基于PCC的神经网络PID控制器设计

提出了一种基于可编程计算机控制器（PCC）的神经网络PID控制器,以PCC为硬件,利用神经网络逼近任意非线性函数的功能,实现了PID控制算法中三个参数Kp、Ki、Kd的在线调整。并利用神经网络模型对被控对象的输出值进行预测,根据预测值对神经网络各层中的加权系数进行在线修正,同时引入了带死区的控制算法。该设计方案具有调节速度快、适应能力强、可靠性高等优点。实验结果表明,该控制器具有强抗扰、响应快、鲁棒性好等特点。     

基于神经网络的PID控制器

提出了一种新型PID控制器,该控制器利用BP网络实现PID参数的在线调整,采用RBF网络对被控对象在线辨识。仿真结果表明该控制器的控制效果优于传统的PID控制算法和模糊自适应PID控制算法。     

基于PCC的核级柴油发电机励磁控制系统研究

为满足核电站核级柴油发电机启动时间短、稳态调节精度高等特点,提出了一种基于可编程计算机控制器(PCC)的核级柴油发电机励磁控制系统,实现了以新一代PCC为硬件,利用神经网络逼近任意非线性函数的能力,对励磁控制算法中的3个参数Kp,Ki,Kd进行在线调整,并利用神经网络模型对柴油发电机的输出进行预测,根据预测值对神经网络各层中的加权系数进行在线修正,同时引入了带死区的控制算法;该励磁控制系统具有调节速度快、适应能力强、可靠性高等优点。     

基于神经网络的广义非线性预测PID控制

针对一些复杂的非线性系统用基于线性模型的预测控制器控制效果不理想的问题，本文提出在利用前馈网络对非线性系统建模的基础上，对系统输出实现递推多步预测，并且结合非线性PID，用另一前馈神经网络作为控制器，实现对非线性系统的控制。经网络的在线辨识采用梯度法，仿真实验验证了方法的有效性。     

基于PID神经网络控制器的飞控系统设计

BP神经网络已被广泛应用于PID控制器的优化调参,但这种调参方法具有收敛速度慢、学习时间长、连接权重初值为随机值、易于陷入局部极小等缺点.本文提出了一种不同于用BP网络调整PID参数的新的融合方法:PID神经网络控制器(PIDNN):该控制器不仅能克服以上缺点,而且具有很好的鲁棒性.本文对PIDNN在某无人机姿态控制系统的应用进行了仿真研究,仿真结果表明该控制器能够大大地改善姿态控制系统性能.     

基于神经网络模型的非线性多步预测学习控制器

构造出一种建模网络,通过对它的学习来辨识过程动态,通过对广义预测控制目标函数的在线优化求得控制律.仿真结果验证了该算法的有效性.     

基于PLC的神经网络PID控制器设计

为了改善工业控制系统的动态调节品质,运用BP神经网络控制算法设计了一种神经网络PID控制器,并给出了基于西门子PLC的神经网络PID控制器的实现方法,仿真和实验结果表明,控制器在改善工业控制系统动态行为上具有突出的优势,对工程应用有实用价值.     

基于CMAC神经网络的PID控制

提出利用CMAC神经网络与PID的复合控制,实现非线性系统控制。由于CMAc网络的优点使PID控制效果有很大提高。仿真实验表明了该方法的有效性。     

基于DSP的BP神经网络PID控制器的设计

针对BP神经网络PID控制算法的复杂性及实现的困难性,本文提出了一种使用DSP芯片来实现的方案,外围功能接口则由辅助芯片FPGA来完成。利用TI公司提供的RTOS(DSP/BIOS)快速开发出该控制器原型,并通过对伺服电机的转速控制实验,对比传统的PID控制后,证明了该方案的实时性及控制性能都能满足工程需求。     

一种基于神经网络的非线性复合PID控制器

针对非线性、不确定对象难以控制的问题,提出了一种基于神经网络的非线性复合PID控制器,该PID控制器采用一次和二次多项式分别构成的非线性函数来模拟PID的比例、积分和微分参数随误差变化的曲线,通过神经网络算法实时调整三个非线性函数的权值系数。将线性的比例、积分、微分运算单元和非线性比例、积分、微分运算单元一共6个运算单元分别融入到隐层神经元中,从而构造了将复合PID控制与神经网络控制融为一体的智能控制器。经过Matlab仿真验证,该控制系统的超调小,调节时间短,精度高,方法可行。因此,该控制器在工业领域具有广泛的应用前景。     

基于神经网络的自整定PID控制器设计

针对非线性时变系统,设计了一种基于神经网络的参数在线自整定PID控制器.该控制器采用基于最近邻聚类方法的RBF神经网络快速学习算法,通过实时在线辨识,建立被控系统的精确模型并得到准确的Jacobian信息;同时将此信息提供给BP神经网络,从而实现PID控制器参数的自动在线整定. 仿真结果表明,该方法提高了算法的精度和速度并具有较快的系统响应和良好的跟踪特性.     

基于PCC的双馈风力发电系统励磁控制器的研究

在分析现有变速恒频双馈风力发电励磁控制系统的基础上,提出了一种基于PCC的双馈励磁控制器的实现方案;以PCC可编程控制器作为励磁控制器的核心控制器,简化了系统硬件结构,提岛了系统稳定性和系统的反应速度;通过搭建仿真实验系统,原动机采用15kW交流异步电机来模拟风机,双馈发电机采用绕线式感应电机,以整流模块和逆变模块组合为双向变流器,加入PCC励磁控制器,进行起励、故障切除等的仿真实验,检测了在发电机转速发生变化和跨越同步转速的情况下励磁控制器的工作情况和效果,实验结果证明,该方案完全满足实际要求.     

基于模糊神经网络PID控制器的EEC数字化设计

为实现航空发动机模拟式电子控制器(EEC)的数字化设计,以其低压压气机导流叶片调节通道为主要研究对象,提出一种模糊神经网络PID控制器,将模糊控制、神经网络、PID控制相结合,利用模糊控制专家经验优势和神经网络的自学习、自适应能力,优化PID控制参数,实现控制性能提升。仿真结果显示,基于模糊神经网络的PID控制器控制性能有较大提高,具有比常规神经网络PID控制器更小的超调量和更好的抗干扰性;适用于定常系统和非定常系统,具有更好的自适应性与鲁棒性;可应用于航空发动机模拟式电子控制器(EEC)的数字化设计。     

基于神经网络PID控制的自动化测试系统的开发与设计

针对汽车交流发电机性能自动化测试系统中测试对象特性的多样性及测试环境的多变性,在进行测试条件参数调节的过程中,采用改进型BP神经网络PID控制器,实现PID参数的在线自整定,改善自动化测试系统的动态品质,从而有效提高发电机生产线的生产效率.     

基于FPGA的神经网络自整定PID控制器设计

本文基于FPGA(现场可编程门阵列)技术实现了改进的BP网络自整定PID控制器的设计。首先,采用MATLAB设计控制器,针对特定被控对象模型,在闭环控制系统中通过改进的BP网络算法训练神经网络,获得比较理想的系统输出;依据训练好的网络权值,在FPGA集成开发环境下,基于VHDL(甚高速集成电路硬件描述语言)设计BP网络自整定PID控制器,完成时序仿真测试,并在一种具体的FPGA器件上实现。实验表明,其设计过程合理,实现结果正确,适合于采用复杂智能控制策略并要求实时性、快速性的单片或小型控制系统。     

基于FPGA的PID神经元网络控制器设计

本文介绍了一种将PID控制规律与神经元网络相结合的方法,即PID神经元网络,之后采用硬件语言进行描述的方法将其在FPGA中实现。采用modelsim 6.0对其进行仿真验证并在Quartus II 6.0平台上进行综合,最终形成一个被灵活调用的IP核。同时,基于FPGA所实现的IP核具有很好的可移植性和复用性,适合应用到各种智能控制系统中,从而提高控制系统的实时性,具有广泛的推广应用价值。     

基于BP神经网络的PID控制研究

PID控制算法是工业控制领域中应用广泛的控制算法,但在实际应用中其参数整定问题一直是一个尚未很好解决的难点.为了解决控制参数整定,改善系统性能,利用BP神经网络技术应用到PID控制器中.通过建立三层神经网络模型,在控制过程中按照梯度下降法修正神经网络的权系数,实现PID神经网络的自学习和逼近任意函数的功能,在控制过程中根据变化实时调整PID的三个控制参数,从而进行PID控制参数的在线整定.仿真结果表明,引入了BP神经网络的PID控制系统,提高了动态性能,增强系统稳定性和快速性,并获得更好的控制效果.     

基于改进粒子群算法的模糊神经网络PID控制器设计

针对模糊神经网络PID控制器中参数初始值的设置对控制器性能影响大的问题,提出一种改进的PSO算法优化模糊神经网络PID控制器参数的设计方法.该方法采用实数编码的方式对控制器参数进行优化,并以ITAT指标作为改进的PSO优化算法的适应度函数.实验仿真表明:经过改进的PSO算法优化的模糊神经网络PID控制器具有良好的动静态性能,响应速度更快,超调量更小,控制精度更高.     

神经网络在PID控制器参数优化中的研究

研究PID控制器参数优化问题.工业过程控制要求稳定性,跟踪特性均应实时快速.由于PID控制效果取决于比例、积分和微分3个参数取值,传统PID参数采用试凑方式进行优化,往往费时且难以满足实时控制效果,导致控制精度不高.为了提高PID控制精度,改善系统性能,提出一种神经网络的PID参数优化方法.方法将PID控制器输入作为神经网络输入,最优PID控制性能作为神经网络的输出,通过神经网络的联想记忆能力和自学习适应能力,在控制过程中动态调整PID参数(比例、积分、微分),从而实现PID控制器参数实时优化,获得最佳PID控制效果.仿真结果表明,应用神经网络的PID参数优化方法提高了PID控制精度和系统响应速度,具有较强的自适应性和鲁棒性.