基于PID神经网络的弧焊电源控制器的研究

为了实现弧焊过程弧焊电源输出特性到给定量的快速响应及其智能控制,提出了一种基于PID神经网络的控制器.将PID控制与BP神经网络相结合应用于弧焊过程的智能控制,既有PID控制规律的优点,又具有神经网络很强的信息综合处理能力特点.实验表明,该控制器用于弧焊电源输出特性的智能控制,具有控制响应速度快、超调量小、收敛速度快、稳态精度高的特点,满足弧焊过程控制的要求.     

基于模糊神经网络PID的塑料薄膜厚度控制系统设计

针对当前塑料挤出行业薄膜厚度控制系统普遍存在的强非线性、大时滞、控制精度低的现状,设计了一种将模糊控制、神经网络与经典PID控制算法结合的塑料薄膜厚度智能控制系统,通过模糊控制与神经网络自学习算法相结合,实现了控制系统PID参数的在线自整定。实验证明:与传统厚度控制方式相比,该系统可以大大降低收敛时间,提高控制精度,将薄膜厚度误差控制在2μm以内。     

基于智能控制算法的试验台入口油温控制

根据航空发动机燃油泵试验台入口油温控制系统非线性、时滞、时变等特点,将神经网络控制、模糊控制与PID控制算法相结合,设计智能控制算法,实现对PID参数的自适应调整.仿真结果表明,智能控制算法的控制效果明显优于常规PID控制算法.其中,模糊自适应PID控制算法更适用于航空发动机燃油泵试验台入口油温控制.     

一种基于聚类的板形控制模糊神经网络模型

针对冷轧过程中难以建立精确的板形控制数学模型的问题,设计了RBF模糊神经网络模型用于冷轧板带过程中的板形控制.基于一种无监督聚类方法确定了模糊规则数和网络初始参数以建立网络初始模型;采用BP算法训练网络,使网络能够快速收敛;同时,为使所建立的控制系统能够应用于在线控制,增加了模糊规则在线自学习功能,避免网络过度修正权值.仿真实验表明,所建立的RBF模糊神经网络模型控制精度高,满足板形在线控制要求.     

磁悬浮系统的基因优化网络控制

分析了单自由度磁悬浮控制系统的构成与数学模型，为了改善控制系统性能，设计了一种基因算法（GA）优化神经网络的智能控制方法。该方法针对普通的BP算法收敛速度慢、容易陷入局部极小值以及网络初始状态对网络性能的影响等问题，提出了用基因算法离线优化网络，并设计了一种双链异或交叉基因算子，改善了基因算法的寻优效率；又结合神经网络的空间逼近能力，对系统做在线的微小修正，该控制方法在较大程度上改善了单自由度磁悬浮系统的鲁棒性、可操作性等性能。     

基于BP-NN PID算法和TMSF28335的矫直机HGC伺服控制器设计

针对国内使用于矫直机上的伺服控制器多为简单算法PID控制且核心处理器大多为MCU,而MCU有数据处理能力欠佳、数据运算速度慢、灵活性不足等诸多局限性,难以满足矫直机的功能要求和精确控制等,设计将BP神经网络PID算法应用于以32位浮点DSP-TMSF28335@150 MHz为核心的高精度伺服控制器,应用于矫直机伺服控制。通过对比仿真结果和实际试验结果:该BP-NN PID伺服控制器具有控制精度高、灵活性好、实时性等优点。     

面向电主轴热误差预测建模分析的改进IGWO-LSTM算法

针对电主轴复杂运行工况下的热误差建模问题,提出一种基于改进灰狼优化算法(IGWO)的LSTM神经网络参数预测模型IGWO-LSTM。通过对灰狼算法收敛因子a计算方法进行优化来提高算法寻优性能;通过IGWO算法的适应度函数与LSTM隐含层节点数组成的IGWO-LSTM闭环系统对电主轴热误差预测模型进行训练和预测,避免陷入局部最优,同时提升模型预测精度。为了验证该算法性能,将它与改进前的算法进行对比,通过求取平均绝对误差、平均绝对百分比误差以及均方根误差对这两种神经网络进行评价,结果显示：文中算法的3种指标均优于改进前的LSTM模型,具有更好的热误差预测准确性和全局搜索能力。     

足式机器人腿部关节改进单神经网络PID控制算法研究

为了满足液压足式机器人在复杂环境中实现精确、快速的腿部关节控制需求,把单神经网络PID能够实时调节参数的优点运用到足式机器人液压机械腿关节的控制中,在单神经网络PID的基础上增加机械腿关节的位置和速度控制算法,形成改进单神经网络PID,实现了对神经元比例参数自调整、PID参数的自整定,能够较好地适应内、外参数的变化,增强了腿部关节的快速性、精确性。在Simulink中进行建模仿真以及在设计的以STM32为中央处理芯片的控制平台上进行实验测试,结果表明：改进单神经网络PID在足式液压机器人的腿部关节控制中具有响应速度快、超调量小、控制精度高、鲁棒性强等优点。     

基于单片机控制的铸造浇注温度控制系统的优化

为提高铸造浇注温度控制系统的控制精度,研究了单片机控制下的浇注温度控制系统,设计了浇注温度控制系统的整体方案。以C8051F340单片机作为控制器,采用WRP-130热电偶作为温度传感器设计了硬件电路。通过神经网络改进的PID算法作为控制元,以现场采集的浇注温度与标定温度作为输入量,计算出输出控制量,单片机根据该控制量对执行机构进行调控,从而实现对浇注温度的控制,达到对铸件热变形优化的目的。仿真试验发现,采用单片机浇注温度控制系统能对温度进行精确控制,可实现对铸件热变形优化的效果,提高了铸件的合格率。     

基于混合粒子群算法优化橡胶挤出机Smith-模糊PID温度控制系统北大核心

为提高橡胶挤出机Smith-模糊PID温度控制系统的控制精度,更好地实现智能整定参数与橡胶挤出机温度最优控制,采用混合粒子群(HPSO)算法优化Smith-模糊PID控制系统,完成对温度控制系统PID参数基准值的自动寻优。借助MATLAB软件辨识挤出机温控系统数学模型,搭建Smith-模糊PID温度控制系统。为避免粒子群(PSO)算法陷入局部最优,在PSO算法的基础上将社会因子分解为局部社会因子和全局社会因子,设计出HPSO算法对PID参数进行寻优;将HPSO算法优化系统前后的控制效果进行对比。结果表明:采用HPSO算法优化Smith-模糊PID温度控制系统的控制精度更高、抗干扰性能更强,温度控制精度在±(1~1.5)℃以内,并且接近±1℃,完全满足橡胶挤出生产过程中对料筒温度控制的指标要求,可以在一定程度上提升温控系统的控制精度以及挤出机械的智能化水平。     

基于CEEMDAN-IGWO-SVM的轴承故障诊断研究

为了提高支持向量机(SVM)在轴承故障诊断时的准确率和识别效率,提出了一种基于具有自适应白噪声的完整集成经验模态分解方法(CEEMDAN)、改进灰狼优化算法(IGWO)和支持向量机(SVM)相结合的故障诊断方法。首先用CEEMDAN与Shannon熵对振动信号消噪、分解,获得典型故障的敏感信号;其次,将粒子群算法(PSO)惯性权重w与粒子“飞行”速度v引入灰狼优化算法(GWO),得到IGWO,通过IGWO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,利用美国西储大学的轴承试验数据验证优化模型的有效性。结果表明,IGWO算法优化SVM的模型可以准确、高效地对轴承进行故障诊断;与GA、PSO、和GWO算法优化的SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

一种新型全液压矫直机多神经元PID伺服控制器设计与研究

针对当前普遍常用的BP神经网络算法的缺陷,即反传算法复杂,收敛速度慢,在解决一些复杂多变非线性及系统多耦合问题时,网络权值收敛局部极小点,导致网络训练失败,反传算法权值迭代出现畸形变化问题。虽然神经网络控制器在软件仿真中运行结果都能满足要求,但是在实际的现场工程应用中很难适应复杂工业现场所要求的控制快速性和及时性。针对以上缺陷,提出了一种新型的多神经元PID神经网络算法,其原理是通过简化PID神经元网络控制器,改善其权值初始化来达到新型多神经元PID控制器控制过程的快速性和响应的及时性,将其应用到全液压矫直机四缸伺服控制器。通过将传统神经元网络控制器和文中所研究的新型多神经元PID控制器位移响应曲线对比分析,该新型多神经元PID伺服控制器具有反传算法大为简化、收敛速度快、网络权值灵活性好、实时性等优点,为多神经元PID控制器的工程化应用提供了理论支持。     

伺服系统中PID控制器参数整定的研究

针对伺服系统中常用的比例-积分-微分(PID)控制器的参数手动整定不方便的问题,对机器学习算法和模糊控制进行研究,重点分析反向传播(BP)算法和模糊控制器的设计方法,提出一种基于机器学习和模糊控制的PID参数整定方法。利用BP神经网络的学习能力得到系统模型,结合模糊控制进行预测得到PID参数,并在实验平台上进行验证。研究结果表明:通过机器学习和模糊控制得到的PID参数具有较好的控制效果,该方法能够避免手动整定PID参数,节省大量时间。     

BP神经网络在流量比值控制系统中的应用

针对在PCT-2型过程控制装置进行流量比值控制时,PID参数难以整定的问题,提出了一种基于神经网络自适应的PID流量比值控制方法.该算法利用BP神经网络的非线性表示能力,通过系统的自学习来实现具有最佳组合的PID控制.这种方案达到了在线实时控制的目的.实验表明:在流量比值控制系统中,基于BP神经网络的PID控制算法比普通PID控制算法具有更好的动态性能和鲁棒性,能取得很好的控制效果.     

免疫PID算法在10-2000型等温锻造液压机中的应用研究

针对某型号等温锻造液压机滑块速度的控制要求,提出基于免疫控制的PID算法,设计出免疫PID控制器并应用于等温锻造机的滑块速度控制中,仿真结果和系统实际运行效果表明:免疫PID控制性能要优于传统PID控制,具有较高的控制精度和较强的鲁棒性,且满足等温锻造液压机滑块速度的控制要求。该技术已成功应用于大型数控薄板冲压液压机的控制系统中。     

一种改进灰狼优化算法的移动机器人路径规划方法

针对移动机器人路径规划中存在易陷入局部最优、收敛速度慢、搜索路径消耗成本较大等问题,提出一种改进的灰狼优化算法对移动机器人进行路径规划。建立移动机器人避障路径规划二维空间模型,将灰狼优化算法中的线性收敛因子转变为非线性收敛因子,并将灰狼优化算法与粒子群算法结合,给予Omega狼意识;加入协同量子化优化灰狼群体;采用4类国际测试函数证明了改进算法在收敛精度、稳定性方面更优。将改进算法运用到移动机器人路径规划中,并与粒子群算法、原始灰狼优化算法进行对比,仿真结果验证了该算法的有效性。     

基于改进GWO-GRNN的管道焊缝三维重构测量

为提高双目相机不同位姿下焊缝的三维重构测量精度,提出一种基于立体视觉图像误差补偿的管道焊缝三维重构测量方法。采用改进灰狼算法(IGWO)优化广义回归神经网络(GRNN)补偿焊缝三维重构图像点的坐标误差。采用混沌映射、非线性收敛因子和最优记忆保存思想对GWO算法进行改进,通过8个标准测试函数进行仿真验证;利用优化后的GRNN模型对图像点坐标误差进行预测和补偿,计算三维坐标重构出焊缝点云,三维测量焊缝的焊宽、余高和长度。试验结果表明：该模型在双目相机不同的位姿状态下都能较准确地实现焊缝的三维重构,焊缝的三维测量相对误差在0.9%以内。     

基于PSO和属性约减的模糊神经网络机床故障诊断

数控机床伺服系统工作原理复杂。为了提高智能故障诊断的准确性,提出基于PSO理论和属性约束规则(RSM)的模糊神经网络算法。先对训练样本进行属性约减;由于PSO算法具有全局优化能力和BP算法具有局部搜索效率高的优点,利用它们训练神经网络,克服了传统方法收敛速度慢的缺点;并通过Matlab仿真证明,该方法具有较高的诊断准确性。     

基于免疫神经网络的数控机床故障诊断研究

针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出一种基于人工免疫算法优化BP神经网络(IMBP)的数据机床故障诊断算法。介绍了常见的数控机床故障类型和分类,阐述了人工免疫算法和BP神经网络以及人工免疫优化BP神经网络算法的工作流程。利用免疫算法的全局搜索性能先对神经网络权值和阈值进行全局优化,加快了BP算法训练过程的收敛速度,减少训练过程所需要的时间。通过仿真性能测试分析,结果表明:与BP、GABP和IMBP 3种算法对比,比BP神经网络算法的数控机床故障预测诊断提高了18.3%,比GABP神经网络算法提高了12.05%,提高了数控机床故障诊断精度。