，纱线张力值波动较大，控制精度不高导致纱线断头等问题，提出了学习速率自适应与蚁群算法联合改进的BP神经网络PID控制策略。通过学习速率自适应提高网络学习速率，并利用蚁群算法调整网络初始参数。分别测试PID算法、BP神经网络PID算法与改进BP神经网络PID算法。结果表明：基于改进BP神经网络的无刷直流电机PID控制器鲁棒性更强，性能良好，纱线卷绕系统张力波动较小，断头率降低。     

基于专家经验的单神经元串级温差控制研究

针对置换蒸煮锅内存在的温差及温差对象的非线性严重、大时滞、要求控制实时等特点,提出了保证蒸煮锅内温度一致的、基于专家经验的单神经元串级PID自适应控制策略。该控制策略引入专家经验调节单神经元增益K,同时将单神经元PID自学习和自适应的能力与串级优势相结合,可实时快速地进行温差控制。在Simulink中,调用该控制策略的s函数,进行温差对象特性的动态仿真实验,以验证其鲁棒性和模型失配响应。结果表明：该控制策略的鲁棒性与自适应性比常规温差-流量串级PID控制及单神经元PID串级控制更好;THJSK-1平台中的实时控制还表明,该控制策略具有可行性。     

山梨醇结晶温控系统的研究

山梨醇广泛应用于食品行业,针对山梨醇结晶温控系统存在时变大滞后特性,研究了一种融合遗传算法和神经网络的PID控制器。该控制算法采用RBF网络在线辨识被控对象,先利用遗传算法优化神经网络的初始权值,再结合神经网络所具有的自学习和任意非线性表达能力,用BP神经网络自整定PID参数,对结晶过程温度进行控制。仿真结果表明:该控制器提高了系统的控制性能,具有很强的自适应性和鲁棒性,满足山梨醇生产的要求。     

飞机舵机电液伺服系统多余力抑制方法研究

针对飞机舵机电液伺服系统在加载过程中出现易出现加载频宽窄,响应速度慢、稳定性差、加载精度低等问题,采用BP神经网络PID控制与结构不变性原理相结合的控制方法。该方法基于BP神经网络的参数自整定原理调节系统参数,再根据结构不变性原理控制器。仿真结果表明,该控制方法不仅能有效抑制多余力的干扰,而且可以显著提高飞机舵机电液伺服系统的控制性能。     

神经网络分数阶PID控制器在纸浆浓度控制中的应用

分数阶PID控制器继承了常规PID控制器的优点,并且具有更高的控制精度和更强的鲁棒性。针对常规PID控制器在纸浆浓度控制过程中存在的问题,设计了一种基于神经网络的分数阶PID控制器。用分数阶PID控制器代替常规PID控制器,并通过神经网络调节分数阶PID控制器的5个控制参数,实现一种参数自整定的PID控制器。仿真实验结果表明,神经网络分数阶PID控制器比常规PID控制器的控制精度高,对纸浆浓度的控制更稳定;采用神经网络分数阶PID控制器控制纸浆浓度是切实可行的,具有很好的推广应用前景。     

基于神经元的PID无菌包装预热控制技术

针对PID控制在无菌砖包设备预热控制系统中控制效果不理想的现状,课题组提出一种将神经网络应用于PID控制器的新策略。该PID控制器基于神经元控制预热温度,让PID控制参数在有监督的δ学习规则下进行自调整,从而实现在预热温度变化时能自行调整。最后运用Simulink对无菌砖包设备预热温控系统进行仿真,结果表明神经元PID控制器在预热温控系统中具有良好的控制性能,研究改善了PID控制在解决变参数和非线性问题的短缺方面,达到预热温度变化时自调整的目标。     

基于神经网络的电液负载模拟器控制器设计

针对飞机舵机电液负载模拟器系统参数时变,存在非线性环节且多余力干扰影响系统性能指标的问题,设计一种基于神经网络的复合控制器。复合控制器采用基于PSO改进BP神经网络的方法设计神经网络辨识器来辨识系统数学模型,再用DRNN神经网络在线整定PID参数。实验结果表明,基于神经网络的复合控制器可以有效缩短系统响应时间,提高跟踪精度等系统性能指标。     

纸浆浓度的神经网络PID控制

针对造纸过程中纸浆浓度控制的特点,通过BP神经网络与PID相结合,组成神经网络控制器,用于纸浆浓度控制。利用神经网络自学习、自适应的功能,根据实际工况在线实时调整PID参数,使纸浆浓度的控制处于一种最优状态,达到较好的控制品质。     

基于神经网络PID的复卷机双轴转速控制研究

为了提高复卷机的转速控制精度和张力稳定性,提出了一种基于BP神经网络的改进型PID控制算法。对复卷机建立运动学方程和电机模型,推导出放卷辊和中心辊的转速与复卷速度和张力值之间的关系函数,利用两轴的转速差对复卷机张力进行调节,利用BP神经网络自学习和非线性运算能力,通过对输出转速误差及误差微分的输入训练,实现对控制参数的优化调整。仿真表明,与经典PID控制器相比,神经网络PID控制器具有更快的响应速度和更高的抗扰能力,提升了系统的自适应性和鲁棒性。     

基于BP神经网络的卷染机温度控制技术

为了解决高温高压卷染机中的温度控制问题,提出了一种改进的温度控制算法。该算法在BP神经网络PID控制算法的基础上引入积分分离结构,当温度控制误差较大时采用PD结构,去除积分成分以提高控制调整速度,当温度控制误差较小时采用完整的PID控制算法结构,保留积分成分以保证控制精度。仿真结果显示:相对于传统的PID控制算法,基于BP神经网络的PID控制算法能够保证在较高温度时控制精度的前提下,提高温度控制稳定速度、缩短温度控制时间,达到更好的控制效果。     

基于BP神经网络自抗扰控制的放卷张力控制系统

文章为提高轧染机放卷系统对张力控制的稳定性,通过结合BP神经网络算法和自抗扰控制提出一种放卷张力控制方法。根据放卷的运行机理,建立其数学模型,并推导出系统的动态解耦和静态解耦模型,设计了自抗扰控制器。在自抗扰技术的基础上,引入BP神经网络对非线性组合部分的参数进行整定,得到BP神经网络自抗扰控制器。通过仿真实验与PID控制器对比发现,该控制器实现了放卷系统张力的解耦并且能保证织物张力的稳定,能够抑制系统内部参数变化引起的张力波动以及具有良好的抗干扰性能,同时为织物的恒张力印染做出了充分的准备。