共查询到19条相似文献,搜索用时 156 毫秒
1.
内燃机整机振动神经网络自适应主动控制技术研究 总被引:1,自引:0,他引:1
建立了一种发动机一汽车振动模型,利用神经网络自适应主动振动控制与机械被动控制相结合的方法,通过自适应控制算法,在控制过程中自动调整、修改和完善控制参数,从而达到了最佳的控制效果。应用MATLAB语言编程仿真表明:设计的神经网络自适应控制系统的振动控制效果优于机械被动隔振和半主动隔振(PID与模糊控制),而且对振动环境的自适应能力强,有很强的鲁棒性和很好的减振效果。 相似文献
2.
随着电子控制技术的不断发展,在柴油机电子调速过程当中,其被控系统逐渐趋向于复杂化和非线性化,进而导致了传统PID控制表现出一定的不适应性。我们提出了一种误差反向传播算法(BP神经网络)与传统PID结合的复合控制策略,利用BP神经网络的自适应能力和自学习能力,对PID控制器的三个参数进行在线实时整定。并以D6114柴油机为控制对象,基于dSPACE半实物仿真平台,分别对传统PID与BP-PID控制进行了仿真和配机试验。通过结果的对比性分析,验证了BP-PID复合控制策略在非线性、时变性复杂工况下,能够有效地降低负载变化对转速的影响,其抗干扰性、稳态性能更好,可以用于实际柴油机转速控制系统研究开发。 相似文献
3.
由于水轮机调节系统的大惯性、"水锤"效应等特点及其结构复杂等问题,采用传统的常规PID控制已很难满足控制要求,控制品质也难以改善,控制过程中易发生超调量大、震荡频次多、收敛时间过长等问题。对此,在常规PID控制基础上设计了基于BP神经网络自适应PID控制,并在Matlab软件中完成相关程序的编写及仿真试验。仿真结果表明,基于BP神经网络自适应PID控制是一种有效的水轮机调速器参数整定方法,相较于常规PID控制能获得更好的动态性能。 相似文献
4.
神经网络自适应控制在电加热炉中的应用 总被引:1,自引:0,他引:1
将Bang-Bang控制与神经网络自适应控制相结合,利用神经元的学习功能构成了PID控制,仿真试验和应用结果表明,这类神经网络自适应控制器可用于电加热炉系统的控制。 相似文献
5.
史德林 《电网与水力发电进展》2016,32(3):40-44
摘要: 提出一种基于改进模糊神经网络PID控制的农业电气设备控制参数优化方法。设计了农业电气设备的系统结构模型,对农业电气设备的控制参量进行约束模型构建,得到控制目标函数,设计三层前向变结构PID神经网络,对农业电气PID控制参数进行自适应优化调节,设计了变结构的模糊神经网络PID控制器,实现对农业电气PID优化控制。仿真结果表明,采用该算法进行农业电气设备控制,其输出电压和电流等参数的稳定性和自整定性较好,功率增益较高,收敛性好,控制误差较少,提高了电气系统的稳定性和可靠性。 相似文献
6.
7.
8.
用RBF网络整定的火电厂主汽温PID串级控制系统 总被引:9,自引:0,他引:9
火电厂主汽温具有大惯性、大迟延等特性,其动态特性随负荷而变化,采用常规的按照典型工况整定的固定参数PID串级控制难以获得满意的控制效果。为此,提出一种用RBF网络整定的PID串级主汽温控制策略,将RBF神经网络和常规PID串级控制相结合构成的智能PID控制器不仅具有常规PID控制器的特性,而且具有智能控制器的自学习能力,增强了系统对不确定因素的适应性。仿真研究结果表明:系统动态品质明显优于通常的PID串级控制,能适应对象参数的变化。具有较强的鲁棒性和自适应能力。 相似文献
9.
10.
11.
结合电弧炉主电路系统,推导出电弧炉电气系统状态方程,在此基础上分析了电弧炉三相电流的耦合关系.使用PID神经元网络控制器对电弧炉电极系统进行解耦控制.给出了PID神经元网络控制器的权值初始化规则,其权值更新采用经典的BP算法.分别对于控制器的解耦性、抗干扰性和鲁棒性进行仿真,结果表明PID神经网络控制器具有很好的动态性... 相似文献
12.
设计了一种基于模糊推理进行参数自整定的PID控制器,构造了一个3层BP神经网络来学习模糊控制规则完成模糊控制的模糊推理.将该控制器应用于电阻炉的温度控制,并与普通模糊自整定PID控制器进行比较,表明该方法提高了对非线性、时滞系统的控制效果. 相似文献
13.
变速恒频双馈风力发电系统RBF网络整定PID控制器设计 总被引:2,自引:0,他引:2
针对双馈风力发电系统基于近似线性化模型的PID控制系统动态性能较差、抗干扰能力较弱的缺点,该文给出基于非线性逆系统伪线性化模型的具有RBF网络整定的PID控制策略.首先使用非线性控制系统的逆系统理论对双馈风力发电系统的完整数学模型进行解耦,然后利用RBF神经网络在线调整PID控制器参数,处理系统参数不确定性和外部干扰对控制性能的影响.理论分析和仿真研究结果表明:该控制器能保证系统在风速变化情况下最大程度地获取风能,且达到电网恒频恒压的要求,实现安全稳定地并网运行. 相似文献
14.
神经网络自学习PID控制器的研究 总被引:5,自引:0,他引:5
从兼顾人工神经网络控制系统自学习能力和实时性角度出发,通过构建新的人工神经网络自学习PID控制器的结构,控制系统的样本拾取,更新与优化均采用在线学习方式,使控制系统具有较强的自学习能力。在分析了目前广为应用的多层前向神经网络误差反向传播算法(BP)的局限性及原因的基础上,提高了改进的BP算法-自适应动量项BP算法。从而提高了神经网络的收敛速度和收敛精度,并通过实例验证了自学习PID控制器的可行性及改进算法的合理性。图6参4 相似文献
15.
Solid Oxide Fuel Cell (SOFC) integrated into Micro Gas Turbine (MGT) is a multivariable nonlinear and strong coupling system. To enable the SOFC and MGT hybrid power system to follow the load profile accurately, this paper proposes a self-tuning PID decoupling controller based on a modified output-input feedback (OIF) Elman neural network model to track the MGT output power and SOFC output power. During the modeling, in order to avoid getting into a local minimum, an improved particle swarm optimization (PSO) algorithm is employed to optimize the weights of the OIF Elman neural network. Using the modified OIF Elman neural network identifier, the SOFC/MGT hybrid system is identified on-line, and the parameters of the PID controller are tuned automatically. Furthermore, the corresponding decoupling control law is achieved by the conventional PID control algorithm. The validity and accuracy of the decoupling controller are tested by simulations in MATLAB environment. The simulation results verify that the proposed control strategy can achieve favorable control performance with regard to various load disturbances. 相似文献
16.
17.
18.
基于BP神经网络的温度控制系统 总被引:2,自引:0,他引:2
文中介绍了基于BP(Back Pmpagation)的神经网络气化炉温度控制系统。对BP神经网络控制算法作了详细的介绍,运用模糊逻辑控制概念赋予隐层含义,并决定其节点数,同时用高斯核函数作为节点激励函数,并做了仿真研究,叙述了系统的硬件与软件构成,试验表明所设计的系统操作方便、安全可靠,所选择的控制算法适应性强,控制效果良好。 相似文献
19.
C. Damour M. Benne C. Lebreton J. Deseure B. Grondin-Perez 《International Journal of Hydrogen Energy》2014
This paper proposes a real-time implementable self-tuning PID control strategy to tackle oxygen excess ratio regulation challenge of a proton exchange membrane fuel cell. Controller parameters are updated on-line, at each sampling time, using a not iterative procedure based on an artificial neural network model. The proposed controller takes account of nonlinear behaviors of the process, while avoiding heavy computations. 相似文献