基于改进单神经元的PET吹瓶机温度解耦控制系统研究

将神经网络应用到PID控制器的参数整定过程中,提出一种基于改进单神经元PID的控制算法,通过在吹瓶机温度解耦控制系统中的应用,得出了仿真结果及结论.仿真结果表明:该控制算法具有很强的自学习功能和自适应解耦能力,能取得良好的控制效果,因而可以广泛地应用于多变量系统的解耦控制中.     

一种通用自适应PID控制器的设计与实现

提出了一种新的增益调整方法,并将其应用于单神经元PID控制算法中.针对目前自适应PID控制器通用性差的不足,把Matlab和ARM处理器相结合,采用改进后的控制算法设计了一种具有良好通用性的自适应PID控制器.该控制器体积小、成本低.实验表明,其响应速度快、跟踪性能好、输出精度高.     

一种自适应PID算法

本文提出了一种基于内模控制原理的自适应PID控制算法。对于对象时滞时变、或模型与对象的阶次失配具有鲁棒性,并适用于非最小相位系统的控制。该控制算法设计简单,整定参数少。还可用于整定常规的PID控制器的控制参数。     

基于变结构PID的仿生机器人机电控制算法

通过对仿生机器人机电控制设计的优化提高仿生机器人电动机运行的稳定性和可靠性,提出了一种基于变结构PID模糊神经网络的仿生机器人机电控制算法.仿生机器人机电控制单元模型主要由DC/AC逆变器模型、微型同步电动机、内环控制器模型和电压外环控制器模型组成.采用变结构的前向三层自适应PID神经网络模型为学习器,实现了机器人机电控制算法的优化设计.仿真结果表明,采用该方法进行仿生机器人的机电控制,输出状态响应的稳健性较好、适应度较高,有较好的控制品质.     

扫描隧道显微镜精密工作台的神经网络控制

针对目前扫描隧道显微镜超高精度位移的要求,提出了一种基于神经网络的精密工作台控制方案。在分析微位移机构工作原理的基础上,建立了工作台的数学模型。神经网络辨识器在线辨识工作台的机械参数,神经网络自学习PID控制器代替传统PID控制器,实现了样本的在线采集,有效克服了神经网络控制器需要离线训练的缺点。利用BP网络的自学习和自适应能力,实时调整网络加权值,改变控制器的控制系数,增强了系统的实时控制性能。实验结果表明,相对于传统PID控制算法,参考位移量为10μm时,达到稳态值的时间从3.8 s缩短到1.8 s,稳态误差从4.2%减小到1.9%。     

气动机械手伺服控制策略研究

讨论了传统PID控制和神经网络模型参考自适应控制器的结构、控制算法,并探讨了系统参数发生变化对控制效果的影响.在理论分析的基础上对气动位置伺服系统的响应特性进行了研究,证明了本文提出的控制策略对气动位置伺服系统是适合的,控制系统具有良好的动态和静态特性,而且控制算法的实现比较简单,适合在实际中应用.     

改进型BP神经网络无刷直流电机速度控制方法

针对传统PID算法控制的无刷直流电机调速系统存在控制精度低、抗干扰能力差等问题,提出一种在线调整学习速率的BP神经网络PID控制算法,有效克服了前者陷入局部最小和收敛速度慢等缺陷。建立无刷直流电机转速、电流双闭环调速系统数学模型,对其转速环进行BP神经网络PID控制;应用Matlab/Simulink设计与仿真,并将之安装在电动代步车上进行道路实际测试。结果表明:改进后的BP神经网络PID控制算法使无刷直流电机调速系统具有更好的稳定性和鲁棒性。     

模糊神经网络PID算法在输油泵系统中的控制研究

针对输油泵在复杂地形中,由外界的温度、湿度、原油特性等不良因素导致的漂离问题,本文研究与设计了模糊神经网络PID控制算法来对输油泵控制系统进行控制,结合常规PID控制,模糊控制,神经网络控制的优点,分析了输油泵控制系统的组成结构,设计了模糊神经网络PID控制算法的模型结构和实现过程。仿真实验结果表明,文中算法相比较常规PID控制算法,超调量减少约20%左右,相较于模糊PID超调量减少了约9%,达到稳定状态所需的控制时间也远低于常规PID和模糊PID,并且文中算法具有较好的自适应能力和抗干扰能力。     

基于神经元智能PID控制器的研究

用神经元的自学习功能构成了智能PID控制器.该控制器将神经网络和PID控制规律融为一体,既具有常规PID控制器结构简单、参数物理意义明确的优点,又具有神经网络自学习、自适应的能力.     

现代水轮发电机调速策略的发展

讨论了水轮机调速器PID控制、自适应控制和几种智能控制及非线性鲁棒控制的优缺点,指出了神经网络控制、模糊控制和PID控制相结合可以实现PID控制器参数的在线调整.针对经典的PID调节,利用改进遗传算法对参数进行了优化,实现PID参数快速调整.非线性鲁棒控制是针对水轮发电机组的非线性化模型设计的,可有效改善水电厂远距离输...     

船用核动力装置二回路PID神经网络解耦控制研究

直流蒸发器的船用核动力装置是一个非线性、时变及多变量强耦合的被控对象.针对该被控对象设计了改进型PID神经网络控制系统,用于船用核动力装置多变量解耦控制,该神经网络控制器不需要对系统进行辨识,在调整权值的学习过程中使控制系统具有良好的解耦控制性能.仿真结果表明,直流蒸发器压力和汽轮机转速控制之间协调性好,并具有响应速度快、鲁棒性好等特点.     

基于动态径向基函数神经网络的多变量解耦控制

为提高工业控制领域中多变量、非线性、强耦合系统的解耦能力和动态特性，基于聚类结合算法和神经网络原理，提出了一种改进的基于动态径向基函数（RBF）神经网络的多变量解耦控制方法.采用聚类结合算法优化动态RBF神经网络，更好地描述了控制对象的动态行为，获得了PID参数在线调整信息，实现了多变量非线性系统的解耦控制.仿真结果表明，与基于常规RBF神经网络的PID控制方法相比，该方法具有更高的控制精度、更快的系统响应以及更好的适应性和鲁棒性，是解决多变量、非线性和强耦合问题的一种简便、有效的控制算法.     

基于BP神经网络整定的PID温度控制

展示了一种基于BP神经网络的PID控制器,利用神经网络的自学习特性,将神经网络与PID控制方法相结合,采用3层前向网络,动态BP算法,实现对温度控制系统的在线智能控制,显示了BP神经网络PID控制方法很强的鲁棒性,同时也显示了神经网络在解决高度非线性和严重不确定系统方面的能力．仿真结果表明,此种PID在温度控制中能够取得较满意的效果．     

Longitudinal Control Strategy f or Vehicle Adaptive Cruise Control Systems

A new longitudinal control strategy for vehicle adaptive cruise control (ACC) systems is presented. The running relationship between the ACC vehicle and the detected target vehicle is described by the relative velocity and the deviation between the actual headway distance and the prescribed safety distance. Based on this, two state space models are built and the linear quadratic optimal control theory is used to yield desired velocity for the ACC-equipped vehicle when with the target vehicle detected. By switching among four control modes, the desired velocity profile is designed to deal with different running situations. A velocity controller, which includes a PID controller for throttle openness and a neural network controller for brake application, is developed to achieve the desired velocity profile. The proposed control strategy is applied to a non-linear vehicle model in a simulation environment and is shown to provide the ACC vehicle comfortable ride and satisfying safety.     

基于启发式学习算法的空间柔性机械臂神经网络控制

针对非线性强耦合的空间漂浮基柔性机器人,提出了一种启发式学习算法的神经网络的前馈控制策略。首先通过拉格朗日法和假设模态方法建立了漂浮基柔性空间机器人的动力学模型,然后采用两个神经网络及一个PID控制器来构建前馈在线学习控制系统,其中一个神经网络充当前馈控制器,另一个神经网络通过学习逆动态模型来为前馈控制器提供在线学习参数,而PID控制器主要作为辅助补偿控制器。该控制策略不是在PID控制器的指导下进行学习,且无需预先的离线学习,因而学习精度更高,且减少了对学习样本选择不当的影响,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整的算法来实现快速学习能力,具有较好的实时性。仿真结果证明了所提方案的有效性。     

Control of Hydraulic Power System by Mixed Neural Network PID in Unmanned Walking Platform

为满足无人行走平台液压动力系统的快速调节和精确控制的需求,简要分析数字PID及其优缺点,提出了液压动力系统控制参数要求,制定了关联的双回路PIID控制策略;依据物理过程,建立了液压变量泵和汽油机的负载响应数学模型,引入神经网络结构PID构建了混合神经网络PID,实现混合神经网络PID的BP算法和自适应学习步长的计算;在MATLab环境下进行了混合神经网络PID控制算法的训练和参数控制效果的模拟,并在试验台架上,实现了汽油机转速和变量泵压力的控制,结果表明：混合神经网络PID的控制效果是有效稳定的,并能很好地满足汽油机转速和变量泵压力的调节要求。     

交流伺服系统神经网络PID控制

提出了采用神经网络的自适应PID控制系统,将BP神经网络引入交流伺服系统中代替PID控制器,实现对被控电机的自适应控制;并在此基础上,简化神经网络的结构,把它与传统的PID控制结合起来,实现对交流伺服系统的复合控制。仿真结果表明,所提算法切实可行,系统具有较强的鲁棒性。     

定量称重包装系统RBF神经网络PID控制研究

针对定量称重包装系统具有惯性、滞后、非线性时变且无法建立精确模型等特点,分析物料动态称量响应过程的动态特性及影响定量称重包装精度的相关因素和误差来源,提出1种基于RBF神经网络PID的定量称重包装控制策略。利用具有任意非线性表达能力及较强自学习能力的RBF神经网络寻求最佳的PID参数,并通过Matlab仿真验证控制策略的有效性。结果表明,与传统的PID控制相比,RBF神经网络PID控制策略具有较强的抗干扰能力,可显著改善定量称重包装系统的控制效果。     

应用深度强化学习的压边力优化控制

为改善板料拉深制造的成品质量,采用深度强化学习的方法进行拉深过程的压边力优化控制. 提出一种基于深度强化学习与有限元仿真集成的压边力控制模型,结合深度神经网络的感知能力与强化学习的决策能力,进行压边力控制策略的学习优化. 基于深度强化学习的压边力优化算法,利用深度神经网络处理巨大的状态空间,避免了系统动力学的拟合,并且使用一种新的网络结构来构建策略网络,将压边力策略划分为全局与局部两部分,提高了压边力策略的控制效果. 将压边力的理论知识用于初始化回放经验池,提高了深度强化学习算法在压边力控制任务中的学习效率. 实验结果表明,与传统深度强化学习算法相比,所提出的压边力控制模型能够更有效地进行压边力控制策略优化,成品在内部应力、成品厚度以及材料利用率3个质量评价指标的综合表现优于传统深度强化学习算法. 将深度强化学习中的策略网络划分为线性部分与非线性部分,并结合理论压边力知识来初始化回放经验,能够提高深度强化学习在压边力优化控制中的控制效果,提高算法的学习效率.     

变风量空调系统末端的模糊神经网络控制研究

针对目前传统PID控制对模型依赖性强,难以在线调整,对具有非线性和不确定性的变风量(VAV)空调系统的控制动态性能差的特点,提出将模糊神经网络应用于该系统.建立了模糊神经网络控制器,基于变风量空调系统末端装置的数学模型进行了仿真研究.结果表明,该控制策略比传统PID控制更适合于VAV系统,控制系统具有更好的鲁棒性和自适应能力,可以取得更优的动态性能.