嵌入式神经网络PID控制器的研究与设计

设计了一种基于嵌入式系统的神经网络PID控制器,以ARM芯片为控制器核心,实现对难以建立精确数学模型的非线性系统的自适应控制;控制器采用RBF神经网络对被控对象进行在线辨识,并根据辨识结果对控制器的参数进行在线修正,实现PID控制器的自适应;该控制器体积小、适应能力强且省电;实验结果表明,该控制器可靠性高,响应快,可以在无法确定被控系统数学模型的情况下达到理想的控制效果.     

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.     

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。     

在线知识获得智能模糊控制器研究

对一些复杂的系统。传统PID或模糊控制很难得到满意控制效果,本文提出采用基于RBF神经网络和遗传算法的自适应模糊控制器来进行控制。由遗传算法在线优化模糊控制器的比例因子、模糊推理规则和隶属函数。并由RBF网络辨识被控对象的动态特性,以评价模糊控制器控制性能。仿真实验表明。优化后的Fuzzy控制器具有较强的学习和自适应控制能力,控制效果优于没有寻优的Fuzzy控制。     

基于神经网络的时滞非线性系统的广义预测控制

针对一类时滞非线性被控对象,提出一种基于RBF神经网络的广义预测自校正控制方案,在广义预测控制中,采用RBF神经网络建立被控对象的多步预测模型,并不断修正预测输出,提高预测输出的精度.控制器则采用GPC隐式修正算法,不用辨识对象的模型参数,大大减少了计算量.经过仿真研究,与常规的PID自适应控制方法相比较,证明了该方法的优越性,预测控制误差小,实时性好,动态响应快.     

基于神经网络和遗传算法的智能PID控制

提出了一种结合神经网络和遗传算法的智能PID控制算法;该控制器先利用RBF辨识网络在线辨识系统模型,再利用遗传算法在线调整PID三个控制参数,将传统的Ziegler-Nichols方法所得的控制参数作为遗传算法的初始参数范围,缩小了遗传算法的寻优范围;在MATLAB6.5环境下进行仿真和试验研究,结果证明RBF辨识网络的输出能够很好地跟踪对象输出,遗传算法很好地优化了控制参数;二者结合可在线有效地控制较复杂的被控对象.     

基于RBF辨识的神经元PID直线伺服控制

针对永磁直线同步电动机(PMLSM)直接驱动的伺服系统,提出了一种基于RBF神经网络辨识的单神经元PID模型参考自适应的优化跟踪控制策略,解决了系统快速精确地跟踪与抗扰性能之间的矛盾.利用RBF神经网络作为辨识器,实现对被控对象Jacobian信息精确辨识,以基于二次型性能指标学习算法的单神经元自适应PID作为控制器,从而保证系统具有较强的鲁棒性能.仿真结果表明,该方案在保证伺服系统快速跟踪性能的同时,对系统参数变化和负载扰动具有很强的鲁棒性.     

基于神经网络的自整定PID控制器设计

针对非线性时变系统,设计了一种基于神经网络的参数在线自整定PID控制器.该控制器采用基于最近邻聚类方法的RBF神经网络快速学习算法,通过实时在线辨识,建立被控系统的精确模型并得到准确的Jacobian信息;同时将此信息提供给BP神经网络,从而实现PID控制器参数的自动在线整定. 仿真结果表明,该方法提高了算法的精度和速度并具有较快的系统响应和良好的跟踪特性.     

基于RBF神经网络PID控制的掘进机恒功率调速系统

悬臂式掘进机在煤炭开采过程中,由于作业环境复杂,切割头易受到巨大冲击,负载变化剧烈,导致工作稳定性降低.针对这一问题,以截割电机为被控对象,将原有系统改进为基于RBF神经网络PID控制的掘进机恒功率调速自适应控制器,实现该系统的高精度控制.在Matlab/Simulink软件中对截割电机系统进行建模和仿真,通过与传统模糊PID控制进行比较分析,结果表明,RBF神经网络自适应PID控制系统抗干扰性得到改善,响应速度快,控制精度高,在实际工作中具有良好的稳定性和实用性.     

基于GA-Vague集自适应PID控制器设计

提出了一种基于GA-Vague集相似度量推理的自适应PID控制器的设计方法。该控制器由三部分组成：（1）遗传算法对模糊推理规则的优化;（2）Vague集推理规则表精确量的计算;（3）基于Vague集相似度量的自适应PID设计。该控制器弥补了模糊PID控制器的不足,模糊变量隶属值难以确定,描述信息单一,又充分发挥了遗传算法的寻优能力,对推理规则表优化,得到最佳组合的PID控制,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。     

基于改进神经网络的PID整定

针对常规PID控制器对于复杂的、动态的和不确定的系统控制还存在着许多不足之处,提出一种基于模糊RBF神经网络的PID自适应控制方法。首先用改进的模糊K一均值聚类算法初始化RBF神经网络的隐层节点中心和基函数宽度,再采用梯度法优化RBF神经网络自适应地整定PID的三个参数。仿真结果表明该学习算法的实用性和有效性。     

基于神经网络辨识的电弧炉电极系统的自整定PID控制

基于具有电弧炉电极系统的非线性时变特性,设计了一种基于神经网络的参数自整定PID控制器。该控制器采用三个基于最近邻聚类方法的RBF神经网络快速学习算法,通过实时在线辨识,建立被控系统的精确模型并得到精确的Jacobian信息分别提供给三个BP神经网络,从而实现了三相耦合系统的精确控制,仿真结果证明了这种方法的可行性和有效性。     

基于BP神经网络自适应PID的负载控制系统

针对常规PID控制器无法满足时变负载测试系统的快速性和精度要求,设计基于改进BP神经网络的自适应PID控制器;利用西门子S7-200 PLC实现PID算法和神经网络算法,成功实现测试系统对工具进行空载、轻载、重载、瞬间加载等测试;并在BOSCH的圆锯变负载测试系统中得到应用。     

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。     

基于神经网络的PID控制器

提出了一种新型PID控制器,该控制器利用BP网络实现PID参数的在线调整,采用RBF网络对被控对象在线辨识。仿真结果表明该控制器的控制效果优于传统的PID控制算法和模糊自适应PID控制算法。     

一种径向基函数神经网络预测在超临界温度控制系统中的应用研究

超临界温度控制系统具有较大的惯性、时滞和非线性,且动态特性随运行工况而改变,难以建立其精确的数学模型,本文采用GGAP算法的RBF神经网络构成神经网络预测控制器,将在线学习和预测控制相结合,以某超临界电厂主汽温度为研究对象,MATLAB仿真实验表明,该方法能对超临界温度控制系统实现有效的控制,动态性能较传统的PID控制有较大的提高。     

基于模糊神经网络的无人动力伞控制

针对无人动力伞在执行任务时常常在低空、城市上空等复杂气流环境飞行,无人动力伞的响应特性受到飞行速度、航向角和各种风的综合影响,具有的非线性和不确定性.导致事先设计的控制规则不再适合,对此基于PID的控制算法难以达到满意的控制效果.本文提出了一种模糊神经网络控制无人动力伞航向控制策略,利用RBF神经网络所特有的局部逼近能力,对模糊控制规则进行在线推理并获得连续输出,采用GA算法对神经网络参数进行调整来实现对模糊控制器规则库的优化和模糊规则的自动生成.使控制器能够进一步适应无人动力伞实时控制中的时变性和不确定性,保持良好的控制性能；仿真表明算法是可行的.