基于粒子群算法的RBF神经网络齿轮磨损预测

针对机械设备磨损难以预测问题,提出RBF神经网络预测模型,并结合粒子群算法优化模型参数。利用变速箱型号为SG135-2系列的K727840ZW齿轮磨损实验输入-输出数据,通过基于粒子群算法的RBF神经网络建立输出预测模型,并与传统的AR模型、BP神经网络模型及Hermite神经网络模型预测作比较。仿真结果表明,基于粒子群算法的RBF神经网络模型结构简单、预测精度高,验证了所提方法的有效性和实用性。     

基于优化RBF神经网络挤出机温度压力系统辨识

为了精确在线辨识橡胶复合挤出机控制过程中主要干扰变量与内部耦合关系,更好地实现对挤出机温度压力耦合系统的精准控制,采用RBF神经网络进行系统辨识研究,同时结合PSO算法引入GA算法中编码、杂交、交叉、变异等概念,设计了混合型PSO算法进一步优化RBF神经网络,完成对温度压力耦合系统的精准在线辨识.借助MATLAB软件进...     

改进的RBF神经网络PID算法在电液伺服系统中应用

为克服传统PID控制电液伺服系统时存在参数整定不良,动态响应特性欠佳的问题,采用RBF神经网络PID对系统进行控制,并针对控制中存在的问题对控制算法进行改进,仿真和实验研究表明,改进的RBF-PID控制算法较RBFPID和传统PID具有较快的响应速度和较好的鲁棒性。     

基于粒子群优化径向基神经网络的烧结终点预测研究

针对烧结生产过程中多变量、强耦合的特点和RBF神经网络结构参数选取依据经验的问题,为提高烧结终点预报模型的精度,提出粒子群算法优化RBF神经网络的烧结终点预测方法。在标准PSO算法的基础上,优化RBF神经网络隐层节点中心和宽度2个结构参数,并建立烧结终点预测模型;在此基础上利用UCI数据库中的Computer Hardware和Concrete Slump Test标准数据,验证了方法的有效性,并以某钢厂265 m2烧结机的实际生产数据,建立烧结终点的预报模型。结果表明,与标准BP,RBF相比,基于PSO优化RBF的烧结终点预测模型精度高、泛化能力强。     

基于混合粒子群算法的注塑机电液伺服系统控制研究

注塑机电液伺服系统是一个时滞、非线性复杂系统,传统PID控制往往难以取得理想的控制效果。为了获取良好的控制效果,提出一种用混合粒子群算法优化PID控制器参数的方法,将模拟退火算法引入到粒子群算法中,能够更加快速、准确寻优出PID控制器最优参数。利用MATLAB仿真软件建立注塑机电液伺服系统控制模型,将混合粒子群算法与粒子群算法、遗传算法进行对比。仿真结果表明:利用混合粒子群算法优化的PID控制器收敛速度快、准确性高、鲁棒性强,明显提高了系统的控制性能。     

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。     

基于粒子群优化的焊接工作台伺服系统PID控制

提出了基于粒子群优化的焊接进给工作台位置PID控制。焊接进给工作台是焊机伺服系统的重要组成部分,其位置控制对提高焊接质量具有重要意义。采用简单高效的PID控制算法,但由于焊接伺服系统具有非线性等特点,使得PID控制器参数调整困难,传统的齐格勒—尼柯尔斯法则参数整定效果不佳。粒子群算法是一种全局优化算法,可以有效地实现PID参数整定,因此,在Simulink软件下建立进给工作台位置控制模型,采用粒子群算法来实现PID参数的调整,并进行了仿真。仿真结果显示,基于粒子群优化的PID控制器具有超调量小、精度高的特点,控制效果明显好于齐格勒—尼柯尔斯法则。     

基于RBF神经网络电液恒功率调速自整定PID控制

采煤机电液调速系统对保证煤矿生产具有重要的作用。在分析恒功率自动调速的电液控制系统原理的基础上,建立了基于RBF神经网络自整定的PID控制的数学模型。通过在MATLAB/GUI仿真平台上计算得到系统的实际输出和模型输出的误差不超过5%,设计的RBF神经网络的电液恒功率调速自整定PID控制系统具有更高的跟踪精度和响应特性,完全可以实现系统的高精度与快速调速控制。     

基于混合粒子群算法的液压弯辊控制

在带钢轧制过程中,由于液压弯辊伺服控制系统是非线性时变系统,并受多种因素的影响,很难建立精确的数学模型,弯辊也需要对轧制力的变化做出快速的反应,因此控制器的性能是关键因素,本文将粒子群算法和遗传算法相结合,组成新的混合算法并将其应用到某液压弯辊伺服系统的自适应PID控制中,并对此进行仿真研究,取得了较好的控制效果.     

RBF神经网络在机器人视觉伺服控制中的应用

传统的机器人视觉伺服控制是由系统雅可比矩阵的计算得到图像空间与机器人空间的非线性关系,这种方法不仅计算量大、系统结构复杂,而且对系统模型误差敏感。针对此问题,在分析视觉伺服数学模型的基础上,设计了RBF径向基函数神经网络来实现机器人视觉伺服系统手眼协调功能,从而简化控制算法。通过仿真实验证明所设计的径向基函数神经网络控制系统具有良好的目标定位效果和泛化能力,并且极大地缩短了视觉伺服所需时间,很好地保证了控制系统的实时性。     

PID神经网络在电液弯辊伺服控制系统中的应用

针对电液弯辊伺服控制系统,设计了PID神经网络控制器.该控制器不仅具备传统PID控制器结构简单、参数物理意义明确等优点,而且具有神经网络的自适应和自学习能力,能够在线调整相关参数,使控制系统表现出良好的鲁棒性和控制性能.仿真和实验均证明了其有效性.     

基于PID神经网络的倒立摆控制系统

倒立摆是一个典型的高阶次、自然不稳定、快速响应、非线性运动控制系统,是现代控制研究的对象.PID神经网络是一种内含比例神经元、积分神经元和微分神经元的神经网络.本文介绍了采用PID神经网络控制的倒立摆系统,包括倒立摆系统的基本构成、PID神经网络单变量控制系统的算法和结构、权重初值的选择.进行了实际系统试验,比较了传统PID控制和PID神经网络控制倒立摆的效果,证明了PID神经网络控制系统的优良性能.     

基于模糊神经网络控制的电液系统研究

针对大功率电液伺服系统存在严重非线性和时变性,将神经网络与模糊控制理论相结合,根据系统的误差及误差变化对神经网络的学习速率和动量因子进行模糊修正,有效地改善了神经网络的学习速率.实验表明,所设计的神经网络控制器能够保证大功率电液伺服系统的静、动态性能.     

模糊神经网络在电液伺服控制系统中的应用研究

针对电液比例伺服阀的死区大、强非线性等特点,设计了一个基于模糊逻辑的神经网络控制系统（FNNC）,给出了基于模糊逻辑推理网络的拓扑结构,导出了网络的连接权重和隶属度特征参数的学习算法。将该控制系统应用于蜗杆砂轮磨齿机,获得了良好的效果。     

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。