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.     

无刷直流电动机的神经网络PID控制器研究

提出了一种基于BP神经网络的PID控制器,该控制器有机结合了BP神经网络和PID的特点,克服传统PID控制存在的不足,并采用快速BP算法改善其收敛性,有效的提高了无刷直流电动机调速系统性能,仿真研究表明上述神经网络PID控制器,比传统PID控制器控制动态过程有明显改善,能够获得更高的跟踪精度。     

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.     

一种基于多参数优化的神经网络控制器研究

针对常规PID+CMAC复合控制器中多个控制参数难以确定的问题,提出采用改进遗传算法对PID控制参数、CMAC神经网络学习率和惯性量等多参数进行寻优,把常规PID控制、CMAC神经网络和遗传算法的优点结合起来,设计了基于改进遗传算法多参数优化的PID+CMAC自适应控制器.仿真结果表明,提出的多参数优化的CMAC控制器具有良好的鲁棒性、抗干扰能力和自适应能力,是解决不确定性非线性对象控制问题的一种有效的控制方法.     

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。     

电液比例加载系统的RBF神经网络PID控制

使用自整定径向基函数(radial basis function,RBF)神经网络PID控制技术,以实现电液比例加载系统的静力加载控制.自整定RBF神经网络PID控制器的设计不需要被控对象的详细模型,且控制参数能够在线调节,从而可以保证不同控制任务下的控制性能.通过仿真,验证了所设计的自整定RBF神经网络PID控制器的正确性和有效性,以及相对于传统PID控制器的优越性.     

超声电机驱动多关节机器人的类PID小波神经网络控制

针对超声电机驱动多关节机器人的运行特性,提出一种新颖的速度-位置双闭环PID控制模式,有效地抑制了超声电机响应极快所导致的速度变化剧烈的现象,从而提高了机器人的运动平稳性.为了进一步提高超声电机驱动多关节机器人的控制性能,使其能根据超声电机的变化特性对PID控制参数进行实时调节,提出类PID小波神经网络控制器.通过对传统离散型增量式PID表达式各项的合理划分,将速度-位置双闭环PID控制、实践经验、当前的轨迹误差及其变化情况都融入进了类PID小波神经网络控制器中.该控制器参数的在线学习机制采用了δ自适应律并结合了BP算法和梯度下降法,算法简单,计算量大大减少.试验结果证明,所设计的类PID小波神经网络控制器不仅明显优于PID和PID神经网络控制器,而且具有很好的抗干扰能力.     

永磁同步电机的复合控制及参数自整定研究

针对常规的比例-积分-微分(PID)控制器性能不足,以及PID参数手动调整不便等问题,对前馈控制结构及径向基函数(RBF)神经网络进行了研究,提出了一种"三闭环+前馈"的复合PID控制结构。利用RBF神经网络对控制系统进行了在线辨识,结合梯度下降法对控制器的PID参数进行了自动调整,并在实验平台上进行了常规的三闭环PID控制器和"三闭环+前馈"的复合PID控制器的对比实验,以及位置环PID参数自整定的实验。研究结果表明:相比于常规PID控制结构,复合控制结构的位置响应性能提高了12%,速度响应性能提高了31%;利用RBF神经网络能够实现PID参数的自整定,且整定效果较好。     

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.     

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。     

基于RBF神经网络在带钢厚度控制中的应用

轧钢厚度控制系统的数学模型难以精确建立,传统的PID控制器的自适应能力较差,很难达到满意的控制效果。本文根据以上问题。提出了一种新的控制方法,即基于RBF神经网络自整定PID控制方法。这种控制方法结合了RBF神经网络和PID控制器的控制优势,不仅具有很强的自适应能力、鲁棒性。而且充分发挥了PID控制优势,并且将这种控制方法应用在带钢厚度的控制系统中,取得了很好的控制效果,证明了控制方案的正确性和有效性。     

PID neural network control of a membrane structure inflation system

Because it is difficult for the traditional PID algorithm for nonlinear time-variant control objects to obtain satisfactory control results, this paper studies a neuron PID controller. The neuron PID controller makes use of neuron self-learning ability, complies with certain optimum indicators, and automatically adjusts the parameters of the PID controller and makes them adapt to changes in the controlled object and the input reference signals. The PID controller is used to control a nonlinear time-variant membrane structure inflation system. Results show that the neural network PID controller can adapt to the changes in system structure parameters and fast track the changes in the input signal with high control precision.     

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。     

基于模糊神经网络PID的复合控制策略

为了结合模糊控制容错力强和神经网络PID在线学习和调整的优点,提出了一种结合模糊控制与神经网络PID控制的复合控制方法,即分别设计模糊控制器和神经网络PID控制器后,再利用权重分配器对这两个控制器进行权重分配来控制被控对象。将该控制策略应用于某火电机组的二级过热器减温水流量系统控制,并在simulink仿真平台进行仿真,仿真实验结果表明:该复合控制策略较传统的模糊控制或神经网络PID控制的上升时间更短,调节时间和超调量更小,稳态性能更好。     

基于线性预测模型的神经网络模糊PID控制

结合传统PID控制原理、神经网络技术、模糊控制技术及预测控制技术,提出了一种新型控制器结构.给出了在线调整PID参数的方法.仿真结果表明,基于线性预测模型的神经网络模糊PID控制使系统具有较好的鲁棒性.     

电液负载模拟器复合控制方法研究

提出了一种新的电液负载模拟器复合控制方案,采用改进型多余力补偿方法和PID自适应控制器并行的方式来实现对指令控制力的精确跟踪。改进型的前馈补偿方法除了有效地消除了多余力,还提高了系统的动态性能。利用CMAC神经网络的非线性逼近原理设计的鲁棒PID自适应控制器,在一定程度上改善了传统PID控制在快速性和稳定性之间存在的矛盾,降低了系统的非线性和不确定性造成的影响。仿真和试验结果证明了该控制方案的有效性。     

基于黑箱模型和RBF-PID的HCCI发动机燃烧正时控制

由于均质充气压缩点燃(HCCI)发动机缺少直接控制其燃烧的手段,导致HCCI发动机的燃烧正时控制成为HCCI发动机的研究热点。以HCCI发动机进气歧管的温度和压力、燃油当量比、转速以及进气门关闭正时为输入,利用BP神经网络建立用于估计HCCI发动机燃烧正时的黑箱模型。在此模型基础上,以进气门关闭正时为控制量设计了PID控制器,并利用径向基神经网络对其参数进行整定,以实现对燃烧正时的反馈控制。实验结果表明,BP神经网络估计模型对HCCI发动机燃烧正时的估计误差小于0.4(CAD),能实现准确的估计;此外,与传统的PID控制器相比,设计的RBF-PID控制器在超调量、调节时间以及抗干扰性等性能方面均有改善。     

纯滞后对象的RBF神经网络PID控制研究

神经元网络具有信息分布储存、并行处理以及自组织、自学习能力等优点。运用RBF神经网络训练了PID控制器的三个重要参数。相比于传统的PID控制器,提高了控制精度,使系统快速地达到了稳定状态。并进行了Matlab仿真,验证了这一结论。