基于神经网络PID的永磁同步电机调速系统

针对永磁同步电机多变量、强耦合、非线性、运行中参数变化的特点,设计了一种基于神经网络PID的永磁同步电机空间矢量控制方法.仿真分析和硬件平台实验结果表明,将神经网络PID控制器运用于永磁同步电机控制具有可行性,相对于传统PID控制器,神经网络PID控制器能够使系统具有更快的响应能力,并能提高系统的适应性.     

基于BP神经网络的料筒温度PID控制器

针对注塑机料筒温度控制的要求和PID控制器的不足,设计了一种基于BP神经网络的PID控制器.该控制器将神经网络和PID控制技术相结合,能无限地逼近非线性系统,具有收敛快的优点.提出了基于BP神经网络的PID控制算法和程序流程.仿真结果表明,BP神经网络PID控制器能有效地缩短过渡过程,具有较好的稳定性和快速响应性,可以满足注塑机料筒的温度控制要求.     

神经网络自适应PID在开关磁阻电机中的应用仿真

介绍了一种基于神经网络的自适应PID控制器,其运用神经网络和BP算法在线调整PID参数,并把此控制器和传统PID控制器组合成一个复合控制器应用于开关磁阻电机调速系统中.仿真结果表明,与传统的数字PID控制器相比,该复合控制器具有更好的自适应性和鲁棒性.     

基于神经网络的模糊自适应PID控制方法研究

针对常规PID控制器不能在线修正参数以及模糊规则和率属函数对专家经验的依赖性,提出了神经网络模糊自适应PID控制器,从而综合了传统PID控制、模糊控制、神经网络控制的优点,使其具有PID控制的广泛适用性和神经网络的自适应和自学习能力,同时又具备模糊控制的非线性控制作用;仿真实验可知该控制器具有更快的响应和更好的平稳性.     

基于改进型BP神经网络PID控制器在转台系统中的应用研究

为改善转台系统性能,针对传统的PID控制参数难以获得较理想的控制效果,设计了一种基于改进型BP神经网络的PID控制器。介绍了PID控制器的结构和BP神经网络算法描述,利用最小二乘法和神经网络建立被控对象的预测数学模型,并用该模型所计算的预测输出取代预测输出的实测值,对基于BP网络的PID控制器的权值调整算法进行改进。以某转台模型为对象,建立了转台控制系统的数学模型并对其进行仿真。仿真结果表明,改进型BP神经网络PID控制器具有良好的控制效果,跟踪精度高、性能稳定及鲁棒性强,能更为有效地应用到转台系统中。     

BP-PID在无线网络控制系统中的应用

为了处理无线网络的引入对控制系统带来的不确定时延干扰问题,结合PID控制器和BP神经网络的学习能力,设计了具有神经网络调节能力的综合PID控制器。该控制器首先获得无线网络控制系统的输入、输出和偏差信息,而后通过不断地调整BP神经网络的权值来对PID控制器的三个参数进行整定。当PID控制器获得整定后的参数后,会通过增量式算法计算出被控对象的输入信号。为验证该控制器的性能,利用Matlab的TrueTime工具箱搭建出了基于无线网络控制系统的实时仿真环境。仿真数据表明,BP-PID控制器比单一的PID控制器具有更强的抗干扰性,它具有的在线整定能力弥补了单一PID控制器的不足。     

基于步进电机的神经网络PID控制在恒压供气系统中的应用

针对常规PID控制的缺陷，提出了一种基于神经网络的自适应PID控制器，利用神经网络的自学习能力进行在线调整PID参数，通过控制步进电机将其应用于控制恒压供气系统中的气压。实验结果表明，基于神经网络的PID控制器具有计算速度快、适应性强等优点，其控制效果明显优于常规PID控制器，将其应用于恒压供气系统中是行之有效的。     

PID神经网络控制器的设计及仿真研究

PID神经网络(PID-NN)是一种新型的前向神经元网络,该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。PID神经网络控制器是将神经网络和PID控制规律融为一体,既具有常规PID控制器结构简单、参数物理意义明确之优点,同时又具有神经网络自学习、自适应的功能。本文给出了PID-NN控制器的结构形式,计算公式,从理论上证明了PID-NN的收敛性和稳定性,最后对二阶对象下的系统进行了仿真,证明了PID-NN控制器具有较好的自学习和自适应性。     

基于神经网络的无刷直流电机控制系统设计

针对传统无刷直流电机PID控制系统存在的非线性和强耦合问题,将神经网络与传统PID控制器相结合建立三层神经网络,通过梯度下降法对各个参数进行修正,克服了传统PID控制器参数整定依赖人工经验的缺陷,实现了PID各个参数在线自动整定。仿真试验结果表明,基于神经网络的PID控制器具有响应速度快,精度高和鲁棒性强等优点。     

基于神经网络自适应的吸收塔浆液PH值控制

为提高吸收塔浆液PH值控制系统的自适应能力以抵抗系统非线性及干扰的影响,提出了基于小脑神经网络的自适应PID控制器。推导了小脑神经网络自适应控制器,考虑到高阶微分对噪声的敏感性,控制器中只保留比例、积分和微分项,该鲁棒控制器兼有PID控制性能。为了验证鲁棒自适应PID控制器的性能,与常规PID和模糊自适应PID控制器作阶跃响应和抗干扰性能进行了对比,结果表明了鲁棒自适应PID控制器的优越性。     

An adaptive PID like controller using mix locally recurrent neural network for robotic manipulator with variable payload

Being complex, non-linear and coupled system, the robotic manipulator cannot be effectively controlled using classical proportional-integral-derivative (PID) controller. To enhance the effectiveness of the conventional PID controller for the nonlinear and uncertain systems, gains of the PID controller should be conservatively tuned and should adapt to the process parameter variations. In this work, a mix locally recurrent neural network (MLRNN) architecture is investigated to mimic a conventional PID controller which consists of at most three hidden nodes which act as proportional, integral and derivative node. The gains of the mix locally recurrent neural network based PID (MLRNNPID) controller scheme are initialized with a newly developed cuckoo search algorithm (CSA) based optimization method rather than assuming randomly. A sequential learning based least square algorithm is then investigated for the on-line adaptation of the gains of MLRNNPID controller. The performance of the proposed controller scheme is tested against the plant parameters uncertainties and external disturbances for both links of the two link robotic manipulator with variable payload (TL-RMWVP). The stability of the proposed controller is analyzed using Lyapunov stability criteria. A performance comparison is carried out among MLRNNPID controller, CSA optimized NNPID (OPTNNPID) controller and CSA optimized conventional PID (OPTPID) controller in order to establish the effectiveness of the MLRNNPID controller.     

神经网络PID控制器在轴承试验台液压加载控制中的应用

采用改进型BP神经网络与传统PID相结合，初始运行阶段采用传统PID控制，网络学习一段时间后切换到神经网络在线自整定PID控制，仿真结果表明，系统具有良好的动态性能和稳态精度。     

基于模糊BP网络的自适应PID控制

针对经典PID控制的参数不能在线调整的缺陷,提出了一种基于模糊BP神经网络的PID控制算法,采用模糊规则自动地调节BP神经网络训练过程的学习参数,利用神经网络较强的学习能力和模糊控制在模型未知或不精确前提下的控制能力,将其应用到PID控制中[1],实现了PID控制参数的在线调整和优化,并对其在非线性离散系统中的应用进行了仿真。实验结果表明该算法性能优良,加快了系统响应速度,减少了超调量,适用于纯滞后非线性系统。     

基于模糊神经网络的精密角度定位PID控制

针对精密角度定位系统存在非线性、时变性,传统PID控制难以获得理想控制效果的问题,提出一种基于模糊神经网络的PID控制方法,将模糊控制、神经网络与PID控制相结合,采用3层前向网络、动态BP算法,利用神经网络的自学习和自适应能力,实时调整网络的权值,改变PID控制器的控制参数,整定出一组适用于控制对象的kp、ki、kd参数,实现精密角度定位PID控制的自适应和智能化。实验结果表明,采用BP神经网络整定的PID控制较传统的PID控制,控制性能有较大的提高,能有效提高定位精度,缩短定位时间。     

模拟复合正交神经网络在轴向磁轴承中的控制研究

由于磁轴承的动态性能主要取决于所采用的控制规律,控制器是磁轴承系统的关键.在数字复合正交神经网络(NN)的基础上,提出了一种模拟复合正交神经网络,并用于轴向磁轴承的控制中.控制器采用模拟复合正交神经网络与PID的并行控制方法,对带有负载干扰的轴向磁轴承控制系统作了PID控制与NN PID控制的仿真实验.仿真结果表明,相对于常规PID控制器,该并行控制法具有较高的抗干扰与自适应能力-控制效果理想.     

基于小波神经网络的电动负载模拟器的复合控制

为了提高电动负载模拟器的信号跟踪精度和多余力矩抑制能力,在分析系统结构和工作原理的基础上建立了电动负载模拟器系统的完整数学模型。针对电动负载模拟器中存在的力矩跟踪精度问题,提出了一种前馈补偿和基于小波网络的PID控制相结合的复合控制方法。利用改进的前馈补偿法抑制多余力矩,基于小波网络的PID控制器可以在线调整PID参数补偿系统的非线性环节,提高系统动态性能。仿真结果表明,复合控制器对多余力矩有良好的抑制效果,跟踪精度满足要求,和传统PID控制相比,系统鲁棒性得到显著提高。     

神经网络方法在循环流化床燃烧中的应用

本文分析了循环流化床锅炉燃烧控制系统的特点。针对主蒸汽压力控制系统。提出一种新型的基于改进BP神经网络的PID控制方法。该方法将神经网络和PID控制策略相结合。既具有神经网络自学习、自适应及逼近任意函数的能力。又具有常规PID控制器结构简单的特点。仿真研究表明这种BP神经网络PID控制能克服对象的大惯性、抗干扰性。大大改善控制品质。     

焦化鼓风机系统智能控制策略研究及应用

针对焦化鼓风机系统具有非线性时变、多变量、强耦合及存在随机干扰的特点,通过采用基于最近邻聚类方法的RBF神经网络快速学习算法,实时在线辨识,建立被控对象的精确逆模型并用于控制,实现了将具有强耦合特性的多输入多输出(MIMO)系统解耦成单个独立的伪线性对象,并提出一种基于RBF神经网络逆控制与非线性比例积分微分(PID)控制相结合的智能控制策略,保证了系统稳定的同时改善了控制系统性能.仿真和应用结果证实了该控制策略具有快速适应对象和过程变化的能力及较强的鲁棒性.