Smith-PID在空气源热泵热水供应系统中的应用

热水供热过程具有大惯性、纯滞后和非线性的特性.Smith预估算法能有效克服纯滞后的问题,而PID控制能提高系统的稳定性和精度性.针对它的这些特点,本文把Smith补偿原理和PID控制方法结合起来,提出一种应用在空气源热泵热水供应系统的Smith-PID控制方法.通过编程仿真结果表明,新的控制方案与传统的PID控制相比,本算法具有良好的控制品质,它不仅具有满意的控制性能,而且响应速度得到了提高,缩小了超调.在实际的工程中有一定的应用价值.     

一种基于智能控制算法的芯片烘箱PID温度控制器

将Smith预估器与PID控制结合应用到芯片高温固化设备温控系统中,用以改善设备的大惯性、时变时滞问题;针对Smith预估参考模型不准确带来的控制劣化效应,引入机器学习中的BP神经网络理论建立在线参考预估模型,最大限度地消除了系统特征方程中的滞后环节,优化了Smith预估器的前馈补偿能力;在成本不变的前提下,改进了设备的综合性能,具备较高的推广价值。     

闸瓦热处理工艺控制系统

针对合成闸瓦热处理过程中调整次数多且间隔时间长,各升温梯度所用时间难以控制等问题,兰州车辆修配段提出对TDL型恒温干燥箱进行自动化改造。本设计以单片机ADμC812为控制核心的温控系统硬件电路。实现了对热电偶冷端补偿、非线性的硬件校正和过零触发PWM脉宽调功控温。本设计还采用了改进Smith预估补偿一积分分离分段式抗饱和PID控制算法,较好的解决了热处理温度控制的难题。     

预估型氨法脱硫控制系统研究

燃煤发电系统中氨法脱硫控制系统具有时变、大延时、大惯性的特点。针对典型的大延迟系统,文中提出基于Smith预估器的脱硫控制系统,通过抵消系统被控对象中的纯滞后环节来提高系统的实时性。Smith预估器依赖准确的PID模型,系统中PID参数整定仍存在不确定性。利用SOA算法对PID参数进行整定,将绝对误差积分ITAE作为适应度函数,通过对适应度值的不断寻优,找到最佳的比例积分微分系数组合。仿真结果表明,相较于Smith预估器控制下的脱硫系统,基于SOA的Smith预估PID控制系统跟随性好且反应迅速,调节时间缩小为原来的9%,峰值时间缩小为原来的5%,具有较小的超调量,系统的实时性和稳定性得到保证。上述结果证明该算法对工程控制系统有效,并具有良好的应用前景。     

新型Smith预估控制在ATP伺服系统中的应用

为了提高空间光通信的捕获、跟踪与瞄准系统的跟踪精度,首先通过对ATP伺服系统系统进行结构分析:针对粗跟踪系统的传输特性和电机滞后,采用SISO补偿器使系统的响应速度明显加快;针对精跟踪系统的传输特性和快速倾斜镜的迟滞特性,提出了一种新型Smith预估控制方法,利用MATLAB仿真软件进行仿真,并与多种传统的PID控制系统进行比较.结果表明,新型控制方法不但具有Smith预估器对时滞有效控制的优点,更是显现出PID控制、PI控制、PD控制的良好匹配效果,能够很好地解决纯时滞造成的不稳定性,而且具有较好的鲁棒性和抗干扰性.     

新型二自由度Smith预估控制在ATP伺服系统中的应用

为了提高空间光通信的捕获、跟踪与瞄准系统的跟踪精度,提出了一种新型二自由度Smith预估控制的实现方法。首先对捕获、跟踪与瞄准伺服系统和新型二自由度Smith预估控制系统进行结构分析,然后通过讨论传递函数建立仿真模型,利用MATLAB仿真软件进行仿真,并与多种传统的比例-积分-微分(PID)控制系统进行比较。结果表明,新型控制方法不但具有Smith预估器对时滞有效控制的优点,更显现出不完全微分先行PID控制和比例-积分控制的良好的匹配效果,能够很好地解决纯时滞造成的不稳定性,而且具有较好的鲁棒性和抗干扰性。     

四旋翼ESO的RBF神经网络PID控制器研究

四旋翼飞行器因存在参数不确定性和环境干扰,会出现姿态不稳定的问题,而传统的PID控制对四旋翼的姿态稳定及机动性达不到控制需求.为此,提出了一种扩张状态观测器(ESO)的RBF神经网络PID控制器.首先,利用ESO的扩张特性和非线性函数对扰动进行估计和补偿,减少系统的误差;其次,将ESO对系统输出的估计值作为RBF神经网络的输入,使梯度信息更加精确,能够更好地优化增量PID的参数;最后,该神经网络的激励函数取高斯基函数,利用RBF神经网络的自适应性、自学习能力对模型控制参数进行调整.Matlab仿真实验表明,在未知干扰环境下,ESO的RBF神经网络PID控制器能够明显提高系统的抗干扰能力,且具有较小的超调量及较好的鲁棒性.     

基于预估模糊PID的冰蓄冷空调控制系统

针对冰蓄冷空调的运行控制策略复杂、控制效果不佳的问题,文中提出一种基于预估模糊PID的冰蓄冷空调控制系统。该控制系统在PID控制器的基础上加入了Smith预估器,来预测推理PID参数的变化量。并使用控制系统、空气处理装置、风管系统和变风量末端4部分,实现对冰蓄冷空调的实时控制。在正常工作与复杂工况条件下的仿真实验结果表明,所提出的方法具有更快的响应能力和良好的控制效果。     

基于改进型Smith预估器的超临界机组主汽温模糊控制系统

介绍了超临界机组主汽温采用燃水比调整和二级喷水减温调节的控制策略.针对超临界机组主汽温对象时变性、非线性、大迟延等特点,提出了一种改进型Smith预估器对主汽温对象惰性区特性进行预估补偿,并将模糊控制理论与经典控制理论结合形成了主汽温综合控制方案.通过现场实际采集的历史数据,对系统进行仿真分析,结果表明该方案可以很好地解决主汽温系统的非线性和滞后性问题.     

RBF辨识PID控制器在温室温度控制中的应用研究简

针对温室温度控制系统存在的大滞后、大惯性等问题,提出采RBF辨识PID控制策略。该控制算法根据径向基函数（RBF）网络在线辨识温室温度系统的模型,获取被控对象Jacobian信息。利用BP网络实时调整PID控制器的3个参数,实现温室温度控制系统的在线自整定控制。通过仿真验证,并与RBF—PID控制器作对比,仿真结果表明,该控制算法有较强的鲁棒性、自适应性,其追踪性能和控制参数自适应的能力都优于RBF—PID控制器。     

一种改进的RBF整定PID及其仿真实现

文中在分析RBF神经网络整定PID算法优缺点的基础上,给出了一种采用遗传模拟退火算法来优化网络结构和权值参数的RBF神经网络,将改进的RBF神经网络用于整定PID控制,并给出了相应的仿真测试例子。仿真实验结果表明,与采用梯度法优化网络权值等参数的RBF神经网络相比,给出的优化算法能更好地辨识控制系统,具有通用性好、调节精度高、在抑制超调量能力强等优点。     

一种新型的神经网络预测控制方法

预测控制算法的核心是预测过程中的滚动优化,滚动优化方法选择是确定其是否实用的关键,针对这一特点,在此提出了一种以径向基函数（RBF）神经网络为多步预测模型的非线性预测控制算法。算法采用RBF神经网络建立系统预测模型,并以微粒群优化（PSO）算法作为滚动优化算法,用来实现在有限时域内对控制序列的寻优,提高了优化过程的收敛性和求解精度。仿真结果表明了算法的有效性和高效性,获得了良好的控制效果。     

基于ESO的NLPID神经网络控制器的设计

针对传统PID控制自适应和抗扰能力欠佳的问题,提出了一种具有强抗扰动能力的NLPID神经网络控制方法。该方法通过扩张状态观测器对系统建模中不确定性因素以及系统的外部扰动实时观测进行前馈补偿,并与非线性PID神经网络控制相结合,实现对非线性、时变、不确定性、受未知外扰系统的最优PID自适应抗扰控制。通过Matlab仿真结果与传统PID控制对比分析,表明该方法具有优良的动态品质和静态性能,在非线性系统控制领域拥具有重要的应用价值。     

对角型广义RBF神经网络与非线性时间序列预测

径向基函数（RBF）神经网络在非线性时间序列预测方面发挥着重要作用。本文提出了对角型广义RBF神经网络模型,并利用贝叶斯阴阳（BYY)谐和学习算法进行隐层单元个数的选择和参数初始值的设置,且建立了同步LMS算法进行参数学习。进一步,将对角型广义RBF神经网络应用于非线性时间序列预测,得到了预测准确率高和速度快的效果。      

基于RBF神经网络的永磁同步伺服电机控制系统

针对永磁同步电机控制系统,建立其磁场定向控制数学模型。运用增量式数字PID的方法实现对PMSM的传统PID控制策略。在此基础上,借助RBF神经网络的学习能力,进行PID控制器参数的自适应整定,进一步改善PID控制器的性能。同时,为提高RBF网络性能,采用粒子群算法对网络进行优化。仿真表明,与传统PID控制比较,基于RBF的PID控制系统能提高PID控制器的性能,改善了PMSM控制系统的收敛速度和跟踪精度。     

基于动态神经网络在线辨识的PID控制

针对工业控制领域中复杂非线性时变系统和传统RBF神经网络辨识PID控制的不足,提出了一种基于聚类结合算法的动态RBF神经网络在线辨识PID自适应控制方法.通过优化的动态RBF辨识神经网络更好地描述了控制对象的动态行为,获得PID参数在线调整信息,实现系统的智能控制.仿真结果表明,与常规RBF神经网络辨识的PID控制方法相比该方法具有较高的控制精度,较快的系统响应,较强的适应性和鲁棒性.     

基于遗传算法的RBF神经网络在涡流传感器非线性补偿中应用

为了解决涡流传感器的非线性问题,应用遗传算法(GA)训练径向基函数(RBF)神经网络(NN)实现其非线性补偿.介绍非线性补偿的原理和网络训练方法.从实测数据出发,建立了涡流传感器的非线性补偿模型.该方法能同时优化网络结构和参数,具有全局寻优能力,补偿精度高、鲁棒性好、网络训练速度快、能实现在线软补偿.实验结果表明,所采用的涡流传感器非线性补偿方法是有效的和可行的.补偿后,最大非线性误差在0.5%范围内,具有良好的线性.     

电动负载模拟器的CMAC神经网络复合控制

为增强电动负载模拟器的自适应能力以抵抗系统的非线性、时变参数及运动扰动的影响,提出利用小脑模型神经网络(CMAC)与PID的并联进行控制与调节的控制方法。利用PID控制保证系统的初始稳定性,在小脑模型神经网络引入速度信号和误差信号构成二维参考输入,使系统具有很好的自适应消扰能力,减小了多余力矩的影响。仿真证明了该方法的可行性和有效性,收到了很好的控制效果。     

Research on fuzzy self-adaptive PI-Smith control in long time-delay system

The long time-delay often exists in industrial process.In order to overcome the big overshoot and long regulating time of the long time-delay system control,a new fuzzy self-adaptive PI-Smith control method is proposed.This method combines the Smith predictive control with fuzzy self-adaptive proportional-integral(PI)control.The traditional proportional-integral-derivative(PID)controller in Smith predictive control is replaced by fuzzy PI controller which utilizes the principle of fuzzy control to tune parameters of PI controller on-line.The results of simulation for electric furnace show that the method has the advantages of shortening regulating time,no overshoot,no steady-state error,excellent control accuracy,and good adaptive ability to the change of system model.     

基于神经网络的非线性预测在恒温系统中的应用

针对恒温系统的非线性、大延时等特点,提出了基于RBF神经网络的恒温系统的预测模型,采用非线性预测控制、引入模型误差项和改进后的PI控制器,并且在Matlab7.2/Simulink这个平台下构建了整个系统的仿真模型。仿真结果表明：所建立的模型系统具有良好的动静态性能且增强了系统的抗干扰性。