一种新型伺服系统智能PID控制器的设计

提出了一种自适应模糊神经网络PID控制器的设计方案。把模糊神经网络控制和常规PID控制结合起来,对控制系统的比例、积分和微分参数进行在线自整定。在Simulink中的仿真结果表明,这种智能PID控制器的控制效果优于单纯的PID控制,超调量小,抗干扰性能强,对变参系统的鲁棒性强,满足在线适时自适应控制的要求。     

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。     

基于模糊神经网络PID的机床直流调速系统

为解决PID参数的在线调整问题,针对龙门刨床的主拖动系统,提出将神经网络的模糊PID自适应控制器用于直流调速系统的方法。分析龙门刨床电气设备的组成,综合模糊控制和神经网络的长处,将神经网络、模糊逻辑和PID控制相融合,构成模糊神经网络控制器,并通过MATALAB对系统进行仿真。设计时,将模糊规则融于神经网络中,通过对神经网络的自学习、自适应能力在线调整模糊规则和隶属函数参数,对PID控制器实现在线实时调整。仿真结果表明,该系统比普通控制器具有更好的动、静态特性。     

BTT导弹模糊自适应PID控制

提出了一种模糊鲁棒PID控制器的设计,把模糊控制和常规PID控制结合起来,对控制系统的比例、积分、微分参数进行在线自整定.对BTT导弹偏航通道的模糊自适应控制进行了研究,在Simulink中的仿真结果表明,这种模糊PID控制器的控制效果优于单纯的PID控制,超调量小,抗干扰性能强,对变参数系统的鲁棒性强,满足在线适时自适应控制的要求.     

红外空空导弹导引头预定回路模糊PID双模控制研究

针对红外制导空空导弹导引头瞬时视场角小、对目标发现概率低的问题,提出了导引头预定回路模糊PID双模控制方案。首先对导引头伺服系统工作原理进行分析,建立其预定回路模型;其次,对预定回路分别采用常规PID控制和模糊PID控制进行了仿真对比分析;最后给出了预定回路的模糊PID双模控制模型,并进行了仿真验证,结果表明该方案能有效改善导引头动态性能,提高发现概率。     

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。     

基于模糊PID控制的可变配气相位控制系统仿真研究

将模糊PID系统(Fuzzy-PID)用于现在主流使用的液压控制连续可变配气相位正时系统(VCT)．对连续可变凸轮相位器系统进行了分析,建立了系统的数学模型。针对液压油驱动VCT系统液力、机械结构具有非线性特征及系统时变性等特点提出了模糊PID控制策略。在对PID控制的响应特性进行分析的基础上,应用模糊控制技术,提出并设计了模糊PID控制器,并利用MATLAB软件进行了仿真研究。仿真研究结果表明,模糊PID控制相对于PID控制来说有较好的执行性能,提出的控制算法具有结构简单、实时性好、响应快等优点,较好地满足了VCT控制要求。     

基于模糊神经网络的遥控武器站伺服系统PID控制器

针对遥控武器站伺服系统具有间隙、摩擦等非线性、不确定性特征,将PID控制与模糊神经网络进行有机结合。利用多层神经网络提取模糊控制规则,构建模糊神经网络控制器,根据偏差E和偏差变化EC在线调整PID控制器的三个参数。仿真试验表明,该控制器具有PID控制器精度高,以及模糊神经网络控制器响应速度快、超调小、稳定性高的特点,具有良好的动、稳态特性。     

一种量化因子改进型的模糊自适应PID 控制算法

：针对模糊PID 控制下的动态性能问题,提出一种量化因子改进型的模糊自适应PID(Fuzzy-PID)控制算法。 在模糊量化环节引入模糊论域量化因子在线调整函数,实现对模糊量化因子的实时调整;将传统PID 控制、传统模 糊PID 控制和量化因子改进性模糊PID 控制,分别在100 kHz 和200 kHz 的系统频率下,进行单位阶跃输入信号下 的动态性能对比实验。结果表明：该算法在2 种系统频率下均能实现无超调,调节时间不超过0.15 s,其动态性能相 较传统控制算法具有明显提升。     

基于模糊PID控制的AGV控制

为提高自动导引小车(automatic guided vehicle,AGV)运动控制效率,建立了AGV的3维模型和运动模型,通过Matlab/Simulink对AGV的运动模型进行仿真分析.分别使用PID控制、模糊控制和模糊PID控制方法对AGV的运动进行仿真,得到3种控制方式的响应时间和控制效果,并从行走距离和响应时间进行分析.仿真结果表明:建立的Simulink模型真实可靠,模糊PID控制效果比模糊控制和常规PID控制效果更好,可为AGV的控制研究提供参考.     

Fuzzy Control Based on Neural Networks for Armored Vehicle Electric Drive System

In order to meet rigorous demands of control of electric motors in armored vehicle electric drive system and make the system of strong robustness and antijamming capability, a fuzzy control method based on neural networks is put forward. The simulation model of the armored vehicle electric drive system is built up to test the validity of the control. Simulation experiments show that when load is increased or decreased suddenly, the system adopting fuzzy control based on neural networks is insensitive to parameter change and has little overshooting and oscillation compared with PID control.     

神经网络自组织模糊控制在同步收集装置的应用

为提高多电机运行的同步性以及在冲击干扰下电机控制的快速反应和鲁棒性,提出将神经网络的自组织 模糊控制融合进环形耦合控制策略中。建立同步收集装置的控制模型,给出环形耦合控制结构,分析传统PID 控制 和传统模糊控制的缺陷,并通过实验验证。实验结果表明,融合有神经网络模糊控制策略的环形耦合控制具有更高 的同步性和鲁棒性。     

神经网络自组织模糊控制在同步收集装置的应用

为提高多电机运行的同步性以及在冲击干扰下电机控制的快速反应和鲁棒性,提出将神经网络的自组织 模糊控制融合进环形耦合控制策略中。建立同步收集装置的控制模型,给出环形耦合控制结构,分析传统PID 控制 和传统模糊控制的缺陷,并通过实验验证。实验结果表明,融合有神经网络模糊控制策略的环形耦合控制具有更高 的同步性和鲁棒性。     

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。     

两相混合式步进电机建模与仿真

为提升两相混合式步进电机的控制性能,建立一种基于模糊控制在线参数调节控制策略的两相混合式步进电机数学模型。在合理简化和线性化处理的基础上,采用先进的模糊控制理论和 PID 控制结合的控制策略,将模糊控制对环境的适应性强,可在线调整控制参数应用于对PID参数的实时调节。在Matlab仿真环境下进行建模与仿真,对比分析了常规 PID与模糊 PID控制的仿真特性。仿真结果表明：在不同响应和精度要求的两相混合式步进电机控制系统中,通过模糊参数在线调节控制比常规参数 PID 控制可以达到更优的技术指标,实现了对两相混合式步进电机的快速精确控制。     

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。