共查询到18条相似文献,搜索用时 62 毫秒
1.
2.
3.
4.
基于神经网络PID的电动汽车轮毂电机调速设计与仿真 总被引:1,自引:0,他引:1
轮毂电机式电动汽车在启动和运转过程中,电机控制系统经常要接收随机调速控制信号。传统PID控制难以实现快速、精确的速度调节。为解决此不足,提出采用神经网络PID(NNPID)进行控制的方法,首先对无刷直流电机进行建模分析,然后以BP算法训练神经网络并搭建控制系统,最后在Matlab/Simulink仿真环境下对该系统进行多种运转条件下的仿真并与传统控制策略进行比较,结果证明:基于神经网络的控制策略的电机控制系统启动平稳,能有效减少不稳定信号的干扰,对期望输出能实现较好的跟踪,可以满足一般电动汽车运行的需要. 相似文献
5.
基于神经网络的模糊控制在装甲车电传动控制系统中的应用 总被引:5,自引:0,他引:5
针对装甲车辆电传动系统是一个复杂的多变量、非线性系统,其控制系统的扰动变化大,对驱动电机的控制要求苛刻的特点,根据模糊控制器对参数的变化不敏感,对非线性系统进行控制时往往能取得较好的控制效果,以及神经网络的学习功能、联想记忆功能、分布并行式处理功能可以更好地实现模糊逻辑控制中的规则表示、知识获取和并行推理,因此利用神经网络来实现无刷直流电机调速系统的模糊控制。在MATLAB中进行计算机仿真,通过仿真分析表明,当突然加、减负载时,神经网络模糊控制与PID控制相比,具有对参数变化不敏感以及超调和振荡小等特点。该控制方法被证明适用于装甲车辆电传动系统。 相似文献
6.
7.
环形聚能装药相比传统的聚能装药具有侵彻口径大的优势,为了得到可以形成稳定的环形聚能射流的最优环形药型罩结构,提出了一种将数值模拟结果与BP神经网络相结合,并通过遗传算法对环形药型罩进行优化设计的方法。首先,利用正交试验法对环形药型罩进行方案设计,得到各因素对环形聚能射流稳定性的重要程度,其次利用LS-DYNA软件进行数值模拟得到最初的样本数据,然后通过MATLAB软件拟合出神经网络训练所需的样本数据,接着将环形药型罩结构参数作为BP神经网络的输入,射流头部速度、射流横向速度、射流长度分别作为输出进行训练,同时将测试值作为适应度,最后结合遗传算法选择最优的环形药型罩结构参数。研究结果表明:影响环形聚能射流成形的主要因素是药型罩口径和锥顶角,次要因素为药型罩罩顶厚、内罩偏移量和外罩偏移量;当药型罩罩顶高为0.81 mm,药型罩口径为15.43 mm,罩顶角为61.89°,内罩偏移量为11.38%,外罩偏移量为14.36%时所形成的环形射流形态比正交实验所得环形聚能射流更好。 相似文献
8.
普通PID控制器以其简单、实用、易于实现,在经典控制中倍受青睐。对于像航空发动机这样复杂的非线性系统,基于对象精确数学模型的PID控制方法的自适应性较差,难以适应具有非线性、时变不确定性的被控对象。神经网络的建立为这种问题的解决奠定了基础。文中针对航空发动机难于建立精确数学模型的特点.采用了航空发动机自适应神经网络PID参数控制方案,仿真结果表明自适应神经网络PID控制不仅不依赖于精确的对象模型.而且具有满意的动、静态性能。 相似文献
9.
设计了基于BP神经网络的自整定PID控制算法,此控制算法不需要被控对象的数学模型,先由BP神经网络对被控对象进行辨识,给出PID控制所需要的3个参数,再由PID控制算法进行有效的控制,最后用MATLAB对某水下机器人的航向角模型进行了仿真验证。 相似文献
10.
11.
基于BP网络的PID整定控制 总被引:1,自引:0,他引:1
基于三层BP网络的PID的整定控制器,将输出层神经元输出状态对应于PID控制器的比例、积分、微分参数.先确定输入层和隐含层节点数、给出各层权值初值、选定学习速率和动量因子、学习参数等,再计算采样时刻误差、各层神经元的输入输出、PID控制器输出.通过神经网络的自学习、实现PID控制参数的自适应调整.仿真表明该神经PID控制器在三参数自调整、控制量变化、减小误差等方面具有优势. 相似文献
12.
13.
14.
15.
16.
17.
针对工业缝纫机调速模块的伺服系统普遍存在耦合,大滞后的现象,提出了一种将Smith预估补偿和RBF神经网络算法与PID控制器相结合的Smith-RBF-PID控制算法。该方法利用了Smith预估补偿能克服纯滞后和RBF能处理非线性问题、在线自学习整定PID参数的优点,在调速模块的伺服控制系统中更加有效。 相似文献
18.
为解决PID参数的在线调整问题,针对龙门刨床的主拖动系统,提出将神经网络的模糊PID自适应控制器用于直流调速系统的方法。分析龙门刨床电气设备的组成,综合模糊控制和神经网络的长处,将神经网络、模糊逻辑和PID控制相融合,构成模糊神经网络控制器,并通过MATALAB对系统进行仿真。设计时,将模糊规则融于神经网络中,通过对神经网络的自学习、自适应能力在线调整模糊规则和隶属函数参数,对PID控制器实现在线实时调整。仿真结果表明,该系统比普通控制器具有更好的动、静态特性。 相似文献