基于粒子群算法的PID神经网络解耦控制

基于粒子群的优化算法具有对整个参数空间进行高效并行搜索的特点以及PID神经网络的自调节和自适应特性,设计了具有PID结构的多变量自适应神经网络控制器。该算法采用粒子群算法优化PID神经网络初始权值,并将优化后的最优初始权值控制非线性耦合系统。系统仿真结果表明,粒子群优化后的PID神经网络控制器具有逼近控制目标更快、响应时间较短的显著优点。该控制策略可在大范围内克服系统的非线性和强耦合问题,具有一定的理论研究价值和工程实用价值。     

MIMO系统的MPSO-PID型神经网络解耦控制研究

针对多输入多输出系统(MIMO系统)多变量、非线性、强耦合的特点,提出采用改进粒子群优化算法(MPSO)对PID型神经网络的权值进行优化的方法,实现对MIMO系统的解耦控制.其中,与基本PSO算法相比,MPSO算法后期仍能保持种群的多样性和较大的搜索空间;PID型神经网络是一种3层前向神经网络,网络各层神经元个数、连接方式、连接权值的初值都是按PID控制规律确定的.通过仿真分析,该方法有很好的控制品质:跟踪快、鲁棒性强、解耦效果好,为实际应用中强耦合系统控制方法的改进提供了理论依据.     

基于神经网络的解耦控制方法

本文介绍了BP算法的基本原理及其实现步骤,并将BP算法应用于神经网络解耦器和PID神经网络的训练中,即本文中各个神经网络的训练算法均采用BP算法,提出了一种神经网络在线解耦控制算法,即将神经网络解耦和神经网络PID控制两者结合,对系统进行解耦控制。将解耦与控制结合,既避免了单独采用自适应PID控制时控制效果不佳的问题,又避免了单独采用解耦时原有控制器不能适应变化后的对象问题。最后对一组双输入双输出耦合系统进行了仿真研究。     

基于类前馈解耦的双模糊控制在电站锅炉燃烧系统的仿真研究

为了进一步提高目前电站锅炉燃烧系统的控制性能,在分析了某亚临界锅炉燃烧系统动态特性与影响因素的基础上,将各回路主控制器采用可以适时调整控制器参数的模糊自适应PID控制器,并且根据前馈补偿解耦原理在各耦合回路间增加类前馈补偿的模糊解耦控制器来实现全新的燃烧系统优化设计;通过MATLAB仿真表明,采用文章提出的双模糊控制策略相比常规的模糊自适应PID控制,响应时间缩短了45.2%,超调量降低了53.6%,调节时间减少了32.7%,鲁棒性增强,控制性能有了很大提升。     

改进粒子群算法的PID神经网络解耦控制

综合减摇控制系统存在非线性、多变量、强耦合等因素,会导致减摇系统达不到最佳控制状态。利用粒子群算法具有对整个空间进行高效搜索以及PID神经网络的自适应特点,提出一种改进粒子群算法,以解决粒子群算法中存在算法精度不高、粒子易陷入局部极小值等问题,并提高PID神经网络训练速度和训练精度,便于参数寻优。仿真结果表明,改进的粒子群算法具有一定优越性,将其运用到综合减摇控制系统解耦控制器设计中,能够有效地减小船舶横摇,达到较好的控制效果。     

基于粒子群算法的PID神经网络解耦控制

基于粒子群的优化算法具有对整个参数空间进行高效并行搜索的特点以及PID神经网络的自调节和自适应特性,设计了具有PID结构的多变量自适应神经网络控制器。该算法采用粒子群算法优化 PID 神经网络初始权值,并将优化后的最优初始权值控制非线性耦合系统。系统仿真结果表明,粒子群优化后的 PID 神经网络控制器具有逼近控制目标更快,响应时间较短的显著优点。该控制策略可在大范围内克服系统的非线性和强耦合问题,具有一定的理论研究价值和工程实用价值。     

基于遗传算法的PID神经网络解耦控制

提出一种基于遗传算法的ＰＩＤ神经网络解耦控制算法。该算法将遗传算法用于多层前向神经网络的连接权系数的学习。克服了ＢＰ算法易陷入局部极值的缺点,并具备ＰＩＤ神经网络控制器结构简单规范、动态和静态性能良好等优点,适用于对非线性多变量系统的解耦控制。     

基于代数算法的RBF神经网络解耦控制

提出一种基于代数算法的RBF(Radial Basis Function)神经网络自适应PID控制方法.该方法采用动态的径向基函数网络对非线性系统进行在线辨识被控对象,并将获得的灵敏度信息对PID控制参数自整定,实现了系统的解耦控制.仿真结果表明该设计方案具有控制精度高,实时性好,且具有很强的鲁棒性和自适应性.     

基于神经网络和粒子群算法的锅炉燃烧优化方法

通过对火电厂锅炉燃烧控制系统送风调节系统研究现状分析,提出一种基于粒子群优化算法的锅炉燃烧优化方法.其基本思想:首先利用燃烧特性试验数据,借助于 Matlab 软件建立了火电厂锅炉燃烧特性的神经网络模型,在此基础上利用粒子群优化算法寻找送风调节系统最佳氧量设定值,进而调节送风量,实现锅炉燃烧的整体优化.结果表明:基于粒子群优化神经的算法为锅炉燃烧优化方法优化提供一条新的途径.     

基于BP神经网络的多变量PID解耦控制

基于神经网络的智能PID控制策略，以经典的PID控制理论为基础，并通过具有多变量解耦控制自学习功能的神经网络参数整定来实现。本文给出了网络的结构和算法，示出了一组二元变量强耦合时变系统的实时仿真结果。通过计算机仿真证明，基于神经网络的PID控制具有良好的自学习和自适应解耦控制能力。该系统融解耦器和控制器于一体，易于实现，适用于非线性多变量系统的解耦控制。它使解耦后的系统具有较好的动态和静态性能，特别是当根据BP控制规律确定了网络连接权系数的初值时，还能使系统参数快速收敛。     

基于PID神经网络的滑翔增程制导炮弹解耦控制系统设计

针对低速旋转的滑翔增程制导炮弹存在的俯仰和偏航通道控制耦合性问题,阐述利用基于PID神经网络进行双通道解耦控制设计。首先描述滑翔增程炮弹动力学模型,基于对该模型的分析基础上提出PID神经网络的结构和计算方法,并采用增加动量项的权值修正和自适应可变学习率对其进行改进。在此基础上,通过粒子群优化算法对网络的初始权值进行优化...     

基于神经网络2自由度PID的解耦控制实现

论文将2自由度PID引入一类有强耦合带时延的多变量系统,将回路所受耦合量看成干扰量,从而将多回路系统等价成多个单回路系统;针对2自由度PID控制器参数整定困难的特点,论文利用神经网络来实现2自由度PID控制器,使控制器的两组参数能自适应调整,同时完成系统的解耦与控制工作。仿真结果表明,系统具有很好的静态和动态性能。     

粒子群算法在汽包锅炉水位控制系统中的应用研究

锅炉汽包水位控制系统是一种典型的过程控制系统,水位过高容易烧坏过热器,水位过低会造成水冷壁破裂,因此汽包水位的控制是锅炉控制的一个难点。由于锅炉水位控制系统的不确定性和非线性,传统的PID控制方法很难得到满意的控制效果,将利用粒子群算法对PID控制器参数进行优化,通过MATLAB工具,进行仿真研究,利用粒子群算法能够极大地缩短调节时间,减小超调量,增加结果准确度,对过程控制系统的参数优化提供一定的理论指导意义。     

基于改进的PSO算法的球磨机PID神经网络控制系统

球磨机制粉系统是一个复杂的多变量系统,具有强耦合、非线性、大迟延、慢时变等特点,很难建立精确的数学模型,采用常规的控制策略难以获得满意的控制效果。针对上述问题,在对球磨机制粉系统动态特性进行分析的基础上,提出了一种不依赖于被控对象数学模型的多变量PID神经网络解耦控制策略;为进一步提高控制器性能,利用一种改进的PSO算法对PID神经网络的权值初值进行离线优化训练,然后采用BP算法对权值进行在线调整,避免网络陷入局部极小值,保证了系统不会出现大的超调和震荡。仿真结果表明,该策略可以保证球磨机控制系统有大范围的鲁棒性和适应性,能较好地解决球磨机制粉系统的耦合性、时变性等问题,具有优良的解耦机制和控制品质。     

基于混合粒子群算法的多变量解耦控制器优化

研究薄膜厚度系统控制器优化问题,由于神经网络初始权值难以确定,使PID神经网络对控制器参数的自适应、自学习能力变差,最终导致控制效果不理想.为了解决这一问题,提出一种混合的粒子群算法,用来优化神经网络初始权值,进而实现控制器的优化,并应用于薄膜厚度控制系统.仿真结果表明:与PID神经网络控制器相比,优化后的控制器更好的实现了多变量控制系统的解耦控制,提高了控制器参数的自适应自学习能力,控制效果明显,并且系统的鲁棒性较好.     

链条式热水锅炉控制的研究

主要论述了热水锅炉控制在供热系统调节中的作用及其重要意义,并根据气象条件及供暖区的不同特点提出了可应用于不同情况的链条式热水锅炉控制方案.研究了链条式锅炉存在的控制难点,给出了一种锅炉供水温度的设定方法,提出了适用于时滞、非线性系统的带预测模型的神经网络PID控制,并将其应用在锅炉燃烧系统中,保证热水锅炉的安全经济运行.     

锅炉燃烧系统的自动控制算法研究

本文研究工业锅炉燃烧系统自动控制的算法及应用。文中介绍了能克服动力学现象的动态搜索控制算法及一种纯滞后预估PID控制算法在10吨工业蒸汽锅炉上的应用实例。该系统对提高热效率和系统的稳定性有明显效果。     

球磨机制粉系统参数自整定PID解耦控制器

针对球团厂钢球磨煤制粉系统具有多变量强耦合、时滞、非线性以及生产工况变化大的复杂性,已有的控制方法难以满足其控制要求的现状,以磨煤机的数学模型为依据,提出了一种新型的多变量PID解耦控制策略.该控制系统由比例因子模糊自整定单元、PID控制器和基于对角矩阵法的解耦补偿器组成;PID控制器参数由粒子群算法进行优化.仿真结果表明,所建模型和所提控制方法的有效性.该方法可在大范围内解决系统的非线性和强耦合问题,具有较强的鲁棒性和运行工况适应性.     

神经网络解耦预测函数控制

结合解耦思想研究多变量系统预测函数控制。通过引入神经网络补偿环节，对多变量系统解耦，在此基础上，对解耦后各子系统进行单变量预测函数控制，以确定各个控制量。同时基于系统脉冲传递函数，得到单变量PFC控制器的显式表达式。仿真表明，该算法有较好的跟踪特性，对解决多变量系统的优化和控制具有一定的适用性。