小波神经网络的水电机组自适应逆控制

针对水电机组的非线性和结构参数易变化且具有时变和非最小相位的特点,依据神经网络的自学习特性和小波分析的逼近能力,提出了一种基于小波神经网络(WNN)的水电机组自适应逆控制方法.该方法用小波神经网络逼近被控对象的正、逆模型,通过构造控制加权的广义目标函数,推导出一种对非最小相位系统能实现有效控制的小波神经网络自适应逆控制律,理论分析和对水电机组仿真实验均表明,文中提出的控制策略比采用神经网络控制能更好地改善水电机组的动态性能,证明了该方法的有效性.     

神经网络在弹性连杆机构振动主动控制中的应用

首次将神经网络理论应用于弹性连杆机构的振动主动控制 ,设计、建造了具有压电陶瓷作动器与电阻应变计传感器的弹性连杆机构实验装置及其振动控制系统。根据实验数据离线设计了动态递归神经网络控制器 ,并采用基于神经网络的直接自校正控制策略对弹性连杆机构实施了在线控制。控制后 ,弹性构件输出点的应变峰值降低了 5 0 %左右 ,机构的动力学品质得到显著改善     

枕式包装机包装材料供送速度控制

目的 为了提高包装袋的袋长精度,提升包装袋体外观质量。方法 提出一种基于神经网络PID自适应的三伺服枕式包装机包装材料速度控制方法,将传统的PID控制方法同神经网络控制相结合,设计一个神经网络PID控制器,包括控制器结构和学习算法,可用于解决相关非线性问题。结果 仿真和实验结果表明,采用神经网络PID控制方法,包装材料速度达到稳态时,所用时间约为2 s,最大超调量不超过2%,包装袋长误差能够有效控制在±1 mm以内。结论 所设计的控制方法与传统的PID控制相比,具有响应速度快、抗干扰能力强、控制输出稳定等优点,能够显著提高包装袋长精度。     

神经网络在弹性连杆机械振动主动控制中的应用

首次将神经网络理论应用于弹性连杆机械的振动主动控制,设计、建造了具有压电陶瓷作动器与电阻就变计传感器的弹性连杆机构实验装置及其振动控制系统。根据实验数据离线设计了动态递归神经网络控制器,并采用基于神经网络的直接自校正控制策略对弹性连杆机构实施了在线控制。控制后,弹性构件输出点的应变峰值降低了５０％左右,机械的动力学品质得到显著改善。     

斜拉索振动的ER-MR阻尼器半主动神经网络控制

建立了采用ER—MR阻尼器作斜拉索的基于神经网络的半主动控制方法。该方法采用离线训练好的神经网络兼作系统状态观测器和系统控制器，并根据ER／MR阻尼器特点，引入面向速度剪切的半主动控制策略，实现神经网络对斜拉索进行在线带自反馈的半主动控制。数值试验的结果表明：采用神经网络进行半主动控制，能够达到很好的控制效果，整条斜拉索的振动都得到有效的抑制。     

基于神经网络的柔性结构振动主动控制研究

提出了采用压电元件作为传感器和驱动器 ,基于神经网络技术的柔性结构主动振动控制方法。阐述了神经网络控制的基本原理 ,导出了控制算法 ,并介绍了控制系统构成 ,最后对柔性梁在正弦和伪随机信号激励下的振动进行了主动控制实验 ,实验结果验证了本文所述方法的有效性     

基于神经网络PID智能复合控制方法研究

PID控制器被广泛应用在工业过程控制领域,但是在实际应用中往往具有非线性、时变不确定性,导致PID参数整定难以达到最佳控制要求.本文将神经网络技术应用于PID控制中,利用神经网络具有的非线性函数逼近能力,通过对系统性能的学习来实现具有最佳组合的PID控制.本文采用了BP神经网络PID控制器,实现PID参数的在线自整定,通过仿真实验比较,BP神经网络PID控制比传统的PID控制和单神经元网络PID有好的控制效果.     

动态定量称量包装系统BP神经网络PID控制算法

目的针对动态定量称量包装控制系统具有大惯性、滞后、非线性且无法建立精确数学模型等缺点,研究提高动态定量称量包装系统控制精度的方法。方法提出了一种改进型BP神经网络PID的定量称量包装控制系统,将BP神经网络与PID控制方法相结合,通过神经网络的自学习、加权系数的调整,优化PID控制器参数K_i,K_p,K_d,并将粒子群算法引入到神经网络中作为其学习算法,以有效提高BP神经网络算法的收敛速度。结果仿真和实验结果表明,改进型BP神经网络PID控制响应速度快、超调量较小,系统称量误差得到大幅度减小。结论所述控制方法可以明显提高定量称量控制过程的稳定性、精确性以及鲁棒性。     

基于神经网络优化的交流自抗扰伺服系统控制

目的 为了解决传统交流永磁同步电机伺服自抗扰控制系统中外界扰动、非线性特性和本身自抗扰控制中参数较多且整定难的问题.方法 利用小波神经网络对自抗扰控制中的扩张状态观测器的误差校正系数进行在线整定,设计出基于小波神经网络优化的自抗扰控制器及相关的控制系统,以实现对整体控制系统的性能优化,并通过在Matlab/SIMULINK仿真实验与传统PID伺服控制系统和未进行优化的交流自抗扰伺服系统进行对比验证.结果 仿真结果表明,基于小波神经网络优化的交流永磁同步电机伺服自抗扰控制系统对目标位置动态响应快、稳态误差小、抗干扰能力强,稳态时转矩脉动小.结论 与常规未优化自抗扰伺服系统和传统PID伺服系统相比,基于小波神经网络优化后的自抗扰伺服系统,能有效地提高伺服系统控制性能和鲁棒性.     

基于神经网络的墨量控制算法的研究

针对印刷机墨量控制的非线性特性,提出了一种基于改进BP神经网络的PID控制算法。运用神经元的自学习、自适应特点,对检测的印刷品色差缺陷进行实时墨量控制。仿真实验表明:该控制方法具有良好的动、静态性能和较强的鲁棒性与自适应性。     

永磁同步电动机位置伺服系统的自适应神经网络控制

针对需要考虑参数不确定和负载扰动的永磁同步电动机位置伺服系统,提出了一种新型的自适应神经网络控制方法。首先,利用神经网络建立永磁同步电动机的智能模型。其次,针对模型特点,在反步递推设计框架下,应用神经网络基函数的本质特征,并引入动态面控制技术克服控制设计中存在的“复杂性爆炸”问题,设计基于自适应神经网络动态面控制的位置跟踪算法。最后,仿真结果表明该控制方案是有效可行的,与反步递推控制方案相比,基于神经网络动态面控制的位置伺服系统的跟踪误差具有更快的收敛速度。通过设计新的神经网络自适应律,提出的自适应神经网络控制方法可以避免现有反步递推控制设计中存在的代数环问题。此外,提出的控制算法不仅能够克服不确定性因素对系统性能的影响,而且算法结构简单,易于实现。     

多跨转子系统多频传递力的神经网络自适应PD控制EI北大核心CSCD

针对大型旋转机械在运行过程中,由于自身不平衡量以及复杂的外部环境激励,导致转子系统振动,进而对基础和外部结构产生多频传递力的问题,提出了一种基于BP神经网络的自适应PD控制算法。采用一种电磁执行器与固定瓦滑动轴承集成的混合轴承结构,分析了该混合轴承的动力学特性;针对一个多跨转子系统,用有限元法建立了系统的动力学方程,从原理上分析了PD控制方式下传递力的主动控制;针对传统PID控制参数获取困难的问题,提出了基于BP神经网络的自适应PD控制算法;在一个四轴承双跨转子系统仿真模型上,分别对基于BP神经网络的自适应PD控制、BP神经网络控制及LMS控制的效果进行了对比分析。结果表明,基于BP神经网络的自适应PD控制对转子系统多频传递力具有更好的抑制效果。     

基于Elman网络的稳像平台速度环设计

稳像平台速度环的性能直接影响成像质量,本文提出了一种基于Elman网络和PD复合控制的自适应逆控制算法.通过对Elman网络模型和控制对象的分析,设计了独立的指令跟踪回路和干扰抑制回路,并将逆控制和PD复合控制思想应用在干扰抑制回路中,实现了Elman网络在线学习和对被控对象的在线辨识.仿真实验结果表明,该方法能有效克服系统慢时变、干扰等非线性因素的影响,增强系统的鲁棒性.     

MODELLING AND OPTIMIZING OF A MIG WELDING PROCESS—A CASE STUDY USING EXPERIMENTAL DESIGNS AND NEURAL NETWORKS

This paper describes an application of an integrated method using experimental designs and neural network technologies for modelling and optimizing a metal inert gas (MIG) welding process. To achieve optimization, the process parameters must be adjusted in such a way that the deviations from target are minimized while the robustness to noise and to process fluctuations are maximized. This new method consists of an experiment reference template for designing and collecting training data samples, and a parallel distributed computational adaptive neural network system to provide a powerful tool for data modelling and empirical investigations. The relevant data is established using experimental design methods and highlighted in the case study. An adaptive GaRBF neural network is used to approximate the stochastically non-linear dynamics of the welding process to optimize the basic welding parameters. The neural network is trained with welding experimental data, tested and compared in an actual welding environment in terms of its ability to determine weld quality. The results show that the proposed adaptive neural network is capable of mapping the complex relationships between the welding parameters and the corresponding output weld quality. The implementation for this case study was carried out using a ‘semi-automatic’ welding facility, to mass weld a 20″ × 0.438″ pin/box onto a 20″ × 0.5″ × 37′ pipe (tubular drilling products), in an actual workshop which makes oilfield equipment. The entire range of welding combinations that might be experienced during actual welding operations is included to study the weld quality. © 1997 by John Wiley & Sons, Ltd.     

基于BP神经网络PID的纸浆浓度自适应控制

目的为了克服纸浆浓度控制系统的滞后性、非线性和时变性,以提高纸浆浓度控制性能。方法针对纸浆浓度控制问题提出一种BP神经网络PID控制技术,构建3-4-3的BP神经网络结构,并在该基础上建立BP神经网络PID控制的数学模型,利用BP神经网络实现PID参数的自适应调整。结果仿真结果表明,BP神经网络PID控制相较于传统PID控制收敛速度更快、超调量更小、抗干扰能力更强、鲁棒性更好。结论该控制方法实现了纸浆浓度的自适应控制,为纸浆浓度的最优控制提供了一种有效可行的控制方法。     

锂电池悬浮式烘箱数值模拟分析与结构优化

目的 为提高盐业包装线封口温度控制精度,融合果蝇优化算法和径向基神经网络设计一种温度控制系统。方法 介绍控制系统结构,利用RBF神经网络的自学习、自适应能力实现PID控制器参数的在线调节,可确保封口温度的自适应控制。通过果蝇优化算法实现神经网络初始值优化,提高神经网络的全局搜索能力。最后,进行仿真和实验分析。结果 结果表明,温度偏差可以控制在1%以下,该控制算法具有较好的稳定性,达到稳定状态耗时较少,系统超调量明显变小,在一定程度上提升了封口温度控制的精确性和稳定性。结论 所述控制系统控制性能比较理想,可满足食用盐包装封口温度控制需求。     

A hyperstable neural network for the modelling and control of nonlinear systems

A multivariable hyperstable robust adaptive decoupling control algorithm based on a neural network is presented for the control of nonlinear multivariable coupled systems with unknown parameters and structure. The Popov theorem is used in the design of the controller. The modelling errors, coupling action and other uncertainties of the system are identified on-line by a neural network. The identified results are taken as compensation signals such that the robust adaptive control of nonlinear systems is realised. Simulation results are given.     

非确定因素下汽车半主动悬架的智能控制

以含磁流变阻尼器的1/4 车辆非线性半主动悬架模型为研究对象,在充分考虑该非线性系统未建模动态的基础上提出了具体的神经网络与滑模变结构控制相结合的智能控制策略,有效抑制了悬架系统的振动,使车辆行驶的平顺性与舒适性得以提高.应用神经网络的在线学习能力对非线性动力学模型的不确定部分及外界未知扰动进行了神经网络估计,确定了未知函数的上确界,构造了控制系统的滑模变量并且合理设计神经网络的自适应规律使状态变量快速接近原点.通过稳定性分析证明了此种控制方法是全局渐近收敛的,并且对未建模动态具有强鲁棒性.数值仿真结果验证了该种控制方法的有效性,得到了阻尼器两端控制电压的变化规律.     

递归网络自适应控制裹包机凸轮差动器驱动系统

根据裹包机的驱动系统控制精度较差的问题,提出采用递归神经网络自适应混合控制线性同步电动器驱动机系统.经过仿真结果表明,该控制系统克服了上述缺点.