直线电动机迭代学习控制方法的仿真研究

直线电动机是一种多变量、非线性的控制系统,采用经典的PID控制难以得到满意的控制效果,为此设计一个基于前馈辅助PID控制器的神经网络（PIDNN）控制系统.该控制系统的结构主要由一个反馈和一个前馈构成,反馈是PID控制,为系统提供稳定性;前馈为ILC控制,作为对系统的非线性、未知的动力和扰动的前馈补偿.在Matlab环境下,对所提出的方案进行了仿真实验,并与传统PID进行比较.结果表明,该方案能够有效地提高系统的速度和位置的跟踪性能,并验证了采用智能前馈控制的优势.该系统适合应用于大量重复的运动轨迹系统.     

压边力对圆锥形件拉深成形的影响

起皱和断裂是板料成形过程的主要失效模式,合理控制成形过程中的压边力,可以消除这些缺陷,提高成形性能。本文以圆锥形件的成形为例,采用Dynaform软件对变压边力控制的成形工艺进行了数值模拟计算,得到了最佳压边力变化曲线。本文还对模拟结果进行了实验验证。结果表明,变压边力拉深工艺能够极大提高板料的极限拉深高度。     

压边力对圆锥形件拉深成形的影响

起皱和断裂是板料成形过程的主要失效模式,合理控制成形过程中的压边力,可以消除这些缺陷,提高成形性能。本文以圆锥形件的成形为例,采用Dynaform软件对变压边力控制的成形工艺进行了数值模拟计算,得到了最佳压边力变化曲线。本文还对模拟结果进行了实验验证。结果表明,变压边力拉深工艺能够极大提高板料的极限拉深高度。     

基于神经网络PID炉温控制系统设计

将BP神经网络控制策略引入炉温控制系统,通过神经网络模拟实现PID控制器参数在线调整。在电阻炉炉温控制系统模型的基础上,详细介绍了神经网络PID控制器的算法,并对经典PID参数选取进行了分析。最后将神经网络PID与经典PID控制效果进行了仿真比较。     

机载稳定平台的神经网络PID控制

控制机载稳定平台使机载相机保持相对稳定保证航拍质量。基于机载稳定平台控制系统的非线性时变控制特点,针对PID控制在非线性时变系统中的不足,利用神经网络的非线性映射能力和自学习自适应能力,提出将三层神经网络和PID控制相结合的神经网络PID控制,并对机载稳定平台进行控制及MATLAB仿真。仿真结果表明机载稳定平台采用神经网络PID控制比传统PID控制具有更高的控制精度。     

基于神经网络PID炉温控制系统设计

将 BP 神经网络控制策略引入炉温控制系统,通过神经网络模拟实现 PID 控制器参数在线调整.在电阻炉炉温控制系统模型的基础上,详细介绍了神经网络 PID 控制器的算法,并对经典 PID 参数选取进行了分析.最后将神经网络 PID 与经典 PID 控制效果进行了仿真比较.     

交流伺服系统神经网络PID控制

提出了采用神经网络的自适应PID控制系统,将BP神经网络引入交流伺服系统中代替PID控制器,实现对被控电机的自适应控制;并在此基础上,简化神经网络的结构,把它与传统的PID控制结合起来,实现对交流伺服系统的复合控制。仿真结果表明,所提算法切实可行,系统具有较强的鲁棒性。     

金属板材拉深智能化控制系统

运用能量法,建立了板材拉深过程完整的力学模型。针对板材拉深成形中起皱和破裂的具体情况,定量分析了板材起皱和破裂的失稳判据。确定板材成形的压边力三极限,并推导出板材成形的优化压边力控制规律。运用神经网络实现了板材材料性能参数的实时识别和压边力优化曲线的实时预测。利用LabVIEW软件编译了智能控制系统程序,采用基于虚拟仪器技术和产品,建立板材智能化拉深控制系统,实现板材成形的智能化。     

TS-PID算法的直流伺服控制系统

针对传统的PID无法使得直流电机达到精确的控制效果,本文将TS模糊控制方法与PID控制器相结合并将其应用于直流电机的位置伺服控制系统当中.建立了直流电机的模型,根据TS模糊控制规则,在Matlab仿真环境中建立了基于TS-PID算法的直流电机的仿真模型,将控制系统的参数带入仿真模型中并进行实验仿真.通过与传统PID控制算法相比较.仿真实验结果表明:TS-PID控制的直流伺服控制系统在单位阶跃输入下上升时间降低了17.23%,调节时间缩短了29.32%,稳态误差减少了0.12%.系统具有较好的动态性能、较强的抗干扰能力和较快的跟踪速度.     

基于变压边力的汽车翼子板冷冲压成形模拟分析

针对汽车零件冷冲压成形过程中易出现的起皱、回弹以及拉延不足等质量问题,以某品牌汽车的翼子板为例对其进行了变压边力成形分析.首先,以零件成形极限为评价目标,通过分析整体恒压边力成形确定零件的临界压边力值; 其次,利用整体变压边力成形方法分析9种常用变压边力加载形式的优劣,以此确定最佳的变压边力加载形式; 最后,根据拉延后板料的应变分布给出分区变压边力成形的方法,并对汽车翼子板进行分区变压边力仿真成形分析.仿真分析表明:整体变压边力成形方法能够有效降低零件的最大减薄率、最大增厚率和最大回弹量以及改善零件的成形极限; 分区变压边力成形方法不仅能够有效提升零件的成形极限,而且还可减少最大减薄率和有效控制回弹量.该研究结果可为选取汽车零件的冲压成形工艺提供参考.     

应用深度强化学习的压边力优化控制

为改善板料拉深制造的成品质量,采用深度强化学习的方法进行拉深过程的压边力优化控制. 提出一种基于深度强化学习与有限元仿真集成的压边力控制模型,结合深度神经网络的感知能力与强化学习的决策能力,进行压边力控制策略的学习优化. 基于深度强化学习的压边力优化算法,利用深度神经网络处理巨大的状态空间,避免了系统动力学的拟合,并且使用一种新的网络结构来构建策略网络,将压边力策略划分为全局与局部两部分,提高了压边力策略的控制效果. 将压边力的理论知识用于初始化回放经验池,提高了深度强化学习算法在压边力控制任务中的学习效率. 实验结果表明,与传统深度强化学习算法相比,所提出的压边力控制模型能够更有效地进行压边力控制策略优化,成品在内部应力、成品厚度以及材料利用率3个质量评价指标的综合表现优于传统深度强化学习算法. 将深度强化学习中的策略网络划分为线性部分与非线性部分,并结合理论压边力知识来初始化回放经验,能够提高深度强化学习在压边力优化控制中的控制效果,提高算法的学习效率.     

无人水下航行器PID神经网络解耦控制

通过无人水下航行器动力学分析和运动建模,将系统解耦为航向、横滚、纵向三通道控制系统。为了消除解耦过程中存在的问题,采用PID神经网络控制算法来实现三自由度的独立控制。仿真结果表明,该控制方法不仅减少了计算时间,提高了响应速度,而且具有超调量小、稳态精度高等控制品质,对无人水下航行器的实际应用具有一定意义。     

变风量空调系统末端的模糊神经网络控制研究

针对目前传统PID控制对模型依赖性强,难以在线调整,对具有非线性和不确定性的变风量(VAV)空调系统的控制动态性能差的特点,提出将模糊神经网络应用于该系统.建立了模糊神经网络控制器,基于变风量空调系统末端装置的数学模型进行了仿真研究.结果表明,该控制策略比传统PID控制更适合于VAV系统,控制系统具有更好的鲁棒性和自适应能力,可以取得更优的动态性能.     

船用核动力装置二回路PID神经网络解耦控制研究

直流蒸发器的船用核动力装置是一个非线性、时变及多变量强耦合的被控对象.针对该被控对象设计了改进型PID神经网络控制系统,用于船用核动力装置多变量解耦控制,该神经网络控制器不需要对系统进行辨识,在调整权值的学习过程中使控制系统具有良好的解耦控制性能.仿真结果表明,直流蒸发器压力和汽轮机转速控制之间协调性好,并具有响应速度快、鲁棒性好等特点.     

一种改进RBF网络与PID相协调的自适应控制

为充分利用人工神经网络处理非线性问题能力和PID控制器设计简单以及鲁棒性强的优点,设计了高性能控制器.通过对最小资源分配网络的裁剪策略进行改进,使改进的网络具有更加紧凑的结构;把改进的最小资源分配网络应用到神经网络自适应控制器中,同时结合神经网络自适应控制和PID控制,提出一种神经网络与PID相协调的自适应控制策略,并应用到对电站锅炉过热汽温的控制上.仿真结果表明,提出的控制算法与常规的控制算法相比具有更好的控制品质.     

基于BP神经网络整定的PID温度控制

展示了一种基于BP神经网络的PID控制器,利用神经网络的自学习特性,将神经网络与PID控制方法相结合,采用3层前向网络,动态BP算法,实现对温度控制系统的在线智能控制,显示了BP神经网络PID控制方法很强的鲁棒性,同时也显示了神经网络在解决高度非线性和严重不确定系统方面的能力．仿真结果表明,此种PID在温度控制中能够取得较满意的效果．     

基于BP神经网络的PID变桨距风电机组控制

针对变速变距型风力发电机组的液压驱动式变距执行机构，提出基于BP神经网络的PID变桨距控制方法，以解决变桨距机构的非线性、参数时变性、抗干扰、滞后性控制问题.分析了三种不同工况下的液压油路变化、数学模型和参数变化，阐述了BP神经网络的PID控制算法，并根据7.5 kW变速恒频试验机组液压变距机构设计数据进行仿真结果比较、分析.     

基于BP神经网络PID参数整定的空燃比控制策略研究

采用BP神经网络实现在过渡工况下发动机空燃比的PID控制系统的参数整定,建立了发动机燃烧及燃油供给系AMESim仿真模型,利用MATLAB／Simulink设计了改进空燃比BP神经网络PID控制仿真模型,在AMESim环境下进行了动态仿真．仿真试验表明：基于BP神经网络PID参数整定的空燃比控制策略具有良好的自适应性能,与经典PID控制相比,改善了过渡工况下燃油的供给,实现了空燃比的精确控制．     

DLF神经网络在多变量非线性系统中的设计与应用

为了克服PID控制器和一般神经网络的缺点,探讨了基于DLF神经网络控制器在多变量非线性系统的应用,并与传统的PID控制器和一般神经网络的控制效果进行了比较.结果表明,DLF神经网络控制器对多变量非线性系统具有训练速度快和较强的解耦能力.