基于改进型BP神经网络的PID控制算法

针对传统的PID控制算法很难获得比较理想的控制效果的问题,提出一种基于BP神经网络的自适应PID控制算法。根据BP神经网络的结构和特点,介绍了改进型BP神经网络算法描述及PID控制器的结构,并通过实例进行仿真分析。结果表明,改进型BP神经网络PID控制器具有良好的控制效果,降低超调量,抗干扰性强和增强系统的鲁棒性,优于常规PID控制器。     

人工神经网络在运动控制中的应用

介绍了人工神经元模型与神经网络基本结构。阐述了多层前向网络的工作原理及误差反转（BP）算法,探讨了用于运动控制的单神经元PID控制器的结构与基于BP网络的模糊自适应PID控制,给出了由传统PID控制器,模糊量化处理,系统辨识神经网络NNM和系统控制网络NNC组成的基于BP网络的模糊自适应PID控制器结构,并讨论了人工神经网络在运动控制领域中应用的发展趋势。     

改进型BP网络PID在电动舵机控制中的应用

针对应用中对无刷直流电机位置控制的高精度要求,设计了一种改进的误差反向传播网络PID控制器,实现了对无刷直流电机位置的精确控制。系统融合了神经网络和PID控制算法的优点,适用于直流无刷电机这样的非线性、时变的复杂系统。仿真结果表明,改进后的BP神经网络PID控制器优于常规BP神经网络PID控制器和传统PID控制器,证明了该方法的可行性。     

基于BP-GSA优化的某随动平台滑模控制

为实现某随动平台负载模拟器响应的快速性和系统的鲁棒性,提出一种基于遗传模拟退火算法(genetic simulated annealing,GSA)优化的BP神经网络(BP-GSA)滑模控制方法。根据负载模拟器各环节硬件组成,建立系统等效数学模型;采取非奇异终端滑模实现对系统的控制,并采用BP神经网络对状态方程中未定项进行逼近,利用GSA算法调整网络节点权值。实验仿真结果表明：相比于传统滑模控制和PID控制,该方法在具有扰动输入的情况下,具有最小的稳态误差和最快的跟踪速度,能够有效提升系统的响应速度和力矩跟踪精度。     

遗传算法优化BP神经网络在转速PID控制中的应用

提出一种基于遗传算法优化的BP神经网络PID控制算法,并将其应用于永磁无刷直流电动机的转速控制系统而设计出优化的转速PID控制器。该算法首先利用遗传算法对BP神经网络的初始权值进行优化,再利用BP神经网络算法对PID参数进行在线调节,解决网络的初始权值对控制效果的不利影响,仿真证明该算法可行。     

基于神经网络PID的电动汽车轮毂电机调速设计与仿真

轮毂电机式电动汽车在启动和运转过程中,电机控制系统经常要接收随机调速控制信号。传统PID控制难以实现快速、精确的速度调节。为解决此不足,提出采用神经网络PID(NNPID)进行控制的方法,首先对无刷直流电机进行建模分析,然后以BP算法训练神经网络并搭建控制系统,最后在Matlab/Simulink仿真环境下对该系统进行多种运转条件下的仿真并与传统控制策略进行比较,结果证明:基于神经网络的控制策略的电机控制系统启动平稳,能有效减少不稳定信号的干扰,对期望输出能实现较好的跟踪,可以满足一般电动汽车运行的需要.     

参数自学习PID 算法在电动负载模拟器中的应用

针对电动负载模拟器的舵机主动运动引起的多余力矩会严重影响系统的载荷谱跟踪精度的问题,利用前馈控制对多余力矩进行补偿和抑制,提出并使用一种基于BP神经网络的PID参数自学习控制算法来实现高精度跟踪载荷谱的方法。阐释了电动负载模拟器在被动式加载中多余力矩的产生和影响,基于结构不变性原理,使用前馈控制对舵机速度干扰进行补偿,以抑制多余力矩;在前馈控制抑制多余力矩的基础上,分析传统PID算法和静态BP神经网络在非线性和参数时变条件下存在的局限性,并在舵机干扰的情况下,分别对常值和正弦载荷谱进行仿真测试。仿真结果表明:控制算法使得电动负载模拟器可以准确、快速地跟踪载荷谱,提高了电动负载模拟器的自适应性和鲁棒性。     

航空发动机的CMAC与PID并行控制

提出了一种基于CMAC神经网络与PID并行控制方法，利用传统的PID控制器实现反馈控制．保证系统的稳定性．并抑制扰动；利用CMAC神经网络控制器实现前馈控制．保证系统的控制精度和响应速度。将该算法应用到航空发动机控制中．结果表明．与单纯PID控制算法相比，该算法增强了系统的控制精度，提高了系统的响应速度．并具有较好的抗干扰能力。     

火箭炮位置伺服系统的神经网络监督控制

火箭炮发射架位置伺服系统中存在燃气流冲击力矩、参数时变、外部扰动等非线性因素的作用,针对传统PID控制难以在此复杂工况下取得良好控制效果的缺点,文中设计了基于传统PID控制的RBF神经网络监督控制器,完成了神经网络离线样本的选取和训练算法的改进,利用神经网络自学习、自整定能力增强系统的自适应能力。仿真结果表明此复合控制策略可以有效提高系统的控制品质。     

基于RBF神经网络整定的PID控制器设计

对工业控制领域中非线性系统,采用传统PID控制不能获得满意的控制效果。采用基于梯度下降算法优化RBF神经网络,构建其模型,进而编写M语言程序。以整定PID控制器的参数,使系统输出近似跟踪输入。该方法只需给出粗略的PID控制参数,系统的性能依靠神经网络寻优调整,从而可有效地解决经典PID控制方法中控制参数整定困难的问题,且可克服由PID控制参数整定不准给系统带来的不良影响。     

永磁交流伺服系统的神经网络自适应控制研究

针对永磁交流伺服系统,提出了一种自适应PID控制器学习算法——带预测模型的神经网络PID控制方法。该方法采用一个三层RBF网络辨识交流伺服系统的特性,用另一个BP神经网络作为自适应控制器。仿真结果表明,在系统参数发生变化和存在负载转矩扰动的情况下,该方法具有较好的自适应能力和良好的动态性能。     

基于并行控制的交流伺服系统控制

针对一般的大口径火箭炮交流伺服系统调控方法难以达到较好性能的问题,提出一种RBF神经网络-单神经元PID自校正控制方法.针对上述算法自适应能力不强的问题,引入一种并行复合控制策略,以RBF神经网络和单神经元PID做并行控制,通过半实物仿真分别对RBF神经网络PID自校正控制器和并行复合控制器的性能进行试验验证.仿真结果表明:采用并行复合控制的火箭炮伺服系统反应速度更快、稳定性更强、精度更高,能够更好地满足火箭炮交流伺服系统的性能指标要求.     

基于Smith预估补偿与RBF神经网络的PID控制在工业平缝机脚踏板调速模块中的应用

针对工业缝纫机调速模块的伺服系统普遍存在耦合,大滞后的现象,提出了一种将Smith预估补偿和RBF神经网络算法与PID控制器相结合的Smith-RBF-PID控制算法。该方法利用了Smith预估补偿能克服纯滞后和RBF能处理非线性问题、在线自学习整定PID参数的优点,在调速模块的伺服控制系统中更加有效。     

基于LABVIEW 的坦克炮伺服控制系统测试平台研究

针对坦克炮伺服控制系统中存在环境干扰、被控对象内部参数不确定性的问题,研发了一套坦克炮伺服控制测试平台.描述了该测试平台的工作原理和系统结构,设计以火控计算机、数据采集卡为系统核心的电流环、速度环、位置环三闭环控制系统,采用神经网络PID控制算法对参数进行实时整定,利用LABVIEW软件实现上位机的数据采集、各模块通信与神经网络PID控制,并进行了测试实验.实验结果表明:该测试平台能满足坦克炮伺服控制系统测试要求.该系统具有较强的适应性和鲁棒性.     

某定深电液伺服系统的粒子群优化神经网络PID 控制

为解决定深电液伺服系统的系统参数难以确定、运行过程中内部参数具有时变性和外部负载扰动较大等 问题,设计一种将PID 控制器与神经网络相结合的控制策略。分析定深电液伺服系统的数学模型和控制器的结构与 工作原理,用径向基函数神经网络来动态修正PID 控制器中控制参数的策略,采用粒子群算法离线选取最优的神经 网络权值,用Matlab 将控制器应用于定深电液伺服系统中,并与经典的PID 控制器和RBF-PID 控制器进行对比。 仿真结果表明,该控制器具有较好的快速响应能力与鲁棒性。     

航向角BP神经网络自整定PID控制算法仿真

设计了基于BP神经网络的自整定PID控制算法,此控制算法不需要被控对象的数学模型,先由BP神经网络对被控对象进行辨识,给出PID控制所需要的3个参数,再由PID控制算法进行有效的控制,最后用MATLAB对某水下机器人的航向角模型进行了仿真验证。