基于PID神经网络的温度控制系统

文章根据注塑机料筒温度控制的要求,利用PID神经网络构成了多变量解耦控制系统,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。仿真结果表明,PID神经网络对注塑机料筒的温度控制具有良好的解耦性能和自学习控制特性。     

模糊自适应PID控制在注塑机料筒温度控制中的应用

针对某塑胶厂混合混色送料注塑成型组装生产线的生产要求,在注塑机料筒温度控制中采用模糊自适应PID控制替代原有的温度控制系统,使PID参数能够进行在线修正。仿真结果表明,模糊自适应PID控制更好地解决料筒温度控制中的多变量、强耦合、大滞后、时变等复杂情况,提高了注塑机料筒温度控制的稳定性和精确性。     

自适应神经PID在挤塑机温控系统中的应用

针对塑料挤出机的多段料筒温度控制,以及常规PID控制在非线性的、时变系统中控制效果的局限性,提出了一种基于BP神经网络整定的PID控制方法.给出了计算机控制系统设计及系统软件开发.由于神经网络具有强大的非线性映射能力,自学习、自适应等优势,通过对系统性能的学习来实现具有最佳组合的PID控制,建立比例、积分和微分三种参数自学习的PID控制器.对锥形双螺杆塑料挤出机的温度控制实验结果表明,用该方法整定的PID控制系统,逼近精度高、鲁棒性好.     

料筒温度RBF神经网络PID控制器设计及仿真

针对PID控制器具有参数整定不良、性能欠佳、温度控制精度较低,无法满足当今高精密挤出成型加工需要的问题,设计了一种基于RBF神经网络的PID控制器,该控制器将神经网络能无限地逼近非线性系统、运算量小、收敛快的优点和PID控制技术有机地结合起来,获得较高的温度控制精度。仿真结果表明,神经网络PID控制器能有效地缩短过渡过程时间,具有很好的稳定性和快速响应性,比普通PID控制具有更好的控制效果,可改善料筒温控系统的动、静态性能。     

基于模糊神经网络的多变量解耦控制

针对焦炉集气管压力这类多变量非线性系统，提出了一种基于PID神经网络和RBF模糊神经网络的多变量解耦控制方案，RBF模糊神经网络对多变量对象解耦，PID神经网络控制器控制过程的动态特性。工程应用表明，提出的控制策略有效地解决了集气管压力这类复杂对象的过程控制问题。     

一种多回路注塑机流体温度控制

摘 要：针对工业电动注塑机熔体温度控制系统具有大惯性、纯滞后、非线性的动态特性,温度控制误差带宽等缺点,设计了基于嵌入式STM32多回路注塑机的温度控制系统。采用STM32F103ZET6为微控制器,实现片上UCOS-II操作系统和GUI可视化界面,并用描述函数法为基础改进的PID控制策略对温度进行控制。最后以工业电动注塑机温度为被控对象,建立串级控制系统Simulink模型对自适应PID控制进行控制效果仿真,其调节时间大大缩短,稳态误差小,抗扰动能力增强。结果表明采用该控制系统显著改善了系统的自适应能力和鲁棒性。操作系统应用提高了现场人机交互智能化程度,整个系统控制效果好,性能优良。     

农业温室温度的智能辨识控制

农业温室温度控制过程中,温度的精准控制是一个非线性、滞后的问题,实验表明,现有的PID控制很难实现对农业温度的辨识控制,控制过程的准确率,收敛速度慢等问题。提出建立农业温度控制模型,通过采用LI-RBF神经网络辨识器对农业温度控制系统进行辨识,以及LI-RBF神经网络与PID控制相结合,构成LI-RBF-PID控制策略。通过系统跟踪辨识结果比较,以及LI-RBF-PID控制器控制参数在线自整定的农业温度控制曲线表明,该方法优于PID控制,实现了农业温室温度智能辨识控制。     

注塑机温度控制系统设计

采用16位单片机SPCE061A和自适应PID算法实现对注塑机的料桶温度控制,以达到精密注塑的温度要求。控制系统包含自动建模、PID参数自整定、分离积分PID控制、自适应控制等四部分。联机现场调试结果证明,该控制方案和算法是合理的、可行的。     

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。     

可控受限多变量耦合系统的智能控制

针对可控受限多变量耦合系统,提出了一种基于对角递归神经网络(DRNN)整定的PID混合解耦控制。采用对角递归神经网络来辨识系统模型,进而对PID控制器参数进行整定,实现多变量解耦控制。通过对多变量耦合控制系统的设计和实时控制,实际控制结果达到了解耦控制的要求,并具有无超调、响应速度快、控制精度高等特点。     

PID神经元网络多变量控制系统分析

PID神经元网络是一种新的多层前向神经元网络,其隐含层单元分别为比例(P)、积 分(I)、微分(D)单元,各层神经元个数、连接方式、连接权初值是按PID控制规律的基本原则 确定的,它可以用于多变量系统的解耦控制.给出了PID神经元网络的结构形式和计算方 法,从理论上证明了PID神经元网络多变量控制系统的收敛件和稳定性,通过计算机仿真证 明了PID神经元网络具有良好的自学习和自适应解耦控制性能.     

基于改进型粒子群算法的PID神经网络控制系统

针对传统的PID神经网络(PIDNN)应用范围受限及积分误差规则难以获取的问题.为实现对非线性多变量系统的有效控制,拓展神经网络控制系统的应用范围,提出了基于改进型粒子群算法在PID神经网络控制系统设计中的解决方案,取代了传统的BP反向传播算法.仿真结果表明,与传统的PIDNN相比,系统的稳定性、鲁棒性及精确性都有了明...     

火电厂锅炉主汽温控制策略的比较研究

锅炉的主汽温被控对象是一个大惯性、大迟延、非线性且对象变化的系统,常用的汽温控制系统有串级PID控制和基于BP神经网络的PID控制。串级PID控制一般能将主汽温控制在允许的范围内;基于BP神经网络的PID控制将神经网络所具有的自学习能力与PID控制器的鲁棒性相结合,能实现对非线性、大时滞系统模型的控制。对这两种策略在不同负荷下进行了实验仿真,该结果对当前电厂的经济性和安全性有一定参考价值。     

微型燃气轮机的新型神经网络控制的研究

燃机控制系统是一种多变量、非线性、时变的系统,对微型燃气轮机的转速控制器进行了深入研究.PID控制应用广泛,但在实际应用中,其参数整定仍未得到较好的解决.因此,设计了一种新的神经网络PID控制器作为主控制器,通过神经网络所具有的任意非线性表达能力,可以通过对系统性能的学习来实现具有最佳组合的PID控制,确保系统的稳定性、快速性和准确性.大量的仿真证明,该算法具有良好的控制效果.     

强制循环蒸发系统的非线性自适应解耦PID控制

本文结合现场的实际过程数据,首先应用能量平衡建立了强制循环蒸发过程的动态模型.针对该过程的多变量、非线性以及强耦合特性,在常规增量式PID控制器的基础上提出基于神经网络与多模型切换的非线性自适应解耦PID控制策略.该控制器是由线性自适应解耦PID控制器和基于神经网络的非线性自适应解耦PID控制器以及切换机构组成.其中线性自适应解耦PID控制器可以保证系统的稳定,而基于神经网络的非线性自适应解耦PID控制器则可以有效地提高系统的性能.上述过程的PID参数是通过广义预测的方法得到,最后通过仿真表明,上述控制方法不仅消除了回路间的耦合,在稳定生产的同时提高了蒸发的效率.     

基于神经网络的注塑机注射速度的迭代学习控制

对具有不确定性和干扰项的重复非线性注塑机控制系统,尤其是注射速度的控制,提出基于神经网络的迭代学习控制器,其中迭代学习控制器设计为神经网络控制器,它以前馈方式作用于对象。PD反馈控制器用于使系统达到稳定,同时和前馈的神经网络学习控制器一起使系统达到理想的控制效果。仿真结果表明,该控制器可以随着迭代次数的增加有效减小跟踪误差。     

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DRNN的多变量解耦控制系统

本文针对一类有强耦合带时延的多变量系统,采用对角递归神经网络(DRNN)与带动量项的PID梯度优化算法(PIDGDM),自适应调整PID控制器的二项参数,并行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。