模糊神经网络在解耦控制中的研究

在工业生产过程中,针对纯迟延、时变、强耦合的多输入多输出现象,提出一种基于模糊神经网络解耦和PID控制相结合,对系统进行解耦控制的方法。这种方法不需要建立多变量对象精确的数学模型,通过对大迟延大惯性强耦合的循环流化床锅炉床温一主汽压力对象进行仿真,其结果表明,解耦控制效果很好,具有良好的静态性、动态性及鲁棒性。     

模糊神经网络在解耦控制中的研究

在工业生产过程中,针时纯迟延、时变、强耦合的多输入多输出现象,提出一种基于模糊神经网络解耦和PID控制相结合,对系统进行解耦控制的方法.这种方法不需要建立多变量对象精确的数学模型,通过对大迟延大惯性强耦合的循环流化床锅炉床温-主汽压力对象进行仿真,其结果表明,解耦控制效果很好,具有良好的静态性、动态性及鲁棒性.     

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RBFNN的非线性多变量系统的控制策略研究

针对非线性多变量大时滞系统,研究了一种基于神经网络的智能控制策略。它以经典的PID控制为基础,通过神经网络参数整定,用于多变量系统的解耦控制;用预测模型超前预测系统输出,以克服系统的时滞。该文给出了网络的结构和算法,对一组二变量强耦合时变系统进行了仿真。仿真结果表明,控制器能根据系统运行状态获得对应于某种最优控制律下的PID参数,解耦后的系统具有较好的动态和静态性能。该方法具有控制精度高、响应速度快的优点,并具有较强的自适应性和鲁棒性。     

循环流化床锅炉主汽温的模糊预测控制

循环流化床锅炉作为一个分布参数、非线性、时变、多变量耦合对象,很难建立起精确的数学模型,常规的PID控制方案效果不理想。介绍一种基于神经网络模型的模糊预测控制,运用该方法对循环流化床锅炉主气温进行控制,应用MAT—LAB7．1进行仿真,结果表明具工程实用价值。     

注塑机料筒多段温度PID神经网络解耦控制系统

注塑机料筒温度是一类多变量、强耦合、大惯性控制对象，本文根据注塑机料筒温度控制的要求，利用PID神经网络构成多变量解耦控制系统。文中分析了注塑机温度控制的特点，给出了网络的结构和算法，对多段温度系统进行了实时仿真，显示了PID神经网络对注塑机料筒温度控制的良好解耦性能和自学习控制特性。     

循环流化床锅炉双模糊解耦控制的研究

针对循环流化床锅炉多参数、非线性、时变、强耦合的特点,引入了一种新型的模糊解耦算法,依据解耦补偿原理和模糊控制思想,提出了以模糊控制器作为解耦补偿器,以模糊PID作为系统控制器的双模糊解耦控制方法。以耦合最严重的燃烧系统为研究对象,通过相对增益确定多变量的耦合程度,并配对合适的输入输出变量。利用模糊控制器不要求被控对象精确的数学模型,适合于强耦合、大滞后等优点,有效地减少了系统动态响应时间,提高了实时性和控制精度。仿真结果表明,本文提出的控制策略简单可行、效果良好。     

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。     

基于改进型Elman网络的锅炉预测控制算法研究

针对锅炉燃烧系统非线性、多变量、大延时、强耦合等特点,将预测控制和改进型Elman神经网络相结合,提出了一种基于改进型Elman网络的预测控制算法.该算法可以克服传统PID控制方法对多变量对象控制效果差、抗干扰能力弱等缺点.选取链条炉燃烧系统作为研究对象,仿真结果表明:该算法具良好的控制效果和较强的抗干扰能力.     

Robust Neural Network Controller Design For A Biaxial Servo System

A robust control method for synchronizing a biaxial servo system motion is proposed in this paper. A new neural network based cross‐coupled control and neural network techniques are used together to cancel out the skew error. In the proposed control scheme, the conventional fixed gain PID cross‐coupled controller (PIDCCC) is replaced with the neural network cross‐coupled controller (NNCCC) to maintain biaxial servo system synchronization motion. In addition, neural network PID position velocity and velocity controllers provide the necessary control actions to maintain synchronization while following a variable command trajectory. This scheme provides strong robustness with respect to uncertain dynamics and nonlinearities. The simulation results reveal that the proposed control structure adapts to a wide range of operating conditions and provides promising results under parameter variations and load changes.     

神经网络模糊控制在交流调速系统中的应用研究

研究交流调速系统的控制方法,利用神经网络来实现交流调速系统的模糊控制。通过实际交流变频调速系统的实验表明,当突然加、减负载时,神经网络模糊控制与PID控制相比,具有恢复时间短、超调和振荡小等特点。神经网络模糊控制特别适用于结构复杂、干扰大且控制精度要求高的系统。     

锅炉温度系统的神经网络预测-PID串联控制

针对锅炉温度系统的非线性、滞后、时变等特性,提出了一种串联控制策略.提出基于神经网络的微分型预测控制算法,该方法的突出优点是能够加快调节时间.在此基础上结合常规PID控制器构成了预测-PID串联控制,这种串联控制的方法既有基于神经网络的预测控制在实时系统中抗干扰能力强的优点,又充分利用了PID控制方法响应速度快的特点....     

基于神经网络的带钢跑偏电液伺服系统研究

带钢跑偏电液伺服控制系统的非线性和时变性使得传统的PID控制很难达到理想的控制效果,将神经网络与普通PID控制相结合形成神经网络自适应PID控制策略,应用于该系统实现其良好控制.为提高系统的动态响应速度及性能,采用RBF神经网络对系统进行辨识预测.首先建立带钢跑偏电液伺服系统数学模型,然后利用AMESim和Simulink软件对传统PID控制和神经网络自适应PID控制进行联合仿真.结果表明,神经网络自适应PID控制系统响应速度快、超调量小、鲁棒性强,并具有良好的稳定性和控制精度.     

神经网络PID在温度控制系统中的研究与仿真

本文提出一种基于BP神经网络的新型智能PID控制方法和一些BP神经网络的基本概念。同传统的PID控制相比较．神经网络智能PID控制有许多优点。把BP神经网络的PID控制方法应用到工业领域的温度控制系统中，仿真结果表明：这种控制方法具有较高控制精度和较强的适应性以及良好的控制效果。     

非线性系统的蚁群优化预测PID控制

针对非线性、时变及大惯性系统的控制问题,提出了一种基于蚁群算法的预测PID控制算法。该算法以神经网络作为预测模型,将预测控制和PID控制相结合,并用蚁群算法在线优化控制器参数,其中以常规的Ziegler-N ichols方法整定的控制器参数为基础,选取蚁群优化变量的动态搜索区间。该算法考虑了控制能量受限情况下,非线性系统的预测控制问题。计算机仿真结果表明,该非线性控制方案具有较好的鲁棒性,相对传统PID控制策略还表现出了良好的动态性能,能够满足对再热汽温对象的控制要求。     

智能PID参数自整定技术在伺服系统中的应用

针对常规PID控制参数整定困难,且受时变、非线性等因素影响而不能达到预期控制效果的实际情况,提出了RBF网络动态辨识的BP神经网络PID参数自整定算法.此算法可实现PID控制参数的在线自整定和优化;同时,将算法应用于伺服控制系统中,以VC++6.0和Matlab为开发和仿真工具,对动态辨识神经网络智能PID参数自整定方法进行仿真研究.仿真结果表明,控制算法鲁棒性强、响应速度快,可用于控制参数时变的非线性系统.     

工业锅炉燃烧过程智能控制系统

针对典型的大时滞，非线形的工业锅炉燃烧控制系统．本文提出了一种基于PID神经元网络的工业锅炉燃烧控制系统．在仿真实验的基础上。对PID神经元网络控制与传统的PID控制进行比较和分析，仿真结果表明．PID神经元网络控制方法具有良好的鲁棒性和抗干扰性。其控制效果优于传统的PID解耦控制。     

改进PID在反应釜温度控制系统中的应用研究

反应釜炉温控制是化工生产过程中主要的控制系统之一,其温度控制具有大滞后、时变、非线性等特点.针对常规PID控制效果不佳的缺点,提出一种改进的模糊RBF神经网络智能控制方法.将系统的输入误差及误差变化率进行模糊化,并利用RBF神经网络算法对PID控制参数进行在线学习、运算和整定.在RBF神经网络控制算法中,设定初始权值在一定范围内服从高斯分布和均匀分布,对权值不断优化,使得反应釜温度达到良好的控制效果.经Matlab仿真验证,结果表明和常规PID相比,该方法提高了系统的控制精度并具有较强的鲁棒性.